在側(cè)面碰撞中電動(dòng)汽車電池模塊破損的預(yù)測

摘 要：為增強(qiáng)電動(dòng)汽車在側(cè)面碰撞事故中的電池安全性，以某新能源汽車電池箱為研究對(duì)象，創(chuàng)建側(cè)面碰撞情況下的有限元模型。通過LS-DYNA進(jìn)行5種速度側(cè)面碰撞仿真，提取電池箱側(cè)壁幾何中心點(diǎn)的應(yīng)力曲線以及電池模塊破損情況，根據(jù)兩者之間的相關(guān)關(guān)系，建立預(yù)測電池模塊碰撞破損的反向傳播（BP）神經(jīng)網(wǎng)絡(luò)模型。模型的輸入量為應(yīng)力曲線，輸出向量為模塊破損情況。結(jié)果表明：5種速度碰撞后預(yù)測錯(cuò)誤3塊，其余177塊預(yù)測均正確；準(zhǔn)確率達(dá)到98.33%。因而，通過對(duì)算法的設(shè)計(jì)可預(yù)測出電動(dòng)汽車在受到側(cè)面碰撞時(shí)將要破損的具體模塊，有利于提高電動(dòng)汽車安全性。

關(guān)鍵詞： 電動(dòng)汽車（EV）；電池模塊；側(cè)面碰撞；破損預(yù)測；反向傳播（BP）神經(jīng)網(wǎng)絡(luò)；有限元（FE）仿真

中圖分類號(hào)： U 467.14 文獻(xiàn)標(biāo)識(shí)碼： A DOI： 10.3969/j.issn.1674-8484.2024.02.004

電動(dòng)汽車在碰撞事故中[1]、尤其在側(cè)面碰撞事故中，電池模塊受損是影響電動(dòng)汽車安全性的關(guān)鍵因素之一[2-3]。電動(dòng)汽車碰撞安全集中在以下幾方面研究[4]：

在電動(dòng)汽車結(jié)構(gòu)布局研究方面，王月等通過優(yōu)化設(shè)計(jì)箱體的吸能構(gòu)件，減輕碰撞時(shí)電池模塊的損傷[5]，V. Motevalli 通過研究得出需要進(jìn)一步優(yōu)化電池模塊的布置方式和電動(dòng)汽車的吸能結(jié)構(gòu)[6]。L. Sudworth 采用有限元仿真技術(shù)和實(shí)驗(yàn)驗(yàn)證方法，對(duì)Zebra 電池在多種不同碰撞情況下的安全性進(jìn)行測試和改進(jìn)研究，其改進(jìn)后的Zebra 電池在碰撞方面表現(xiàn)出了很好的安全性[7]。M. Hartmann 等對(duì)電池箱進(jìn)行設(shè)計(jì)之后，利用Optistruct 軟件得到電池箱加強(qiáng)筋的位置，綜合考慮制造約束確定最終的加強(qiáng)筋形狀，結(jié)果表明電池箱的前３階模態(tài)均有提高[8]。

在電池高壓電的控制方面，陳彥雷研究了汽車碰撞時(shí)及時(shí)切斷相應(yīng)的配電系統(tǒng)降低起火危險(xiǎn)[9] ；張亞軍利用計(jì)算機(jī)輔助工程（computer aided engineering，CAE） 仿真計(jì)算，優(yōu)化高壓元件空間布置問題[10] ；東風(fēng)汽車公司研發(fā)了碰撞時(shí)整車高壓斷開系統(tǒng)[11]。

人工智能為汽車帶來了智能算法[12]。人工神經(jīng)網(wǎng)絡(luò)因其在非線性映射方面的優(yōu)勢表現(xiàn)而備受矚目。陳誠利用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測碰撞的可能性，提前提醒駕駛員規(guī)避，以減小碰撞概率[13]。劉佳使用神經(jīng)網(wǎng)絡(luò)對(duì)電動(dòng)客車提出了基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)識(shí)別的動(dòng)力電池系統(tǒng)碰撞程度分級(jí)方法，并且制定了分?jǐn)嘈盘?hào)觸發(fā)的控制策略，從而在受到側(cè)面碰撞時(shí)，減小電池破損程度[14]。

