滚装客船载运电动汽车火灾风险模型及安全管理对策

吴 兵，唐宇恒，郝国柱，陈 沛，黄 明，张 英

(1.武汉理工大学 智能交通系统研究中心，湖北 武汉 430063；2.武汉理工大学 国家水运安全工程技术研究中心，湖北 武汉 430063；3.武汉理工大学 能源与动力工程学院，湖北 武汉 430063；4.山东海事局 董家口海事局，山东 青岛 266002；5.武汉理工大学 安全科学与应急管理学院，湖北 武汉 430070)

截止到2019年6月，我国电动汽车保有量达344万辆，预计到2030年电动汽车保有量将超过1亿辆，占汽车总量的35%以上。随着电动汽车的快速发展，滚装客船成为电动汽车跨区域运输(如渤海湾跨江)的选择之一，故笔者研究中所关注的电动汽车主要是指已投入使用且驾驶员自行驾驶上下船的电动汽车。然而，电动汽车存在一定的自燃风险，每年新闻媒体报道的电动汽车火灾事故约为50次。关于电动汽车火灾风险研究，GANDOMAN等[1-2]对电动汽车安全性与可靠性评估进行分析，总结了电动汽车的4种失效模式和主要影响因素；FENG等[3]系统阐述了锂离子电池热失控引起火灾的机理；GUO等[4]研究了锂离子电池在不同环境温度和散热条件下充放电过程中的热行为；ZHANG等[5]从电动汽车锂离子电池的热行为建模与测试、电池组的安全管理策略等方面着手，提出了相应的锂离子电池的热安全管理策略。

针对电动汽车火灾风险，国内外研究主要集中于火灾实验、机理研究等方面，而对电动汽车火灾风险评估研究较少，且未考虑过滚装客船载运电动汽车这一场景。针对滚装客船载运电动汽车时存在的自燃风险，需考虑以下问题：①电动汽车能否在船上充电以提升其续航力；②载运电动汽车是否有简单易行的措施以减少其自燃风险；③电动汽车是否需要特别区域载运。为此，笔者通过收集近年来发生的电动汽车火灾事故案例，结合现有电动汽车火灾研究成果，引入贝叶斯网络方法，建立电动汽车火灾风险模型，识别出电动汽车火灾风险的关键影响因素，并在总结电动汽车火灾风险规律的基础上，结合滚装客船运输的特点，提出相应的安全管理对策。

1 电动汽车火灾风险贝叶斯网络模型

1.1 电动汽车火灾风险分析框架

基于朴素贝叶斯的电动汽车火灾风险分析框架如图1所示，可知电动汽车火灾风险分析框架分为数据收集与整理、构建网络和结果分析3个部分。首先，通过收集与整理电动汽车事故案例，结合已有研究构建电动汽车火灾事故数据库。其次，根据朴素贝叶斯理论，确定朴素贝叶斯网络结构，计算朴素贝叶斯网络结构中属性节点两两之间的互信息，添加边界弧，据此确定增广朴素贝叶斯网络结构，并由事故数据库确定其条件概率和先验概率。最后，对增广朴素贝叶斯网络进行结果分析。

图1 基于朴素贝叶斯的电动汽车火灾风险分析框架

1.2 电动汽车火灾风险影响因素识别

通过收集我国2010—2018年电动汽车事故案例，共获得132起有较详细事故发展过程的案例。通过对这些事故进行分析，结合现有理论研究成果，确定了朴素贝叶斯网络中的节点及其状态与影响因素选取依据，如表1所示，可知主要变量包括火灾类型、车辆类型、动力、电池、车辆状态、季节和时间。①火灾类型：电动汽车锂离子电池失效后引起的火灾有3种燃烧形态，表示不同的燃烧程度，分别为冒烟、火灾和爆炸。②车辆类型：分别为乘用车、客车和物流车，是锂离子电动汽车常见的3种不同用途的车辆。③动力：纯电动汽车和混合动力汽车是电动汽车的两种不同动力形式，即为这一节点的两个不同状态。④电池：不同材料的电池在引发火灾的机理与事故后果上存在较大差异，电池状态分别为三元锂、磷酸铁锂和锰酸锂。⑤车辆状态：不同车辆状态下锂离子电池表现为不同的失效特征，其状态包括运行、停车和充电。⑥季节：这一节点被划分为春、夏、秋、冬4种状态。3月、4月和5月为春；6月、7月和8月为夏；9月、10月和11月为秋；12月、1月和2月为冬。⑦时间：包括白天(7：00—19：00)和夜晚(19：00—次日7：00)两种状态。

表1 相关变量的分类

1.3 火灾风险贝叶斯网络图形框架构建

火灾风险贝叶斯网络图形框架构建包括以下4个步骤：

(1)选择火灾类型作为分类变量(C)，其包含一组状态Sc=(c1,c2,…,cNc)，选择车辆类型、动力、电池、车辆状态、季节和时间作为属性变量(Ai)，i∈(1,2,…,n),每个属性变量Ai包含一组状态Si=(ai,1,ai,2,…,ai,Ni)。在此基础上构建朴素贝叶斯网络。

(2)在朴素贝叶斯网络下计算属性变量两两之间的互信息I(Ai,Aj|C)，以识别变量之间的依赖性[6-7]。

(1)

(3)对所有特征属性变量{A1，A2，…,An}两两之间建立以Ai-Aj的无向边界弧，权重为I(Ai,Aj|C)，属性变量之间的互信息如表2所示。

表2 属性变量之间的互信息

(4)根据互信息的大小，选定0.010作为有向弧的界限值，将无向弧转化为有向弧，同时考虑各节点之间要符合D分离[8]，最终得到电动汽车的贝叶斯网络结构，如图2所示。

