吳 兵，唐宇恒，郝國柱，陳 沛，黃 明，張 英

(1.武漢理工大學 智能交通系統(tǒng)研究中心，湖北 武漢 430063；2.武漢理工大學 國家水運安全工程技術研究中心，湖北 武漢 430063；3.武漢理工大學 能源與動力工程學院，湖北 武漢 430063；4.山東海事局 董家口海事局，山東 青島 266002；5.武漢理工大學 安全科學與應急管理學院，湖北 武漢 430070)

截止到2019年6月，我國電動汽車保有量達344萬輛，預計到2030年電動汽車保有量將超過1億輛，占汽車總量的35%以上。隨著電動汽車的快速發(fā)展，滾裝客船成為電動汽車跨區(qū)域運輸(如渤海灣跨江)的選擇之一，故筆者研究中所關注的電動汽車主要是指已投入使用且駕駛員自行駕駛上下船的電動汽車。然而，電動汽車存在一定的自燃風險，每年新聞媒體報道的電動汽車火災事故約為50次。關于電動汽車火災風險研究，GANDOMAN等[1-2]對電動汽車安全性與可靠性評估進行分析，總結(jié)了電動汽車的4種失效模式和主要影響因素；FENG等[3]系統(tǒng)闡述了鋰離子電池熱失控引起火災的機理；GUO等[4]研究了鋰離子電池在不同環(huán)境溫度和散熱條件下充放電過程中的熱行為；ZHANG等[5]從電動汽車鋰離子電池的熱行為建模與測試、電池組的安全管理策略等方面著手，提出了相應的鋰離子電池的熱安全管理策略。

針對電動汽車火災風險，國內(nèi)外研究主要集中于火災實驗、機理研究等方面，而對電動汽車火災風險評估研究較少，且未考慮過滾裝客船載運電動汽車這一場景。針對滾裝客船載運電動汽車時存在的自燃風險，需考慮以下問題：①電動汽車能否在船上充電以提升其續(xù)航力；②載運電動汽車是否有簡單易行的措施以減少其自燃風險；③電動汽車是否需要特別區(qū)域載運。為此，筆者通過收集近年來發(fā)生的電動汽車火災事故案例，結(jié)合現(xiàn)有電動汽車火災研究成果，引入貝葉斯網(wǎng)絡方法，建立電動汽車火災風險模型，識別出電動汽車火災風險的關鍵影響因素，并在總結(jié)電動汽車火災風險規(guī)律的基礎上，結(jié)合滾裝客船運輸?shù)奶攸c，提出相應的安全管理對策。

1 電動汽車火災風險貝葉斯網(wǎng)絡模型

1.1 電動汽車火災風險分析框架

基于樸素貝葉斯的電動汽車火災風險分析框架如圖1所示，可知電動汽車火災風險分析框架分為數(shù)據(jù)收集與整理、構(gòu)建網(wǎng)絡和結(jié)果分析3個部分。首先，通過收集與整理電動汽車事故案例，結(jié)合已有研究構(gòu)建電動汽車火災事故數(shù)據(jù)庫。其次，根據(jù)樸素貝葉斯理論，確定樸素貝葉斯網(wǎng)絡結(jié)構(gòu)，計算樸素貝葉斯網(wǎng)絡結(jié)構(gòu)中屬性節(jié)點兩兩之間的互信息，添加邊界弧，據(jù)此確定增廣樸素貝葉斯網(wǎng)絡結(jié)構(gòu)，并由事故數(shù)據(jù)庫確定其條件概率和先驗概率。最后，對增廣樸素貝葉斯網(wǎng)絡進行結(jié)果分析。

圖1 基于樸素貝葉斯的電動汽車火災風險分析框架

1.2 電動汽車火災風險影響因素識別

通過收集我國2010—2018年電動汽車事故案例，共獲得132起有較詳細事故發(fā)展過程的案例。通過對這些事故進行分析，結(jié)合現(xiàn)有理論研究成果，確定了樸素貝葉斯網(wǎng)絡中的節(jié)點及其狀態(tài)與影響因素選取依據(jù)，如表1所示，可知主要變量包括火災類型、車輛類型、動力、電池、車輛狀態(tài)、季節(jié)和時間。①火災類型：電動汽車鋰離子電池失效后引起的火災有3種燃燒形態(tài)，表示不同的燃燒程度，分別為冒煙、火災和爆炸。②車輛類型：分別為乘用車、客車和物流車，是鋰離子電動汽車常見的3種不同用途的車輛。③動力：純電動汽車和混合動力汽車是電動汽車的兩種不同動力形式，即為這一節(jié)點的兩個不同狀態(tài)。④電池：不同材料的電池在引發(fā)火災的機理與事故后果上存在較大差異，電池狀態(tài)分別為三元鋰、磷酸鐵鋰和錳酸鋰。⑤車輛狀態(tài)：不同車輛狀態(tài)下鋰離子電池表現(xiàn)為不同的失效特征，其狀態(tài)包括運行、停車和充電。⑥季節(jié)：這一節(jié)點被劃分為春、夏、秋、冬4種狀態(tài)。3月、4月和5月為春；6月、7月和8月為夏；9月、10月和11月為秋；12月、1月和2月為冬。⑦時間：包括白天(7：00—19：00)和夜晚(19：00—次日7：00)兩種狀態(tài)。

