1.一种基于大数据的压井异常工况识别方法，其特征在于，所述方法包括以下步骤：
压井前将井的指定参数输入到大数据压井软件中；
压井时采集所述指定参数的实时数据；
对所述实时数据做预处理并同步到所述大数据压井软件中的数据库中；
将采集的实时数据绘成压井曲线；
持续压井，观察压井曲线较标准曲线的波动情况，用大数据压井分析方法判断波动是否在预设范围内，若超出预设范围内，则用大数据压井分析方法分析波动超出预设范围的原因；
根据超出预设范围的分析结果识别异常工况。
2.根据权利要求1所述的基于大数据的压井异常工况识别方法，其特征在于，所述压井方法选用司钻法、工程师法、体积控制法或硬顶法中的任意一种或多种；所述指定参数包括立压、套压、泵压、泵冲、泵排量、环空容积、钻井液密度和井深。
3.根据权利要求1所述的基于大数据的压井异常工况识别方法，其特征在于，所述预处理具体为对缺失的数据进行补全或对噪声数据进行去噪。
4.根据权利要求1所述的基于大数据的压井异常工况识别方法，其特征在于，大数据压井分析方法判断波动情况时，若在预设范围内，则继续压井直到压井成功。
5.根据权利要求1所述的基于大数据的压井异常工况识别方法，其特征在于，分析波动超出预设范围的原因的具体方法为：通过对历史数据的深度学习，将历史数据进行分类、整合和数据的识别，当压井过程中出现基于标准压井数据的偏差时，所述大数据压井分析方法会将实时数据的非平稳实时序列经过差分后变成平稳序列，并最终确定整合移动平均自回归模型，通过所述模型对压井数据进行短期异常的时间序列分析。
6.根据权利要求5所述的基于大数据的压井异常工况识别方法，其特征在于，所述识别异常工况的方法具体为：利用大数据压井分析方法对偏差数据进行判断，根据偏差数据对于标准压井曲线图的数据偏移位置，进行压井过程中的异常工况分析，并对发生的异常工况进行识别。
7.根据权利要求6所述的基于大数据的压井异常工况识别方法，其特征在于，所述数据偏移位置为：在所述模型对压井数据进行短期预测后，所述大数据压井分析方法根据短期预测的数据值所落在压井曲线相对的位置，进行压井异常工况的识别，并给出异常工况所对应的处理意见。
8.根据权利要求1-7任意一项所述的基于大数据的压井异常工况识别方法，其特征在于，所述大数据压井分析方法是基于时间序列分析、深度学习神经网络建立的分析方法，并对历史压井数据潜在的特征进行挖掘，从数据演化过程、数据分析和数据关联的角度实现压井异常工况的检测。
9.一种基于大数据的压井异常工况识别系统，其特征在于，所述系统包括：
输入模块，用于压井前将井的指定参数输入到大数据压井软件中；
采集模块，用于压井时采集所述指定参数的实时数据；
存储模块，用于对所述实时数据做预处理并同步到所述大数据压井软件中的数据库中；
绘图模块，用于将采集的实时数据绘成压井曲线；
判断分析模块，用于持续压井时观察压井曲线较标准曲线的波动情况，用大数据压井分析方法判断波动是否在预设范围内，若超出预设范围内，则用大数据压井分析方法分析波动超出预设范围的原因；
识别模块，用于根据超出预设范围的分析结果识别异常工况。
10.根据权利要求9所述的基于大数据的压井异常工况识别系统，其特征在于，
所述采集模块，用于压井时采集所述指定参数的实时数据，采集的指定参数包括立压、套压、泵压、泵冲、泵排量、环空容积、钻井液密度和井深；
所述存储模块，用于对所述实时数据做预处理并同步到所述大数据压井软件中的数据库中具体为：对缺失的数据进行补全或对噪声数据进行去噪，再同步到所述大数据压井软件中的数据库中；
所述判断分析模块，用于大数据压井分析方法分析波动超出预设范围的原因具体为：通过对历史数据的深度学习，将历史数据进行分类、整合和数据的识别，当压井过程中出现基于标准压井数据的偏差时，所述大数据压井分析方法会将实时数据的非平稳实时序列经过差分后变成平稳序列，并最终确定整合移动平均自回归模型，通过所述模型对压井数据进行短期异常的时间序列分析；
所述识别模块，用于根据超出预设范围的分析结果识别异常工况的具体方法为：利用大数据压井分析方法对偏差数据进行判断，根据偏差数据对于标准压井曲线图的数据偏移位置，进行压井过程中的异常工况分析，并对发生的异常工况进行识别；
所述数据偏移位置为：在所述模型对压井数据进行短期预测后，所述大数据压井分析方法根据短期预测的数据值所落在压井曲线相对的位置，进行压井异常工况的识别，并给出异常工况所对应的处理意见；
所述大数据压井分析方法是基于时间序列分析、深度学习神经网络建立的分析方法，并对历史压井数据潜在的特征进行挖掘，从数据演化过程、数据分析和数据关联的角度实现压井异常工况的检测。