改进离散Hopfield神...网络在煤矿人因评估中的应用_李红霞.pdf

文章编号:1009-6094(2023)06-1978-07改进离散 Hopfield 神经网络在煤矿人因评估中的应用李红霞1,2,张 倩1,田水承2,张 丹3(1 西安科技大学管理学院,西安 710054;2 西安科技大学安全科学与工程学院,西安 710054;3 山西兰花科创玉溪煤矿有限责任公司,山西晋城 048214)摘 要:为了预防和控制煤矿人因事故发生,将离散 Hopfield神经网络应用于煤矿人因安全评估中。首先根据人因分析与 分 类 系 统(Human Factors Analysis and ClassificationSystem,HFACS)模型建立煤矿人因安全风险评估体系,体系包含多个指标;其次是构建输入矩阵,借助模糊综合评价法对评估指标量化编码;最后,运用学习率优化的离散 Hopfield神经网络展开煤矿人因安全评估,以模型输出结果确定评估对象风险等级。将构建的煤矿人因安全评估模型与传统评估方法进行比较,结果表明该模型合理有效,可用于煤矿人因安全评估,为煤矿人因安全管理提供依据。关键词:安全社会工程;人因安全;离散 Hopfield 神经网络;模糊综合评价中图分类号:X913 文献标志码:ADOI:10.13637/j.issn.1009-6094.2022.0683收稿日期:20220415作者简介:李红霞,教授,博士,博士生导师,从事采矿工程、人因工程、安全技术及工程等研究,。基金项目:国家自然科学基金面上项目(51874237);国家自然科学基金重点支持项目(U1904210);国家社科基金项目(20XGL025)0 引 言在我国,煤炭属于基础能源,也是关键的工业原料,在一次能源生产及消费结构中所占的比重相对较大,支撑着我国经济社会的稳定迅速发展1。我国的能源消费格局主要是煤炭资源,受到成本、安全及综合技术等要素的影响,短时间内不会变化。但我国煤层自然条件复杂,开采难度较大2,煤矿事故发生率较高。根据相关研究,在煤矿事故原因追溯分析中,矿工的不安全行为因素占比高达 95%3 4。也就是说,矿工不安全行为是导致煤矿事故的更深层次原因之一。因此,建立煤矿人因安全评估模型,对煤矿人因安全评估组织全面的调研意义重大。当前,各学者对煤矿人因安全评估开展了大量研究,运用的方法有专家咨询法、层次分析法、模糊综合评价法等。2017 年,李爽等5运用专家咨询法 遗传神经网络构建评估模型,分析了河南、山东等地多个煤矿的人因安全状况,为神经网络在人因安全评估方面的应用奠定了基础。田佩芳等6以煤矿安全风险预控管理信息系统的数据为基础,建立了一套煤矿人因安全评估体系,通过层次分析法 模糊综合评价法,得到晋能集团下属某煤矿的人因评估值。2018 年,段军等7通过分析内蒙古某矿山人因失误带来的危害,运用粗糙集条件信息熵计算各指标权重,得出影响该矿人因安全的 4 种主要因素。解学才 等8基 于 改 进 的 人 因 分 析 与 分 类 系 统(Human Factors Analysis and Classification System,HFACS)模型建立煤矿人因评估指标,运用集对分析原理对各指标数据进行处理,全面分析了评估系统中的确定与不确定性问题。以上关于煤矿人因安全评估方法的研究虽然已取得颇丰的成果,但传统评估方法的评估指标间没有联系,缺乏对风险的综合分析;现有研究以专家评价的定性方法为主,主观性较强,且缺乏对于评估结果的定量化描述;同时,评估过程中会面临缺少样本数据的难题。鉴于此,本文构建参照离散 Hopfield 神经网络的煤矿人因安全评估模型,对评估指标量化编码时运用模糊综合评价法,在处理各指标数据过程中选用改进学习率的离散 Hopfield 神经网络,获取煤矿人因安全状况级别。这一举措可以规避煤矿人因安全评估中数据不足、评估结果难以量化的问题,为煤矿企业的人因安全管理提供新的思路。1 煤矿人因安全评估指标体系1.1 煤矿 HFACS 模型通过对煤矿安全管理和事故调查中人因的研究,结合 HFACS 模型在其他领域的应用现状,构建煤矿 HFACS 模型。1)不良的组织管理。原模型中只有组织和监督两个层次,本文结合煤矿“组织管理监督”的步骤,将“管理”引入,形成“组织管理”指标,其子指标项中的“组织氛围”和“组织过程”结合管理,形成“组织管理不当”,并结合煤矿实际情况,增加“安全文化缺失”项。2)不安全的监督。我国煤矿安全监管主要分为企业自查和各级安监部门监管两个层次。其中,各级安全监管部门负责对煤矿企业安全进行必要的管理和监督,因此在8791第 23 卷第 6 期2023 年 6 月 安全 与 环 境 学 报Journal of Safety and Environment Vol.23 No.6Jun.,2023原模型指标中增加了“安全监管”的内容,主要包括安监部门对煤矿企业的监督管理情况:检查频率、督促力度等。