1.一种应用随钻参数来识别围岩级别的方法，其特征在于，该方法包括如下步骤：步骤一，对采集到的随钻参数的数据集进行预处理，所述随钻参数的数据集包括钻进速率、推进压力、冲击压力、回转压力、回转速度、水压力和水流量；步骤二，分析预处理后的随钻参数的数据集，应用不同的数据降维方法确定随钻参数中各变量之间的关系和贡献率，应用有序加权平均算子方法对随钻参数每个变量计算的多个贡献率进行加权平均计算，根据计算组合后的贡献率大小进行排序和择优，通过贡献率值所在的位置进行加权再进行集结，确定随钻参数的主要特征变量，在此基础上，对主要特征参数的样本集进行分类；其中，应用主成分分析方法和因子分析方法，确定随钻参数中各变量的贡献率；步骤三，应用建立的神经网络和专家知识系统对不同分类的主要特征参数进行训练，获取稳定权重系数和阈值，并应用测试的样本数据对建立的有关围岩识别的神经网络数学模型进行围岩识别的验证；在所述步骤二中应用主成分分析方法进行计算的过程包括以下操作：1)、应用z-score标准化随钻参数的样本集，并将随钻参数的各个变量的样本组合成一个矩阵；2)、计算组合后矩阵的协方差矩阵；3)、计算步骤2)中协方差矩阵的特征值和特征向量；4)、将求解的特征向量按照特征值的大小顺序重新组合形成一个映射矩阵，并根据主成分分析方法保留的特征个数取出映射矩阵的前n行或者前n列作为最终的映射矩阵；5)、用步骤4)的映射矩阵对标准化的随钻参数数据进行映射，实现数据降维的目的。
2.根据权利要求1所述的方法，其特征在于，进一步，在所述步骤二中，分析钻进速率、冲击压力、推进压力、回转压力、回转速度、水压力、水流量彼此之间的线性相关程度。
3.根据权利要求1所述的方法，其特征在于，在所述步骤一中，对随钻参数的数据样本集进行异常数据的剔除处理；将执行完剔除处理后的随钻参数的数据集进行归一化处理，转化为无量纲化指标测评值，完成数据的预处理。
4.根据权利要求1所述的方法，其特征在于，在所述步骤二中，应用有序加权平均算子方法对主成分分析方法和因子分析方法得到的各变量贡献率进行组合计算，并对组合方案的结果进行排序和择优，获得随钻参数的主要特征参数；应用K-means方法对主要特征参数的样本集进行分类。
5.根据权利要求1～4中任一项所述的方法，其特征在于，所述方法应用凿岩台车钻进过程中获取的随钻参数的数据集。
6.一种应用随钻参数来识别围岩级别的系统，其特征在于，该系统包括：数据预处理模块，其对采集到的随钻参数的数据集进行预处理，所述随钻参数的数据集包括钻进速率、推进压力、冲击压力、回转压力、回转速度、水压力和水流量；主参数确定模块，其分析预处理后的随钻参数的数据集，应用不同的数据降维方法确定随钻参数中各变量之间的贡献率，应用有序加权平均算子方法对随钻参数每个变量计算的多个贡献率进行加权平均计算，根据计算组合后的贡献率大小进行排序和择优，通过贡献率值所在的位置进行加权再进行集结，确定随钻参数的主要特征变量，在此基础上，对主要特征参数的样本集进行分类；围岩识别模块，其应用建立的神经网络和专家知识系统对不同分类的主要特征参数进行训练，获取稳定权重系数和阈值，并应用测试的样本数据对建立的有关围岩识别的神经网络数学模型进行围岩识别的验证；所述主参数确定模块，其应用主成分分析方法和因子分析方法，确定随钻参数中各变量的贡献率；所述主参数确定模块具体配置为基于主成分分析方法执行以下操作实现运算：1)、应用z-score标准化随钻参数的样本集，并将随钻参数的各个变量的样本组合成一个矩阵；2)、计算组合后矩阵的协方差矩阵；3)、计算步骤2)中协方差矩阵的特征值和特征向量；4)、将求解的特征向量按照特征值的大小顺序重新组合形成一个映射矩阵，并根据主成分分析方法保留的特征个数取出映射矩阵的前n行或者前n列作为最终的映射矩阵；5)、用步骤4)的映射矩阵对标准化的随钻参数数据进行映射，实现数据降维的目的。
7.根据权利要求6所述的系统，其特征在于，进一步，所述主参数确定模块，其分析钻进速率、冲击压力、推进压力、回转压力、回转速度、水压力、水流量彼此之间的线性相关程度。
8.根据权利要求6或7所述的系统，其特征在于，所述数据预处理模块，其对随钻参数的数据集进行异常数据的剔除处理；将执行完剔除处理后的随钻参数的数据集进行归一化处理，转化为无量纲化指标测评值，完成数据的预处理。
9.根据权利要求6所述的系统，其特征在于，所述主参数确定模块，其应用有序加权平均算子方法对主成分分析和因子分析方法得到的各变量贡献率进行组合计算，并对组合方案的结果进行排序和择优，获得随钻参数的主要特征参数；应用K-means方法对主要特征参数的样本集进行分类。
