企业官网建设流程全解析

前一段时间在做车辆模拟碰撞相关的数据分析时，一直想找一个能完整呈现“正面 40% 偏置碰撞”测试思路的练习案例。正好手头有一套模拟环境，可以复现一台 2005 年的老旧 SUV 在不同碰撞条件下产生的动态响应。本文就以《【BASA】2005 Bruckell VRV 正面40%碰撞测试》为场景，完整梳理从测试场景设定、数据采集，再到 Python 解析与可视化的一整套流程。

这篇文章比较适合对车辆碰撞安全、仿真测试数据分析和 Python 数据处理感兴趣的读者。如果你手头有类似的气囊标定数据、碰撞仿真输出或整车道路试验数据，也可以在阅读过程中对比这份思路。文章不会下任何“车辆安全性好坏”的结论，重点是把“如何分析一次碰撞测试结果”这件事讲清楚。

1. 什么是正面 40% 偏置碰撞测试

1.1 碰撞测试的基本分类

车辆碰撞测试按照碰撞形式可以简单分成三大类：正面碰撞、侧面碰撞和追尾碰撞。正面碰撞又可以继续细化成正面 100% 重叠刚性墙碰撞、正面 40% 偏置碰撞、正面 25% 小重叠碰撞等。

不同重叠率模拟的是不同的真实事故场景：

• 100% 重叠刚性墙碰撞，用来模拟整车正面直接撞墙的工况，对车身纵梁、防火墙和约束系统考核比较全面。
• 40% 偏置碰撞，模拟车头一侧约 40% 的宽度与对向车辆或障碍物发生重叠碰撞，这种工况对乘员舱结构强度要求更高。
• 25% 小重叠碰撞，模拟车头外侧与树、护栏等刚性物体刮擦碰撞，对 A 柱、门槛梁和侧围结构压力比较大。

本文提到的“正面 40% 碰撞测试”，指的就是正面前方障碍物与车辆前端 40% 重叠的碰撞工况。这类试验对车辆结构侵入、假人伤害指标、安全带约束效果都有很强的区分度。

1.2 为什么 40% 偏置碰撞更值得关注

在实际交通事故中，两车正面相撞时很少是完整的车头对车头。驾驶员通常会下意识打方向避让，所以很多正面碰撞都伴随着一定偏置量。40% 偏置碰撞正是基于这种真实场景设计的。

从力学角度分析，车头右侧 40% 参与碰撞时，吸能区域不完整，碰撞力会通过左侧纵梁、副车架传递到乘员舱。如果车身结构设计不够好，防火墙、A 柱下段、门槛梁就会发生明显变形，进而挤压驾驶员腿部空间和仪表板区域。

所以 40% 偏置碰撞测试关注的核心指标不只是整车减速过程，还包括：

• 乘员舱结构侵入量
• A 柱是否发生弯折
• 防火墙是否明显后移
• 转向管柱是否发生位移
• 门框变形是否影响车门开启

在模拟环境中，我们同样可以从这些维度去分析 Bruckell VRV 这台车的表现。

1.3 模拟碰撞测试的特点

在当前项目中，我们的碰撞测试是在车辆动力学模拟软件中完成的。相比真实物理碰撞试验，模拟测试有这些优点：

1. 成本低，不需要制造实车样件，不需要报废整车。
2. 可重复性高，同一参数可以反复运行，测试结果不会因环境波动产生差异。
3. 参数调整方便，可以通过修改碰撞重叠率、初始速度、障碍物刚度等快速对比。
4. 数据采集灵活，可以同时记录成百上千个通道的传感器数据，不担心传感器损坏或丢失。

当然，模拟测试也有局限性。它依赖车辆动力学模型、材料失效模型和接触算法，结果只能无限接近真实试验，不能完全替代法规认证。这也是本文反复强调的一点：模拟数据用于开发阶段横向对比和趋势分析，不要把它当成国家法规认证结果。

2. 测试场景与数据分析环境准备

2.1 BASA 项目与测试车辆信息

本次测试项目代号为“BASA”，可以理解为一套“基础整车安全分析”练习流程。测试对象是一台 2005 年款 Bruckell VRV，这是一台带有复古风格的家用 SUV 车型，轴距较长、车身较高，整备质量在同级车型中属于偏大的类型。