表1 相關變量的分類

1.3 火災風險貝葉斯網(wǎng)絡圖形框架構(gòu)建

火災風險貝葉斯網(wǎng)絡圖形框架構(gòu)建包括以下4個步驟：

(1)選擇火災類型作為分類變量(C)，其包含一組狀態(tài)Sc=(c1,c2,…,cNc)，選擇車輛類型、動力、電池、車輛狀態(tài)、季節(jié)和時間作為屬性變量(Ai)，i∈(1,2,…,n),每個屬性變量Ai包含一組狀態(tài)Si=(ai,1,ai,2,…,ai,Ni)。在此基礎上構(gòu)建樸素貝葉斯網(wǎng)絡。

(2)在樸素貝葉斯網(wǎng)絡下計算屬性變量兩兩之間的互信息I(Ai,Aj|C)，以識別變量之間的依賴性[6-7]。

(1)

(3)對所有特征屬性變量{A1，A2，…,An}兩兩之間建立以Ai-Aj的無向邊界弧，權(quán)重為I(Ai,Aj|C)，屬性變量之間的互信息如表2所示。

表2 屬性變量之間的互信息

(4)根據(jù)互信息的大小，選定0.010作為有向弧的界限值，將無向弧轉(zhuǎn)化為有向弧，同時考慮各節(jié)點之間要符合D分離[8]，最終得到電動汽車的貝葉斯網(wǎng)絡結(jié)構(gòu)，如圖2所示。

圖2 電動汽車火災風險貝葉斯網(wǎng)絡結(jié)構(gòu)

1.4 利用EM學習算法確定條件概率表

由于所獲取的數(shù)據(jù)為網(wǎng)絡數(shù)據(jù)，部分數(shù)據(jù)缺失，需要利用EM學習算法對其進行學習[9]。令D=(l1,l2，…，lM)為不完整數(shù)據(jù)，Y=(c1,c2，…，cM)為完整數(shù)據(jù),D∈Y，ζ為一個貝葉斯網(wǎng)絡，其參數(shù)為Θ={Θq}。其中，對于任意q、s、t，可以得到Θq={Θqs}，Θqs={Θqst}，Θqst=P(Xq=t|pa(Xq)=s)，X為觀測數(shù)據(jù)集；pa(Xq)為觀測數(shù)據(jù)集X中Xq出現(xiàn)的次數(shù)?；A數(shù)據(jù)集示例如表3所示，EM算法的實現(xiàn)過程如下：

表3 基礎數(shù)據(jù)集示例

(1)利用式(2)和式(3)獲取完整的數(shù)據(jù)集Y。

(2)

ΕΘ(Mqst)=

(3)

式中：k(Θ)為貝葉斯網(wǎng)絡中的一個參數(shù)值；Xk為k(Θ)的一組觀測數(shù)據(jù)；Mqst為(Xq,pa(Xq))=(t,s)的數(shù)量；ΕΘ(Mqst)為一個貝葉斯網(wǎng)絡；lq為數(shù)據(jù)D的第q個案例；G代表貝葉斯網(wǎng)絡中的有向無環(huán)圖。

(4)

按照上述兩個步驟進行遞歸，直到k(Θ)趨同，即滿足式(5)所示關系。

kq(Θ)-kq+1(Θ)≤δ|kq+1(Θ)|

(5)

