呂家慜

（201620 上海市 上海工程技術(shù)大學(xué) 機械與汽車工程學(xué)院）

0 引言

根據(jù)《中國移動源環(huán)境管理年報（2020）》統(tǒng)計，全國機動車保有量在2019 年時達到3.48 億輛，汽車保有量達到2.6 億輛[1]。近4 年來，隨著政府相關(guān)政策的實施，電動汽車的普及率開始迅速增長，如圖1 所示，新能源汽車保有量已達到381 萬輛[2]。隨著電動汽車保有量的增多，電動汽車相關(guān)道路交通事故也逐漸增加。

圖1 2013-2019 年我國新能源汽車產(chǎn)銷量及增速圖Fig.1 China's NEV production and sales and growth rate during 2013-2019

在電動汽車電池安全方面，通過實驗及商用軟件仿真，許多學(xué)者展開從電芯到電池包一系列的相關(guān)安全性研究。同時也有基于電動汽車整車的碰撞實驗來研究，整車結(jié)構(gòu)安全性，以及對動力電池在碰撞試驗中的擠壓沖擊進行研究分析。文獻[3]通過實驗對電池組進行了動態(tài)測試并通過仿真驗證，以研究在沖擊碰撞下對電池組的變形和破壞特征；文獻[4]建立了一個電池碰撞安全性的仿真框架，并提出了數(shù)值模擬在電池研究中的可行性和優(yōu)勢；文獻[5]通過有限元模擬對幾種電池組配置進行整車碰撞分析以確定電池組的吸能效果；文獻[6]研究了鋰離子電池在機械濫用條件下的熱性能和模型的研究；文獻[7-8]通過對電池組殼體防護進行仿真，研究碰撞下的電池安全防護。

針對交通安全事故的特征分析研究也是目前的熱點之一，研究事故特征可以為制定完善的電動汽車碰撞安全評價標(biāo)準(zhǔn)提供參考。文獻[9]基于德國GIDAS (German In-Depth Accident Study)數(shù)據(jù)庫關(guān)于氫燃料汽車事故進行了特征分析；文獻[10]通過對人-車碰撞事故的特征分析，為汽車智能輔助系統(tǒng)提供有價值的參考；文獻[11]通過對上海2006 年至2014 年貨車追尾事故的特征分析，為AEB 測試工況進行補充；文獻[12]通過對人—車碰撞事故特征分析，對人—車碰撞事故模擬再現(xiàn)，提高仿真模型精度。

車輛事故深度調(diào)查作為汽車主被動安全研究的基礎(chǔ)數(shù)據(jù)，在發(fā)達國家已形成成熟的規(guī)范體系[13]。中國借鑒國外經(jīng)驗開展車輛事故深度調(diào)查工作，并且逐步成型。在事故深度調(diào)查時，電動汽車碰撞信息以現(xiàn)場痕跡、當(dāng)事人描述以及車損作為主要依據(jù)，并且通過視頻信息進行彌補，有效地重現(xiàn)事故過程，文獻[14]對上海嘉定43 起微型客車事故深度分析，總結(jié)在正面碰撞事故中微型客車的正面約束系統(tǒng)的特性；文獻[15]對上海地區(qū)138 起轎車側(cè)面受損的交通事故進行深度分析，對城市道路工況下駕乘人員側(cè)面防護上提供設(shè)計參考。

本文對電動汽車相關(guān)交通事故進行深度調(diào)查，還原事故經(jīng)過，分析電動汽車碰撞事故特征。分析內(nèi)容包括電動汽車事故場景及環(huán)境，電動汽車損傷部位，電動汽車駕駛員行為等方面。通過視頻信息可以輔助再現(xiàn)事故場景，較為準(zhǔn)確分析電動汽車結(jié)構(gòu)損傷信息，碰撞后電動車電池安全信息，為電動汽車結(jié)構(gòu)設(shè)計提供參考，同時為電動汽車故障診斷系統(tǒng)提供故障特征參數(shù)參考，也可以為電動汽車安全相關(guān)法規(guī)的制定提供參考。

