随着我国城市化建设发展的需要,各大城市陆续开展了大规模的地铁建设。盾构为地铁建设中的核心设备,因其施工环境恶劣,掘进过程中易发生各类故障。刀盘系统是盾构机最基本也是最重要的部分,保证刀盘系统电气设备的正常工作,是盾构掘进的基本前提。盾构机掘进过程中会采集大量的施工数据,远程获得这些施工数据并进行数据优化,根据不同的工况智能预测出土舱压力,用于辅助指导盾构施工,对减小地面沉降具有重要的意义。为此本课题主要从以下三方面进行论述。盾构刀盘电机的故障仿真研究:针对盾构刀盘电实际情况,对各类故障的故障机理进行了阐述说明。为了研究盾构刀盘电机从正常工作到出现各类故障时磁场分布、转矩、转速、定子电流等参量的特征,基于等效磁路法对电机进行了有限元的建模仿真分析,通过改变导条材料、添加外电路、改变_轴心位置等方式,对电机的断条、定子绕组匣间短路、静态偏心等故障进行了模拟。着重对电机处于不同故障工况时的磁场、转矩、转速、定子电流等参量进行了详细了特征分析,为盾构刀盘电机故障诊断提供了重要的参考价值。改进粒子群优化BP(back propagation)神经网络的故障诊断方法:粒子群优化BP神经网络的故障诊断方法使用广泛,但是粒子群算法本身存在一些缺陷,比如过早收敛和容易陷入局部最优解等问题。针对这种情况,设计了一种混沌动态权重粒子群算法(chaotic dynamic weight particle swarm optimization CDW-PSO),通过引入混沌映射和动态权值在一定程度上改变了原本粒子群算法的搜索过程。之后使用混沌动态权重粒子群算法对BP神经网络进行优化,将其应用于盾构刀盘电机的故障诊断,诊断结果表明使用该算法进行故障诊断,收敛速度快、准确性高。盾构掘进参数的优化研究:要完成盾构掘进参数的优化,首先要获取盾构施工的各类参数,而为了方便的获取各类盾构施工参数,设计了一套基于WWEB的盾构远程监控系统。可以从远程访问盾构施工的各类数据,并且可以完成一些简单数据写入工作。通过分析得出对地表沉降影响比较大的施工参数为土舱压力,为了更好的控制地表沉降,采用BP神经网络的方法构建了土舱压力预测模型。将盾构以往的施工数据一部分作为训练数据,一部分作为预测数据,对模型进行反复的训练,直到满足精度。从预测结果可以看出使用BP神经网络算法进行土舱压力的预测值误差已经很小,可以用于辅助指导盾构施工。