1.一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法，其特征在于，包括以下步骤：

S1：通过加速度传感器测量得到的钻柱振动三维加速度信号，通过分析正常钻进与发生粘滑、跳钻时信号变化特征，采用经验模态分解方法对正常钻进、发生粘滑以及跳钻时相应的信号进行分解得到各自本征模态函数IMF分量；

S2：将S1分解后高于阈值的IMF分量系数采用软阈值函数进行去噪处理，将去噪后的IMF分量分别进行叠加得到各自的重构信号；

S3：对S2得到的重构信号再次采用经验模态分解方法分解得到IMF分量，对各分量进行IMF能量熵计算与边际谱能量计算，得到用于表征正常钻进、发生粘滑以及跳钻的时频域特征；

S4：利用支持向量机SVM训练模型，以S3得到的时频域特征为模型的输入参数，模型输出为三种工况类型；

S5：通过S1重新测量钻柱振动三维加速度信号，并采用经验模态分解方法对相应的信号进行分解得到各自本征模态函数IMF分量；重复S2～S3，以S3得到的IMF能量熵与边际谱能量作为S4模型的输入，对三种工况类型进行识别。

2.根据权利要求1所述的一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法，其特征在于，所述钻柱振动三维加速度信号包括扭转振动信号、纵向振动信号和横向振动信号，其中扭转振动信号用于分析正常钻进和发生粘滑时的变化特征，纵向振动信号用于分析正常钻进和发生跳钻时的变化特征。

3.根据权利要求1所述的一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法，其特征在于，所述步骤S1中，应用经验模态分解方法对钻柱振动三维加速度信号由高频到低频依次分解，分解过后的每个IMF分量都包含信号的部分时频特征。

4.根据权利要求1所述的一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法，其特征在于，所述步骤S2中，选取的阈值如下所示：其中，λ为阈值，MAD表示平均绝对误差，cD表示分解得到的高频系数，估计噪声方差时使用经验模态分解得到的IMF1分量，N指采样长度，k表示IMF分量的序号。

5.根据权利要求1所述的一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法，其特征在于，利用软阈值函数将高于阈值的IMF分量系数进行去噪处理，公式如下：式中IMFk,j为IMF系数，sign(·)为符号函数，λ为阈值，k,j分别表示IMF分量的序号和采样点数。

6.根据权利要求1所述的一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法，其特征在于，所述步骤S3中，采用IMF能量熵来表征正常钻进、发生粘滑和跳钻时的时域特征，IMF能量熵计算公式如下：其中，H为IMF能量熵，pi表示第i个IMF的能量在总能量中的比重，n为IMF的个数，前两个IMF分量IMF1和IMF2包含了正常钻进、粘滑和跳钻的大部分时域信息，因此选取前两个IMF分量的能量熵进行比较，通过数组实验分别得到正常钻进与粘滑时扭转信号的IMF1和IMF2能量熵范围，正常钻进与跳钻时纵向信号的IMF1和IMF2能量熵范围。

7.根据权利要求1所述的一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法，其特征在于，所述步骤S3中，采用边际谱能量反映信号的幅值在整个频率段上随频率的变化情况，边际谱能量的计算公式如下：其中，e为边际谱能量，h(ω)表示信号的边际谱，k代表信号频带的宽度，ω表示信号的频率n为采样点,T为信号的总长度，RP表示取实部，ai表示信号的幅值，ej表示复数的指数形式，t表示某一时刻，通过数组实验得到正常钻进时扭转信号边际谱能量范围与粘滑时扭转信号的边际谱能量范围，正常钻进时纵向信号的边际谱能量范围与跳钻时纵向信号的边际谱能量范围。

8.根据权利要求1所述的一种基于钻柱振动信号的粘滑和跳钻异常工况识别方法，其特征在于，所述步骤S4中，支持向量机选用高斯核函数进行样本分类，样本类别分为正常工况、粘滑工况和跳钻工况，样本的IMF分量的能量熵和边际谱能量作为输入，最后输出为样本类别即工况类型。