1 碰撞事故選取

本文開展研究的數(shù)據(jù)源取自國家車輛事故深度調(diào)查體系（National Automobile Accident In-Depth Investigation System，NAIS）。NAIS 是由國家市場監(jiān)督管理總局缺陷產(chǎn)品管理中心領(lǐng)導(dǎo)的8 所高校及科研機構(gòu)成立的。NAIS 構(gòu)建的事故調(diào)查數(shù)據(jù)庫中包含交通事故案例的采集數(shù)據(jù)、分析數(shù)據(jù)和事故分析報告3 部分。其中采集數(shù)據(jù)包含交通事故現(xiàn)場道路環(huán)境勘察資料、事故車輛數(shù)據(jù)采集信息表、事故車輛損傷信息照片和道路監(jiān)控視頻或行車記錄視頻等；分析數(shù)據(jù)包括事故案例信息、事故過程車輛行駛軌跡及最終位置草圖和基于PC-Crash 的事故現(xiàn)場重現(xiàn)仿真。分析報告是對整體事故過程、成因進行表述分析，包含車速分析、損傷分析、碰撞相容性分析和乘員損傷分析等。

本文研究對象為電動汽車，因此本文選取NAIS（上海松江）數(shù)據(jù)庫中2016 年7 月～2020 年7 月4 年的83 例電動汽車相關(guān)碰撞事故作為分析電動汽車事故特征的案例數(shù)據(jù)，數(shù)據(jù)構(gòu)成如圖2 所示，顯示電動汽車相關(guān)事故案例呈現(xiàn)上升趨勢。

圖2 NAIS（松江站點）電動汽車事故案例數(shù)量Fig.2 Number of electric vehicle accidents at NAIS(Songjiang site)

在83 例電動汽車相關(guān)碰撞事故中，有電動汽車與傳統(tǒng)汽車的碰撞事故，也有電動汽車與行人或非機動車的碰撞事故，事故類型復(fù)雜多樣，且數(shù)據(jù)內(nèi)容參差不齊。為了更精確地分析電動汽車在碰撞事故中的損傷及故障特征，提出如下篩選條件：（1）事故案例中的照片和視頻信息能夠清晰地表達碰撞信息；（2）車輛以純電動汽車為主，包含轎車、貨車、客車3 種；（3）僅涉及一輛電動汽車的事故，并且事故符合典型工況。

基于上述篩選條件，本文從5 年里采集83 例新能源汽車相關(guān)碰事故中選取了55 例事故案例。55 例新能源汽車事故案例資料完整、事故工況典型，包含事故完整過程，汽車損傷明顯，有利于電動汽車故障特征分析。

2 電動汽車事故數(shù)據(jù)分析

在進行電動汽車事故特征分析前，需要對事故基本數(shù)據(jù)進行分析，并在此基礎(chǔ)上進行更詳細的分析。本文結(jié)合55 例選取的電動汽車事故視頻信息以及采集的事故深度數(shù)據(jù)，對車輛碰撞速度以及車輛損傷部位程度兩個關(guān)鍵事故要素進行數(shù)據(jù)分析，為接下來的事故場景分析提供參考。

2.1 車輛事故類型分析

電動汽車事故類型復(fù)雜，可以從碰撞角度進行分類，大致可以分為正面碰撞、側(cè)面碰撞、追尾事故以及單車事故。其中正面碰撞事故有6 例，側(cè)面碰撞事故有15 例，追尾碰撞有16 例，單車事故有18 例。也可以從事故參與方角度進行分類，可以分為單車事故、人—車事故、二輪車—車事故、車—車事故，其中單車事故18 例，人—車事故3 例，二輪車—車事故16 例，車—車事故18 例。

電動汽車分為乘用車和貨運車2 類，其發(fā)生碰撞事故的比例分別為87.4%和12.7%；其中乘用車可分為轎車、運動型實用汽車和大型客車3 類，各占碰撞事故的43.6%、23.7%和10.9%，如圖3 所示。