由于车辆年款较老，车身结构设计更多强调舒适性和实用性，对轻量化高强钢的使用比例并不高。在碰撞安全分析中，老旧车型往往更容易暴露结构吸能不足、A 柱变形偏大等问题。这也是我们选择这台车作为分析样本的原因之一。

下表整理了本次模拟分析的基本参数：

需要特别说明：以上参数是模拟场景中使用的预设值，真实测试标准会严格按照法规要求执行。这里只是展示分析思路，参数本身需要根据你自己的软件版本和场景设定来调整。

2.2 数据分析软件清单

在做碰撞测试数据分析之前，首先确认电脑里的基础环境：

• 操作系统：Windows 10/11 或 Ubuntu 20.04+ 均可
• Python 版本：Python 3.8 及以上
• 编辑器：VS Code、PyCharm 或 Jupyter Notebook 任选
• 核心依赖库：pandas、numpy、matplotlib、scipy

如果还没有安装这些库，可以在终端中执行下面的命令：

pip install pandas numpy matplotlib scipy

如果你使用的是 Anaconda，也可以使用 conda 安装：

conda install pandas numpy matplotlib scipy

安装完成之后，可以通过一条命令检查版本是否正常：

python -m pip list | findstr pandas

这里先不粘贴具体的版本号，因为每个人的环境不同。只要 pandas、numpy、matplotlib 能正常导入，就可以继续往下操作。

2.3 数据文件组织方式

一次典型的碰撞测试会生成多个数据文件，包括车辆轨迹、姿态、速度和加速度波形等。建议在项目目录中按下列方式组织文件：

BASA-2005-VRV/ ├── data/ │ ├── crash_40_overlap/ │ │ ├── telemetry.csv │ │ ├── vehicle_state.csv │ │ └── intrusion_points.json │ └── readme.md ├── scripts/ │ ├── load_data.py │ ├── speed_analysis.py │ ├── acceleration_analysis.py │ └── intrusion_analysis.py └── output/ └── figures/

这样的目录结构好处很明显：原始数据、处理脚本和输出图表彼此隔离，不容易出现误改数据文件的问题。尤其是当你手头有多组碰撞工况对比的时候，建议每一组工况单独建一个数据文件夹。

3. 碰撞测试结果的关键分析指标

3.1 车辆速度变化曲线

碰撞过程最直观的表现就是速度变化。车辆从初始速度逐步降到零，整个过程一般在几十毫秒到上百毫秒内完成。

速度曲线主要关注三个信息：

1. 碰撞初始速度：决定了碰撞能量的大小。
2. 速度归零时间点：反映了碰撞吸能的持续时间。
3. 速度曲线的斜率：斜率越陡，说明碰撞越剧烈。

如果速度曲线在短时间内发生剧烈跳变，往往意味着车身结构没有充分参与吸能，或者是传感器数据本身存在噪声。

3.2 加速度与碰撞强度

加速度是碰撞测试中最重要的物理量之一。车辆在碰撞过程中的加速度变化，直接反映了乘员受到的惯性载荷大小。

碰撞加速度通常用 g 表示，1g 约等于 9.8 m/s²。加速度值越大，乘员受到的冲击越强烈。

分析加速度时，一般会使用滤波处理后的波形。滤波的作用是去掉高频噪声，保留与车辆结构响应相关的低频成分。常见的滤波方式包括 SAE J211 标准滤波和低通滤波。

在实际代码中，我们可以先计算原始加速度数据，再用 scipy 的 butterworth 滤波器做平滑处理。后面的演示代码会具体展示。

3.3 乘员舱侵入量

除了整车的速度、加速度，车身局部变形量同样是判断碰撞结果的重要指标。乘员舱侵入量主要指 A 柱、防火墙、地板、转向管柱、踏板等区域相对乘员舱原始位置的位移。

侵入量越大，乘员被结构挤压的风险越高。尤其对老旧 SUV 来说，防火墙刚度不足时，碰撞后制动踏板和转向管柱会向驾驶员方向移动，这是非常危险的。

在模拟软件中，我们可以直接输出几个关键测量点在碰撞前后的坐标，然后在 Python 中计算空间位移量。

4. 基于 Python 的碰撞数据读取方法

4.1 读取 CSV 遥测文件

碰撞测试软件导出的数据格式并不统一，常见的包括 CSV、Excel、JSON 甚至二进制格式。为了演示，假设我们已经导出了一份 telemetry.csv 文件，里面包含时间戳、速度、加速度等字段。

