TBM在掘进过程中每一秒钟可采集199个参数,这些参数反映了TBM各个系统的工作性能。驱动系统与推进系统的监测参数反映了TBM的能耗、受力、位移等信息,辅助系统可以看到当前机械各部件的温度、出渣情况等。充分利用TBM的掘进数据研究掘进性能参数变化规律、不良地质信息、围岩质量等问题,可以提高施工效率、降低成本、增加掘进的安全性。但是,传统的数理统计、理论分析等方法已经不足以用来分析TBM带来的大数据。本文基于机器学习相关的人工智能算法,对TBM的掘进参数、围岩等级进行预测并分析。TBM记录下的参数不仅仅包括了它的工作状态,也包含了它在休息时的数据。因此本文对TBM数据进行了数据清洗,按TBM开机到关机的过程划分成大大小小的循环段。利用肯德尔等级相关系数,可以很好的将每个循环段划分成波动段、上升段、稳定段。对划分之后的数据进行分析,利用特征工程相关方法过滤冗余参数,再采用随机森林选取重要参数,并利用长短期记忆神经网络(LSTM)验证了这个过程的正确性。在此基础之上,提出基于数理统计、理论公式提取出来的特征值输入方法,比采用原始数据预测掘进参数精度更高。本文通过假设某些关键参数缺失,得到缺失参数用与之高度相关的参数替代可提高预测精度的结论;通过围岩岩性将数据分开进行训练,发现合并的数据训练出来的模型泛化性能更好;通过对比LSTM与支持向量回归(SVR)、卷积神经网络(CNN)三种经典的机器学习算法,验证了LSTM比较适合解决时间序列问题。利用LSTM的记忆机制,建立掘进参数时间序列预测模型。当总推进力、刀盘扭矩发生波动时,模型也能拟合的很好。弥补了传统的CSM理论模型预测值偏小,同一种岩性条件下只能给出一个预测值的不足。在对掘进参数时间序列预测模型进行分析时,发现利用非塌方段的数据进行训练可以对塌方段进行预警。本文还研究了利用集成学习算法随机森林(RF)、Ada Boost对围岩等级进行预测,预测效果比支持向量机(SVM)、人工神经网络(ANN)更好。通过对不平衡数据进行重采样,再基于Ada Boost基学习器,利用相对多数投票法、Stacking两种组合策略,建立不平衡数据分类模型。最终,采用相对多数投票法组合策略的模型,预测精度在原来的Ada Boost算法上得到了提高。