CN107490758A - 基于故障传播的模块化bp神经网络电路故障诊断方法 - Google Patents

Abstract

本发明提供了基于故障传播的模块化BP神经网络电路故障诊断方法，属于电子系统的故障诊断及定位技术领域。本发明在电路模块划分的基础上，确定各子电路的测试节点，并把测试节点的特征参数数据作为故障诊断的数据源；根据基于电路仿真的数据源建立模块化异常检测模型，分析故障传播，建立模块化BP神经网络模型；当实际电路发生故障时，利用模块化异常检测模型进行一级定位，确定故障子电路，再利用目标子电路的BP神经网络模型进行二级定位，识别故障模式。本发明通过线下建立的模型进行故障定位，扩展性强，适用范围广；实现了线上对大规模数模混合电路的实时故障诊断，特别是针对存在故障传播的情况，具有极高的故障定位准确率。

Description

基于故障传播的模块化BP神经网络电路故障诊断方法

技术领域

本发明属于电子系统的故障诊断及定位技术领域，具体涉及基于故障传播的模块化BP神经网络电路故障诊断方法。

背景技术

近年来，随着数模混合电路规模和复杂性的增加，特别是在航空、航天、军事国防等应用领域，电路可靠性受到越来越多的关注。故障诊断作为维护电路可靠性的重要手段，变为研究热点。不少文献中提到的电路故障诊断方法包括：故障字典、最近邻、基于规则和SVM的故障分类模型等，仅在模拟电路中付诸实践，且由于复杂电路的非线性映射关系错综复杂，导致诊断效果不佳。BP神经网络在数学理论上已证明具有实现任何复杂非线性映射的功能，这使得本发明提供的方法在诊断实际建模困难的复杂系统的过程中，特别是大规模混合电路，发挥独特优势。

在许多现有文献中，BP神经网络的应用是直接对整个电路建立BP网络，在对大规模电路进行分析时，所建立的网络过大，易导致训练数据庞大、训练时间过长、计算量大以及对故障传播考虑欠缺等问题，从而造成故障定位准确率低。文献《大规模电路故障诊断神经网络方法》中，在电路模块划分的基础上，直接利用所有可测节点的电压建立各子电路的的BP神经网络，再利用各BP神经网络依次进行故障定位。其中，建立各子电路的BP神经网络时利用了所有的可测节点，节点冗余度较高，直接使用节点电压表现节点信息不能完善地表现电路故障信息，在故障定位的过程中对存在故障传播的电路准确率较低。文献《结合异常检测算法的轴承故障检测》中，提出了一种基于结合异常检测算法的双步故障诊断方法，异常检测模型作为故障检测器，只能用以检测电路是否发生故障，而不能缩小电路的故障源范围；SVM作为故障分类器，在确定电路发生故障的基础上进行故障定位，该方法实际上相当于对电路实时监测的单步故障诊断方法，不适用于大规模电路的故障诊断，且没有考虑到故障传播的复杂情况。

发明内容

本发明所要解决的问题是：提供一种基于故障传播的模块化BP神经网络电路故障诊断方法，对大规模电路进行模块划分，分析并“分割”子电路间的故障传播关系，进而利用基于电路仿真建立的模块化异常检测模型和BP神经网络模型进行故障定位，使定位的准确程度得到明显提升。

本发明所提出的技术问题是这样解决的：

基于故障传播的模块化BP神经网络电路故障诊断方法，包括如下步骤：

A.电路仿真步骤：利用电路仿真软件对正常电路以及该电路的每个元器件可能存在的故障逐一进行蒙特卡罗MC分析，得到正常电路和所有故障模式的电路仿真结果；

B.特征参数提取步骤：基于步骤A中正常电路和所有故障模式对应的电路仿真结果，提取各可测节点的特征参数，取每种故障模式第一次MC分析对应的特征参数样本作为额定值样本集，其余样本为容差值样本集；

C.电路分析步骤：根据电路功能，进行电路模块划分，确定各子电路的测试节点；

D.模块化异常检测模型建立步骤：基于容差值样本集，建立各测试节点的异常检测模型，并以此为基础，结合各子电路包含的测试节点，建立各子电路的模块化异常检测模型；

E.故障传播分析步骤：基于额定值样本集，利用各子电路的模块化异常检测模型获取各故障模式的故障向量，分析各故障模式在子电路间的故障传播情况，并确定各子电路的故障来源；