下面是一段读取并预览数据的代码：

# 文件路径：scripts/load_data.py import pandas as pd # 读取碰撞过程遥测数据 df = pd.read_csv('../data/crash_40_overlap/telemetry.csv') # 查看数据列名 print("数据列名：") print(df.columns.tolist()) # 查看前 5 行 print("\n前 5 行数据预览：") print(df.head()) # 查看数据基本统计信息 print("\n数据统计信息：") print(df.describe())

运行后，你会看到类似下面的输出结构：

数据列名： ['time', 'speed_kmh', 'accel_x_g', 'accel_y_g', 'accel_z_g'] 前 5 行数据预览： time speed_kmh accel_x_g accel_y_g accel_z_g 0 0.00 35.40 -0.02 0.01 1.00 1 0.02 ...

注意：不同模拟软件导出的列名可能不同，如果直接复制这段代码发现 KeyError，不用紧张，先用 print(df.columns) 查看字段名，再去改列名即可。

4.2 时间轴对齐与空值处理

碰撞数据经常会出现两种问题：一是时间戳不连续，二是某些传感器在某段时间内无数据。直接分析会导致曲线突变或中断，因此需要先对时间轴进行检查和处理。

# 文件路径：scripts/load_data.py import numpy as np import pandas as pd df = pd.read_csv('../data/crash_40_overlap/telemetry.csv') # 检查是否存在空值 print("每列空值数量：") print(df.isnull().sum()) # 如果存在空值，可以选择删除或插值 # 碰撞数据中短时间缺失采用线性插值比较合理 if df.isnull().sum().sum() > 0: df = df.interpolate(method='linear', limit_direction='both') # 检查时间列是否单调递增 time_diff = np.diff(df['time'].values) if (time_diff <= 0).any(): print("警告：时间轴存在非递增时刻，需要排序") df = df.sort_values(by='time').reset_index(drop=True) print("数据清洗完成，总记录数：", len(df))

这里选用线性插值而不是删除缺失行，是因为碰撞过程非常短，任何瞬间的缺失都可能影响后续峰值的判断。当然，如果数据缺失过多，整段传感器的可靠性就得打问号了。

4.3 JSON 格式侵入点数据读取

侵入量数据有时会以 JSON 格式保存，因为里面通常包含多个测量点的三维坐标。下面演示如何读取并转换成 DataFrame：

# 文件路径：scripts/load_data.py import json import pandas as pd # 读取侵入点数据 with open('../data/crash_40_overlap/intrusion_points.json', 'r', encoding='utf-8') as f: intrusion_data = json.load(f) # 将每个测量点转换为行记录 records = [] for point_name, info in intrusion_data.items(): records.append({ 'point': point_name, 'initial_x': info['initial']['x'], 'initial_y': info['initial']['y'], 'initial_z': info['initial']['z'], 'final_x': info['final']['x'], 'final_y': info['final']['y'], 'final_z': info['final']['z'], }) df_points = pd.DataFrame(records) # 计算合位移 df_points['displacement'] = ( (df_points['final_x'] - df_points['initial_x']) ** 2 + (df_points['final_y'] - df_points['initial_y']) ** 2 + (df_points['final_z'] - df_points['initial_z']) ** 2 ) ** 0.5 print(df_points.sort_values(by='displacement', ascending=False))