原模型中“运行计划不适当”是指生产过程中劳动力的不合理安置和分配,当出现这样的问题时,说明组织或管理存在问题,属于组织管理范畴,因此在煤矿模型中删除了此项。3)不安全行为的前提。不安全行为的前提是导致事故发生的间接前提条件,若能有效控制好,可以抑制和纠正不安全行为。本文结合煤矿生产特点,选择“5M1E”(即人、机、料、法、环、测)在煤矿管理领域进行分析。煤矿人员:经调查研究,心理因素也是造成事故的主要原因之一,不良心理因素主要包括经验心理、勇气心理、冲动心理、神经质等,因此增加“不良心理因素”项。机器设备:主要指煤炭开采过程中的生产设备,造成事故的设备因素包括后期维护不当、设备陈旧、老化等。材料:主要指开采出的原煤,涉及其成分、化学性能、物理性能,可按环境因素分类。开采方法:煤矿开采的方法、机器设备的布置等是由人来规划的,一旦出现问题,就会成为不安全行为的前提。图 1 煤矿人因安全评估指标体系Fig.1 Evaluation index system of coal mine human safety煤矿环境:对应原模型中的物理环境,包括井下高温高压、严重缺氧、有毒有害气体、粉尘污染等因素。安全监测:煤矿井下环境复杂,在作业过程中需要对瓦斯、粉尘、一氧化碳等有毒气体进行实时监测,若监测发现异常未及时上报,将会成为事故发生的导火索。4)不安全行为。根据模型定义,不安全行为包括差错和违规,由于煤矿企业不安全行为主要也是以上两方面,对“不安全行为”部分不做调整。5)应急救援不当。本文将应急救援分为事前应急救援管理和事后应急救援处理。事前应急救援管理主要包括制定合理、有效的安全应急预案,组织有序的应急演练,保证充足的救援设备和物资,使员工掌握正确的应急救援方法等。事后应急救援处理指事故发生后的救援措施,其中应急处理不及时会延误最佳救援时间,应急处理不当会造成二次事故。1.2 人因安全多指标评估体系在煤矿 HFACS 基础上,结合事故致因理论分析,建立煤矿人因多指标评估体系,见图 1。1.3 评语体系科学的安全风险等级评语体系需要对安全事故出现的概率及事故引发的损失综合考量。利用专家咨询法,结合文献9从低到高排列安全事故出现可能性及造成的损失,结果见表 1。在此基础上,参照文献1,10中风险等级划分标准,将人因安全风险程度划分为 5 个等级:理想、可接受、不理想、很差和无法接受。Q(t)=(q1(t),q2(t),q5(t)(1)式中 q1(t)、q2(t)、q3(t)、q4(t)、q5(t)依次代表理 表 1 安全事故发生概率及损失等级评估表Table 1 Assessment table for the probability of occurrenceof safety accidents and the level of loss评估等级概率等级损失等级1很小概率 1%无影响2较小概率 1%2%轻微损失3中等概率 2%4%严重损失9791 2023 年 6 月 李红霞,等:改进离散 Hopfield 神经网络在煤矿人因评估中的应用 Jun.,2023想、可接受、不理想、很差、无法接受。根据安全事故发生概率及损失等级构建安全状况评语体系,见表 2。表 2 安全事故等级评语体系Table 2 Safety incident rating system评语等级损失等级释义概率等级释义q1危害影响较小、损失较小发生概率低于中等概率q2轻微损失发生概率低于略高概率q3造成一定损失发生概率低于较高概率q4造成严重损失发生概率低于较高概率q5造成严重损失发生概率接近较高概率2 评估数据处理2.1 基于模糊综合评价法的数据量化描述在对行为前提安全状况进行分析时,运用模糊综合评价法的步骤如下。1)建立因素集和评价集因素集以 C(t)表示,是行为前提安全状况影响要素构成的集合,评价集以 Q(t)表示,聚集了评价者对行为前提安全状况的评判结论。2)建立模糊综合评价矩阵。Rc(t)=r1c1(t)r5c1(t)r1c10(t)r5c10(t)|(2)式中Rc(t)表示因素集的评价矩阵,rqcp(t)为 C(t)中第 p 个因素对于 Q(t)中第 q 个评价的隶属状况。3)确定因素权值。在现实工作中,各因素对指标的重要性存在差别,因此,建立因素权向量为Vc(t)=(v1(t),v2(t),v10(t)(3)式中Vc(t)、vp(t)依次代表因素权向量、C(t)中第 p 个因素的权值。4)建立综合评价模型。评价获得的结果为Bc(t)=Vc(t)Rc(t)(4)式中 Bc(t)代表因素集的得分矩阵。