已有研究僅對(duì)電池箱體進(jìn)行安全性研究，對(duì)電池模塊研究較少。

本文通過有限元仿真不同速度的移動(dòng)變形壁障（movable deformable barrier，MDB） 對(duì)整車側(cè)面碰撞，并提取電池模塊破損情況及傳感器應(yīng)力曲線作為反向傳播（back propagation，BP） 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，利用BP 神經(jīng)網(wǎng)絡(luò)建立碰撞預(yù)測模型，實(shí)現(xiàn)在汽車側(cè)面受到碰撞時(shí)，預(yù)測出電池內(nèi)部將要破損的具體模塊編號(hào)，并通過控制系統(tǒng)及時(shí)對(duì)相應(yīng)模塊斷電，減小在碰撞事故中的起火和爆炸的概率。此外，準(zhǔn)確的預(yù)測可以幫助汽車制造商改進(jìn)電池模塊的設(shè)計(jì)，不僅提高電動(dòng)汽車在碰撞中的安全性能，而且有助于開發(fā)更先進(jìn)的被動(dòng)和主動(dòng)安全系統(tǒng)，以進(jìn)一步減小側(cè)面碰撞對(duì)電池模塊的沖擊。

1 有限元模型及仿真

1.1 有限元模型的建立

圖1a 所示某中大型SUV 電動(dòng)汽車。電池包1 位于座椅下方，由36 個(gè)模塊組成并分別對(duì)其進(jìn)行了編號(hào)，如圖1b 所示，每個(gè)模塊包含12 個(gè)軟包式鋰離子電池單元。對(duì)電池模組采用均質(zhì)化建立有限元模型，電池的力學(xué)性能與可壓縮泡沫力學(xué)性能相似，電池模塊芯層材料用各向同性可壓縮泡沫材料代替[15]，電池箱箱體和上蓋選用鋁合金材料，電池模塊支架、壓板等選用PA6 塑料材料。

基于Hyper Works 對(duì)整車模型進(jìn)行建模和網(wǎng)格劃分。本文主要研究對(duì)象為電池箱。電池箱側(cè)壁與上蓋采用四邊形殼單元，電池箱體與電池模塊采用六面體實(shí)體單元，電氣控制模塊采用四面體單元，共1 283263 個(gè)節(jié)點(diǎn)，1 608 756 個(gè)單元?？紤]到碰撞仿真的準(zhǔn)確性和計(jì)算時(shí)間，將模型中的二維和三維網(wǎng)格都按照5 mm 劃分，并在網(wǎng)格劃分完成后對(duì)其質(zhì)量進(jìn)行檢查以確保滿足質(zhì)量標(biāo)準(zhǔn)。利用*Constrained_extra_nodes_set/node （Xtranode） 關(guān)鍵字對(duì)電池模塊和電池箱定義剛?cè)徇B接，使用*Constrained_rigid_bodies 關(guān)鍵字對(duì)電機(jī)與變速器之間定義剛性連接，采用鉸鏈（Fe-Joint） 來模擬相對(duì)運(yùn)動(dòng)的部件，如轉(zhuǎn)向節(jié)臂球鉸采用球鉸鏈模擬，車軸和轉(zhuǎn)向拉桿等轉(zhuǎn)動(dòng)部件采用轉(zhuǎn)動(dòng)鉸鏈模擬。

碰撞仿真不需要假人的數(shù)據(jù)，在主駕駛座椅上配重50 kg，這樣才能保證仿真中汽車各個(gè)零部件質(zhì)量分布與真實(shí)情況一致[16]。

根據(jù)國標(biāo)GB 20071-2006 法規(guī)要求，如圖2 所示，將移動(dòng)變形壁障（MDB） 分為吸能塊和移動(dòng)臺(tái)車2 部分，并進(jìn)行建模。在撞擊時(shí)，移動(dòng)臺(tái)車不會(huì)發(fā)生變形和吸能，可認(rèn)為剛性體。吸能塊要在仿真中表現(xiàn)出變形和吸能，設(shè)置為6 塊單獨(dú)的蜂窩鋁組成。根據(jù)國標(biāo)規(guī)定將可移動(dòng)壁障的中心對(duì)準(zhǔn)汽車前排座椅的R 點(diǎn)，壁障的下邊緣與地面的距離為300 mm，并對(duì)該模型施加50 km/h的碰撞速度，100 ms 的碰撞時(shí)間。

整車側(cè)面碰撞仿真有限元模型如圖2 所示。它共有8 970 486 個(gè)節(jié)點(diǎn)，10 247 823 個(gè)單元，提交LSDYNA軟件計(jì)算，得到仿真結(jié)果。由于模型較大，網(wǎng)格數(shù)較多，需利用超算中心進(jìn)行計(jì)算。硬件配置為每個(gè)計(jì)算節(jié)點(diǎn)裝備2 顆Intel Xeon Platinum 8280 處理器，每顆擁有28 個(gè)核心和56 個(gè)線程，基礎(chǔ)時(shí)鐘頻率為2.7GHz，每個(gè)節(jié)點(diǎn)配置 512 GB DDR4 ECC 內(nèi)存。

