随着数据密集型时代的到来,盾构机的运行监测日趋完善,所记录的实测数据不仅包含了装备作业过程的海量信息,也蕴含了装备内部及其与外部环境的相互作用机理,通过一定方法对这些数据进行深度挖掘与刻画对于提升装备的设计、分析、运行与维护水平具有重要意义。盾构机实测数据由来源于监测系统的运行实测数据和来源于地质勘探的地质实测数据组成,具有运行实测数据未赋予明确的地质工况标注且重叠分布、运行实测数据参数与装备性能之间的关联关系复杂、运行实测数据中已收集的数据难以覆盖后续数据的样本空间、运行实测数据与地质实测数据的样本容量不相等的特点。针对盾构机实测数据的上述特点,本文开展了如下四个方面的研究:1)盾构机运行实测数据的划分方法;2)盾构机运行实测数据的精准建模方法;3)盾构机运行实测数据预测模型的泛化能力提升方法;4)盾构机运行与地质实测不等容数据的联合建模方法。掘进速度是盾构机的关键性能指标,其描述了装备在单位时间内的掘进距离和掘进效率,是调整掘进参数和项目施工管理的必要参考。因此在研究过程中,以深圳地铁某标段的盾构机实测数据为应用对象,结合盾构机的掘进速度预测实验,检验了所提出一系列方法的工程可用性。主要贡献如下:（1）针对不同地质工况运行实测数据的划分问题,从盾构机运行实测数据中部分参数（属性）强相关的角度出发,提出了强相关属性关联关系引导的聚类模型。采用线性方程描述强相关属性的关联关系并与数据的空间距离相结合构成聚类目标函数,设计了隶属度、类原型和线性方程系数三者交互迭代的目标函数优化策略以获取数据的划分结果。通过盾构机运行实测数据的聚类实验,发现提出聚类模型能够实现不同地质工况运行实测数据的有效划分,提供强相关属性的明确回归方程以供参考。（2）针对运行实测参数与装备性能之间的关联关系复杂,难以建立精准的预测模型的问题,提出基于回归关系的聚类模型,继而给出该聚类模型辅助的数据建模方法。在提出聚类模型中,基于每个子类回归模型的预测误差构建了聚类目标函数,设计了目标函数的迭代优化策略以获取数据的划分结果;在提出的数据建模方法中,基于数据的划分结果判断待预测数据的归属,通过对应的子类回归模型获取最终的预测值。通过盾构机的掘进速度预测实验,发现提出建模方法能够精确刻画出盾构机运行参数与掘进速度的关联关系,给出良好的掘进速度预测结果。（3）针对已收集运行实测数据无法有效覆盖后续发生数据的样本空间,导致模型泛化能力不足的问题,通过引入传统预测模型生成的仿真数据加以解决。针对低保真度的仿真数据参数与高保真度的运行实测数据参数不完全相同的客观实际,提出了适用于参数不完全相同的多保真度数据联合建模方法,构建了一种新型核函数将多保真度数据的输入映射到高维空间,通过高维空间的线性方程描述数据输入与输出的回归关系。盾构机掘进速度预测实验结果表明,提出方法能够结合运行实测数据和仿真数据的各自优势,提升掘进速度预测模型的泛化能力和预测精度。（4）针对运行实测数据与地质实测数据的联合建模问题,提出了多类型数据的融合转化方法,将地质实测的多类型数据统一为新的结构化数据。提出了一种不等容数据建模方法,采用核函数将大样本容量数据与小样本容量数据的输入映射到高维空间,通过高维空间的线性方程描述大、小样本容量数据输入与输出的回归关系。将提出方法用于运行实测数据和地质实测数据联合驱动的盾构机掘进速度预测,发现该方法能够实现小样本地质实测数据与大样本运行实测数据的有效联合建模,给出动态和累积的掘进速度的精准预测结果,并进一步研究了地质和运行参数对掘进速度的影响规律。最后,对全文所研究的主要工作进行了总结,同时对盾构机实测数据建模方法中的后续研究进行了展望。