F.模块化BP神经网络模型建立步骤：基于容差值样本集，结合各子电路的故障来源，构建各子电路BP神经网络的训练数据，并建立模块化BP神经网络模型；

G.实际电路故障诊断步骤：将各子电路的模块化异常检测模型用于实际电路的一级故障定位，各子电路的模块化BP神经网络模型用于二级定位。

其中，步骤A～F为线下准备部分，G为线上实时故障定位部分。

在所述步骤A中，设置能够涵盖电路特征信息的MC分析次数具体为：正常电路的MC分析次数是所有故障电路MC分析次数的500倍以上，以便异常检测模型的建立，本领域人员可根据具体情况确定MC分析次数。

在所述步骤B中，基于电路仿真的结果，根据可测节点信号的不同，进行特征参数提取，特征参数具体如下表所示，下表为电路可测节点的信号特征参数表。

在所述步骤C中各子电路测试节点的确定具体过程为：

C-1.设ALLNodeSet是可测节点集合，共有P个可测节点；OutNodeSet是各子电路的输出节点集合；IncluNodeSet是暂存节点集合，IncluNodeSet初始化为空；OptiNodeSet是最优测试节点集合，OptiNodeSet初始化为空。

C-2.依次遍历ALLNodeSet中的可测节点，考查当前所选可测节点加入IncluNodeSet后，是否使故障覆盖率上升，是则入选，否则放回，继续考查下一个可测节点，直到重复P次，得到更新后的IncluNodeSet。其中，故障覆盖率的公式为：

其中Coverage表示故障覆盖率，|D|表示待检测的故障总数，|A|表示可以被检测到的故障数。

C-3.对IncluNodeSet中的节点按其选取顺序反向从第i个节点开始进行排除，其中i＝2,…,Q，Q表示集合IncluNodeSet中的节点个数。考察去掉当前所选节点的集合IncluNodeSet是否使故障覆盖率维持不变，是则去掉该节点，否则放回，继续考查下一个节点，直到考查完所有节点得到第i-1个最优测试节点集合OptiNodeSet_i-1。

C-4.最终选定的最优测试节点集要覆盖各子电路的输出节点，即OptiNodeSet_i-1(i＝2,…,Q)要包含OutNodeSet。

步骤D的具体过程为：

D-1.基于容差值样本集中各测试节点的“与正常波形的距离”特征参数数据，采用异常检测中参数法的密度估计法建立各测试节点的一元高斯分布异常检测模型(p_ij(x_ij),ε_ij)：

if p_ij(x_ij)≥ε_ij,then x_ij∈O_Normal；

if p_ij(x_ij)＜ε_ij,then x_ij∈O_Anomaly；

其中，

(p_ij(x_ij),ε_ij)表示第i个子电路Module_i中第j个测试节点的异常检测模型，1≤i≤N，N表示子电路的数目，1≤j≤M，M表示电路中可测节点的数目；μ_ij、σ_ij表示一元高斯分布p_ij的均值和方差；x_ij表示节点的“与正常波形的距离”特征参数样本；ε_ij表示模型的概率阈值；O_Normal表示正常样本集合；O_Anomaly表示故障样本集合。

D-2.结合各子电路包含的测试节点，构建模块化异常检测模型。当子电路中只要有一个测试节点故障时，则子电路表现故障，公式为：

其中，ADM_{Module_i}表示第i个子电路的模块化异常检测模型，1≤i≤N，N表示子电路的数目；I(*)表示指示函数，只有*成立时，I(*)＝1；

D-3.将各子电路的模块化异常检测模型组合为如下向量形式：

ADMVector＝[ADM_{Module_1}...ADM_{Module_t}...ADM_{Module_N}]

其中，ADM_{Module_t}(1<t<N)在ADMVector中按照子电路物理连接先后的顺序排列(并联子电路对应的ADM_{Module_t}排序任意)。

步骤E的具体过程为：

E-1.以故障模式为分析单元，利用ADMVector获取额定值样本集中各故障模式的故障向量S_FaultMode：

S_{FaultMode_k}＝[s₁...s_t...s_N]