这段代码会输出每个测量点在碰撞前后的三维位移量。对我们分析碰撞侵入情况非常关键。

5. 碰撞数据分析与可视化实战

5.1 速度曲线分析

车辆碰撞的过程中，车速从初始碰撞速度逐渐下降。为了观察速度变化的整体趋势，我们可以绘制散点或折线图。

# 文件路径：scripts/speed_analysis.py import matplotlib.pyplot as plt import pandas as pd # 读取数据 df = pd.read_csv('../data/crash_40_overlap/telemetry.csv') # 截取碰撞时间段，比如碰撞前 0.1 秒到碰撞后 0.3 秒 mask = (df['time'] >= -0.1) & (df['time'] <= 0.3) df_crash = df[mask].copy() # 将速度单位从 km/h 换算成 m/s df_crash['speed_mps'] = df_crash['speed_kmh'] / 3.6 # 绘制速度曲线 plt.figure(figsize=(10, 5), dpi=120) plt.plot(df_crash['time'], df_crash['speed_kmh'], label='Vehicle Speed (km/h)', color='#E74C3C', linewidth=2) plt.axhline(y=0, color='gray', linestyle='--', linewidth=0.8) plt.xlabel('Time (s)') plt.ylabel('Speed (km/h)') plt.title('2005 Bruckell VRV - Frontal 40% Overlap Crash Speed') plt.grid(alpha=0.3) plt.legend() plt.tight_layout() plt.savefig('../output/figures/speed_curve.png', dpi=150) plt.show()

这段代码的关键点在于先过滤出碰撞时间段，再绘图。如果不做时间段裁剪，画出来的曲线会被前后很长一段匀速或减速过程压扁，碰撞阶段的细节就看不清楚了。

5.2 加速度波形计算与滤波

加速度信号通常比较“毛躁”，直接画原图会看到很多高频抖振。为了观察趋势，需要先滤波。

使用巴特沃斯低通滤波器是常见选择。下面的代码实现了 100Hz 低通滤波，并绘制碰撞过程中的纵向加速度曲线：

# 文件路径：scripts/acceleration_analysis.py import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy.signal import butter, filtfilt # 读取数据 df = pd.read_csv('../data/crash_40_overlap/telemetry.csv') # 定义低通滤波函数 def lowpass_filter(data, cutoff_hz, sample_rate_hz, order=4): nyquist = 0.5 * sample_rate_hz normal_cutoff = cutoff_hz / nyquist b, a = butter(order, normal_cutoff, btype='low', analog=False) return filtfilt(b, a, data) # 根据时间列估算采样率 dt = np.median(np.diff(df['time'].values)) sample_rate = 1.0 / dt print(f"估算采样率：{sample_rate:.0f} Hz") # 截取碰撞时间段 mask = (df['time'] >= 0.0) & (df['time'] <= 0.2) df_crash = df[mask].copy() # 对纵向加速度进行低通滤波 filtered_accel = lowpass_filter(df_crash['accel_x_g'].values, cutoff_hz=100, sample_rate_hz=sample_rate) # 绘制原始与滤波后加速度对比 plt.figure(figsize=(12, 6), dpi=120) plt.plot(df_crash['time'], df_crash['accel_x_g'], alpha=0.3, label='Original Accel X', color='#BDC3C7') plt.plot(df_crash['time'], filtered_accel, label='Filtered Accel X (100Hz)', color='#2980B9', linewidth=2) plt.axhline(y=0, color='gray', linestyle='--', linewidth=0.8) plt.axhline(y=np.min(filtered_accel), color='#E74C3C', linestyle=':', linewidth=1.5) plt.text(df_crash['time'].iloc[-1], np.min(filtered_accel), f"Peak: {np.min(filtered_accel):.2f} g", ha='right', va='bottom', color='#E74C3C') plt.xlabel('Time (s)') plt.ylabel('Acceleration (g)') plt.title('BASA - Bruckell VRV Frontal 40% Overlap Longitudinal Acceleration') plt.grid(alpha=0.3) plt.legend() plt.tight_layout() plt.savefig('../output/figures/acceleration_curve.png', dpi=150) plt.show() # 输出峰值信息 print(f"滤波后纵向加速度最大负向峰值：{np.min(filtered_accel):.2f} g")