圖3 電動汽車車輛類型分布Fig.3 Distribution of electric vehicle types

由圖4 可知，電動汽車事故主要以單車事故、車—車事故、二輪車—車事故為主；車—車事故以追尾碰撞與正面碰撞居多，分別為11 例和4 例；二輪車—車事故以側(cè)面碰撞和未遂碰撞居多，分別為10 例和4 例。由圖5 可知：電動汽車事故發(fā)生地點多位于交叉路口，占總事故案例數(shù)的67%，其中十字路口發(fā)生事故占比58%，丁字路口事故占比9%。

圖4 電動汽車事故類型分布Fig.4 Distribution of electric vehicle accident types

圖5 電動汽車事故發(fā)生點分布Fig.5 Distribution of electric vehicle accident places

2.2 車輛速度特征分析

根據(jù)前文篩選出的55 例電動汽車碰撞事故包含碰撞視頻信息，參考文獻[16]，基于視頻信息對事故參與方車輛進行車速計算，可以計算電動汽車事故發(fā)生時的車速。本文采用基于視頻信息進行車速計算的方法可以準(zhǔn)確地估算車速，且效率高，因此基于視頻法計算車速在事故重建中廣泛使用。常用的基于視頻信息計算車速的方法有基于事故現(xiàn)場參照點的車速計算、基于車輛車身特征點的車速計算和線性變換標(biāo)定法。以下是各種方法的具體步驟。

（1）基于事故現(xiàn)場參照點的車速計算

基于事故現(xiàn)場參照物計算車速時，根據(jù)車輛在經(jīng)過視頻圖像中的某個參照物的事件來計算該車輛車速，假設(shè)選取車輛在通過兩參照物時的時間為t1。視頻中兩參照物的距離可以通過前往事故現(xiàn)場實地測量獲取，也可以根據(jù)某些有明確尺寸作為參照物，設(shè)兩參照物間距離為l1，再根據(jù)時間—位移公式計算該車輛的平均車速。

具體實現(xiàn)步驟如下：

①根據(jù)視頻屬性獲取每秒播放的幀數(shù)，或利用可以逐幀播放的視頻軟件逐幀播放視頻并計數(shù)，根據(jù)每秒播放的幀數(shù)可以得到兩幀之間的時間間隔，設(shè)為時間t'；

②根據(jù)參與方的車輛行駛路徑，選取車輛通過的兩個點作為參照物。一般可以選擇人行橫道邊緣接縫、水泥路面的伸縮縫或者道路標(biāo)識線作為參照點；

③在確定好參照物后，選取車輛上的一點作為車輛在行駛過程中通過參照物時的觀察點。一般選取車身上較為明顯的部位作為觀察點，如車輪軸心或者車燈邊緣；

④根據(jù)事故車輛特征點到達第1 處參照點開始，到車輛特征點到達第2 處參照點時結(jié)束，視頻進行逐幀播放，設(shè)開始到結(jié)束的幀數(shù)為n；

⑤通過實地測量兩參照點之間距離或根據(jù)參照物的標(biāo)準(zhǔn)長度，設(shè)其距離為l1。根據(jù)速度公式可以求得該車輛在通過參照物時的平均車速，計算公式如下：

（2）基于車輛車身特征點的車速計算

在基于現(xiàn)場參照物計算車速時，會出現(xiàn)事故現(xiàn)場無明顯參照物或車身觀察點，以及參照物無接觸的情況，可以基于事故車輛車身特征點的方法計算車速。選取觀測車輛同一平面上的2 點測得其間距離，設(shè)為l2；并計算車身兩參考點在經(jīng)過視頻上某一點的時間，設(shè)為t2，再根據(jù)時間—位移公式求得車輛在通過該點時的平均速度。

具體操作步驟如下：

①根據(jù)視頻屬性獲取每秒播放的幀數(shù)，或利用可以逐幀播放的視頻軟件逐幀播放視頻并計數(shù)，根據(jù)每秒播放的幀數(shù)可以得到兩幀之間的時間間隔，設(shè)為時間t'；

