1.一种卡钻风险联合预测方法，其特征在于，所述方法包括：采集钻头处的钻柱振动信号与地面钻机的能耗参数，其中，所述地面钻机的能耗参数包括顶驱电机三相电流、母线电压以及有功功率；按照不同的时间尺度划分的窗口对预设时间段内的连续多个钻柱振动信号进行特征提取，确定所述预设时间段内的钻柱振动信号的振动特征向量；获取钻井在所述预设时间段内的钻井参数与时间特征数据，并将所述预设时间段内的钻井参数对应的钻井参数向量、时间特征数据对应的时间编码向量以及振动特征向量输入至安装在井下的轻量预测模型；通过所述轻量预测模型基于输入的数据输出针对卡钻的第一预测概率；将所述能耗参数、所述钻井参数输入至安装在井上的卡钻智能预测模型，通过所述卡钻智能预测模型输出针对卡钻的第二预测概率；根据预设的联合预测规则对所述第一预测概率与所述第二预测概率进行综合分析，确定卡钻的最终风险概率；其中，所述轻量预测模型包括：在长短期记忆网络结构的基础上增加记忆重置门，以构建改进后的长短期记忆神经网络模型；基于历史时间段内的钻井数据、钻柱振动信号、时间特征数据以及卡钻事件的发生情况构建训练数据集，以对所述改进后的长短期记忆神经网络模型进行训练得到训练好的记忆模型；在所述训练好的记忆模型的基础上启动知识蒸馏操作，以逐渐减少所述训练好的记忆模型的模型参数；在模型参数每一次调整后，确定调整后的模型的损失函数的函数值；在所述损失函数的函数值收敛的情况下，将所述函数值收敛所对应的模型确定为所述轻量预测模型；其中，在所述训练好的记忆模型的基础上启动知识蒸馏操作的过程中，引入动态温度缩放机制以调整教师模型的输出软化程度；其中，所述动态温度缩放机制的温度参数T根据公式（2）进行自适应调整，包括： （2）其中， 为初始温度，初始温度是指知识蒸馏操作的过程中每一次删减的模型参数的数量， 为调整系数，H(p)、H(q)分别为教师模型、学生模型输出的卡钻概率。
2.根据权利要求1所述的卡钻风险联合预测方法，其特征在于，所述损失函数L的表达式如公式（1）所示： （1）其中， 、 、 均为权重系数， 是指交叉熵损失值，表征了测试数据的实际卡钻概率与学生模型输出的预测卡钻概率之间的偏差情况，y是指测试数据对应的实际卡钻概率，q为所述学生模型基于输入的测试数据所输出的预测卡钻概率，所述学生模型是指在训练好的记忆模型的基础上减少一定的模型参数后所对应的模型； 是指蒸馏损失值，表征了教师模型与学生模型的输出值之间的偏差情况，p是指教师模型基于输入的测试数据所输出的卡钻预测概率，教师模型是指所述训练好的记忆模型； 是指正则化损失值，用于约束所述学生模型的模型参数的数量， 是指所述学生模型的模型参数。
3.根据权利要求1所述的卡钻风险联合预测方法，其特征在于，所述卡钻智能预测模型是在时序GRU模型的基础上引入能耗特征注意力机制构建的模型，其中，所述卡钻智能预测模型的门控单元的重置门 计算公式如公式（3）： （3）其中， 为注意力权重， ， 是激活函数， 是权重矩阵， 是指上一时刻隐藏状态， 是指当前输入， 是指偏置向量， 是指注意力影响系数。
4.根据权利要求1所述的卡钻风险联合预测方法，其特征在于，所述卡钻智能预测模型采用的混合损失函数 的表达式如公式（4）： （4）其中， 、 分别为函数权重， 为交叉熵损失函数，其表达式如公式（5）， 为时序一致性损失函数，其表达式如公式（6）： （5） （6）其中，T是指训练数据的总数量，t为当前样本序号， 为t时刻的卡钻真实标签， 是指所述卡钻智能预测模型针对第t个输入数据所输出的卡钻预测概率， 是指时序权重， 是指所述卡钻智能预测模型针对第t-1个输入数据所输出的卡钻预测概率， 是指功率变化影响因子，用于约束相邻时刻预测结果的合理性，避免突变， 是指t时刻的能耗波动量。
5.根据权利要求1所述的卡钻风险联合预测方法，其特征在于，所述卡钻智能预测模型采用如公式（7）所示的函数进行自适应学习率调整： （7）其中， 是指第t个训练数据的学习率， 是指初始学习率，k为调整系数， 是指第t个训练数据的波动系数， 是指历史最大波动系数。
6.根据权利要求1所述的卡钻风险联合预测方法，其特征在于，根据预设的联合预测规则对所述第一预测概率与所述第二预测概率进行综合分析，确定卡钻的最终风险概率包括根据公式（8）确定所述最终风险概率 ： （8）其中， 为权重， ， 、 分别为所述第一预测概率、所述第二预测概率。
7.一种卡钻风险联合预测系统，其特征在于，所述系统包括：信号采集处理装置，安装在距离钻头预设范围内，用于实时采集钻头处的钻柱振动信号；按照不同的时间尺度划分的窗口对预设时间段内的连续多个钻柱振动信号进行特征提取，确定所述预设时间段内的钻柱振动信号的振动特征向量，并将所述预设时间段内的钻井参数对应的钻井参数向量、时间特征数据对应的时间编码向量以及振动特征向量输入至安装在井下的轻量预测模型；井下预测装置，安装在井下，包括轻量预测模型，用于基于输入的数据输出针对卡钻的第一预测概率；其中，所述轻量预测模型包括：在长短期记忆网络结构的基础上增加记忆重置门，以构建改进后的长短期记忆神经网络模型；基于历史时间段内的钻井数据、钻柱振动信号、时间特征数据以及卡钻事件的发生情况构建训练数据集，以对所述改进后的长短期记忆神经网络模型进行训练得到训练好的记忆模型；在所述训练好的记忆模型的基础上启动知识蒸馏操作，以逐渐减少所述训练好的记忆模型的模型参数；在模型参数每一次调整后，确定调整后的模型的损失函数的函数值；在所述损失函数的函数值收敛的情况下，将所述函数值收敛所对应的模型确定为所述轻量预测模型；其中，在所述训练好的记忆模型的基础上启动知识蒸馏操作的过程中，引入动态温度缩放机制以调整教师模型的输出软化程度；其中，所述动态温度缩放机制的温度参数T根据公式（2）进行自适应调整，包括： （2）其中， 为初始温度，初始温度是指知识蒸馏操作的过程中每一次删减的模型参数的数量， 为调整系数，H(p)、H(q)分别为教师模型、学生模型输出的卡钻概率；能耗数据采集装置，用于实时采集地面钻机的能耗参数，将所述能耗参数、所述钻井参数输入至安装在井上的卡钻智能预测模型；其中，所述地面钻机的能耗参数包括顶驱电机三相电流、母线电压以及有功功率；地面预测装置，设置于井上，包括卡钻智能预测模型，用于基于输入的数据输出针对卡钻的第二预测概率；联合预测装置，用于根据预设的联合预测规则对所述第一预测概率与所述第二预测概率进行综合分析，确定卡钻的最终风险概率。
8.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至6中任一项所述的卡钻风险联合预测方法。