针对 Bc(t)中涵盖的各种指标,在划分评价集 Q(t)中安全事故风险等级时主要利用高斯型隶属度函数,评语的分值区间为(95,100、(85,95、(75,85、(65,75和(55,65,总计 5 个,依据最大隶属度原则,明确行为前提安全之下相关二级指标的评价等级。2.2 数据编码输入构建神经网络评估模型输入矩阵,主要适用对组织管理安全状况、安全监督状况、应急救援安全状况、行为前提安全状况、行为安全状况进行评估,以行为前提安全状况为研究对象,输入矩阵总计 10行,分别代表 1.2 节中的 10 个二级指标,即 C1(t)、C2(t)、C3(t)、C4(t)、C5(t)、C6(t)、C7(t)、C8(t)、C9(t)、C10(t),输入矩阵总计 5 列,分别代表 1.3 节中理想、可接受、不理想、很差和无法接受 5 个评语等级。参照 2.1 节的方法,获取对组织管理安全状况、应急救援安全状况、行为安全状况、安全监督状况中各项二级指标的评语,结合评语为所有输入矩阵编码。如果评语为理想,二级指标所在行首列编码为1,其余列编码为-1,如果某二级指标评语为可接受,其所在行的第二列编码是 1,其余列编码是-1,以此类推。以行为前提安全状况为例,其输入编码矩阵为Xc(t)=x1c1(t)x5c1(t)x1c10(t)x5c10(t)|(5)式中Xc(t)代表的是行为前提安全状况评估网络在第 t 次迭代时的输入矩阵;xqcp(t)为第 p 行第 q 列在第 t 次迭代时的编码。同时可建立组织管理安全状况、行为安全状况、安全监督状况、应急救援安全状况 的 输 入 编 码 矩 阵 XA(t)、XB(t)、XD(t)、XE(t)。3 基于 DHNN 的煤矿人因安全评估模型从动力学特点、联想记忆功效的角度出发,离散型 Hopfield 神 经 网 络(Discrete Hopfield NeuralNetwork,DHNN)的表现优良,即便搜集的样本数量不足,依旧可以运用学习记忆模式取代众多的训练样本,提升网络输出精度11。相关研究证实,DHNN可普遍应用于许多邻域,如最大截面问题、光谱混合分解、图像分类、能力评估等领域12 15。为了对煤矿人因安全状况进行客观的评估,建立用于评估组织管理安全状况、应急救援安全状况、行为安全状况、安全监督状况和行为前提安全状况的 DHNN 评估模型。图2 展示的是评估步骤。参照行为前提安全状况建立模型。0891 Vol.23 No.6 安全 与 环 境 学 报 第 23 卷第 6 期图 2 基于 DHNN 的煤矿人因安全状况定性评估模型Fig.2 Qualitative assessment model of coal mine human safety status based on DHNN3.1 DHNN参照创建的煤矿人因安全风险多指标评估体系,行为前提安全状况评估模型为全连接反馈网络,二值型神经元总计 10 5 个,神经元的初始状态为Xc(t)的编码。神经元输出 1 和-1 分别代表神经元的兴奋及抑制状态。评估获取的结果是神经网络稳定以后的综合输出。3.2 评估模型结构1)神经元输入。DHNN 第 t 次迭代过程中,神经元输入等于其他神经元的加权输出,以下表述了首行首列的神经元输入。u1c1(t)=w11c1c1(t)x1c1(t)w15c1c1(t)x5c1(t)w11c1c2(t)x1c2(t)w15c1c2(t)x5c2(t)w11c1c3(t)x1c3(t)w15c1c3(t)x5c3(t)w11c1c4(t)x1c4(t)w15c1c4(t)x5c4(t)w11c1c5(t)x1c5(t)w15c1c5(t)x5c5(t)w11c1c6(t)x1c6(t)w15c1c6(t)x5c6(t)w11c1c7(t)x1c7(t)w15c1c7(t)x5c7(t)w11c1c8(t)x1c8(t)w15c1c8(t)x5c8(t)w11c1c9(t)x1c9(t)w15c1c9(t)x5c9(t)w11c1c10(t)x1c10(t)w15c1c10(t)x5c10(t)|(6)式中u1c1(t)表示 Hc神经网络中第 1 行第 1 列神经元在第 t 次迭代时的输入矩阵,w1qc1cp(t)表示第 t次迭代时 Hc神经网络中第 p 行第 q 列神经元连接第1 行第 1 列神经元权值。2)神经元计算输出。在核算 DHNN 神经元的过程中需要将输入信息乘以权重,第 1 行第 1 列神经元的计算公式为r1c1(t)=5q=110p=1w1qc1cpxqcp(t)(7)式中r1c1(t)表示行为前提安全状况 DHNN 评估模型中第 1 行第 1 列神经元的计算公式。3)神经元的输出。由第 1 行第 1 列神经元在第 t 次迭代时的输出得到 Hc神经网络的输出矩阵为Yc(t)=y1c1(t)y5c1(t)y1c10(t)y5c10(t)|(8)式中Yc(t)表示 Hc神经网络在第 t 次迭代时的输出矩阵,yqcp(t)表示 Hc神经网络中第 p 行第 q 列神经元在第 t 次迭代时的输出。