②選取車輛側(cè)面同一高度的兩個參考點，測量兩點之間的距離，設(shè)為l2。一般選取車輛側(cè)面前后車輪軸心作為兩個參考點，車輪軸距即為參考點之間的距離l2。

③從任意一幀圖像開始，選取視頻中某一點A，使得車身兩個參考點都能通過此點。當(dāng)車身第1 個參考點通過A時，開始計數(shù)，視頻逐幀播放，當(dāng)?shù)? 個參考點通過A時，停止計數(shù)，記幀數(shù)為n；

④目標(biāo)車輛通過A點時的平均速度可以利用式（2）計算：

線性變換標(biāo)定法（Direct Linear Transformation,DLT），可以根據(jù)視頻中的平面參考對應(yīng)變換成事故地點的空間坐標(biāo)，適用于無參考點或車輛模糊的情況，但其計算量大，不如基于車輛車身特征點法和基于現(xiàn)場參照物等方法計算方便，因此本文采用上述兩種計算視頻信息中車速的方法計算新能源汽車相關(guān)事故中車輛的碰撞時車速。

本文采用基于事故現(xiàn)場參照物和基于事故車輛車身特征點的車速計算方法對事故車輛進行計算，并將計算后的電動汽車發(fā)生事故時的車輛碰撞速度進行概率統(tǒng)計分布分析，如圖6 所示。由圖6 可知，約70%的電動汽車發(fā)生碰撞時速度在30～70 km/h 之間，約20%的車速小于20 km/h，約10%的車速大于70 km/h。

圖6 電動汽車碰撞時車速累積分布Fig.6 Cumulative distribution of vehicle speed during an electric vehicle collision

在55 起電動汽車相關(guān)碰撞事故中，有13 輛電動汽車無法啟動，占總數(shù)的23%，其主要原因是電動汽車啟動了斷電機制，或因變形造成線束損壞，由此可推論，碰撞時車速在超過60 km/h 時，電動汽車存在電池組的故障風(fēng)險。

3 電動汽車車輛變形特征分析

有別于傳統(tǒng)燃油汽車，電動汽車動力電池、電機以及大量的高壓附件設(shè)備占用車輛大部分空間，在碰撞工況下存在高壓電安全隱患。同時，由于對輕量化和小型化的要求，電動汽車在剛度上存在問題，導(dǎo)致碰撞吸能位移不足，影響乘員安全，說明電動汽車在車身結(jié)構(gòu)、動力電池保護、人員安全等方面的設(shè)計存在冗余或欠缺。傳統(tǒng)汽車與電動汽車存在碰撞特征的差異性，因此通過對電動汽車變形特征進行分析，可以給車身設(shè)計時輕量化與安全性提供參考。

3.1 變形網(wǎng)格定義

為了方便統(tǒng)計所有車輛外部損壞變形特征，本文將車輛外部損傷位置進行區(qū)塊劃分定義，高度劃分3個區(qū)域，寬度劃分4個區(qū)域，長度劃分5個區(qū)域，得到正面與后面12 個區(qū)域，側(cè)面12 個區(qū)域，俯視16 個區(qū)域，以細化車輛外部損傷部位，如圖7 所示。本文在研究碰撞事故中電動車損傷變形特征時，可以通過俯視視角的定義區(qū)塊對來進行分析。

圖7 車輛外部空間的定義Fig.7 Definition of external space of the vehicle

損壞變形車輛的變形范圍可以基于車輛在每個區(qū)域中最大變形點來反應(yīng)，通過最大變形點的線性插值得出每個車輛的變形特性，從而細化車輛外部損傷部位，如圖8 所示。

圖8 事故車輛變形特征線性表示Fig.8 Linear representation of deformation characteristics of the accident vehicle