峰值加速度所在的时间点，对应乘员受到最大惯性载荷的时刻。可以把该时间点与前面速度曲线归零的时间点做对比，从而判断碰撞峰值的发生时机是否合理。

5.3 侵入量变化趋势图

侵入量分析主要是横向对比。我们可以把各测量点的时域侵入过程画出来，考察车门框、防火墙、门槛梁是否存在过大位移。

# 文件路径：scripts/intrusion_analysis.py import json import matplotlib.pyplot as plt import numpy as np # 读取侵入点数据 with open('../data/crash_40_overlap/intrusion_points.json', 'r', encoding='utf-8') as f: intrusion_data = json.load(f) # 初始化图表 plt.figure(figsize=(12, 6), dpi=120) # 每个测量点都包含时域位移信息 for point_name, info in intrusion_data.items(): if 'series' not in info: continue time_series = np.array(info['series']['time']) displacement_series = np.array(info['series']['displacement']) plt.plot(time_series, displacement_series, linewidth=1.5, label=point_name) plt.xlabel('Time (s)') plt.ylabel('Intrusion Displacement (mm)') plt.title('BASA - Key Cabin Points Intrusion Timeline') plt.grid(alpha=0.3) plt.legend(loc='upper left') plt.tight_layout() plt.savefig('../output/figures/intrusion_timeline.png', dpi=150) plt.show()

绘制侵入量时间历程的好处是：我们可以判断变形是发生在碰撞瞬间，还是在碰撞后期依然持续增大。如果在车辆速度归零之后侵入量还在增长，说明结构存在“压溃后继续蠕变”的情况。

5.4 多工况对比思路

实际数据分析中，单次测试结果并不能说明问题。横向对比是很常用的手段，比如对比 40% 偏置碰撞与 100% 正面碰撞的加速度峰值。

你可以把多组数据放在同一个 DataFrame 中管理，然后用分组统计的方式计算峰值：

# 文件路径：scripts/multi_case_compare.py import pandas as pd # 假设已有多个工况的文件列表 file_list = [ ('40%_overlap', 'data/crash_40_overlap/telemetry.csv'), ('100%_frontal', 'data/crash_100_frontal/telemetry.csv'), ] rows = [] for case_name, file_path in file_list: df = pd.read_csv(file_path) # 只统计碰撞后 0~0.2 秒的数据 df_crash = df[(df['time'] >= 0.0) & (df['time'] <= 0.2)] peak_g = df_crash['accel_x_g'].min() rows.append({'case': case_name, 'peak_accel_g': round(peak_g, 2)}) summary = pd.DataFrame(rows) print(summary)

这种横向对比输出非常适合用来快速观察不同工况的差异。

6. 常见报错与排查清单

在做碰撞数据分析的过程中，有一些高频问题经常出现。下面整理成表格，方便大家排查。

6.1 JSON 文件编码问题详解

Windows 系统下导出的 JSON 文件经常使用 UTF-8 编码，但也可能有部分工具使用 GBK。如果直接读取报编码错误，可以改成：

with open(file_path, 'r', encoding='utf-8-sig') as f: data = json.load(f)

utf-8-sig 会自动去除带 BOM 的文件头，适合大多数从 Windows 导出的文件。

6.2 滤波器参数如何选择

SAE J211 是汽车碰撞试验中比较常用的滤波标准，不同通道对应不同频率等级。例如：

• 车身结构加速度通道通常使用 CFC 60
• 假人头部加速度通道使用 CFC 1000
• 假人颈部力通道使用 CFC 1000

本文只是 Python 演示，采用了简化的 100Hz 低通滤波思路。实际工程中应该严格按照对应法规标准来滤波。模拟数据对比时，要保证多组数据使用完全相同的滤波参数，否则结果没有可比性。

7. 碰撞测试项目中的工程建议

7.1 数据命名与版本管理

一次整车级别的碰撞分析会涉及非常多的数据文件。如果不做数据命名规范，过两周再回来看完全不知道每个文件对应什么工况。

建议命名规则：

日期_车辆代号_碰撞类型_速度_重复次数

例如：

20250104_BruckellVRV_F40_64kmh_run01.csv

这样可以避免文件重名、覆盖和漏算。开发中用到 Git 管理时，还要注意不要把上百 MB 的数据文件直接提交到代码仓库，建议采取数据文件与脚本分离的方式。

7.2 数据采集与备份策略

碰撞模拟虽然不会像真实试验那样一次撞毁几台车，但运行时如果忘记导出数据或软件崩溃，同样会导致数据丢失。

建议：

1. 运行前检查输出路径是否存在。
2. 每个工况运行完成后立即备份到独立目录。
3. 碰撞关键通道建议使用冗余记录。
4. 数据处理脚本输出统一存放，不要覆盖原始数据。