其中，S_{FaultMode_k}表征第k个故障模式对各子电路的故障影响，1≤k≤L，L表示故障模式的数目；s_t表示利用ADM_{Module_t}检测第t个子电路时，该子电路的故障状态，1<t<N，N表示子电路的数目，s_t取值如下：

E-2.将所有故障模式的故障向量组合为失效矩阵FaultMatrix：

FaultMatrix＝[S_{FaultMode_1}；...；S_{FaultMode_k}；...；S_{FaultMode_L}]

＝[b_ij]_L×N

其中，1≤i≤L,1≤j≤N，L表示故障模式的数目，N表示子电路的数目；b_ij取值如下：

b_ij＝s_j,s_j∈S_{FaultMode_i}

E-3.以FaultMatrix为数据源，分析故障传播，确定各子电路的故障来源：

FaultSource_{Module_j}＝arg{i|b_ij＝1,b_ij∈FaultMatrix}

其中，FaultSource_{Module_j}表示第j个子电路的故障来源，1≤j≤N，N表示子电路的数目。

步骤F的具体过程为：

F-1.基于容差值样本集，从各测试节点的所有特征参数中选择故障表征能力最强的特征参数，本领域工作人员可根据具体需求进行选择；

F-2.结合各子电路的故障来源，筛选出步骤F-1中的特征参数数据，作为各子电路BP神经网络的输入数据，并通过聚类与故障簇编号相结合构建各BP的训练数据；

F-3.建立各子电路的模块化BP神经网络模型。

步骤G的具体过程为：

G-1.利用电压感知器获取实际故障电路中各测试节点的电压，并提取特征参数数据；

G-2.从各测试节点的特征参数中选取“与正常波形的距离”特征参数数据，利用模块化异常检测模型的向量形式ADMVector对各子电路的故障状态进行评估，获得实际故障向量S_actual＝[s₁…s_t…s_N]，s_t表示利用ADM_{Module_t}检测第t个子电路时，该子电路的故障状态，1<t<N，N表示子电路的数目，s_t取值如下：

并根据S_actual进行一级定位，结果为如下故障模块：

FaultCause＝arg(min{i|s_i＝1})

若定位精度要求为子电路级，则定位结束，否则进行下一步；

G-3.从各测试节点的特征参数中选取步骤F-1中的特征参数数据作为BP的输入数据，利用目标模块的BP神经网络模型进行二级定位，根据BP的输出故障簇编号将结果定位到故障模式。

本发明的有益效果是：

本发明的方法通过线下相应电路的仿真建立各子电路的模块化异常检测模型和模块化BP神经网络模型进行线上实时故障定位，具有较强的扩展性和适用范围；通过电路的划分，减小了各BP神经网络的规模，缩小了线下训练的时间和计算量；在电路模块划分的基础上，分析并“分割”子电路间的故障传播关系，进而利用模型进行故障定位，实现了线上对大规模数模混合电路的故障诊断，特别是针对存在故障传播的情况，具有极高的故障覆盖率和故障定位准确率。

附图说明

图1为本发明所述电路故障诊断方法流程图；

图2为本发明的实际操作过程示意图；

图3为本发明实施例所采用的仿真电路示意图；

图4为本发明实施例中电路模块划分和可测节点示意图；

图5为本发明实施例中失效矩阵示意图；

图6为本发明实施例中各子电路的故障来源示意图。

具体实施方式

下面结合附图和实例对本发明作进一步的详细描述。

本具体实施方式提供一种基于故障传播的模块化BP神经网络电路故障诊断方法，其流程图如图1所示，实际操作过程如图2所示；实施例采用的电路图为截取于大型系统的时钟产生电路，包含56个故障模式，电路的示意图如图3所示电路仿真软件为PSpice，数据处理软件为Matlab 2012b。

下面对图3所示的电路的故障诊断过程进行具体描述。

步骤A.利用电路仿真软件PSpice进行电路正常仿真和56次单故障仿真。将电阻和电容的容差设为5％，对正常电路做200000次MC分析，每种故障模式做5次MC分析。