1.2 仿真與試驗(yàn)結(jié)果的對(duì)比

設(shè)置移動(dòng)變形壁障（MDB） 的初始速度為50 km/h，在LS-DYNA中導(dǎo)入輸出的k 文件進(jìn)行計(jì)算。碰撞過程中遵循能量守恒，由圖3 所示能量曲線。系統(tǒng)的總能量為111 kJ。碰撞開始時(shí)，總能量完全表現(xiàn)為動(dòng)能，隨著時(shí)間的變化，動(dòng)能逐步轉(zhuǎn)變?yōu)閮?nèi)能，且變化曲線比較平滑沒有發(fā)生突變。沙漏能始終保持平穩(wěn)而且較小，大約占總能的0.13%，不超過總能量的5%，滿足整車仿真可靠性要求。

在車輛碰撞測試中，會(huì)在車身上安裝多個(gè)加速度傳感器來收集數(shù)據(jù)，其中，右側(cè)B 柱下端是一個(gè)重要的測量點(diǎn)。在仿真模型中，也需要在同樣的位置添加傳感器模塊，以便對(duì)試驗(yàn)與仿真的數(shù)據(jù)進(jìn)行對(duì)比。圖4 展示了傳感器的安裝位置和試驗(yàn)和仿真數(shù)據(jù)的對(duì)比結(jié)果。由圖4b 可發(fā)現(xiàn)，仿真和實(shí)驗(yàn)曲線的加速度峰值分別為89.2 m/s2 和80.4 m/s2，且峰值時(shí)間都在33 ms 附近，2 個(gè)曲線的變化速度基本一致， 表明了仿真模擬的準(zhǔn)確性較好。

EURO NCA 側(cè)面碰撞試驗(yàn)變形結(jié)果[17] 和仿真的結(jié)果如圖5 所示。

碰撞后，車門與翼子板連接處車門產(chǎn)生向外翻轉(zhuǎn)的變形，車門中下部入侵量較大，車窗處凸起加強(qiáng)筋中部彎曲形成45°凹陷，車門檻對(duì)應(yīng)防撞梁發(fā)生彎曲變形，后輪眉受到MDB 沖擊造成輪眉輕微向內(nèi)翻轉(zhuǎn)，試驗(yàn)實(shí)測與仿真后的車身變形方面高度吻合。

MDB 變形情況如圖6 所示。位置4 處碰撞塊在碰撞時(shí)與后車輪和輪眉處接觸，碰撞后產(chǎn)生凹陷，位置3處碰撞塊與B 柱接觸，在碰撞后B 柱變形量小，因此產(chǎn)生凹陷，位置1 處和位置2 處的碰撞塊在碰撞時(shí)與汽車前門和后門接觸，因此凹陷程度也一致，因此仿真碰撞的MDB 變形與試驗(yàn)結(jié)果具有較好的一致性。

通過仿真結(jié)果以及與試驗(yàn)結(jié)果對(duì)比，側(cè)面碰撞仿真整個(gè)過程中能量守恒，仿真與測試的B 柱加速度曲線的走勢也比較一致，仿真與測試的變形程度基本吻合，說明建模方法及仿真結(jié)果正確[18]。

2 碰撞預(yù)測算法數(shù)據(jù)樣本提取

由文獻(xiàn)[19] 研究得，側(cè)面碰撞時(shí)電池箱體側(cè)壁不與電池內(nèi)部結(jié)構(gòu)接觸時(shí)，電池?fù)p傷判定標(biāo)準(zhǔn)為電池模塊加速度大小，加速度提取安裝電池的剛性框架的4 個(gè)節(jié)點(diǎn)測量的平均值，平均值大于35g 時(shí)電池模組會(huì)破壞。

本文通過側(cè)面碰撞仿真分析，當(dāng)側(cè)面碰撞速度為95 km/h 時(shí)，電池箱體位移如圖7 所示。最大入侵量為11.2 mm，而在電池箱體中電池箱側(cè)壁距離電池模塊的最小距離為85 mm，因此電池箱體的側(cè)壁不會(huì)與電池內(nèi)部結(jié)構(gòu)接觸，不會(huì)因?yàn)閿D壓對(duì)電池模塊產(chǎn)生威脅。當(dāng)側(cè)面碰撞速度為50 km/h 時(shí)，通過對(duì)比所有電池模組的平均加速度變化曲線，發(fā)現(xiàn)平均加速度最大值出現(xiàn)在5 號(hào)電池模塊。

