汽车召回预测

6.3.1 汽车召回概率和缺陷风险关联模型

T－S模糊系统是一种自适应能力很强的模糊系统［119，120］，该模型不仅能自动更新， 还能不断修正模糊子集的隶属函数。

T－S模糊系统能利用特殊的规则： 使用 “if⁃then” 规则来定义，在规则为Ri的情况下，利用模糊推理得到输出［119，120］。

其中，Aij为模糊系统的模糊集；pij（i，j＝1，2，…，k）为模糊系统的参数；yi为根据模糊规则得到的输出，输入部分（即if部分） 是模糊的，输出部分 （即then部分） 也是模糊的， 该模糊推理表示输出为输入的模糊运算组合。

神经网络具有很强的自学习能力， 且学习速度快， 可以补充T－S模型系统在学习能力上的不足。 因此， 基于T－S的模糊神经网络模型就具有了模糊泛化的能力， 同时又具有强而快的学习能力， 可以很好地满足汽车缺陷和汽车召回的关联预测。

利用T－S模糊神经网络模型构建事故风险和召回概率的关联模型，建立两级模糊模型， 每级分为四层： 输入层、 模糊化层、 模糊规则层和去模糊化层。

图6.5和图6.6为第一级模糊模型， 即潜在事故风险评价模型和事故后果评价模型。 其中图6.5输入为缺陷的严重等级和缺陷的数量， 输出为潜在事故风险等级， 组成节点为2－10－100－1的网络结构； 图6.6输入为汽车碰撞次数、 汽车失火起数、 受伤人数和死亡人数， 输出为事故后果风险等级， 组成节点为4－20－625－1的网络结构。 图6.7是第二级模糊模型， 即缺陷汽车召回概率和事故风险关联模型， 输入为潜在事故风险等级和事故后果风险等级， 输出为缺陷汽车召回概率等级，组成节点为2－10－20－1的网络结构。

图6.5 第一级的潜在事故风险等级模糊模型结构图

图6.6 第一级的事故后果风险等级模糊模型结构图

图6.7 第二级的事故风险和召回概率模糊模型结构图

缺陷潜在事故风险等级评价的模糊神经网络见图6.5， 图中输入量为x＝［x1，x2］＝［Nr，S］，首先计算各输入变量xi的隶属度。将各隶属度进行模糊计算，输出X1＝μ（Nr）·μ（S），则根据图6.2可确定潜在事故风险等级， 见表6.5。

表6.5 潜在事故风险评价的模型规则

事故后果风险等级评价的模糊神经网络如图6.6所示， 图中输入量x＝［x1，x2，x3，x4］＝［Na，Nf，Ni，Nd］，首先计算各输入变量xi的隶属度。 将各隶属度进行模糊计算， 根据取最大交通事故的模糊规则， 取最大值算子为模糊算子

根据模糊计算结果计算模糊模型的输出值X2

缺陷事故风险和召回概率的关联模型的模糊神经网络如图6.7所示，图中输入量为X1，X2，而输出为召回概率等级，即为双模糊输入单模糊输出的神经网络模型。

6.3.2 基于模糊神经网络的汽车召回预测方法［121］

利用6.3.1节得到的数据和模糊神经网络结构， 建立缺陷事故风险和汽车召回的关联模型。 先确定第一层的风险评估模型， 如图6.8所示。

中间模块的模糊规则见表6.5。

潜在事故风险等级评价模型包含了缺陷数量和缺陷严重性两个因素， 缺陷数量和缺陷严重性的隶属函数如图6.9和图6.10所示。

图6.8 潜在事故风险等级评价模型在Matlab的实现

图6.9 缺陷数量的隶属函数

图6.10 缺陷严重性的隶属函数

事故后果风险等级评价模型是基于汽车碰撞事故次数、 失火事故次数、 受伤人数和死亡人数四个因素进行事故后果的风险等级评判， 所建立的评价模型如图6.11所示。

图6.11 事故后果风险评价模型

图6.11所示中间模块的模糊规则由最大风险原则确定， 得到模糊规则为

其中x1为汽车碰撞参数，用A表示x1的隶属函数；x2为汽车失火参数，用B表示x2的隶属函数；x3为受伤人数参数，用C表示x3的隶属函数；x4为死亡人数参数，用D表示x4的隶属函数。则输出的等级为四者中的最大值。 因此， 根据这个最大风险原则， 每一个有5个隶属函数， 则得到5×5×5×5＝625个原则， 例如：

A （极严重） and B （极不严重） and C （极不严重） and D （极不严重）， 输出为极高。

A （不严重） and B （极不严重） and C （严重） and D （中等严重）， 输出为高。

其中， 各个隶属函数分别如图6.12～图6.15所示。

图6.12 汽车碰撞的模糊隶属函数

图6.13 汽车失火的模糊隶属函数

图6.14 受伤人数的模糊隶属函数

图6.15 死亡人数的模糊隶属函数

利用汽车召回历史数据， 建立召回累积概率和潜在事故以及事故后果严重等级之间的函数关系

首先， 对召回概率进行模糊化， 按照式 （6.10） 进行

按照式 （6.10） 对召回概率进行处理， 结果见表6.6。

表6.6 事故风险等级和召回概率的关系表

续表

再建立双输入单输出的模糊神经网络模型， 即基于潜在事故风险和事故后果风险进行召回概率的预测的模糊神经网络模型的学习， 如图6.16所示。

图6.16 召回概率和事故风险关联模型

通过学习， 获得24条模糊规则。 把以上得到的模糊规则输入到连接输入／输出的模糊规则表中， 得到图6.17。

图6.17 召回概率和事故风险的模糊关联规则

输入模糊关联规则和设置了输入、 输出， 汽车召回概率和事故风险的模糊神经网络模型就建立起来了， 进一步把汽车召回的历史数据输入网络进行网络学习和验证。