7.3 结果评价的安全边界

这里必须强调一点：模拟碰撞数据只能用于研发阶段的参数趋势分析，不能直接用来申报或证明某款车满足法规安全要求。不同软件版本、不同车辆模型参数之间的差异，可能导致结果偏差很大。

我们在公开平台讨论 Bruckell VRV 这类模拟测试时，也应该保持严谨的态度。不要使用“某车不安全”“某车垃圾”等绝对化表述。因为：

1. 车辆型号属于虚构游戏车型，不是真实品牌车辆。
2. 模拟测试中驾驶员模型、约束系统模型都做了一定简化。
3. 一次碰撞测试结果无法代表车辆在真实复杂事故中的所有表现。

从数据分析的角度看，我们要关注的是方法流程是否规范、数据处理是否合理、结论是否可复现。

7.4 报告输出的最小要素

一份完整的碰撞数据分析报告，至少需要包含以下内容：

• 测试目的与工况说明
• 车辆参数与模型版本信息
• 数据通道列表与采样率说明
• 滤波方法与处理参数
• 关键结果图表
• 量化指标统计表
• 异常数据说明
• 结论与局限性分析

这样写出来的分析报告才具备可追溯性，也方便他人复核。

8. 完整脚本整合与运行

为了方便你直接复现，这里提供一份整合后的分析主脚本。把下面代码保存到 scripts/main_analysis.py，然后在项目根目录执行即可。

# 文件路径：scripts/main_analysis.py """ BASA - 2005 Bruckell VRV 正面 40% 碰撞测试数据分析示例 仅用于模拟环境数据分析学习，不代表真实车辆安全评价。 """ import json import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy.signal import butter, filtfilt # ========== 全局配置 ========== DATA_DIR = '../data/crash_40_overlap' OUTPUT_DIR = '../output/figures' # ========== 1. 读取遥测数据 ========== telemetry_path = f'{DATA_DIR}/telemetry.csv' df = pd.read_csv(telemetry_path) # 数据清洗与排序 if df.isnull().sum().sum() > 0: df = df.interpolate(method='linear', limit_direction='both') time_diff = np.diff(df['time'].values) if (time_diff <= 0).any(): df = df.sort_values(by='time').reset_index(drop=True) # ========== 2. 读取侵入点数据 ========== intrusion_path = f'{DATA_DIR}/intrusion_points.json' with open(intrusion_path, 'r', encoding='utf-8-sig') as f: intrusion_data = json.load(f) def lowpass_filter(data, cutoff_hz, sample_rate_hz, order=4): nyquist = 0.5 * sample_rate_hz normal_cutoff = cutoff_hz / nyquist b, a = butter(order, normal_cutoff, btype='low', analog=False) return filtfilt(b, a, data) # ========== 3. 计算碰撞阶段统计指标 ========== df_crash = df[(df['time'] >= 0.0) & (df['time'] <= 0.2)].copy() dt = np.median(np.diff(df['time'].values)) sample_rate = 1.0 / dt filtered_accel = lowpass_filter(df_crash['accel_x_g'].values, cutoff_hz=100, sample_rate_hz=sample_rate) peak_accel = np.min(filtered_accel) speed_min = df_crash['speed_kmh'].min() print('碰撞阶段分析结果：') print(f'估算采样率: {sample_rate:.0f} Hz') print(f'滤波后纵向峰值加速度: {peak_accel:.2f} g') print(f'碰撞阶段最低速度: {speed_min:.2f} km/h') # ========== 4. 侵入点位移统计 ========== print('\n关键测量点侵入量统计：') for point_name, info in intrusion_data.items(): initial = info.get('initial', {}) final = info.get('final', {}) displacement = ( (final['x'] - initial['x']) ** 2 + (final['y'] - initial['y']) ** 2 + (final['z'] - initial['z']) ** 2 ) ** 0.5 print(f'{point_name}: {displacement:.2f} mm') # ========== 5. 