圖8 是5 號(hào)電池模塊的平均加速度- 時(shí)間變化曲線。最大值出現(xiàn)在55 ms 時(shí)為25.625 km/s2，最大加速度為26.14g，小于35g，未受到任何損壞。當(dāng)速度超過100 km/h 時(shí)，通過仿真可知，電池模塊損壞數(shù)量為18塊，達(dá)到總模塊數(shù)量的1/2，破損數(shù)量較多。為了保證算法的適應(yīng)性和預(yù)測的準(zhǔn)確性，將仿真速度范圍限制在55～95 km/h 之間， 選取55、65、75、85、95 km/h共5 組速度進(jìn)行側(cè)面碰撞仿真。

2.1 樣本輸入向量

在碰撞中，電池箱側(cè)面的電池箱壁會(huì)最快發(fā)生變形，通過設(shè)計(jì)預(yù)測模型來探究汽車在側(cè)面碰撞中電池箱壁應(yīng)力變化與電池模塊破損情況之間的相關(guān)性。如圖9 所示，在電池箱壁側(cè)面的吸能盒上設(shè)置4 個(gè)等距節(jié)點(diǎn)提取應(yīng)力。1、2、4 號(hào)節(jié)點(diǎn)應(yīng)力曲線用作預(yù)測的訓(xùn)練樣本，第3 號(hào)節(jié)點(diǎn)應(yīng)力曲線則用來驗(yàn)證預(yù)測的準(zhǔn)確性。

當(dāng)側(cè)面碰撞速度分別為55、65、75、85、95 km/h時(shí)，其 1、2、3、4 號(hào)節(jié)點(diǎn)的應(yīng)力變化情況如圖10 所示，橫坐標(biāo)為撞擊時(shí)間t，縱坐標(biāo)為節(jié)點(diǎn)的應(yīng)力值。

由圖10 可知：碰撞仿真總時(shí)間為100 ms，所有速度的碰撞在40 ms 左右時(shí)出現(xiàn)最大應(yīng)力，在此刻電池模塊的損壞風(fēng)險(xiǎn)最高。標(biāo)記段為前25 ms 內(nèi)的應(yīng)力曲線，此時(shí)段內(nèi)應(yīng)力較小，電池模塊還未發(fā)生損壞，因此將此階段的應(yīng)力曲線作為預(yù)測模型的輸入量。為利于數(shù)據(jù)處理，將前25 ms 階段離散成50 個(gè)元素的向量X[x1， x2， …， x50] ；同理，其他速度碰撞仿真中1、2、3、4 號(hào)節(jié)點(diǎn)離散后的輸入向量如表1 所示，形成完整的輸入向量集。

2.2 樣本輸出向量

碰撞預(yù)測算法使用向量來表示電池箱中36 個(gè)模塊在側(cè)面碰撞時(shí)的破損情況，根據(jù)仿真后每個(gè)電池模塊的破損情況，將這些信息轉(zhuǎn)化為一個(gè)向量的形式，作為預(yù)測算法的輸出向量。

當(dāng)圖1b 所示36 個(gè)電池模塊中第i 號(hào)模塊損壞時(shí)，將輸出向量Y 的第i 個(gè)元素（yi） 設(shè)置為1，否則為0。最終，每個(gè)速度下選用3 組樣本作為BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，并使用一組樣本作為測試集，整個(gè)數(shù)據(jù)集包含15 個(gè)訓(xùn)練樣本和5 個(gè)測試樣本。

3 電池模塊碰撞預(yù)測算法

通過以上不同速度的碰撞仿真結(jié)果得到輸入和輸出向量，本節(jié)利用Python 中的神經(jīng)網(wǎng)絡(luò)庫來構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型。該模型將包括輸入層、隱藏層和輸出層，根據(jù)需要調(diào)整隱藏層的神經(jīng)元數(shù)量和層數(shù)，以獲得更好的模型性能。通過迭代和優(yōu)化模型的權(quán)重和偏差，使其能夠準(zhǔn)確地預(yù)測碰撞結(jié)果。訓(xùn)練完成后，將測試集中的輸入向量輸入到模型中，并與仿真的結(jié)果進(jìn)行比較以評(píng)估模型的準(zhǔn)確性。

3.1 BP 神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層組成，相鄰層之間各神經(jīng)元進(jìn)行全連接，而每層各神經(jīng)元之間無連接[20]，最主要優(yōu)點(diǎn)是具有極強(qiáng)的非線性映射能力[21]。由于文中模型輸出層節(jié)點(diǎn)較多，一層隱含層的迭代速度和預(yù)測準(zhǔn)確率較低，因此使用2 層隱含層，模型網(wǎng)絡(luò)結(jié)構(gòu)如圖11 所示。

