随着我国城市建设的发展,各大城市的地铁和地下管廊建设项目日益增多。这类地下工程进行隧道施工时,经常会采用盾构作为主要挖掘设备。盾构系统构成的复杂性和所处的恶劣工作环境,使得盾构在施工过程中经常会出现各种故障。这些故障不但会影响项目进度、造成经济损失,严重时还会危及到工作人员及工地周边的安全。因此有关盾构机施工故障的相关研究能够帮助施工人员及时发现问题,进行有效决策,调整盾构施工状态,并且有助于管理人员进行盾构施工的项目进度和质量安全控制,有助于盾构施工工程的项目管理工作。随着技术发展,盾构机在掘进过程中可以通过遍布盾构各处的传感器监测和收集大量的盾构机施工参数数据。通过梳理国内外盾构施工参数和故障的相关研究发现,盾构施工参数和盾构机施工故障之间存在着密切的联系。因此,本文采用数据科学的方法,探寻盾构施工参数数据与盾构故障之间的关系。针对盾构在实际施工过程中同一时刻往往存在着多类施工故障的问题,本文以机器学习、深度学习的相关模型和理论为基础,研究了利用盾构施工参数数据进行盾构机施工故障预测的方法。尤其是对于如何识别盾构施工时序数据中隐含的盾构机故障信息这一问题,设计了基于深度学习长短期记忆网络(Long-Short Term Memory,LSTM)的盾构故障预测模型。由于盾构的施工过程十分复杂,掘进参数的配置、外部的环境状态,以及多样的地质形态都是影响盾构施工效果的多种维度。因此,本文首先根据不同传感器收集的盾构施工过程中的各类数据,建立了盾构施工数据库,把盾构施工过程中的机器设备参数与外部环境数据进行了集成,为盾构机故障预测提供模型训练数据。考虑到采集的数据里包含了盾构故障发生前后的盾构施工参数的变化,本文对采集的数据进行序列化处理,利用LSTM擅长处理序列数据的特点,设计了基于LSTM的盾构故障预测流程,包括盾构故障预测模型的数据准备过程,并引入了基于多标签的分类评价指标作为模型预测结果的评价指标。最后建立了基于PCA-LSTM的盾构故障多标签预测模型,即从盾构施工数据库中获取集成了盾构各个子系统参数的施工数据,用PCA方法对该数据进行降维,解除施工参数之间的相关性后再与外部数据整合,作为LSTM模型的输入。通过引入适应多标签计算的损失函数进行故障相关性的学习。实验结果表明,基于PCA-LSTM的盾构故障预测模型在单故障和多故障上都有较好的预测效果。盾构施工故障是影响盾构施工风险管理、进度管理和质量管理的一个重要原因,该研究有利于施工单位进行盾构施工的项目管理工作。