3.3 网络优化从本质上来说,DHNN 记忆展示的是权值矩阵的构建,等待记忆的样本经由网络输入到权值矩阵中,因此会存在遗漏已经记忆样本的情形,本文使用以下方法进行修正。设网络拥有 m 个输入模式的记忆样本 Km,网络在多次迭代平稳以后,输出矩阵 Yc(t),也应该是某一输入模式 Km,即yqcp(t)=sgn(5q=110p=1wqqcpcq(t)kqmcp(t)(9)式中kqmcp(t)表示 Hc神经网络的输入模式 Km中第p 行第 q 列神经元的数值。在式(9)中引入学习率 调整网络权重。wqqcpcq(t)=mm=15q=110p=1kqmcqcp(t)kqmcpcq(t)(10)1891 2023 年 6 月 李红霞,等:改进离散 Hopfield 神经网络在煤矿人因评估中的应用 Jun.,2023在输入模式不正交的状况下,神经网络历经数次迭代之后实现稳定的输出 yqcp(t)可能会由于权值矩阵多次调整难以合理的收敛于记忆的 Km。以下是优化学习模式:记忆样本输入到神经网络,如果神经网络不能有效联想到 Km,必须再次输入 Km,除此之外,还需要运用调整率 修正权值矩阵,确保网络能够合理记忆 Km。wqqcpcq(t+1)=wqqcpcq(t)+wqqcpcq(t)(11)式中wqqcpcq(t)表示第 t 次迭代时 Hc神经网络中第 p 行第 q 列神经元向第 q 行第 q 列神经元的连接权值的增量。wqqcpcq(t)=(kqmcp(t)-yqcp(t)(12)借助上述学习手段,学习掌握 m 个模式的记忆样本 Km的相关模式,多次学习,对权值矩阵加以判断,优化网络的记忆性能,从而提高评估时的准确率。4 试验分析4.1 模型设计输入编码完成的评估数据,输出 DHNN 对上述数据的评估结果,构建 5 个 DHNN,每个 DHNN 能够分别评估二级指标的安全状况,并对应 1.2 节 5 个一级指标的安全状况。4.2 评估结果分析将 5 个运用模糊综合评价法实现安全状况打分的数据编码,充当测试样本,输入训练好的 DHNN中,利用 sim(仿真)函数组织迭代运算,总计 20 次,在迭代运算时,DHNN 收敛于吸引子,而且愈发稳定,参照神经网络的输出结果能够获取 5 个一级指标的安全状况分类结果。此处以 5 份行为前提安全状况的输入数据和模型评估结果为例,见图 3。为提升数据的可理解性,和分别用来表征神经元处于激活状态、抑制状态。图 3 中,第一行、第二行及第三行分别表征的是 5 个评语标准值的编码、5 个待评估对象的编码、借助 DHNN 得到的仿真评估结果。5 个评估对象的结果,依次对应:可接受、不理想、理想、理想、很差。在获取 5 个一级指标所有评估结果之后,将各一级指标的评估结果当做新的输入向量,输入 DHNN,经过数次迭代直至网络再次处于稳态,结果见图 4。综合全因素指标的煤矿人因安全状况评估结果为可接受、可接受、理想、很差、可接受,将评估结果和现实状况加以对比,评估结论相同。这表征着在样本数量稀少、数据稀缺的背景下,DHNN 成功运用记忆输入的样本合理划分类别,实现了对煤矿人因安全状况客观、有效的分类与评估。4.3 模型泛化能力检验借助 DHNN 煤矿人因安全状况评估模型能够获取一定的结论,为有效验证结论,证实其精准性及合理性,运用搜集到的 25 份煤矿人因安全状况数据,在编码后输入到创建的 DHNN 评估模型中。与此同时将相同数据输入至反向传播(Back Propagation,BP)神 经 网 络、支 持 向 量 机(SupportVectorMachines,SVM)分类方法中展开比较试验,表 3 是图 3 行为前提安全状况的输入数据、等级指标和 DHNN 分类结果Fig.3 Input data,level indicators and DHNN classificationresults of the safety status of the behavioral premise图 4 人因安全状况的输入数据和 DHNN 分类结果Fig.4 Input data of human safety status andDHNN classification results2891 Vol.23 No.6 安全 与 环 境 学 报 第 23 卷第 6 期不同分类方法的准确率。参照获取的结论,DHNN评估模型能够对煤矿人因安全组织评估,对比其他神经网络分类手段,转变了缺少训练样本导致分类结果不值得信赖的情形,准确度及收敛速度均有优异的表现。