BP 神經(jīng)網(wǎng)絡(luò)模型可以描述為：

式中： xi 為輸入層，zj 為隱層，yk 為輸出層，wij 為輸入層第i 個(gè)神經(jīng)元與隱含層第j 個(gè)神經(jīng)元之間的權(quán)重，wjk 為隱含層第j 個(gè)神經(jīng)元與輸出層第k 個(gè)神經(jīng)元之間的權(quán)重，f 為激勵(lì)函數(shù)，bj、bk 為偏置[22]。

ReLU 函數(shù)是一個(gè)分段線性函數(shù)，如果輸入為正，它將直接輸出，否則，它將輸出為零。

f （x） = max（0， x）. （2）

在神經(jīng)網(wǎng)絡(luò)中，ReLU 函數(shù)作為神經(jīng)元的激活函數(shù)，為神經(jīng)元在線性變換之后的非線性輸出結(jié)果。換言之，對(duì)于進(jìn)入神經(jīng)元的來自上一層神經(jīng)網(wǎng)絡(luò)的輸入向量x，用ReLu 激活函數(shù)作為非線性變換所得輸出結(jié)果為

f （x） = max（0， wTx + b）. （3）

Sigmoid 函數(shù)是一個(gè)適用于二分類或需要輸出概率的函數(shù)。用Sigmoid 函數(shù)作為隱含層激活函數(shù)，激活函數(shù)的數(shù)學(xué)表達(dá)式為

f （sj） = [1 + exp（sj）]-1. （4）

式中，sj 為BP 神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)輸出值。

3.2 數(shù)據(jù)的處理

為了加快BP 神經(jīng)網(wǎng)絡(luò)模型的收斂速度和提高模型的準(zhǔn)確性，使用Z-score 標(biāo)準(zhǔn)化方法對(duì)輸入數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，把輸入的樣本數(shù)據(jù)歸一化。對(duì)于輸出樣本數(shù)據(jù)，不進(jìn)行處理，因?yàn)槟繕?biāo)是表現(xiàn)出每個(gè)電池模塊破損的概率，將輸出數(shù)據(jù)視為破損的概率，并保留其原始值，這樣可以確保模型的輸出結(jié)果與實(shí)際情況更為貼切。Z-score 標(biāo)準(zhǔn)化為

式中： σ 為標(biāo)準(zhǔn)差，μ 為輸入向量的均值。經(jīng)過Z-score標(biāo)準(zhǔn)化后得到的結(jié)果是所有數(shù)據(jù)都聚集在均值附近，方差為1。

3.3 碰撞預(yù)測算法的訓(xùn)練

電池模塊破損預(yù)測BP 神經(jīng)網(wǎng)絡(luò)模型采用圖11 所示的4 層網(wǎng)絡(luò)結(jié)構(gòu)。前25 ms 的應(yīng)力曲線離散為50 個(gè)元素作為輸入，36 個(gè)模塊的損壞情況作為輸出，故輸入層節(jié)點(diǎn)數(shù)為50，輸出層節(jié)點(diǎn)數(shù)36。模型選用Relu 函數(shù)和Sigmoid 函數(shù)作為激活函數(shù)，使用均方誤差（MSE）函數(shù)作為模型的損失函數(shù)，訓(xùn)練學(xué)習(xí)效率為0.09，最大迭代次數(shù)為3×104。隱含層節(jié)點(diǎn)數(shù)的數(shù)量會(huì)影響B(tài)P 神經(jīng)網(wǎng)絡(luò)的性能[23]，利用Kolmogorov 定理對(duì)隱含層節(jié)點(diǎn)數(shù)計(jì)算：

式中： n 為隱含層節(jié)點(diǎn)數(shù)，n0 為輸出層節(jié)點(diǎn)數(shù)，ni 為輸入層節(jié)點(diǎn)數(shù)，α 的范圍為1 到10。

經(jīng)過計(jì)算和訓(xùn)練，選擇80 和10 作為第一層和第二層隱含層的節(jié)點(diǎn)數(shù)。誤差曲線用于監(jiān)控模型的訓(xùn)練過程和判斷模型是否過擬合或欠擬合。

本文的訓(xùn)練迭代誤差變化如圖12 所示。初始的訓(xùn)練誤差快速降低；在大約迭代2 萬次后，訓(xùn)練誤差開始停止下降并趨于穩(wěn)定；當(dāng)訓(xùn)練次數(shù)達(dá)到3 萬次時(shí)，最終樣本均方誤差為1.3×10-3 接近0。

最終，確定用4 層BP 神經(jīng)網(wǎng)絡(luò)作為電池模塊破損預(yù)測模型，以及輸入層X = 50，輸出層Y = 36，隱含層分別為80 和10，迭代次數(shù)為3 萬。