图2 电动汽车火灾风险贝叶斯网络结构

1.4 利用EM学习算法确定条件概率表

由于所获取的数据为网络数据，部分数据缺失，需要利用EM学习算法对其进行学习[9]。令D=(l1,l2，…，lM)为不完整数据，Y=(c1,c2，…，cM)为完整数据,D∈Y，ζ为一个贝叶斯网络，其参数为Θ={Θq}。其中，对于任意q、s、t，可以得到Θq={Θqs}，Θqs={Θqst}，Θqst=P(Xq=t|pa(Xq)=s)，X为观测数据集；pa(Xq)为观测数据集X中Xq出现的次数。基础数据集示例如表3所示，EM算法的实现过程如下：

表3 基础数据集示例

(1)利用式(2)和式(3)获取完整的数据集Y。

(2)

ΕΘ(Mqst)=

(3)

式中：k(Θ)为贝叶斯网络中的一个参数值；Xk为k(Θ)的一组观测数据；Mqst为(Xq,pa(Xq))=(t,s)的数量；ΕΘ(Mqst)为一个贝叶斯网络；lq为数据D的第q个案例；G代表贝叶斯网络中的有向无环图。

(4)

按照上述两个步骤进行递归，直到k(Θ)趋同，即满足式(5)所示关系。

kq(Θ)-kq+1(Θ)≤δ|kq+1(Θ)|

(5)

式中：kq(Θ)为Θ经过q次递归后的对数似然估计；δ为设定的阈值。

通过引入EM算法，可获得贝叶斯网络的条件概率表，动力类型(春季和夏季)的条件概率表示例如表4所示。

表4 属性变量动力类型的条件概率

2 电动汽车火灾风险结果分析与讨论

2.1 电动汽车火灾结果分析

利用EM学习算法获取条件概率表后，进而可得到电动汽车火灾风险结果，如图3所示。由图3可以看出，在采集的数据中，大多数事故为火灾事故(76.76%)，发生时间多在白天(71.05%)，主要发生季节在夏季(36.33%)和秋季(25.05%)，发生事故时车辆状态多为行驶(49.63%)和停车(30.58%)。通过与实际统计数据相比，所有节点的误差均较低，其中训练误差最大的为冒烟，其误差率也仅为1.25%，由此可见训练结果较好。

图3 电动汽车火灾风险结果

2.2 电动汽车火灾失效情景分析

不同失效情景下各因素的影响程度和发生的可能性存在差异，且由于目前滚装客船载运电动汽车存在的问题和数据样本存在差异,需要进一步开展失效模式分析[10]，通过设置相应的节点状态为100%，即可获取相应的结果。

(1)车辆状态影响。考虑到滚装客船上装载的均为小汽车，因此设定小汽车和充电两个状态为100%，对应的火灾风险分析结果如图4所示。从图4可以看出，在此情景下，火灾发生概率约为0.75，爆炸发生概率约为0.19；而当设置为停车状态时(即电动汽车不能充电)，火灾发生概率约为0.78，爆炸发生概率约为0.08，可知充电状态时电动汽车发生爆炸的概率约为停车状态下的2.4倍，因此，电动汽车在充电时将大幅增加其爆炸风险。

图4 电动汽车火灾风险情景分析结果

(2)外部温度影响。类似地，通过设置季节为夏季和时间为白天，来分析小汽车在充电与停车状态下的风险情况。通过贝叶斯网络推理计算得到，在充电状态下当外部温度较高时，电动汽车发生爆炸的概率约为0.40，而在晚上温度较低时发生爆炸的概率约为0.16；当在停车状态，白天温度较高时电动汽车发生爆炸的概率约为0.15，在晚上温度较低时发生爆炸的概率为近乎为零，可以看出当外部温度升高时车辆发生爆炸的概率会显著上升。

2.3 滚装客船载运电动汽车安全管理对策

笔者基于上述电动汽车火灾风险分析的研究结果，并结合滚装客船特点提出如下建议：

(1)车辆状态和外部温度是电动汽车火灾风险的主要影响因素，考虑到电动汽车过度充电将导致火灾事故，在滚装客船运输电动汽车过程中，对船载充电设备的稳定性和安全性进行测试之前，应尽可能避免将电池供电的电动车连接到船舶插座上，以防止因过度充电而引起火灾。如需充电，也应统一调度，并有专门人员监管。

(2)考虑到外部温度与电动汽车火灾有一定关联，需对载有电动汽车的区域进行冷却并加强电动汽车温度检测。在电动汽车滚装处所巡逻期间，船员应配备便携式热像仪，以检测滚装处所电动汽车的温度。此外，将电动汽车与传统动力车辆分区存放，以便及时发现火灾，探明火情。

(3)根据与中国船级社(CCS)、南京消防器械有限公司开展的相关实验，电动汽车火灾的最有效灭火方式为水灭火系统，故应为电动汽车提供专用灭火设备，以便于火灾时应急处置。

3 结论

(1)笔者收集国内媒体报道的事故数据，并从以往研究中找出事故发生的影响因素，提出了电动汽车火灾事故安全评估贝叶斯网络模型，用于对滚装客船运输电动汽车提供安全运输管理对策。

(2)利用互信息推导影响因素之间的相互关系，引入EM算法获得条件概率表，再根据电动汽车火灾风险结果进行失效情景分析。研究结果表明充电状态下电动汽车的爆炸概率为停车状态下的2.4倍，且当温度升高时爆炸概率明显上升。