1.基于多时间尺度特征和神经网络的钻进过程工况识别方法，其特征在于：包括以下步骤：

S1：基于钻进过程异常工况专家经验，分析钻进过程异常工况时对应的录井数据随时间的变化情况，利用多时间尺度方法将录井数据分为长时间尺度段数据和短时间尺度段数据；所述钻进过程异常工况包括：井漏、钻具掉落、卡钻和超拉；

S2：采用渐变采样最小二乘法提取长时间尺度段数据的长时缓变特征，利用自适应阈值法提取短时间尺度段数据的短时突变特征；

S3：利用概率神经网络方法建立钻进过程工况识别模型；该模型的输入为当前时刻录井数据、长时缓变特征和短时突变特征，输出为井漏、钻具掉落、卡钻、超拉和正常五类钻进过程工况类型中的一种；

S4：将实际钻进过程中的某当前时刻录井数据、长时缓变特征和短时突变特征输入到所述钻进过程工况识别模型中，得到某当前的钻进过程工况类型。

2.如权利要求1所述的基于多时间尺度特征和神经网络的钻进过程工况识别方法，其特征在于：在步骤S1中，长时间尺度段数据用来分析录井数据的长时缓变特征，短时间尺度段数据用来分析录井数据的短时突变特征。

3.如权利要求1所述的基于多时间尺度特征和神经网络的钻进过程工况识别方法，其特征在于：在步骤S2中，短时突变特征的提取方法为：针对短时间尺度段数据，采用人工经验判断当前时刻录井数据与前一时刻录井数据的差值，若录井数据的相邻采样点间的差值大于当前时刻录井数据的40％，则判断当前时刻录井数据变化异常；采用自适应阈值的方法进行提取当前时刻录井数据的短时突变特征。

4.如权利要求1所述的基于多时间尺度特征和神经网络的钻进过程工况识别方法，其特征在于：在步骤S2中，针对长时间尺度段数据，采用最小二乘拟合方法进行长时缓变特征提取：若时间序列 t1-tq这段时间内， 的线性拟合函数为F(tp)＝atp+e，斜率a即为时间序列 的趋势特征，斜率a和参数e满足条件： 其中，J为拟合误差，用来对时间序列的拟合程度进行度量；1≤p≤q，q为大于等于2的正整数，tp为当前采样点；

将长时间尺度段数据按照上述时间序列进行分段处理，分别得到相应拟合函数的斜率，即提取得到关于当前时刻录井数据的长时间尺度段数据的长时缓变特征。

5.如权利要求1所述的基于多时间尺度特征和神经网络的钻进过程工况识别方法，其特征在于：在步骤S4中，概率神经网络为一种前馈四层概率神经网络，包括输入层、模式层、求和层和输出层。

6.如权利要求5所述的基于多时间尺度特征和神经网络的钻进过程工况识别方法，其特征在于：在步骤S4中，概率神经网络的输入层接收输入的数据向量，将数据向量中的每一个录井数据传输至模式层的每个神经元；模式层将每个神经元上的录井数据乘以对应的权重系数得到每个神经元的输出；求和层的神经元通过计算属于同一类工况的所有神经元的输出，输出层将最大概率密度的一类工况作为概率神经网络的最终输出，也即得到钻进工况识别模型的输出。