4 預(yù)測結(jié)果分析

4.1 BP 神經(jīng)網(wǎng)絡(luò)的測試

將表1 中5 組測試集數(shù)據(jù)X4 分別輸入到訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型中。表2 分別列出了5 組速度下的36 個(gè)電池模塊的預(yù)測破損概率的結(jié)果。

表3 為5 組速度下的36 個(gè)電池模塊的仿真破損結(jié)果，0 代表對(duì)應(yīng)電池完好，1 代表損壞。并將預(yù)測破損情況和仿真破損情況進(jìn)行比較，以檢驗(yàn)?zāi)Ｐ偷膶?shí)際應(yīng)用能力和泛化能力。為了確保預(yù)測的準(zhǔn)確性，通過多組預(yù)測數(shù)據(jù)驗(yàn)證，本文中設(shè)定預(yù)測破損概率大于98% 時(shí)，判定對(duì)應(yīng)編號(hào)的電池模塊損壞。預(yù)測結(jié)果向量Y 中的每一個(gè)數(shù)據(jù)代表每個(gè)模塊破損的概率，例如，預(yù)測輸出結(jié)果Y = [2.31×10-5， 9.99×10-1， 2.86×10-3，…，4.50×10-5， 9.90×10-3]，1 號(hào)電池模塊值為2.31×10-5，趨近于0，預(yù)測電池模塊沒有破損，均與仿真破損情況一致，預(yù)測正確，以此類推。

通過5 組速度進(jìn)行驗(yàn)證，每組速度預(yù)測出36 個(gè)電池模塊破損概率，見表3。一共測試了180 個(gè)模塊，其中預(yù)測錯(cuò)誤3 塊，分別為65 km/h 碰撞時(shí)28 號(hào)模塊，85 km/h 碰撞時(shí)3 號(hào)模塊，95 km/h 碰撞時(shí)28 號(hào)模塊。其余177 塊測試正確，預(yù)測準(zhǔn)確率達(dá)到98.33%。

4.2 電池模塊預(yù)測破損概率分析

圖13 為1、9、18、27、36 號(hào)模塊在不同速度碰撞下預(yù)測破損概率。

當(dāng)碰撞速度大于65 km/h 時(shí)，1 號(hào)和27 號(hào)模塊破損概率逐步上升，由于27 號(hào)模塊位于碰撞點(diǎn)對(duì)面，因此隨著碰撞速度增加，損壞的概率變大，在75 km/h碰撞時(shí)便開始損壞。而1 號(hào)電池位于電池箱前端，在碰撞時(shí)沖擊力相對(duì)小點(diǎn)，因此隨著碰撞速度增加破損概率逐步增加，直至95 km/h 碰撞時(shí)模塊損壞。而9 號(hào)和36 號(hào)模塊位于后排座椅下部，在受到碰撞時(shí)后輪眉部位加強(qiáng)筋較多，吸能效果較好，因此在每個(gè)速度碰撞中均未發(fā)生破壞。18 號(hào)模塊位于B 柱后方，由于B柱設(shè)計(jì)強(qiáng)度大，因此在碰撞時(shí)B 柱后部電池相對(duì)保護(hù)較好，18 號(hào)模塊破損概率也就較低。

本預(yù)測模型的數(shù)據(jù)為仿真數(shù)據(jù)，但是與際碰撞中的實(shí)驗(yàn)數(shù)據(jù)由一定的差距，所以在接下來的研究中，希望數(shù)據(jù)能夠和真實(shí)的碰撞數(shù)據(jù)更為接近，并且還可優(yōu)化算法，使其實(shí)現(xiàn)對(duì)多種車型也可適用。

5 結(jié) 論

針對(duì)電動(dòng)汽車側(cè)面碰撞中電池模塊的破損預(yù)測進(jìn)行研究。通過建立某車型的有限元模型，對(duì)其進(jìn)行幾何清理、網(wǎng)格劃分、為模型部件添加材料屬性、建立部件之間的接觸和連接。根據(jù)碰撞標(biāo)準(zhǔn)進(jìn)行設(shè)定側(cè)面碰撞條件，仿真出電池模塊在受到側(cè)面碰撞過程中的受力情況以及其破損情況，提取出不同速度撞擊下電池箱側(cè)壁受力曲線以及電池模塊破損數(shù)據(jù)。

基于BP 神經(jīng)網(wǎng)絡(luò)模型建立碰撞預(yù)測算法模型，利用仿真中所提取的3 組節(jié)點(diǎn)應(yīng)力曲線作為BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，剩余一組節(jié)點(diǎn)應(yīng)力曲線則用來驗(yàn)證預(yù)測模型的準(zhǔn)確性，經(jīng)過多組數(shù)據(jù)驗(yàn)證，預(yù)測準(zhǔn)確率達(dá)到了98.33%。

