地铁建设是城市立体交通的重要环节,但因修建地铁的成本高昂,地铁的发展受到阻碍,其中盾构机刀片占了耗材费用的一大部分,有效的节省刀片使用量是控制建设成本的有效途径。分析刀具失效情况,降低工程花费主要有两种途径:一是预测刀片的损坏时间,提前安排调度,节约工期;二是预测损坏形式,合理操控机器,减少非磨损毁坏情况。对于这两种预测情况,都具有复杂时序性和非线性的特点,导致传统拟合方法在这类预测中缺点明显。在本文中,我们以青岛市地铁2号线的实际挖掘数据为基础,构建一系列优化模型从不同角度做刀具的优化。从理论方向入手,建立基于改进的CSM模型拟合盾构机刀具磨损与动态影响因素之间的关系模型,准确率为85%左右。理论模型准确率受静态因素和动态因素影响,因静态因素采集困难,为所建模型应用方便并提高准确率。我们又从数据驱动方向出发,充分发挥工程中的实际测量数据,选择多种智能化方法尝试,然后分别构建基于多种方法的预测模型。当以预测刀具损坏时间为目标时,我们把正常损坏和非正常损坏作为一个统一的整体。分别选择磨损量和寿命为因变量,使用蚁群-神经网络算法对1-41号刀具做预测,首先应用主成分分析和灰度关联,选择不同目标下的因子。为减少蚁群大规模迭代效率低的,我们先用蚁群对权值和阈值做初步筛选,再通过反馈微调选择,选择最终权值、阈值、隐含层节点数。然后对两模型对比后发现,基于寿命为目标的蚁群-神经网络预测模型对预测刀具失效的准确率达到90.23%。为了加大刀具失效分析的准确率,适应小样本和复杂线性的特点,我们研究并使用支持向量机回归机算法,算法具有的小维数、转导推理优势。用灰度关联法选定日掘进里程,岩石等级、刀具损坏数量、刀盘推力、刀盘转速、掘进速度等7个驱动因子组成信息矩阵,以网格搜索和k-交叉检验寻找最优参数,最终选出最优核函数为高斯核函数。最终的数据检验寿命的准确率达到94.52%。为优化操控策略,拟合影响因素和损坏形态的关系为操作提供理论指导。我们选择了多种研究方法,使用BP神经网络和循环神经作对比性研究,因循环神经网络能依据输入层的数据,在极小时间区间内,基于前面地质情况、操作情况做学习训练,实现识别损坏原因的判别,建立符合时序性的映射关系。最终的预测结果是基于循环神经网络的预测模型准确率90%左右,具备操作的可行性。