表 3 DHNN 及其他分类方法对于煤矿人因安全状况的分类准确率Table 3 Classification accuracy of DHNN and otherclassification methods for coal mine humansafety status分类方法准确率/%离散 Hopfield 神经网络81.9BP 神经网络70.6支持向量机(SVM)68.35 结 论1)建立了煤矿人因安全评估指标体系。本文基于 HFACS 模型,通过煤矿事故分析及实地研究,在评估指标体系中引进了影响煤矿人因安全的各个要素,创建了煤矿人因安全评估指标体系,其构成指标总计 24 个。2)构建了煤矿人因安全评估模型。基于模糊综合评价法,运用学习率优化的离散 Hopfield 神经网络,构建了煤矿人因安全评估模型。3)试验和应用验证了煤矿人因安全评估模型的有效性。试验验证了在训练样本较少的情况下该模型对煤矿人因安全评估的有效性,并应用于实际煤矿人因评估中,相较于传统的神经网络评估方法,具有较高的准确率。参考文献(References):1景国勋,张静丽,贾智伟,等.基于集对分析的煤矿水害风险评价J.安全与环境学报,2022,22(2):566572.JING G X,ZHANG J L,JIA Z W,et al.Research oncoal mine permeable risk assessment based on the set pairanalysis methodJ.Journal of Safety and Environment,2022,22(2):566572.2王树玉,刘伯,刘景华,等.煤矿五大灾害事故分析和防治对策M.北京:中国矿业大学出版社,2006.WANG S Y,LIU B,LIU J H,et al.Analysis andprevention countermeasures of five major disasters andaccidents in coal mineM.Beijing:China University ofMining and Technology Press,2006.3 张兴凯.我国“十二五”期间生产安全死亡事故直接经济损失估算J.中国安全生产科学技术,2016,12(6):58.ZHANG X K.Estimation on direct economic loss causedby work safety accidents during the“Twelfth Five-yearPlan”period in ChinaJ.Journal of Safety Science andTechnology,2016,12(6):58.4 CHEN H,QI H,FENG Q.Characteristics of directcauses andhumanfactorsinmajorgasexplosionaccidents in Chinese coal mines:case study spanning theyears 19802010J.Journal of Loss Prevention in theProcess Industries,2013,26(1):3844.5 李爽,刘海洋,杨勇.基于矿工不安全行为的煤矿安全预测评价模型 J.煤矿安全,2017,48(8):242245.LI S,LIU H Y,YANG Y.Model of coal safety predictionand evaluation based on miners unsafe behavior J.Safety in Coal Mines,2017,48(8):242245.6 田佩芳,刘浩,刘海滨.煤矿人因事故安全评价J.中国煤炭,2017,43(3):120123,129.TIAN P F,LIU H,LIU H B.Coal mine safety evaluationof human accidentJ.China Coal,2017,43(3):120123,129.7段军,岳洪辉,张伟,等.基于粗糙集条件信息熵的煤矿人因失误安全评价J.矿业研究与开发,2018,38(12):9396.DUAN J,YUE H H,ZHANG W,et al.Safety evaluationof human errors in coal mine based on rough setconditional information entropyJ.Mining Research andDevelopment,2018,38(12):9396.8 解学才,杨振宏,许贵阁.基于改进的 HFACS 和 SPA的矿山安全人因分析J.