绘制关键图表 ========== fig, axes = plt.subplots(2, 2, figsize=(14, 10), dpi=120) # 子图1：速度曲线 ax = axes[0][0] df_full_time = df[(df['time'] >= -0.1) & (df['time'] <= 0.3)] ax.plot(df_full_time['time'], df_full_time['speed_kmh'], color='#E74C3C', linewidth=2) ax.set_xlabel('Time (s)') ax.set_ylabel('Speed (km/h)') ax.set_title('Vehicle Speed vs Time') ax.grid(alpha=0.3) # 子图2：加速度曲线 ax = axes[0][1] ax.plot(df_crash['time'], df_crash['accel_x_g'], alpha=0.3, color='#BDC3C7') ax.plot(df_crash['time'], filtered_accel, color='#2980B9', linewidth=2) ax.axhline(y=peak_accel, color='#E74C3C', linestyle=':') ax.set_xlabel('Time (s)') ax.set_ylabel('Acceleration (g)') ax.set_title('Longitudinal Acceleration (Filtered)') ax.grid(alpha=0.3) # 子图3：侵入量时间历程 ax = axes[1][0] for point_name, info in intrusion_data.items(): if 'series' not in info: continue series_time = np.array(info['series']['time']) series_disp = np.array(info['series']['displacement']) ax.plot(series_time, series_disp, linewidth=1.5, label=point_name) ax.set_xlabel('Time (s)') ax.set_ylabel('Displacement (mm)') ax.set_title('Key Points Intrusion Timeline') ax.grid(alpha=0.3) ax.legend(fontsize=8) # 子图4：侵入量条形图 ax = axes[1][1] points = [] disp_values = [] for point_name, info in intrusion_data.items(): initial = info.get('initial', {}) final = info.get('final', {}) displacement = ( (final['x'] - initial['x']) ** 2 + (final['y'] - initial['y']) ** 2 + (final['z'] - initial['z']) ** 2 ) ** 0.5 points.append(point_name) disp_values.append(displacement) ax.bar(points, disp_values, color='#16A085') ax.set_xlabel('Measure Points') ax.set_ylabel('Total Displacement (mm)') ax.set_title('Final Intrusion by Measure Point') plt.setp(ax.get_xticklabels(), rotation=30, ha='right') plt.tight_layout() plt.savefig(f'{OUTPUT_DIR}/basa_summary.png', dpi=150) plt.show() print('\n图表已输出到', OUTPUT_DIR)

执行方式：

cd scripts python main_analysis.py

如果你使用 Jupyter Notebook，也可以直接按单元格拆分运行。这样更容易观察每一步的数据形状和中间结果。

9. 总结与下一步学习建议

通过这次《【BASA】2005 Bruckell VRV 正面40%碰撞测试》的数据分析，我们完整走了一遍“场景理解 - 数据读取 - 数据清洗 - 速度分析 - 加速度分析 - 侵入量分析 - 可视化呈现”的项目流程。

从技术层面可以掌握这几个关键点：

• 正面 40% 偏置碰撞测试的基本原理和分析维度
• 碰撞数据常见的 CSV、JSON 文件读取和处理方法
• 速度曲线、加速度波形、侵入量数据在 Python 中的可视化方式
• 低通滤波在加速度信号处理中的应用
• 多工况对比分析的基本思路
• 模拟碰撞数据的局限性和工程合规边界

如果你是刚开始接触车辆数据分析，建议下一步从这几件事入手：

1. 多跑几个不同速度、不同重叠率的碰撞场景，把数据放在同一套脚本里做横向对比。
2. 尝试加入假人模型，重点关注头部加速度、胸部压缩量和颈部受力等伤害指标。
3. 继续学习信号处理知识，深入理解不同滤波频率对结果的影响。

模拟环境中一次碰撞的完整数据，往往隐藏着大量值得挖掘的信息。先把数据读取和清洗这一步做扎实，后续不管是做结构优化、约束系统标定，还是生成评测报告，都会顺手很多。

如果文章里这段代码和排查思路对你有帮助，可以先收藏备用。后面有更多实战数据再继续补充分析细节。