車輛可根據(jù)車軸劃分為前部、乘員艙、后部3個部分。由于車輛模型的尺寸長度有所差異，因此截面的形狀及大小也會存在些許不同，因此對于所有車輛，可以將原本劃分的區(qū)域進行更為精細化的網(wǎng)格單元的劃分，使用固定單元格數(shù)量。如圖9 所示，定義y軸方向40 格，x軸方向121 格。將變形區(qū)域覆蓋的每個單元標(biāo)記為1，將所有未變形單元標(biāo)記為0，結(jié)果矩陣表示為車輛的“變形矩陣”。變形矩陣跨越車輛輪廓中的離散坐標(biāo)系，其中每個單元可在車輛中進行幾何定位，并且相對于參考點在不同車輛中具有可比位置，而與車輛形狀無關(guān)。

圖9 車輛尺寸網(wǎng)格及變形范圍矩陣Fig.9 Vehicle size grid and deformation range matrix

3.2 車輛損傷部位頻率分析

通過對于網(wǎng)格矩陣的定義，可以更清晰地統(tǒng)計分析車輛損傷部位及變形量。例如，GIDAS 數(shù)據(jù)庫中8 612 輛乘用車的變形數(shù)據(jù)可以映射到網(wǎng)格矩陣中，通過不同顏色來判斷其各個區(qū)域發(fā)生變形的頻率。如圖10 所示[17]，變形網(wǎng)格矩陣外部邊緣部位變形頻率較高，內(nèi)部較低，變形頻率由外到內(nèi)逐步降低。

圖10 根據(jù)GIDAS 8 612 輛乘用車數(shù)據(jù)樣本的變形頻率網(wǎng)格矩陣Fig.10 Deformed frequency grid matrix based on GIDAS 8 612 passenger car data samples

累積頻率網(wǎng)格矩陣可以幫助從道路安全角度評估電動汽車動力電池的布置方案以及對電動汽車車身剛度設(shè)計問題提供參考。根據(jù)55 例電動汽車碰撞變形參數(shù)，將其映射到網(wǎng)格矩陣中，得到電動汽車損傷變形頻率網(wǎng)格矩陣，如圖11 所示。

由圖11 可知，有60%以上的電動汽車變形部位為前部，其中有20%的電動汽車變形侵入乘員艙；有30%的電動汽車變形部位為側(cè)部；有5%的電動汽車變形部位為后部。電動汽車的變形范圍與電動汽車的運動速度相關(guān)，有10%的電動汽車車速超過70 km/h，與10%變形頻率成正相關(guān)。電動汽車側(cè)面的變形頻率有30%,且侵入乘員艙有20%，對駕乘人員人身安全存在風(fēng)險，特別是A 柱前端。從俯視角度可以看出在駕駛艙部位的損傷最小，因此動力電池作為電動汽車中最為重要的且有安全風(fēng)險的部件可以布置在駕駛艙底部。

圖11 電動汽車損傷變形頻率網(wǎng)格矩陣Fig.11 Grid matrix of damage and deformation frequency of electric vehicle

4 總結(jié)

電動汽車是未來發(fā)展的趨勢，隨著電動汽車的普及，電動汽車相關(guān)事故也逐漸增加，因此研究電動汽車的事故碰撞特征具有重要意義。本文基于NAIS（松江站點）數(shù)據(jù)庫中近5 年的電動汽車相關(guān)事故做了如下工作：

（1）分析事故電動汽車類型，從道路交通調(diào)查重建的角度，分析電動汽車事故發(fā)生的基本形態(tài)和損傷特點，電動汽車事故形態(tài)主要以在交叉路口的單車事故與電動汽車的追尾碰撞為主；

（2）詳細分析基于視頻的碰撞事故車速重建方法，并使用基于事故現(xiàn)場參照點的車速計算和基于車輛車身特征點的車速計算分析事故車輛的車速分布。電動汽車車速主要分布在30～70 km/h，約31%的電動汽車事故造成動力電池故障，特別是在車速超過65 km/h 時會造成電動汽車動力電池故障；

（3）利用累計頻率網(wǎng)格分析車輛變形特性，并對照車速分布，分析電動汽車形變與車速之間的關(guān)系，確定動力電池故障與碰撞時車速特征的關(guān)系，對電動汽車事故從宏觀角度驗證了在發(fā)生碰撞沖擊時對動力電池存在的故障風(fēng)險，為進一步分析動力電池具體故障類型提供了參考。