1.泥水平衡盾构机盾尾密封油脂消耗预测方法，其特征在于，至少包括如下三个阶段：筛选预处理阶段：经过初次筛选及二次筛选确定影响盾构机油脂消耗的参数，对所述参数进行标准化及时间序列化处理之后，对其打乱划分为训练集和测试集；模型超参数择优阶段：建立用于盾尾油脂消耗预测的人工神经网络超参数模型，确定部分初始参数，以所述训练集作为所述人工神经网络超参数模型的输入，对所述人工神经网络超参数模型进行训练，得到最优超参数化的人工神经网络模型；预测阶段：采用所述测试集对最优超参数化的人工神经网络模型进行验证，输出预测的盾尾消耗油脂量及精度；其中，建立用于盾尾油脂消耗预测的人工神经网络超参数模型的过程包括：建立ANN人工神经网络模型，在所述ANN人工神经网络模型中嵌套使用K折交叉验证法，得到改进后的ANN模型；改进后的ANN模型具有输入端口A1，以待定神经元数目为参数；具有输出端口A2，以评判标准得分为结果；建立IPSO模型，所述IPSO模型输入端口B1数据是评判标准得分，模型输出端口B2是最优化神经元数目；将改进后的ANN模型与所述IPSO模型端口结合使用：将IPSO模型的最优化神经元数目作为改进后的ANN模型的隐含层神经元数，即所述输入端口A1与输出端口B2连接；将ANN模型训练验证得到的评判标准得分作为IPSO输入数据，即输入端口B1与输出端口A2连接；得到IPSO-ANN模型，以最佳评判标准得分为目标，全局搜寻神经网络隐含层最优神经元数目，经过时间序列化操作后的输入参数随机划分80%的数据作为IPSO-ANN模型固定输入参数，将预测盾尾油脂总量的最优神经元数目的神经网络模型作为输出；建立ANN人工神经网络模型的过程包括：利用Keras数据包构建双隐含层ANN人工神经网络模型，其待定超参数为两个隐含层对应的神经元数目N 1 与N 2 ；确定超参数为学习率Lr、优化器算法Optimizer、损失函数Loss、最大训练次数Nepoch、评判标准，将经过所述时间序列化后的训练集及初始神经元数目导入到ANN人工神经网络模型，对ANN人工神经网络模型进行训练并验证得到评判标准得分；所述K折交叉验证法的过程包括：将导入的训练集数据划分为K份，其中按照顺序，一份作为内部测试集，其余再次划分后的训练集数据仍然作为模型训练的数据；通过K个模型及K个不同的内部测试集验证得到K个评判标准得分，并对之去除最大值和最小值后进行平均化得到在该待定超参数下的ANN模型最终评判标准得分MAPE；预测阶段进一步包括：将验证集合的数据输入经过训练后的所述双隐含层ANN人工神经网络预测模型中，验证得到盾尾油脂预测值序列；通过对比盾尾油脂真实值序列验证该模型的准确性与可靠性；通过训练后的所述双隐含层ANN人工神经网络预测模型输入要求参数，即得到下一阶段盾尾油脂消耗量的预测值；用K折交叉验证法改进后的所述ANN模型的固定输入参数为训练集数据，可变输入参数为双隐含层的神经元数N 1 与N 2 ，输出参数为该模型经过K折交叉验证法训练验证后的评判标准得分MAPE；所述IPSO模型改变原本固定惯性权重为根据迭代次数非线性变化的惯性权重，改变原本固定个体因素权重、原本固定社会因素权重为根据迭代次数线性变化的权重值；变更权重公式为如下所示： ； ； ； ；其中 为惯性权重， 为粒子个体认知权重，为信息提供粒子权重， 为粒子社会认知权重， 为惯性权重初值， 为惯性权重终值， 为个体认知权重初值， 为个体认知权重终值， 为信息提供粒子权重初值， 为信息提供粒子权重终值， 为社会认知权重初值， 为社会认知权重终值， 为最大迭代次数， 表示当前迭代数。
2.根据权利要求1所述的预测方法，其特征在于，所述初次筛选包括：将所有影响盾构机盾尾油脂消耗的参数筛选出来，得到第一参数集合；所述二次筛选包括：采用皮尔逊相关系数对所述第一参数集合进一步特征提取、筛选降维，剔除相关性系数低于预定值的参数，得到第二参数集合。
3.根据权利要求2所述的预测方法，其特征在于，所述二次筛选进一步包括：对初次筛选得到的第一参数集合进行相关系数计算并绘制相关系数热力图；根据相关系数，筛选得到与盾尾油脂总量相关度参数高于预定值的若干个参数。
4.根据权利要求2所述的预测方法，其特征在于，还包括，将所述第二参数集合进行时间序列化操作并分为训练集和测试集：将连续N组二次筛选得到的输入参数合并为一组输入参数，并将接下来N组二次筛选输入参数的下一组对应的盾尾油脂总量作为该组参数时间序列化的输出参数；将对应输入参数及输出参数随机分集合并排序为训练集及验证集，比例为8：2。
5.一种泥水平衡盾构机盾尾密封油脂消耗预测系统，用于驱动并执行如权利要求1至4中任一项所述的预测方法，其特征在于，所述预测系统包括：筛选预处理单元，用于进行初次筛选及二次筛选，确定影响盾构机油脂消耗的参数，对所述参数进行标准化及时间序列化处理之后，对其打乱划分为训练集和测试集；模型超参数择优单元，用于建立用于盾尾油脂消耗预测的人工神经网络超参数模型，确定部分初始参数，以所述训练集作为所述人工神经网络超参数模型的输入，对所述人工神经网络超参数模型进行训练，得到最优超参数化的人工神经网络模型；预测单元，采用所述测试集对最优超参数化的人工神经网络模型进行验证，输出预测的盾尾消耗油脂量及精度。
6.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令在电子设备上运行时，使得电子设备执行如权利要求1至4任一项所述的泥水平衡盾构机盾尾密封油脂消耗预测方法的操作。
