1.一种地质钻进过程钻速智能动态预测方法，其特征在于：包括以下步骤：S1：根据钻进过程数据，分析钻速与钻进参数之间的相关关系，选择钻压、转速和井深作为所需建立的钻速智能动态预测模型的输入参数；

S2：分别运用滤波和重采样技术对钻进过程数据进行预处理，得到样本数据集和测试集；

S3：综合利用极限学习机、滑动窗口和十折交叉验证法技术，采用上述样本数据集和测试集对所述钻速智能动态预测模型进行训练和验证，得到最终的钻速智能动态预测模型；

S4：将实际获得的钻压、转速和井深输入至所述最终的钻速智能动态预测模型，得到地质钻进过程钻速智能动态预测结果。

2.如权利要求1所述的一种地质钻进过程钻速智能动态预测方法，其特征在于：所述钻进参数有八种，分别为：钻压、转速、井深、泵量、扭矩、泵压、钩载、钻位。

3.如权利要求2所述的一种地质钻进过程钻速智能动态预测方法，其特征在于：步骤S1具体包括：分析计算钻速与所述钻进参数之间的相关关系，得到扭矩、泵压、钩载和钻位与其他钻进参数之间存在较强的相关关系，而扭矩、泵压、钩载和钻位与钻速之间的相关关系则相对较弱，另外，泵量在地质钻进过程中调节频率较低，综上分析，将钻压、转速和井深作为所需建立的钻速智能动态预测模型的输入参数。

4.如权利要求1所述的一种地质钻进过程钻速智能动态预测方法，其特征在于：步骤S2中具体包括以下过程：

1)运用滤波技术去除钻进过程数据中的毛刺和尖峰，以提高数据质量；

2)运用数据重采样技术，将钻进过程数据由时间域变换到深度域，用于去掉大量非正常钻进数据，为后续建立钻速智能动态预测模型奠定重要基础。

5.如权利要求1所述的一种地质钻进过程钻速智能动态预测方法，其特征在于：步骤S3具体包括以下过程：

1)运用极限学习机方法建立钻压、转速、井深与钻速之间的关系模型，该关系模型公式如下：

+

β＝HT

式中，H是隐含层矩阵，β是隐含层到输出层的权值，g()是激活函数，x(i)是输入参数，+

隐含层节点数是k，ωi是输入层到隐含层的权值，bi是隐含层偏置，i＝1，2，......，k，H 是H的Moore‑Penrose逆，T是输出向量；

2)基于上述关系模型，引入滑动窗口技术，将钻速智能动态预测模型分为建模和预测两个部分，该钻速智能动态预测模型能够快速跟踪钻速的动态变化；

3)运用十折交叉验证法确定所述钻速智能动态预测模型超参数，并建立钻速智能动态预测模型；

式中WOB是钻压、RPM是转速、Depth是井深，f()是滤波和重采样函数，ωit是第t次建模时的输入层到隐含层的权值，bit是第t次建模时的隐含层偏置，i＝1，2，....，k，Tt是第t次建模时的输出向量，k、t均为正整数；

4)对钻进过程样本数据集进行归一化处理，利用归一化处理后的样本数据集对所述钻速智能动态预测模型进行训练；

5)测试集的验证指标如下；

式中，RMSE是均方根误差，NRMSE是归一化均方根误差，yi是测量数据， 是预测数据，i表示第i组数据，n表示数据总组数；

当上述验证指标的验证精度达到预设精度后，得到最终的钻速智能动态预测模型。

6.一种地质钻进过程钻速智能动态预测系统，其特征在于：包括输入参数确定模块、预处理模块、模型确定模块、预测模块；

输入参数确定模块，用于根据钻进过程数据，分析钻速与钻进参数之间的相关关系，选择钻压、转速和井深作为所需建立的钻速智能动态预测模型的输入参数；

预处理模块，分别运用滤波和重采样技术对钻进过程数据进行预处理，得到样本数据集和测试集；

模型确定模块，综合利用极限学习机、滑动窗口和十折交叉验证法技术，采用上述样本数据集和测试集对所述钻速智能动态预测模型进行训练和验证，得到最终的钻速智能动态预测模型；

预测模块，将实际获得的钻压、转速和井深输入至所述最终的钻速智能动态预测模型，得到地质钻进过程钻速智能动态预测结果。

7.如权利要求6所述的一种地质钻进过程钻速智能动态预测系统，其特征在于：输入参数确定模块中，所述钻进参数有八种，分别为：钻压、转速、井深、泵量、扭矩、泵压、钩载、钻位。

8.如权利要求7所述的一种地质钻进过程钻速智能动态预测系统，其特征在于：输入参数确定模块中，分析计算钻速与所述钻进参数之间的相关关系，得到扭矩、泵压、钩载和钻位与其他钻进参数之间存在较强的相关关系，而扭矩、泵压、钩载和钻位与钻速之间的相关关系则相对较弱，另外，泵量在地质钻进过程中调节频率较低，综上分析，将钻压、转速和井深作为所需建立的钻速智能动态预测模型的输入参数。

9.如权利要求6所述的一种地质钻进过程钻速智能动态预测系统，其特征在于：预处理模块中，具体包括以下过程：

1)运用滤波技术去除钻进过程数据中的毛刺和尖峰，以提高数据质量；

2)运用数据重采样技术，将钻进过程数据由时间域变换到深度域，用于去掉大量非正常钻进数据，为后续建立钻速智能动态预测模型奠定重要基础。

10.如权利要求6所述的一种地质钻进过程钻速智能动态预测系统，其特征在于：模型确定模块中，具体包括以下过程：

1)运用极限学习机方法建立钻压、转速、井深与钻速之间的关系模型，该关系模型公式如下：

+

β＝HT

式中，H是隐含层矩阵，β是隐含层到输出层的权值，g()是激活函数，x(i)是输入参数，+

隐含层节点数是k，ωi是输入层到隐含层的权值，bi是隐含层偏置，i＝1，2，......，k，H 是H的Moore‑Penrose逆，T是输出向量；

2)基于上述关系模型，引入滑动窗口技术，将钻速智能动态预测模型分为建模和预测两个部分，该钻速智能动态预测模型能够快速跟踪钻速的动态变化；

3)运用十折交叉验证法确定所述钻速智能动态预测模型超参数，并建立钻速智能动态预测模型；

式中WOB是钻压、RPM是转速、Depth是井深，f()是滤波和重采样函数，ωit是第t次建模时的输入层到隐含层的权值，bit是第t次建模时的隐含层偏置，i＝1，2，....，k，Tt是第t次建模时的输出向量，k、t均为正整数；

4)对钻进过程样本数据集进行归一化处理，利用归一化处理后的样本数据集对所述钻速智能动态预测模型进行训练；

5)测试集的验证指标如下；

式中，RMSE是均方根误差，NRMSE是归一化均方根误差，yi是测量数据， 是预测数据，i表示第i组数据，n表示数据总组数；

当上述验证指标的验证精度达到预设精度后，得到最终的钻速智能动态预测模型。