步骤B.提取MC样本所有可测节点的特征参数数据；取每种故障模式第一次MC分析对应的特征参数样本作为额定值样本集；所有正常特征参数样本和每种故障模式剩余特征参数样本作为容差值样本集。

步骤C.将该电路按功能划分为4个子电路：

{FilterModule CompareModule1 CompareModule2 Counter16Module}

如图4所示，各子电路所含的可测节点依次如下：

{{S1S2S3},{S5},{S4S6S7},{S8S9}}

步骤D.基于容差值样本集中的“与正常波形的距离”特征参数数据，利用异常检测中参数法的密度估计法建立所有可测节点的异常检测模型；结合模块化异常检测模型构建公式和故障覆盖率公式确定各子电路的测试节点；

其中，模块化异常检测模型构建公式为：

故障覆盖率公式为:

筛选出的各子电路的测试节点依次如下：

{{S1S3},{S5},{S7},{S9}}

同时可获得各子电路的模块化异常检测模型，其向量形式如下：

ADMVector＝{ADM_FilterModule ADM_{CompareModule1} ADM_{CompareModule2} ADM_{Counter16Module}}

基于各子电路的测试节点构建的模块化异常检测模型可使本实施例中一级定位的故障覆盖率理论上可达100％。

步骤E.基于额定值样本集，利用ADMVector建立各故障模式的故障向量S_FaultMode，并组合为失效矩阵FaultMatrix，具体如图5所示；分析故障传播，并确定各子电路的故障来源：

{FaultSource_FilterModule FaultSource_{CompareModule1}FaultSource_{CompareModule2}FaultSource_{Counter16Module}}具体如图6所示。

步骤F.基于容差值样本集，从各测试节点的所有特征参数中选择节点S9的下降沿个数、节点S5的最大值和节点S1的最小值三个特征参数进行后续BP神经网络的构建；结合各子电路的故障来源，筛选出上述特征参数的数据，作为各子电路BP神经网络的输入数据，并通过聚类与故障簇编号相结合建立模块化BP神经网络模型。

步骤G.通过PSpice的MC分析产生测试数据，对该方法进行检测，性能指标分别为故障覆盖率和定位准确率，性能值分别为98.2142％和93.8571％。

由实施例分析可知，该方法的故障覆盖率和定位准确率在所设容差范围内性能较好。通过对存在故障传播的大规模电路进行模块划分，分析并“分割”子电路间的故障传播关系，进而利用基于电路仿真建立的模块化异常检测模型和BP神经网络模型进行故障定位，实现了对该电路的故障诊断，具有较高的故障覆盖率和定位准确率。

Claims (8)

1.基于故障传播的模块化BP神经网络电路故障诊断方法，其特征在于，包括如下步骤：

A.电路仿真步骤：利用电路仿真软件对正常电路以及该电路的每个元器件可能存在的故障逐一进行蒙特卡罗MC分析，得到正常电路和所有故障模式的电路仿真结果；

B.特征参数提取步骤：基于步骤A中正常电路和所有故障模式对应的电路仿真结果，提取各可测节点的特征参数，取每种故障模式第一次MC分析对应的特征参数样本作为额定值样本集，其余样本为容差值样本集；

C.电路分析步骤：根据电路功能，进行电路模块划分，确定各子电路的测试节点；

D.模块化异常检测模型建立步骤：基于容差值样本集，建立各测试节点的异常检测模型，再根据各子电路包含的测试节点来建立各子电路的模块化异常检测模型；

E.故障传播分析步骤：基于额定值样本集，利用各子电路的模块化异常检测模型获取各故障模式的故障向量，分析各故障模式在子电路间的故障传播情况，并确定各子电路的故障来源；

F.模块化BP神经网络模型建立步骤：基于容差值样本集，结合各子电路的故障来源，构建各子电路BP神经网络的训练数据，并建立模块化BP神经网络模型；

G.实际电路故障诊断步骤：将各子电路的模块化异常检测模型用于实际电路的一级故障定位，各子电路的模块化BP神经网络模型用于二级定位；

其中，步骤A～F为线下准备部分，G为线上实时故障定位部分。

2.根据权利要求1所述的基于故障传播的模块化BP神经网络电路故障诊断方法，其特征在于，在所述步骤A中，设置能够涵盖电路特征信息的MC分析次数具体为：正常电路的MC分析次数是所有故障电路MC分析次数的500倍以上。

