基于信息融合的汽车召回管理系统［-］

汽车缺陷判断的准确性依赖于汽车缺陷信息收集的完整性。 汽车缺陷信息可以从多种渠道获得： 有些直接从汽车的各种传感器上获取， 有些则来源于汽车4S店， 汽车缺陷的投诉信息则散落于汽车召回网站以及一些汽车聊吧等网络上， 而因缺陷引起的交通事故信息却存在于公安部门的工作记录中， 对缺陷判断的专家经验则作为知识以文字形式存储在数据库中， 这些信息源自不同的信息载体， 却从不同方面和程度表征了汽车的缺陷信息。 目前汽车召回系统中， 汽车缺陷信息的收集是 “瓶颈”， 为了解决这个问题， 需要建立汽车缺陷信息的采集平台， 利用信息融合技术， 对表征汽车缺陷不同程度和不同阶段的缺陷信息进行集成分析， 从而保证汽车缺陷信息的完整性。

信息融合技术是利用计算机技术对获得的多源信息进行加工、 协调优化和综合处理， 信息融合可以把冗余或互补信息依据某种准则进行组合， 是被测对象的一致性解释或描述， 其基本目标是通过数据组合推导出更多信息， 更大程度地获得被探测目标和环境的信息量。 将各种途径、 任意时间、 任意空间上获得的信息作为一个整体进行综合分析处理， 为决策及控制打下基础， 这就是信息融合的目的。

信息融合涉及信息处理、 模式识别和推理决策， 按照每个过程的数学抽象方法，可以分为数据层融合、特征层融合和决策层融合三个层次。

（1） 数据层融合

首先将全部车辆上的传感器 （或数据源） 的观测数据进行融合，然后从融合的数据中提取特征向量， 进行判断识别。 数据层融合是直接把采集到的最原始的数据进行融合， 因此要求传感器是同质数据， 这是最低层次的融合。 如图12.1所示。

（2） 特征层融合

特征层融合属于中间层次， 它先对来自传感器或数据源的原始信息进行特征提取， 然后再对特征进行综合分析和处理， 一般是进行信息的充分表示或统计表示。 如图12.2所示。

图12.1 数据层融合

图12.2 特征层融合

（3） 决策层融合

决策层融合是一种高层次的融合， 它从具体决策问题的需求出发，利用一定的准则以及每个决策的可信度做出最优决策。 如图12.3所示。

图12.3 决策层融合

如果进一步按照信息融合过程的I／O特性来分， 可以把这三个融合层次进一步细分为五种融合过程： 数据输入／数据输出 （DAI／DAO）、数据输入／特征输出 （DAI／FEO）、 特征输入／特征输出 （FEI／FEO）、特征输入／决策输出 （FEI／DEO）、 决策输入／决策输出 （DEI／DEO）。基于以上各种分析， 可以从实际中抽象出来的， 较为全面的信息融合缺陷诊断的一般框架如图12.4所示。 在实际缺陷诊断过程中， 不一定采取所有融合环节， 应该具体问题具体分析， 选择其中较为合适的融合诊断过程。

图12.4 信息融合缺陷诊断一般框架

基于信息融合技术的汽车召回管理系统的应用对汽车召回管理系统的具体表示为：

为把来自不同信息源汽车缺陷信息进行融合， 需要进行数据级的数据融合， 如来自网络上的缺陷投诉信息的融合。 需要进行特征级的数据融合， 如来自汽车上的传感器信息。 还有需要进行决策级的融合， 比如把来自网络上的缺陷投诉信息进行判断， 识别汽车的缺陷所在； 利用汽车上的传感器信息进行判断， 识别汽车的缺陷所在； 从交通事故信息中进行判断， 识别汽车的缺陷所在； 利用专家经验进行辅助判断， 识别基于知识的汽车缺陷所在。 对这些信息进行融合分析， 最终确定汽车真正的缺陷信息所在。 如图12.5所示。

图12.5 基于信息融合的汽车召回管理系统

从图中可以看出， 汽车的缺陷信息不再单纯来自某一个方面， 而是综合了直接来自汽车的传感器信息用以表征汽车的运行工况、 来自汽车用户的汽车投诉信息用以表征汽车用户的直观感受、 来自交通事故的信息用以表征汽车缺陷所带来的直接后果， 利用专家学习获得的经验知识对现实中的现象偏差进行修正， 从而极大地完善了汽车缺陷的完整性，为最终的汽车召回的判断提供了可靠而完整的信息。