1.一种基于动态时间规整的钻进过程数据异常判别与校正的方法，在钻进过程中得到钻进过程数据；其特征在于：包括以下步骤：S1：采用马氏距离对所述钻进过程数据进行离群点数据检测，得到一个由若干离群点数据形成的集合；

S2：以该集合中各个离群点数据为中心，使用DTW算法计算一定长度p内两个时间序列间的最小距离dtwu；即每个离群点对应一个离群点数据，其中，p为大于零的正数；两个时间序列的选择原则为：在发生事故时的变化趋势相类似，即数据变化趋势为同时上升或同时下降；

S3：基于模糊C均值聚类算法对计算得到的dtwu值进行聚类划分，得到若干类别；根据正常钻进时与上述同样长度时间序列内的dtwp值，计算所述若干类别的不同聚类中心与该dtwp值的距离lk，并结合异常敏感系数q，1≤q≤1.5，判断lk是否大小qlmin；若是，则第k类聚类中离群点数据是由于检测误差引起的异常值；若否，则该离群点数据由是于钻进事故引起的异常值；其中，k为大于零的正整数，表示聚类类别；lmin为聚类中心与dtwp值间的最小的欧式距离；

S4：使用K近邻算法对由于检测误差引起的异常离群点数据进行处理，选取距离异常离群点数据最近的K个邻居的平均值，以替换该异常离群点数据进行校核，并将校核后的数据保存到历史数据库中；K为大于0的正数。

2.如权利要求1所述的一种基于动态时间规整的钻进过程数据异常判别与校正的方法，其特征在于：步骤S1中，对钻进过程数据进行离群点数据检测的具体过程如下：(1‑1)：X＝{xi|i＝1,2,…,M}表示钻进过程数据的集合，其中M表示钻进过程相关数据的总数量；采用如下所示的马氏距离对钻进过程数据X进行离群点数据检测：‑1

其中，xi表示第i个钻进过程数据，T表示转置，Σ 表示钻进过程数据xi与整个时间序列内数据平均值u的协方差矩阵；

(1‑2)：对步骤(1‑1)中检测得到的马氏距离进行降序排序，若所述钻进过程数据xi处的马氏距离di小于dset值，则xi为正常数据，其中，dset为设置的某一序号i处的马氏距离的阀值；若所述钻进过程数据xi处的马氏距离di大于等于dset值，则xi为离群点数据xu。

3.如权利要求1所述的一种基于动态时间规整的钻进过程数据异常判别与校正的方法，其特征在于：步骤S2中，使用DTW算法计算长度p内两个时间序列间距离的过程如下：若这两个时间序列为P和Q，分别表示钻进过程中发生事故时有相同变化趋势的两个参数，计算以离群点数据为中心，p时间长度区间内时间序列的相似性，两个时间序列P和Q的长度分别为a和b，根据如下公式得到最小动态时间规整距离dtwu：γ(i,j)＝e(pi,qj)+min{γ(i‑1,j)+γ(i‑1,j‑1)+γ(i,j‑1)}dtwu＝γ(a,b)

其中，e(pi,qj)是pi和qj两个数据点的距离，γ(i,j)是累积距离，i和j分别表示第i个数据点和第j个数据点，i和j均为正整数；从(0,0)点开始匹配两个序列P和Q，每到一个点，之前所有点计算的距离都会累积为γ(i,j)；最终到(a,b)点处的γ(i,j)值为最小动态时间规整距离dtwu。

4.如权利要求1所述的一种基于动态时间规整的钻进过程数据异常判别与校正的方法，其特征在于：步骤S3中，基于模糊C均值聚类算法对计算得到的DTW值dtwu进行聚类划分的过程如下：设定核模糊C均值聚类算法的目标函数Jm如下：

其中，Jm是模糊C均值聚类算法的目标函数，K是聚类个数，m是模糊指数，μku是离群点数据xu相对于聚类中心ck的隶属度，u是第u个离群点，U是离群点的总数目， 表示控制聚类过程中的模糊性，dtwu表示最小动态时间规整距离，ck和cf分别表示第k类与第f类的聚类中心；通过更新聚类中心ck和隶属度μku来实现Jm的最小。

5.如权利要求4所述的一种基于动态时间规整的钻进过程数据异常判别与校正的方法，其特征在于：步骤S3中，通过以下公式分别计算聚类中心ck与正常钻进时p长度时间序列内的DTW值dtwp的欧式距离：lk＝||ck‑dtwp||

其中，lk为聚类中心ck与正常钻进时p长度时间序列DTW值dtwp的欧式距离；通过比较得到的所有欧式距离，找到最小的欧式距离lmin，根据异常敏感系数q，当距离lk大于qlmin时，判定第k类聚类中离群点数据是由于检测误差引起的异常值，反之是由于钻进事故引起的异常值。