3.根据权利要求1所述的基于故障传播的模块化BP神经网络电路故障诊断方法，其特征在于，在所述步骤B中，基于电路仿真结果，根据可测节点信号的不同，进行特征参数提取：若可测节点信号为模拟信号，则特征参数为与正常波形的距离、与固低基准的距离、与固高基准的距离、均值、误差均值、误差方差、最大值和最小值；若可测节点信号为数字信号，则特征参数为与正常波形的距离、与固低基准的距离、与固高基准的距离、不定态比例、高阻态比例、上升沿个数、下降沿个数和错误比例。

4.根据权利要求1所述的基于故障传播的模块化BP神经网络电路故障诊断方法，其特征在于，步骤C中各子电路测试节点的确定过程为：

C-1.设ALLNodeSet是可测节点集合，共有P个可测节点；OutNodeSet是各子电路的输出节点集合；IncluNodeSet是暂存节点集合，IncluNodeSet初始化为空；OptiNodeSet是最优测试节点集合，OptiNodeSet初始化为空；

C-2.依次遍历ALLNodeSet中的可测节点，考查当前所选可测节点加入IncluNodeSet后，是否使故障覆盖率上升，是则入选，否则放回，继续考查下一个可测节点，直到重复P次，得到更新后的IncluNodeSet；故障覆盖率的公式为：

<mrow> <mi>C</mi> <mi>o</mi> <mi>v</mi> <mi>e</mi> <mi>r</mi> <mi>a</mi> <mi>g</mi> <mi>e</mi> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <mi>A</mi> <mo>|</mo> </mrow> <mrow> <mo>|</mo> <mi>D</mi> <mo>|</mo> </mrow> </mfrac> </mrow>

其中，Coverage表示故障覆盖率，|D|表示待检测的故障总数，|A|表示可以被检测到的故障数；

C-3.对IncluNodeSet中的节点按其选取顺序反向从第i个节点开始进行排除，其中i＝2,…,Q，Q表示集合IncluNodeSet中的节点个数；考察去掉当前所选节点的集合IncluNodeSet是否使故障覆盖率维持不变，是则去掉该节点，否则放回，继续考查下一个节点，直到考查完所有节点得到第i-1个最优测试节点集合OptiNodeSet_i-1；

C-4.最终选定的最优测试节点集要覆盖各子电路的输出节点，即OptiNodeSet_i-1要包含OutNodeSet。

5.根据权利要求1所述的基于故障传播的模块化BP神经网络电路故障诊断方法，其特征在于，步骤D的具体过程为：

D-1.基于容差值样本集中各测试节点的“与正常波形的距离”特征参数数据，采用异常检测中参数法的密度估计法建立各测试节点的一元高斯分布异常检测模型(p_ij(x_ij),ε_ij)：

if p_ij(x_ij)≥ε_ij,then x_ij∈O_Normal；

if p_ij(x_ij)＜ε_ij,then x_ij∈O_Anomaly；

其中，

<mrow> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <msqrt> <mrow> <mn>2</mn> <msub> <mi>&amp;pi;&amp;sigma;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> </msqrt> </mfrac> <mi>exp</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mo>-</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> <mrow> <mn>2</mn> <msup> <msub> <mi>&amp;sigma;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mn>2</mn> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow>

(p_ij(x_ij),ε_ij)表示第i个子电路Module_i中第j个测试节点的异常检测模型，1≤i≤N，N表示子电路的数目，1≤j≤M，M表示电路中可测节点的数目；μ_ij、σ_ij表示一元高斯分布p_ij的均值和方差；x_ij表示节点的“与正常波形的距离”特征参数样本；ε_ij表示模型的概率阈值；O_Normal表示正常样本集合；O_Anomaly表示故障样本集合；