安全与环境学报,2015,15(3):3742.XIE X C,YANG Z H,XU G G.Human factor analysis ofthe mining safety based on the improved HFACS and SPAJ.Journal of Safety and Environment,2015,15(3):3742.9 韩红桂,王远,甄琪.基于离散 Hopfield 神经网络的化学实验室安全评估J.北京工业大学学报,2022,48(11):11501158.HAN H G,WANG Y,ZHEN Q.Chemical laboratorysafety evaluationbasedondiscreteHopfieldneuralnetworkJ.Journal of Beijing University of Technology,2022,48(11):11501158.10 翟越,杜菁,高甲艳.基于改进贝叶斯网络的高处作业施工风险评价方法J.安全与环境学报,2022,22(2):541549.ZHAI Y,DUJ,GAOJY.Comprehensiveriskassessment methodofworkingatheightbasedon3891 2023 年 6 月 李红霞,等:改进离散 Hopfield 神经网络在煤矿人因评估中的应用 Jun.,2023improved Bayesian networkJ.Journal of Safety andEnvironment,2022,22(2):541549.11 李荣,乔俊飞,韩红桂.一种改进型离散 Hopfield 学习算法J.控制与决策,2014,29(2):241245.LI R,QIAO J F,HAN H G.An improved learningalgorithm fordiscreteHopfield J.ControlandDecision,2014,29(2):241245.12刘胜,刘娜,杨育,等.危险源安全评价的离散Hopfield 神经网络J.重庆大学学报,2013,36(4):2632.LIU S,LIU N,YANG Y,et al.Safety evaluation ofhazards based on discrete Hopfield neural networkJ.Journal ofChongqingUniversity,2013,36(4):2632.13MEI S H,HE M Y,SHEN Z M.Optimizing Hopfieldneural network for spectral mixture unmixing on GPUplatform J.IEEE Geoscience and Remote SensingLetters,2014,11(4):818822.14 GHATEE M,NIKSIRAT M.A Hopfield neural networkapplied tothefuzzymaximumcutproblemundercredibility measure J.Information Sciences,2013,229:7793.15 丰雨轩,刘树光,解武杰,等.基于改进 Hopfield 网络的对地攻击型无人机自主能力评价J.北京航空航天大学学报,2021,47(4):835843.FENG Y X,LIU S G,XIE W J,et al.Autonomouscapability evaluation of ground-attack UAV based onimproved Hopfield neural networkJ.Journal of BeijingUniversity of Aeronautics and Astronautics,2021,47(4):835843.ImproveddiscreteHopfieldneuralnetwork for human factors assessmentin coal minesLI Hongxia1,2,ZHANG Qian1,TIAN Shuicheng2,ZHANG Dan3(1 School of Management,Xian University of Science andTechnology,Xian 710054,China;2 School of Safety Scienceand Engineering,Xian University of Science and Technology,Xian 710054,China;3 Shanxi Orchid Kechuang Yuxi CoalMine Co.,Ltd.,Jincheng 048214,Shanxi,China)Abstract:In this paper,a coal