引言
隧道掘进机（TBM）是现代地下掘进中最重要的设备之一，直接影响施工效率和安全性（Yu et al., 2026b）。在复杂且多变的地质条件下，TBM在掘进过程中经常遇到不良地质环境，包括断层断裂带、岩石崩塌、水涌事件以及围岩不稳定，所有这些都会导致运行参数发生显著波动，从而增加施工风险（Wang et al., 2026, Yu et al., 2026a）。TBM的关键运行参数，如切削头旋转速度、总推力、掘进速率和切削头扭矩，能够有效表征机器在不同地质条件下的工作状态，并为调整掘进策略和施工控制方案提供重要指导（Li et al., 2025a, Wu et al., 2026, Yu et al., 2024, Zhang et al., 2025, Zhou et al., 2026）。掘进参数与地质条件之间的不一致可能会显著降低岩石破碎效率，加速刀具磨损，甚至导致盾构机卡住或结构损坏，从而导致重大经济损失和施工延迟（Fu et al., 2022, Gong et al., 2016）。准确预测TBM运行参数的变化对于提高掘进效率、保障施工安全以及促进隧道工程中的智能和数据驱动决策具有重要意义。
传统的TBM运行数据分析方法主要依赖于经验公式（Liu et al., 2023）、统计模型（Chen et al., 2025）以及浅层机器学习算法，包括回归分析（Salimi et al., 2016）、支持向量机（Jia et al., 2022）和随机森林方法（Farzay et al., 2025）。尽管这些方法在某些工程场景中显示出有效性，但它们通常在捕捉多变量时间序列数据中的复杂非线性关系和时间依赖性方面能力有限。在复杂和异构的地质条件下，它们的预测准确性、鲁棒性和泛化性能往往不足（Huang et al., 2025, Shan et al., 2022, Wang et al., 2025, Xie et al., 2025）。随着深度学习技术的进步，诸如RNN（Gao et al., 2019）、LSTM（Li et al., 2024, Lu and Shi, 2023, Pan et al., 2024, Yu et al., 2024, Zhang, S., Du, Q., Zhao, S., 2021. 基于不同特征的TBM切削头扭矩预测以及Aga优化的LSTM-MLP，在2021年IEEE国际系统、人与控制论会议（SMC）上进行了展示）和GRU（Fu et al., 2025, Li et al., 2024, Zhang et al., 2022）等模型已被广泛用于预测掘进速率、推力、扭矩和地质响应等时间序列参数，旨在捕捉掘进过程中的复杂动态演变。这些循环模型能够捕捉序列数据中的时间相关性。然而，它们的性能常常受到计算复杂性、超参数选择和数据质量的影响。
基于Transformer的模型逐渐被引入到TBM运行参数预测中，因为它们通过自注意力机制在捕捉长距离时间依赖性方面具有显著优势，并在复杂工作条件下表现出强大的特征提取和动态建模能力。增强型多头自注意力卷积神经网络通过两阶段特征提取框架实现了对盾构隧道围岩等级的高精度预测，首先使用多头自注意力捕捉相邻掘进面之间的地质相关性，然后通过2D CNN进行深度特征提取（Qin et al., 2023）。多块注意力Transformer（MPAT）是一种多变量长期预测模型，用于TBM掘进参数。通过自相关分析选择关键的时间延迟序列，并将它们分成多个块以整合局部和全局信息，MPAT显著提高了高频和弱周期性TBM数据的预测准确性，在多个预测范围内胜过了现有的最先进模型（Liu et al., 2025）。此外，一些研究引入了改进的架构，如Informer（Zhao and Ding, 2025）、Transformer-Encoder（Zhou et al., 2026）和Temporal Fusion Transformer（Zhang et al., 2026），以降低长序列建模的计算成本，同时增强对局部波动和关键时间间隔的敏感性。总体而言，基于Transformer的模型在复杂的TBM运行条件下通常具有更高的预测准确性和更强的泛化能力，尽管它们通常需要更高的训练成本，并对数据规模和超参数设置更加敏感（Dong et al., 2025, Guan et al., 2025, Jiang et al., 2025, Zhang et al., 2024）。
