1.一种OIP套管健康状态评估模型建模方法，其特征在于，包括：获取OIP套管的样本数据，并按照各个样本数据对应的OIP套管状态对所述样本数据进行分类；通过预设的改进GAN网络模型，将故障样本数据作为真实数据集输入至所述改进GAN网络模型，以通过所述改进GAN网络模型中的生成器学习所述故障样本数据的分布规律，并结合噪声向量，得到生成样本数据，当所述生成样本数据通过判别器的判定时，则将生成样本数据设为故障扩充样本数据，以便将所述故障扩充样本数据整合至所述故障样本数据中；当每一种故障类型对应的故障样本数据与非故障样本数据的数量关系均满足预设的数量关系条件，则输出所述OIP套管的套管样本数据总集；将所述套管样本数据总集输入到SVM分类器模型，对所述SVM分类器模型进行训练，当所述SVM分类器模型的训练进度满足预设的训练终止条件时，得到OIP套管健康状态评估模型；其中，所述当所述生成样本数据通过判别器的判定时，则将所述生成样本数据设为故障扩充样本数据具体包括：判别器通过基于WGAN网络的分布相似度公式，计算所述生成样本数据与所述故障样本数据间的分布相似度，当所述分布相似度满足预设的相似度条件，则将所述生成样本数据设为故障扩充样本数据；所述分布相似度公式具体为： ；式中， 为所述故障样本数据与所述生成样本数据间的分布相似度，P r 为所述故障样本数据的边缘分布数据，P g 为所述生成样本数据的边缘分布数据，k表示故障样本数据x的数量，K表示函数f(x)满足K-lipschitz连续条件时，其导数绝对值中的上确界值，||f L ||表示的是f(x)倒数的绝对值；所述通过所述改进GAN网络模型中的生成器学习所述故障样本数据的分布规律，并结合噪声向量得到生成样本数据，当所述生成样本数据通过判别器的判定时，则将所述生成样本数据设为故障扩充样本数据具体包括：通过所述改进GAN网络模型中的生成器对所述故障样本数据进行分布规律特征提取，得到第一分布规律数据；通过所述改进GAN网络模型中的生成器对输入的噪声信号进行分布规律特征提取，得到第二分布规律数据；经过深度神经网络，建立所述第二分布规律数据到所述第一分布规律数据的映射关系，以基于所述映射关系，得到生成样本数据；当所述生成样本数据通过判别器的判定时，则将所述生成样本数据设为故障扩充样本数据。
2.根据权利要求1所述的一种OIP套管健康状态评估模型建模方法，其特征在于，所述SVM分类器模型的建立过程具体包括：初始化若干组烟花粒子种群，其中，每一组烟花粒子种群对应一组SVM参数；根据各个所述烟花粒子种群的适应度，计算所述烟花粒子种群的爆炸范围、爆炸火花数量和惯性质量，并将最大惯性质量对应的烟花粒子种群施加引力作为引力粒子，使得其余烟花粒子种群在所述引力粒子的引力作用下移动；根据各组烟花粒子种群对应的SVM参数，结合初始的SVM分类器模型，分别计算所述SVM分类器模型在不同SVM参数的分类准确率，并基于所述分类准确率，按照烟花算法对各组烟花粒子种群进行寻优，当满足预设的寻优终止条件时，输出当前最优的烟花粒子种群，以基于最优烟花粒子种群的SVM参数，更新所述SVM分类器模型的参数。
3.根据权利要求2所述的一种OIP套管健康状态评估模型建模方法，其特征在于，所述SVM分类器模型的分类目标函数具体为： ；式中，x i 为所述套管样本数据总集的第i个元素，y i 为所述套管样本数据总集的第i个元素对应的分类标识，x j 为所述套管样本数据总集的第j个元素，y j 为所述套管样本数据总集的第j个元素对应的分类标识，a i 为所述套管样本数据总集的第i个元素的Lagrange乘子，a j 为所述套管样本数据总集的第j个元素的Lagrange乘子，m为所述套管样本数据总集的图像数量。