mine human-caused safetyassessment model based on an improved discrete Hopfield neuralnetwork is put forward.Firstly,according to the theory of HumanFactors Analysis and Classification System(HFACS)model,thehuman-causedsafetyaccidentsincoalminesandtheirinfluencing factors are analyzed.This process selects“5M1E”model according to the characteristics of coal mine productionwhich includes six factors:human,machine,material,method,environment,and measurement.On this basis,the influencingfactors are divided into five categories:poor organization andmanagement,unsafesupervision,unsafepremise,unsafebehavior,and improper emergency response.Secondly,theindex system of coal mine human-caused safety is established byusing the risk factors.During the assessment process,toeliminate the irrationality of subjective factors and conclusionerror caused by the lack of training samples of neural networkmodels,a discrete Hopfield neural network optimized by learningrate is applied.This improved model uses learn-memory patternsinstead of a large number of training samples.Besides,it hashigh output accuracy.The process uses the fuzzy comprehensiveevaluation method to quantify the assessment indexes andconstruct the input matrix.The risk level of the assessmentdetermines by the output of the model.Finally,to verify therationality and effectiveness of the coal mine human factors safetyassessment model based on the discrete Hopfield neural network,this paper compares and analyzes it with the traditional neuralnetwork assessment models(BP neural network and supportvector machine).In this case,the results show that this modelis reasonable and effective,and can be used for coal mine humanfactors safety assessment.The assessment result is almostfollowing the actual situation of the coal mine.It provides ascientificbasisandreferenceforhumanfactorssafetymanagement in coal mines.Key words:safety social engineering;human safety;discreteHopfield neuralnetwork;fuzzycomprehensiveevaluation4891 Vol.23 No.6 安全 与 环 境 学 报 第 23 卷第 6 期