《Safety and Health at Work》：Study on the evaluation method of collaborative dust prevention effect with coal miners based on RS-GA-BP
编辑推荐：
本研究针对煤矿高粉尘暴露威胁矿工职业健康安全，且缺乏有效评估矿工行为响应工具的难题，开展了基于矿工协同防尘理论的RS-GA-BP混合评估模型研究。通过问卷调查和智能算法，识别出技术情境、从众倾向等5个关键影响因素，构建了预测精度达95.73%的评估模型，为煤矿粉尘协同防治提供了人因中心的理论依据和科学工具。
在煤矿开采的复杂环境中，除了众所周知的瓦斯爆炸、水害、火灾和顶板事故这四大灾害外，煤尘被确认为第五大危害。它弥漫在煤炭生产的各个环节，不仅可能引发尘肺病等严重的职业病，威胁着每一位矿工的生命健康与安全，也对企业安全生产构成持续挑战。尽管企业在粉尘控制的技术和工程措施上投入了大量资源，但一个关键问题始终存在：防尘措施的有效性在很大程度上依赖于一线矿工的主动参与和严格执行。如果矿工对防尘规定理解不足、执行意愿不强，或者团队内部缺乏协同，再先进的技术手段也可能事倍功半。以往的研究虽然指出了矿工个体安全行为、群体互动和安全文化的重要性，但如何将这些“人因”要素进行量化，并建立可靠的模型来评估和预测协同防尘的效果，一直是个方法论上的难点，这也限制了对实际管理决策的有效支持。
为了解决这一难题，发表在《Safety and Health at Work》上的研究论文《Study on the evaluation method of collaborative dust prevention effect with coal miners based on RS-GA-BP》进行了一项创新性的探索。研究人员以“矿工协同防尘理论”为指导，旨在开发一种能够综合评估行为和心理社会因素的混合模型，为煤矿粉尘的协同防治提供科学、量化的工具。
为了开展这项研究，研究人员综合运用了几种关键技术方法。首先，他们基于协同防尘理论框架，设计了一份包含内部动机、情境动机和群体动机三个维度共12个指标的结构化问卷，采用李克特五点量表对一线矿工进行问卷调查，最终回收了955份有效问卷，并进行了有效度和信度检验。其次，为了从众多影响因素中筛选出核心变量，研究引入了粗糙集（Rough Set, RS）理论进行属性约简，成功将12个候选变量缩减为5个关键影响因素。最后，研究构建了一种混合智能预测模型：首先利用遗传算法（Genetic Algorithm, GA）全局搜索的优势来优化反向传播神经网络（Backpropagation Neural Network, BP）的初始权重和阈值，然后用优化后的BP网络建立从5个关键因素到协同防尘效果的非线性映射关系，从而形成了RS-GA-BP模型。该研究在MATLAB R2020a平台上进行模型训练和仿真，并将该模型的预测性能与标准BP模型、极限学习机（ELM）模型以及粒子群优化极限学习机（PSO-ELM）模型进行了对比。
研究结果通过几个部分清晰地展示了模型的构建和验证过程。
在模拟结果部分，粗糙集属性约简分析显示，从12个初始影响因素中筛选出了5个对协同防尘效果起主导作用的关键因素，分别是技术情境（Technical context）、从众行为倾向（Herd behavior tendency，即文中的Conformity tendency）、群体凝聚力（Group cohesion）、群体驱动力（Group driving force）和群体耗散力（Group dissipation power）。这一结果表明，技术条件的支持、个体在群体中的行为模仿、团队的团结程度、正向激励以及内部消耗是影响协同防尘成效的核心。基于这5个关键因素，研究建立了GA-BP神经网络模型，拓扑结构为5-14-1。经过遗传算法优化后，模型在训练集、验证集和测试集上均表现出良好的拟合优度，整体回归系数达到0.83439，表明模型能够有效地捕捉输入与输出之间的复杂关系。
在不同算法预测结果性能分析部分，研究采用均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）作为评价指标，对GA-BP模型与其它模型进行了全面比较。结果显示，GA-BP模型的预测精度最高，其RMSE、MAE和MAPE值分别为4.2684%、1.8234%和0.0426%，预测准确率达到了95.73%。相比之下，标准BP模型的预测准确率为89.57%，ELM和PSO-ELM模型的性能虽优于标准BP，但仍不及GA-BP。这表明，结合了粗糙集特征筛选和遗传算法优化的BP神经网络，在处理协同防尘这类涉及复杂人因关系的预测问题时，具有更高的准确性和鲁棒性。尽管GA算法的优化时间（18.1035秒）长于PSO算法（3.6288秒），但其优化效果更优，体现了精度优于速度的设计考量。
归纳研究的结论和讨论部分，本研究的主要贡献在于成功构建并验证了RS-GA-BP混合评估模型。该模型不仅能够定量评估煤矿协同防尘的效果，更重要的是，它系统地揭示了技术情境、个体从众心理、群体凝聚力、驱动力和耗散力这五个关键因素如何共同影响最终的防尘成效。这意味着，未来的煤矿粉尘治理不能仅仅关注技术设备的升级，还必须高度重视矿工的心理和行为动态，通过加强团队建设、改善沟通机制、建立有效的激励机制来增强群体凝聚力和驱动力，同时设法减少群体内部的耗散因素。讨论中也指出了研究的局限性，例如依赖于主观问卷数据可能存在的偏差，以及样本来源相对集中可能影响结论的普适性。建议未来的研究可以引入粉尘浓度实际监测值等客观指标，并扩大样本范围，使模型更具说服力。
总之，这项研究将工程技术、心理学理论与智能算法相结合，为煤矿职业健康安全管理开辟了一个新的视角。它提供的不仅仅是一个高精度的预测工具，更是一种“以人为本”的系统性管理思路，强调通过理解和优化人的因素来提升整体安全绩效，对于丰富煤矿粉尘防治的方法论体系、推动协同防尘实践的科学化与精准化具有重要的理论和现实意义。