4.一种OIP套管健康状态评估模型建模装置，其特征在于，包括：图像获取分类单元，用于获取OIP套管的样本数据，并按照各个样本数据对应的OIP套管状态对所述样本数据进行分类；扩充样本生成单元，用于通过预设的改进GAN网络模型，将故障样本数据作为真实数据集输入至所述改进GAN网络模型，以通过所述改进GAN网络模型中的生成器学习所述故障样本数据的分布规律，并结合噪声向量，得到生成样本数据，当所述生成样本数据通过判别器的判定时，则将生成样本数据设为故障扩充样本数据，以便整合至所述故障样本数据中；套管总样本输出单元，用于当每一种故障类型对应的故障样本数据与非故障样本数据的数量关系均满足预设的数量关系条件，则输出所述OIP套管的套管样本数据总集；分类模型训练单元，用于将所述套管样本数据总集输入到SVM分类器模型，对所述SVM分类器模型进行训练，当所述SVM分类器模型的训练进度满足预设的训练终止条件时，得到OIP套管健康状态评估模型；其中，所述当所述生成样本数据通过判别器的判定时，则将所述生成样本数据设为故障扩充样本数据具体包括：判别器通过基于WGAN网络的分布相似度公式，计算所述生成样本数据与所述故障样本数据间的分布相似度，当所述分布相似度满足预设的相似度条件，则将所述生成样本数据设为故障扩充样本数据；所述分布相似度公式具体为： ；式中， 为所述故障样本数据与所述生成样本数据间的分布相似度，P r 为所述故障样本数据的边缘分布数据，P g 为所述生成样本数据的边缘分布数据，k表示故障样本数据x的数量，K表示函数f(x)满足K-lipschitz连续条件时，其导数绝对值中的上确界值，||f L ||表示的是f(x)倒数的绝对值；所述通过所述改进GAN网络模型中的生成器学习所述故障样本数据的分布规律，并结合噪声向量得到生成样本数据，当所述生成样本数据通过判别器的判定时，则将所述生成样本数据设为故障扩充样本数据具体包括：通过所述改进GAN网络模型中的生成器对所述故障样本数据进行分布规律特征提取，得到第一分布规律数据；通过所述改进GAN网络模型中的生成器对输入的噪声信号进行分布规律特征提取，得到第二分布规律数据；经过深度神经网络，建立所述第二分布规律数据到所述第一分布规律数据的映射关系，以基于所述映射关系，得到生成样本数据；当所述生成样本数据通过判别器的判定时，则将所述生成样本数据设为故障扩充样本数据。
5.根据权利要求4所述的一种OIP套管健康状态评估模型建模装置，其特征在于，还包括：SVM分类器模型构建单元，用于：初始化若干组烟花粒子种群，其中，每一组烟花粒子种群对应一组SVM参数；根据各个所述烟花粒子种群的适应度，计算所述烟花粒子种群的爆炸范围、爆炸火花数量和惯性质量，并将最大惯性质量对应的烟花粒子种群施加引力作为引力粒子，使得其余烟花粒子种群在所述引力粒子的引力作用下移动；根据各组烟花粒子种群对应的SVM参数，结合初始的SVM分类器模型，分别计算所述SVM分类器模型在不同SVM参数的分类准确率，并基于所述分类准确率，按照烟花算法对各组烟花粒子种群进行寻优，当满足预设的寻优终止条件时，输出当前最优的烟花粒子种群，以基于最优烟花粒子种群的SVM参数，更新所述SVM分类器模型的参数。
6.一种OIP套管健康状态评估模型建模终端，其特征在于，包括：存储器和处理器；所述存储器用于存储与如权利要求1至3任意一项所述的一种OIP套管健康状态评估模型建模方法相对应的程序代码；所述处理器用于执行所述程序代码，以实现如权利要求1至3任意一项所述的一种OIP套管健康状态评估模型建模方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中保存有与如权利要求1至3任意一项所述的一种OIP套管健康状态评估模型建模方法相对应的程序代码。