式中：kq(Θ)為Θ經(jīng)過q次遞歸后的對數(shù)似然估計；δ為設定的閾值。

通過引入EM算法，可獲得貝葉斯網(wǎng)絡的條件概率表，動力類型(春季和夏季)的條件概率表示例如表4所示。

表4 屬性變量動力類型的條件概率

2 電動汽車火災風險結(jié)果分析與討論

2.1 電動汽車火災結(jié)果分析

利用EM學習算法獲取條件概率表后，進而可得到電動汽車火災風險結(jié)果，如圖3所示。由圖3可以看出，在采集的數(shù)據(jù)中，大多數(shù)事故為火災事故(76.76%)，發(fā)生時間多在白天(71.05%)，主要發(fā)生季節(jié)在夏季(36.33%)和秋季(25.05%)，發(fā)生事故時車輛狀態(tài)多為行駛(49.63%)和停車(30.58%)。通過與實際統(tǒng)計數(shù)據(jù)相比，所有節(jié)點的誤差均較低，其中訓練誤差最大的為冒煙，其誤差率也僅為1.25%，由此可見訓練結(jié)果較好。

圖3 電動汽車火災風險結(jié)果

2.2 電動汽車火災失效情景分析

不同失效情景下各因素的影響程度和發(fā)生的可能性存在差異，且由于目前滾裝客船載運電動汽車存在的問題和數(shù)據(jù)樣本存在差異,需要進一步開展失效模式分析[10]，通過設置相應的節(jié)點狀態(tài)為100%，即可獲取相應的結(jié)果。

(1)車輛狀態(tài)影響?？紤]到滾裝客船上裝載的均為小汽車，因此設定小汽車和充電兩個狀態(tài)為100%，對應的火災風險分析結(jié)果如圖4所示。從圖4可以看出，在此情景下，火災發(fā)生概率約為0.75，爆炸發(fā)生概率約為0.19；而當設置為停車狀態(tài)時(即電動汽車不能充電)，火災發(fā)生概率約為0.78，爆炸發(fā)生概率約為0.08，可知充電狀態(tài)時電動汽車發(fā)生爆炸的概率約為停車狀態(tài)下的2.4倍，因此，電動汽車在充電時將大幅增加其爆炸風險。

圖4 電動汽車火災風險情景分析結(jié)果

(2)外部溫度影響。類似地，通過設置季節(jié)為夏季和時間為白天，來分析小汽車在充電與停車狀態(tài)下的風險情況。通過貝葉斯網(wǎng)絡推理計算得到，在充電狀態(tài)下當外部溫度較高時，電動汽車發(fā)生爆炸的概率約為0.40，而在晚上溫度較低時發(fā)生爆炸的概率約為0.16；當在停車狀態(tài)，白天溫度較高時電動汽車發(fā)生爆炸的概率約為0.15，在晚上溫度較低時發(fā)生爆炸的概率為近乎為零，可以看出當外部溫度升高時車輛發(fā)生爆炸的概率會顯著上升。

2.3 滾裝客船載運電動汽車安全管理對策

筆者基于上述電動汽車火災風險分析的研究結(jié)果，并結(jié)合滾裝客船特點提出如下建議：

(1)車輛狀態(tài)和外部溫度是電動汽車火災風險的主要影響因素，考慮到電動汽車過度充電將導致火災事故，在滾裝客船運輸電動汽車過程中，對船載充電設備的穩(wěn)定性和安全性進行測試之前，應盡可能避免將電池供電的電動車連接到船舶插座上，以防止因過度充電而引起火災。如需充電，也應統(tǒng)一調(diào)度，并有專門人員監(jiān)管。

(2)考慮到外部溫度與電動汽車火災有一定關聯(lián)，需對載有電動汽車的區(qū)域進行冷卻并加強電動汽車溫度檢測。在電動汽車滾裝處所巡邏期間，船員應配備便攜式熱像儀，以檢測滾裝處所電動汽車的溫度。此外，將電動汽車與傳統(tǒng)動力車輛分區(qū)存放，以便及時發(fā)現(xiàn)火災，探明火情。

(3)根據(jù)與中國船級社(CCS)、南京消防器械有限公司開展的相關實驗，電動汽車火災的最有效滅火方式為水滅火系統(tǒng)，故應為電動汽車提供專用滅火設備，以便于火災時應急處置。

3 結(jié)論

(1)筆者收集國內(nèi)媒體報道的事故數(shù)據(jù)，并從以往研究中找出事故發(fā)生的影響因素，提出了電動汽車火災事故安全評估貝葉斯網(wǎng)絡模型，用于對滾裝客船運輸電動汽車提供安全運輸管理對策。

(2)利用互信息推導影響因素之間的相互關系，引入EM算法獲得條件概率表，再根據(jù)電動汽車火災風險結(jié)果進行失效情景分析。研究結(jié)果表明充電狀態(tài)下電動汽車的爆炸概率為停車狀態(tài)下的2.4倍，且當溫度升高時爆炸概率明顯上升。