1.一种基于TBM运行数据的不良地质条件识别与预测方法，其特征在于，包括以下步骤：步骤1，获取TBM运行数据与地勘资料数据；步骤2，将所述TBM运行数据与所述地勘资料进行预处理，得到预处理后的数据；步骤3，基于所述预处理后的数据进行特征变量设计，筛选出与目标相关的变量；步骤4，基于与目标相关的变量，建立基于遗传编程的不良地质条件识别模型，并求得良好地质与不良地质的划分函数H(X)；步骤5，根据所述H(X)判断TBM当前位置的地质情况，其中，步骤3的具体步骤为：步骤3-1，根据皮尔逊相关性过滤出与目标相关但是不冗余的变量：式中，cov(X,Y)表示X和Y的协方差，σ X 和σ Y 分别表示X和Y的标准差；步骤3-2，基于排序特征重要性进一步筛选与目标相关的变量，该步骤依赖于机器学习算法的选择，可采用的机器学习算法至少包括支持向量机、k最邻近法、随机森林，步骤3-2的具体过程为：步骤3-2-1，使用h代表所选用的机器学习算法，计算h在数据集D上的分类错误率e orig ，为测试数据集D中第j个变量的特征重要性，为第j个变量里每个元素加入随机小扰动∈，记此时的测试数据集为D * ；步骤3-2-2，计算h在所述数据集D * 上的分类错误率e perm,j ，则第j个变量的特征重要性为|e perm,j -e orig |，可得|e perm,j -e orig |越大，表示变量对预测结果影响越大，则对应变量重要性越高；步骤3-2-3，从数据集D中整列删除特征重要性排序低的变量，步骤4的具体过程为：遗传编程首先基于先验知识或随机生成若干棵初始语义树，所述初始语义树通过复制、交叉、变异生成下一代种群，种群的演化依赖于个体适应度函数F(X)的计算，当F(X)超过预设值，输出当前语义树表达式H(X)，即为良好地质与不良地质的划分函数H(X)，遗传编程以语义树的形式表达符号运算结果，其中树的内部节点表示运算符号，叶子结点表示变量或常量值，F(X)取为优化目标函数f(X)的函数，假设f(X)为针对求目标函数最大值的优化问题，则为满足F(X)取非负值的要求：式中，C min 为预先指定的相对较小的数，F(X)的大小被用来确定不同个体被遗传到下一代群体中的概率，F(X)的值越大，则对应个体被遗传到下一代的概率也越大，反之，F(X)的值越小，则该个体被遗传到下一代的概率越小，若当前语义树的F(X)值超过预设值，则输出该语义树对应的表达式H(X)，即为待求得良好地质与不良地质的划分：步骤5的具体过程为：将新获取的TBM运行数据与地质数据带入所述H(X)，从而判断当前TBM是否处于不良地质体中。
2.根据权利要求1所述的基于TBM运行数据的不良地质条件识别与预测方法，其特征在于：其中，步骤1的具体过程为：通过可编程逻辑控制器以固定频率采集TBM上所有传感器数据，获得所述TBM运行数据，所述TBM运行数据至少包括总推力、刀盘扭矩、刀盘转速、贯入度以及掘进速度，基于施工前地质勘探资料获得所述地勘资料数据，所述地勘资料数据至少包括岩性、围岩分级。
3.根据权利要求1所述的基于TBM运行数据的不良地质条件识别与预测方法，其特征在于：其中，步骤2中，所述预处理的具体步骤为：步骤2-1，使用缺失值所在数据列的均值填补缺失的所述TBM运行数据；步骤2-2，使用3σ准则和盖帽法删除所述TBM运行数据中的异常值；步骤2-3，TBM掘进不同阶段划分，并取各个变量在稳定段内的均值构成TBM运行参数数据集；步骤2-4，使用最近邻插值法处理所述地勘资料数据，并扩充所述TBM运行参数数据集；步骤2-5，分别使用0-1标准化与独热编码分别处理连续变量与离散变量。
4.根据权利要求3所述的基于TBM运行数据的不良地质条件识别与预测方法，其特征在于：其中，步骤2-1的具体过程为：假设输入数据为 的矩阵，满足：式中，x ij 表示矩阵中第i行第j列元素，若x ij 元素缺失数据，且第j列共有p个元素缺失数据(p<m)，则步骤2-2的具体过程为：验证连续变量的偏度S与峰度K：式中，μ j 是第j个变量的均值，σ j 是第j个变量的标准差，对于满足-3≤S≤3，-7≤K≤7的变量，使用3σ准则删除取值在(μ j -3σ j ，μ j +3σ j )区间外的异常值，对于其他情况，使用盖帽法整行删除数据框里99％以上和1％以下的数据点，步骤2-4的具体过程为：若已知x i-1 ，x i-1 处对应的地勘数据分别为f(x i-1 )，f(x i-1 )，且存在x i 满足 则令f(x i )＝f(x i-1 )，步骤2-5的具体过程为：利用0-1标准化将连续变量缩放到[0,1]区间内： 利用独热编码，为离散变量的每个状态创建一个二进制表示。
5.根据权利要求3所述的基于TBM运行数据的不良地质条件识别与预测方法，其特征在于：其中，步骤2-3的具体过程为：步骤2-3-1，将TBM掘进循环分为掘进段和停机段组成，将所述掘进段按照数据整体趋势分为上升段和稳定段；步骤2-3-2，定义G(X)＝g(推力)g(扭矩)g(掘进速度)，当G(X)＝0时，认为掘进处于所述停机段，从数据集中删除对应数据行；步骤2-3-3，使用累积和变点识别法识别上升段与稳定段分界点：S kj 达到最大值时对应的x ij 即为所述上升段与所述稳定段的分界点；步骤2-3-4，取各个变量在稳定段内的均值构成TBM运行参数数据集D。