可實(shí)現(xiàn)在任意碰撞速度下預(yù)測出電池模塊破損情況，在碰撞前25 ms 時(shí)提取出電池箱側(cè)壁受力曲線并離散成50 個(gè)點(diǎn)，然后將這50 個(gè)點(diǎn)值導(dǎo)入訓(xùn)練好的BP 神經(jīng)模型中，利用BP 神經(jīng)網(wǎng)絡(luò)模型對(duì)電池模塊破損預(yù)測。

根據(jù)以上研究，在電動(dòng)汽車受到側(cè)面碰撞過程中，可在25 ms 時(shí)準(zhǔn)確預(yù)測出將要破損的具體模塊。這種高精度的預(yù)測信息對(duì)于控制模塊至關(guān)重要，可以在車輛側(cè)面受到撞擊時(shí)提供實(shí)時(shí)的有效信息，精準(zhǔn)的預(yù)測能夠使行車電腦及時(shí)對(duì)將要破損的電池模塊進(jìn)行快速斷電，降低電池在意外事件中發(fā)生短路起火的風(fēng)險(xiǎn)，保護(hù)車輛和人員的安全，有望為電動(dòng)汽車碰撞安全性研究提供有力支持。

參考文獻(xiàn)（References）

[1] 蘭鳳崇， 劉金， 陳吉清， 等. 電動(dòng)汽車電池包箱體及內(nèi)部結(jié)構(gòu)碰撞變形與響應(yīng)分析[J]. 華南理工大學(xué)學(xué)報(bào)（ 自然科學(xué)版）， 2017， 45（2）： 1-8.

LAN Fengchong， LIU Jin， CHEN Jiqing， et al. Collisiondeformation and response analysis of electric vehiclebattery pack enclosure and internal structure [J]. J SouthChina Uni of Tech （Nat Sci Ed）， 2017， 45（2）： 1-8. （inChinese）

[2] Avdeev I， Gilaki M. Structural analysis and experimentalcharacterization of cylindrical lithium-ion battery cellssubject to lateral impact [J]. J Power Sources， 2014， 36（8）：271-279．

[3] 蘭鳳崇， 陳元， 周云郊， 等. 輕質(zhì)多材料動(dòng)力電池包箱體選材與優(yōu)化[J]. 吉林大學(xué)學(xué)報(bào)（ 工學(xué)版）， 2020， 50（4）：1227-1234．

LAN Fengchong， CHEN Yuan， ZHOU Yunjiao， et al.Material selection and optimization for lightweightmultimaterial power battery pack enclosure [J]. J JilinUniv （Engi Ed）， 2020， 50（4）： 1227-1234. （in Chinese）

[4] 李寶寧. 電動(dòng)汽車電池包箱體及內(nèi)部結(jié)構(gòu)碰撞變形與響應(yīng)設(shè)計(jì)分析[J]. 企業(yè)技術(shù)開發(fā)， 2017， 36（10）： 40-41+54.

LI Baoning. Analysis of collision deformation andresponse design of battery pack box and internal structureof electric vehicle [J]. Enterprise Tech Develp， 2017，36（10）： 40-41+54. （in Chinese）

[5] 王月， 肖海濤， 王鵬翔， 等. 某混動(dòng)車型側(cè)面柱撞結(jié)構(gòu)優(yōu)化[J]. 電池工業(yè)， 2017， 21（5）： 1-4+8.

WANG Yue， XIAO Haitao， WANG Pengxiang， et al.Optimization of side pillar collision structure for a certainhybrid vehicle model [J]. Battery Indu， 2017， 21（5）： 1-4+8.（in Chinese）

[6] Motevalli et al. New approach for performing failureanalysis of fuel cell-powered vehicles. Int’l J Auto Tech，2009， 10（6）： 743-752.

[7] Sudworth J L. Zebra batteries [J]. J Power Sources， 1994，51（1）： 105-114.

[8] Hartmann M， Roschitz M， Khalil Z. Enhanced batterypack for electric vehicle： Noise reduction and increasedstiffness [J]. Mate Sci Forum， 2013， 765： 818-822.

[9] 陳彥雷. 一款純電動(dòng)汽車碰撞斷電功能及碰撞后高壓電安全測試[J]. 汽車電器， 2016， 334（6）： 18-20.

CHEN Yanlei. A pure electric vehicle crash power failurefunction and post-collision high-voltage electric safetytest [J]. Automotive Elec Appl， 2016， 334（6）： 18-20. （inChinese）

[10] 張亞軍， 任高暉， 李君杰， 等. 基于某電動(dòng)汽車高壓電碰撞安全設(shè)計(jì)與防護(hù)[J]. 汽車安全與節(jié)能學(xué)報(bào)， 2017， 8（4）：388-396.