尽管上述方法在性能上有所改进，但仍存在一些局限性。一方面，现有模型在处理TBM运行参数数据时往往难以同时捕捉局部动态变化和全局时间依赖性。另一方面，不同参数之间的复杂耦合关系尚未得到充分表征。因此，开发更有效的注意力机制以提高模型对多变量时间特征的表示能力仍然是一个重要的研究方向。
为了进一步提高TBM运行参数的预测准确性，本研究提出了DRFormer，这是一种面向任务的多步骤预测模型，它协调了信号处理、特征选择和互补的时间学习模块。该方法的主要贡献在于集成了三种在TBM数据中难以同时建模的属性：目标依赖的非平稳性、跨参数耦合以及不同尺度上的时间依赖性。具体来说，目标依赖的信号分解将趋势和波动分量分开；基于训练集的LGBM排序在不使用验证或测试样本的情况下选择代表运行耦合的辅助变量；1D ResNet提取局部和多尺度短距离特征；时间模式注意力为有信息的历史模式赋予数据依赖的重要性；ProbSparse编码器-解码器在减少冗余注意力操作的同时捕捉更长期依赖性。这些模块依次连接，以便首先对分解和重要性引导的输入进行局部编码，然后进行自适应重加权，并最终映射到多步骤输出序列。通过受控消融实验和与循环模型、Transformer模型及持久性基线的比较，量化了这种整合的贡献和局限性。本文的其余部分组织如下：第2节介绍方法和架构，第3节描述案例研究和训练协议，第4节报告结果和工程意义，第5节总结结论和局限性。
章节片段
信号分解
使用巴特沃斯低通滤波器从时间序列信号中提取低频趋势成分，从而实现有效的频率选择性过滤，因此在趋势提取和时间序列分析中得到广泛应用。连续时间巴特沃斯低通滤波器的幅度响应函数表示如下： | H ( j ω ) | 2 = 1 ( 1 + ( ω 2 π f c 2 N
项目概述
本研究的数据集来自滇中调水工程大理I段的水输送线。该隧道段的地形起伏显著，隧道埋设深度一般在400–950米之间，最大约为1335米，最小约为87米。隧道穿越段的围岩主要由石灰岩、白云质石灰岩和夹有薄层石灰岩的白云岩组成。
预测结果和评估
使用平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）、均方百分比误差（MSPE）和决定系数（R2）来评估预测性能。对于N个测试样本，设 yi和 y?i表示第i步的观测值和预测值，设 y ˉ表示平均观测值。MAE描述了典型的绝对偏差，RMSE强调较大误差，MAPE和MSPE提供了归一化后的误差，其中MSPE给予更大的权重
结论
本研究提出了DRFormer，这是一种通过集成信号分解、基于重要性的特征选择、1D ResNet和ProbSparse注意力编码器-解码器框架的多步骤TBM运行参数预测模型。结果表明，DRFormer在保持良好适应性的同时实现了准确和稳定的预测性能。主要结论如下：
- (1)
使用真实的盾构隧道数据，该模型实现了稳定的
>
CRediT作者贡献声明
吴永新：写作 – 审稿与编辑，撰写初稿，监督，资源协调，项目管理，方法论，资金获取，概念化。张腾：撰写初稿，可视化，软件开发，方法论，调查研究，数据分析，数据整理。张侯乐：写作 – 审稿与编辑，撰写初稿，可视化，验证，监督，方法论，调查研究，数据分析，概念化。
利益冲突声明
作者声明他们没有已知的利益冲突或个人关系可能影响本文所述的工作。
致谢
作者感谢江苏省自然科学基金（项目编号BK20250089）的支持。
吴永新 | 张腾 | 张侯乐
