1.一种液压凿岩机的凿岩状态辨识方法，其特征在于，包括以下步骤：

步骤1、确定液压凿岩机凿岩状态辨识关键参数，并建立凿岩状态的标准样本数据；

步骤2、对标准样本数据进行归一化数据预处理；

步骤3、确定BP神经网络结构参数，将归一化后的标准样本数据作为训练样本输入至BP神经网络进行学习训练，经过网络学习后，建立BP神经网络的输入—输出映射；

步骤4、实时采集液压凿岩机凿岩状态辨识的关键参数，并进行归一化数据处理；

步骤5、将归一化的实时采集的关键参数数据输入至已建立的BP神经网络的输入—输出映射，获得凿岩状态的初步估计；

步骤6、将凿岩状态的初步估计作为识别框架下的证据，进行归一化处理后作为D-S证据理论合成规则的基本概率分配；

步骤7、运用D-S证据理论合成规则进行决策层的融合判决，所述的合成规则的算法公式为： 其中m(A)为凿岩状态的概率，N1为可信度小于可信度阈值的证据数，N2为焦元基本概率分配为0的证据替代数，mi(Ai)为识别框架下证据基本概率分配未被替代的焦元概率，mc(Ai)为加权平均后的基本概率分配，K为证据间的冲突程度，其值为步骤8、根据融合判决结果获得凿岩状态的最终结果。

2.根据权利要求1所述的液压凿岩机的凿岩状态辨识方法，其特征在于，所述关键参数为由氮气室压力转换的冲击活塞运动参数、缓冲装置的油液压力参数、回转系统转钎的阻力矩参数和推进系统推进力参数。

3.根据权利要求2所述的液压凿岩机的凿岩状态辨识方法，其特征在于，所述冲击活塞运动参数为冲击末速度和回弹速度，所述回转系统转钎的阻力矩参数为液压马达进出口压力差，所述推进系统推进力参数为推进缸工作压力。

4.根据权利要求2所述的液压凿岩机的凿岩状态辨识方法，其特征在于，所述BP神经网络设有第一BP神经网络和第二BP神经网络，所述冲击活塞运动参数、缓冲装置的油液压力参数和凿岩状态构成的标准样本数据进行归一化数据预处理后输入第一BP神经网络进行学习训练，所述回转系统转钎的阻力矩参数、推进系统推进力参数和凿岩状态构成的标准样本数据进行归一化数据预处理后输入第二BP神经网络进行学习训练。

5.根据权利要求1所述的液压凿岩机的凿岩状态辨识方法，其特征在于，所述归一化数据预处理的公式为：x*＝(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin，其中ymax和ymin分别为设定的归一化数据处理后数值范围的上、下极限值，xmax和xmin分别为样本数据的最大值与最小值，x和x*分别为归一化数据处理前、后样本数据值。

6.根据权利要求1所述的液压凿岩机的凿岩状态辨识方法，其特征在于，所述BP神经网络进行学习训练采用LM-BP神经网络算法进行，权值向量和阈值向量的修正公式为：其中W(i)和b(i)分别为经过第i次迭代运算后的权值

向量和阈值向量，JT为Jacobian矩阵，e为全局网络的误差向量。

7.根据权利要求6所述的液压凿岩机的凿岩状态辨识方法，其特征在于，采用遗传算法来对BP神经网络的初始权值和阈值进行全局自寻优。