CTCS-3级(Chinese Train Control System-3)列控车载设备在保障列车安全和提高运行效率方面发挥着重要作用。车载接口设备实现车载列车自动防护(ATP)系统与地面设备、司机和列车的交互,然而它的故障在车载设备故障中占比高。为了确定故...CTCS-3级(Chinese Train Control System-3)列控车载设备在保障列车安全和提高运行效率方面发挥着重要作用。车载接口设备实现车载列车自动防护(ATP)系统与地面设备、司机和列车的交互,然而它的故障在车载设备故障中占比高。为了确定故障原因并保证行车安全,提出一种基于时序知识图谱补全的列控车载接口设备故障诊断方法。首先,采用引入时序的方式整合行车日志和故障统计数据,从而提取故障现象并对齐实体,构建时序知识图谱;其次,构建基于图谱补全的故障诊断网络,融合时序翻译(T-TransE)向量化算法、双向长短期记忆(Bi-LSTM)网络和自注意力(SA)机制提取时序特征;最后,使用某铁路局近几年的车载接口设备故障数据对T-TransE向量化模型进行预训练,选出效果最佳的时序引入方式。为验证所提方法的优越性以及数据结合方式的有效性,使用车载故障数据对不进行数据结合且不进行时序关系引入的故障诊断网络以及其他常见的故障诊断网络进行测试。实验结果表明,在同一语料的情况下,与其他故障诊断框架相比,基于时序知识图谱补全的故障诊断模型正确率最高,达到96.69%。展开更多
为实现网络控制系统(Networked Control Systems,NCS)中重放攻击的检测,在现有研究利用物理水印检测重放攻击的启发下,设计了利用主动丢包对重放攻击进行实时检测的方法 .首先,在理论层面上,利用系统输出的残差构建检测函数,并通过受攻...为实现网络控制系统(Networked Control Systems,NCS)中重放攻击的检测,在现有研究利用物理水印检测重放攻击的启发下,设计了利用主动丢包对重放攻击进行实时检测的方法 .首先,在理论层面上,利用系统输出的残差构建检测函数,并通过受攻击前后检测函数的变化,证明该检测方法的有效性.然后,以一辆四轮汽车为被控对象,比较车辆受攻击前后速度与检测函数的变化.最后,综合考虑车辆对重放攻击的检测结果与速度跟踪结果,确定车辆的最优主动丢包率的范围区间.结果表明:加入主动丢包前,车辆受到重放攻击时,速度会发生剧烈变化而检测函数几乎没有变化;加入主动丢包后,车辆受到重放攻击时,速度剧烈变化的同时检测函数也产生了剧烈的变化;主动丢包率为12%~16%时,系统既能够准确地检测出重放攻击,又能够保证车辆平稳行驶,为后续的重放攻击检测研究提供了参考.展开更多
在列车超速防护(Automatic Train Protection,ATP)车载设备的实验室测试中,测试案例的数量庞大、复杂性高且存在大量列控领域专业术语,现有方法和模型由于缺乏列控领域知识,难以准确解析其语境信息并自动生成详细的结构化表示.针对这一...在列车超速防护(Automatic Train Protection,ATP)车载设备的实验室测试中,测试案例的数量庞大、复杂性高且存在大量列控领域专业术语,现有方法和模型由于缺乏列控领域知识,难以准确解析其语境信息并自动生成详细的结构化表示.针对这一问题,提出一种基于铁路双向编码器表示(Rail Bidirectional Encoder Representations from Transformers,RailBERT)模型的测试案例事件抽取方法.首先,通过新词挖掘算法扩展列控领域的专业术语并构建语料库,在此基础上采用基于铁路领域全词掩码(Railway Whole Word Masking,RWWM)预训练任务训练针对铁路列控领域的RailBERT模型,以增强模型对领域语境的理解.然后,提出一种基于事件抽取的方法来自动提取车载ATP测试案例的预期结果,通过预定义事件类型及事件论元,全方位解析和表征预期结果.最后,将RailBERT与双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiL⁃STM)和条件随机场(Conditional Random Field,CRF)结合,以增强模型捕捉序列信息和标签之间依赖关系的能力,从而更有效地从测试案例中提取事件.实验结果表明:在测试案例事件抽取数据集中,所提模型的F1值达到90.3%,能够较准确地从测试案例中提取预定义的事件,进而生成测试案例预期结果的结构化表示,为实现自动测试奠定基础.展开更多