ZHANG Yajun， REN Gaohui， LI Junjie， et al. Safetydesign and protection based on the high-voltage electriccollision of an electric vehicle [J]. J Autom Safe Energ，2017， 8（4）： 388-396. （in Chinese）

[11] 劉爽， 吳杰余， 楊問弘， 等. 一種電動(dòng)汽車碰撞斷電保護(hù)系統(tǒng)[P]. 中國： CN104494544B， 2017-01-18.

LIU Shuang， WU Jieyu， YANG WenHong， et al. Acollision power-off protection system for electric vehicles[P]. China： CN104494544B， 2017-01-18. （in Chinese）

[12] GAN Nianfei， FENG Yanan， YIN Hanfeng， et al. Quasistaticaxial crushing experiment study of foam-filledCFRP and aluminum alloy thin-walled structures [J].Composite Struc， 2016， 157： 303-319.

[13] LONG Jiangqi， HUAG Wenhao， ZHANG Wuhu.Lightweight investigation of extended-range electricvehicle based on collision failure using numericalsimulation [J]. Shock Vibr， 2015， 20（15）： 1-9.

[14] 劉佳. 碰撞工況下電動(dòng)客車動(dòng)力電池系統(tǒng)安全控制研究[D]. 北京： 北京理工大學(xué)， 2015.

LIU Jia. Study on safety control of electric bus undercollision condition [D]. Beijing： Beijing Inst of Tech， 2015.（in Chinese）

[15] Wierzbicki T， Sahraei E. Homogenized mechanicalproperties for the jellyroll of cylindrical lithium-ion cells[J]. J Power Sources， 2013， 241（8）： 467-476.

[16] 郝霆， 王雍. 汽車碰撞試驗(yàn)及Hybird Ⅲ （ 假人） 應(yīng)用分析[J]. 人民公交， 2003（1）： 21-23.

HAO Ting， WANG Yong. Automobile crash test andHybird Ⅲ （dummy） application analysis [J]. People's Bus，2003（1）： 21-23. （in Chinese）

[17] 徐飛. 2021 年EURO NCAP 第五批測試結(jié)果發(fā)布[J]. 世界汽車， 2021， 474（10）： 60-71.

XU Fei. The fifth batch of EURO NCAP 2021 [J]. WorldAutomotive， 2021， 474（10）： 60-71. （in Chinese）

[18] 郝琪， 潘文杰， 肖琪， 等. 純電動(dòng)汽車側(cè)面碰撞試驗(yàn)及仿真分析[J]. 機(jī)械設(shè)計(jì)與制造， 2019， 341（7）： 119-122.

HAO Qi， PAN Wenjie， XIAO Qi， et al. Side collision testand simulation analysis of pure electric vehicles [J]. MechDes Manu， 2019， 341（7）： 119-122. （in Chinese）

[19] Abbas K， Saeid N， Doug C， et al. Comprehensive reviewof neural network-based prediction intervals and newadvances [J]. IEEE Trans Neural Networks， 2011， 22（9）：1341-1356.

[20] 林仕高， 歐元賢. BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)參數(shù)優(yōu)化研究[J]. 微計(jì)算機(jī)信息， 2010， 26（16）： 199-200+206.

LIN Shigao， OU Yuanxian. Research on optimizationof BP neural network learning parameters [J].Microcomputer Info， 2010， 26（16）： 199-200+206. （inChinese）

[21] Hecht-Nielsen R. Theory of the backpropagation neuralnetwork [J]. Neur Networks Perception， 1992， 15（11）：65-93.

[22] 蔣佳欣， 王博， 王猛， 等. 基于BIM 技術(shù)和BP 神經(jīng)網(wǎng)絡(luò)的成都理工大學(xué)圖書館天然采光研究[J]. 土木建筑工程信息技術(shù)， 2020， 12（1）： 30-38.

JIANG Jiaxin， WANG Bo， WANG Meng， et al. Researchon natural lighting in the library of Chengdu Universityof Technology， based on BIM technology and BP neuralnetwork [J]. Civil Constr Eng Info Tech， 2020， 12（1）： 30-38. （in Chinese）

[23] 王嶸冰， 徐紅艷， 李波， 等. BP 神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)確定方法研究[J]. 計(jì)算機(jī)技術(shù)與發(fā)展， 2018， 28（4）： 31-35.

WANG Rongbing， XU Hongyan， LI Bo， et al. Study on thenumber of nodes in BP neural network [J]. Computer TechDeve， 2018， 28（4）： 31-35. （in Chinese）