D-2.结合各子电路包含的测试节点，构建模块化异常检测模型；当子电路中只要有一个测试节点故障时，则子电路表现故障，公式为：

<mrow> <msub> <mi>ADM</mi> <mrow> <mi>M</mi> <mi>o</mi> <mi>d</mi> <mi>u</mi> <mi>l</mi> <mi>e</mi> <mo>_</mo> <mi>i</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>;</mo> </mrow> </mtd> <mtd> <mtable> <mtr> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <munder> <mo>&amp;Sigma;</mo> <mi>j</mi> </munder> <mi>I</mi> <mrow> <mo>(</mo> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> <mo>&lt;</mo> <msub> <mi>&amp;epsiv;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>&amp;GreaterEqual;</mo> <mn>1</mn> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>;</mo> </mrow> </mtd> <mtd> <mrow> <mi>O</mi> <mi>t</mi> <mi>h</mi> <mi>e</mi> <mi>r</mi> <mi>w</mi> <mi>i</mi> <mi>s</mi> <mi>e</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>

其中，ADM_{Module_i}表示第i个子电路的模块化异常检测模型，1≤i≤N，N表示子电路的数目；I(*)表示指示函数，只有*成立时，I(*)＝1；

D-3.将各子电路的模块化异常检测模型组合为如下向量形式：

ADMVector＝[ADM_{Module_1}...ADM_{Module_t}...ADM_{Module_N}]

其中，ADM_{Module_t}(1<t<N)在ADMVector中按照子电路物理连接先后的顺序排列。

6.根据权利要求1所述的基于故障传播的模块化BP神经网络电路故障诊断方法，其特征在于，步骤E的具体过程为：

E-1.以故障模式为分析单元，利用ADMVector获取额定值样本集中各故障模式的故障向量S_FaultMode：

S_{FaultMode_k}＝[s₁...s_t...s_N]

其中，S_{FaultMode_k}表征第k个故障模式对各子电路的故障影响，1≤k≤L，L表示故障模式的数目；s_t表示利用ADM_{Module_t}检测第t个子电路时，该子电路的故障状态，1<t<N，N表示子电路的数目，s_t取值如下：

E-2.将所有故障模式的故障向量组合为失效矩阵FaultMatrix：

FaultMatrix＝[S_{FaultMode_1}；...；S_{FaultMode_k}；...；S_{FaultMode_L}]

＝[b_ij]_L×N

其中，1≤i≤L,1≤j≤N，L表示故障模式的数目，N表示子电路的数目；b_ij取值如下：

b_ij＝s_j,s_j∈S_{FaultMode_i}

E-3.以FaultMatrix为数据源，分析故障传播，确定各子电路的故障来源：

FaultSource_{Module_j}＝arg{i|b_ij＝1,b_ij∈FaultMatrix}

其中，FaultSource_{Module_j}表示第j个子电路的故障来源，1≤j≤N，N表示子电路的数目。

7.根据权利要求1所述的基于故障传播的模块化BP神经网络电路故障诊断方法，其特征在于，步骤F的具体过程为：

F-1.基于容差值样本集，从各测试节点的所有特征参数中选择故障表征能力最强的特征参数；

F-2.结合各子电路的故障来源，筛选出步骤F-1中的特征参数数据，作为各子电路BP神经网络的输入数据，并通过聚类与故障簇编号相结合构建各BP的训练数据；

F-3.建立各子电路的模块化BP神经网络模型。

8.根据权利要求1所述的基于故障传播的模块化BP神经网络电路故障诊断方法，其特征在于，步骤G的具体过程为：

G-1.利用电压感知器获取实际故障电路中各测试节点的电压，并提取特征参数数据；

G-2.从各测试节点的特征参数中选取“与正常波形的距离”特征参数数据，利用模块化异常检测模型的向量形式ADMVector对各子电路的故障状态进行评估，获得实际故障向量S_actual＝[s₁…s_t…s_N]，s_t表示利用ADM_{Module_t}检测第t个子电路时，该子电路的故障状态，1<t<N，N表示子电路的数目，s_t取值如下：

并根据S_actual进行一级定位，结果为如下故障模块：

FaultCause＝arg(min{i|s_i＝1})

若定位精度要求为子电路级，则定位结束，否则进行下一步；

G-3.从各测试节点的特征参数中选取步骤F-1中的特征参数数据作为BP的输入数据，利用目标模块的BP神经网络模型进行二级定位，根据BP的输出故障簇编号将结果定位到故障模式。