文摘CTCS-3级(Chinese Train Control System-3)列控车载设备在保障列车安全和提高运行效率方面发挥着重要作用。车载接口设备实现车载列车自动防护(ATP)系统与地面设备、司机和列车的交互,然而它的故障在车载设备故障中占比高。为了确定故障原因并保证行车安全,提出一种基于时序知识图谱补全的列控车载接口设备故障诊断方法。首先,采用引入时序的方式整合行车日志和故障统计数据,从而提取故障现象并对齐实体,构建时序知识图谱;其次,构建基于图谱补全的故障诊断网络,融合时序翻译(T-TransE)向量化算法、双向长短期记忆(Bi-LSTM)网络和自注意力(SA)机制提取时序特征;最后,使用某铁路局近几年的车载接口设备故障数据对T-TransE向量化模型进行预训练,选出效果最佳的时序引入方式。为验证所提方法的优越性以及数据结合方式的有效性,使用车载故障数据对不进行数据结合且不进行时序关系引入的故障诊断网络以及其他常见的故障诊断网络进行测试。实验结果表明,在同一语料的情况下,与其他故障诊断框架相比,基于时序知识图谱补全的故障诊断模型正确率最高,达到96.69%。
文摘为实现网络控制系统(Networked Control Systems,NCS)中重放攻击的检测,在现有研究利用物理水印检测重放攻击的启发下,设计了利用主动丢包对重放攻击进行实时检测的方法 .首先,在理论层面上,利用系统输出的残差构建检测函数,并通过受攻击前后检测函数的变化,证明该检测方法的有效性.然后,以一辆四轮汽车为被控对象,比较车辆受攻击前后速度与检测函数的变化.最后,综合考虑车辆对重放攻击的检测结果与速度跟踪结果,确定车辆的最优主动丢包率的范围区间.结果表明:加入主动丢包前,车辆受到重放攻击时,速度会发生剧烈变化而检测函数几乎没有变化;加入主动丢包后,车辆受到重放攻击时,速度剧烈变化的同时检测函数也产生了剧烈的变化;主动丢包率为12%~16%时,系统既能够准确地检测出重放攻击,又能够保证车辆平稳行驶,为后续的重放攻击检测研究提供了参考.
文摘在列车超速防护(Automatic Train Protection,ATP)车载设备的实验室测试中,测试案例的数量庞大、复杂性高且存在大量列控领域专业术语,现有方法和模型由于缺乏列控领域知识,难以准确解析其语境信息并自动生成详细的结构化表示.针对这一问题,提出一种基于铁路双向编码器表示(Rail Bidirectional Encoder Representations from Transformers,RailBERT)模型的测试案例事件抽取方法.首先,通过新词挖掘算法扩展列控领域的专业术语并构建语料库,在此基础上采用基于铁路领域全词掩码(Railway Whole Word Masking,RWWM)预训练任务训练针对铁路列控领域的RailBERT模型,以增强模型对领域语境的理解.然后,提出一种基于事件抽取的方法来自动提取车载ATP测试案例的预期结果,通过预定义事件类型及事件论元,全方位解析和表征预期结果.最后,将RailBERT与双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiL⁃STM)和条件随机场(Conditional Random Field,CRF)结合,以增强模型捕捉序列信息和标签之间依赖关系的能力,从而更有效地从测试案例中提取事件.实验结果表明:在测试案例事件抽取数据集中,所提模型的F1值达到90.3%,能够较准确地从测试案例中提取预定义的事件,进而生成测试案例预期结果的结构化表示,为实现自动测试奠定基础.
