專利名稱：電梯群管理裝置的制作方法
技術領域：
本發(fā)明涉及把多個電梯作為一群有效地進行管理和控制的電梯群管理裝置。
最近，如例如日本發(fā)明專利第2664766號公報及特開平7-61723號公報中所揭示，提出了一種對群管理的控制結果即等待時間等群管理性能進行預測，然后設定控制參數(shù)的方法。
上述兩已有技術敘述了一種方式，該方式使用輸入交通需求參數(shù)和呼叫分配時的評價運算參數(shù)、輸出群控制性能的神經網(wǎng)絡，對神經網(wǎng)絡的輸出結果進行評價，設定最佳評價運算參數(shù)。
但是，在上述已有技術文獻中，由群管理性能預測結果設定的參數(shù)僅限于分配時的單一評價運算參數(shù)，僅用該單一呼叫分配時的評價運算參數(shù)進行運算，傳送性能提高是有限的。即，必須根據(jù)交通狀況應用轉送和區(qū)域劃分等各組規(guī)則，不能獲得真正良好的群管理性能。
神經網(wǎng)絡雖然有可通過學習提高其運算精度的優(yōu)點，但也有運算精度達到實用程度要花費很長時間的缺點。
在上述已有技術文獻所揭示的方式中，除非在工廠中神經網(wǎng)絡預先進行學習，否則不能得到預期的群管理性能。而且，在因大樓內用戶變更而交通需求急劇變化時，不能迅速進行響應。
本發(fā)明為解決上述已有技術的缺陷，其目的在于提供一種電梯群管理裝置，該裝置根據(jù)性能預測結果選擇最佳規(guī)則組，可始終提供良好服務。
發(fā)明揭示本發(fā)明的一種把多臺電梯作為一群加以管理的電梯群管理裝置，它包括檢測多臺電梯目前交通狀況的交通狀況檢測手段；存儲多個控制規(guī)則組的規(guī)則庫；性能預測手段，預測把所述規(guī)則庫內的任意規(guī)則組用于目前交通狀況時所得到的群管理性能；根據(jù)所述性能預測手段的預測結果，選擇最佳規(guī)則組的規(guī)則組選擇手段；根據(jù)所述規(guī)則組選擇手段選擇的規(guī)則組，進行各轎廂運轉控制的運轉控制手段。
該電梯群管理裝置還包括權重數(shù)據(jù)庫，用于存儲與所述規(guī)則庫內任意規(guī)則組對應的神經網(wǎng)絡的權重參數(shù)；所述性能預測手段，對所述規(guī)則庫內的特定規(guī)則組，從所述權重數(shù)據(jù)庫中取出與該特定規(guī)則組對應的神經網(wǎng)絡的權重參數(shù)，神經網(wǎng)絡使用取出的權重參數(shù)進行群管理性能的預測。
該電梯群管理裝置還包括性能學習手段，用于對所述性能預測手段的預測結果與應用特定規(guī)則組后的實際群管理性能作比較，進行神經網(wǎng)絡學習，根據(jù)學習結果修正所述權重數(shù)據(jù)庫的權重參數(shù)；所述性能預測手段由使用修正的權重參數(shù)的神經網(wǎng)絡對群管理性能進行預測。
所述性能預測手段，根據(jù)數(shù)學模型對把所述規(guī)則庫內的任意規(guī)則組用于目前交通狀況時預測的群管理性能進行預測。
另一發(fā)明的一種把多個電梯作為一群加以管理的電梯群管理裝置，它包括檢測多臺電梯目前交通狀況的交通狀況檢測手段；存儲多個控制規(guī)則組的規(guī)則庫；第1性能預測手段，用于由神經網(wǎng)絡預測把所述規(guī)則庫內的任意規(guī)則組用于目前交通狀況時得到的群管理性能；存儲與所述規(guī)則庫內的任意規(guī)則組對應的神經網(wǎng)絡的權重參數(shù)的權重數(shù)據(jù)庫；性能學習手段，把所述第1性能預測手段的預測結果與應用特定規(guī)則組后的實際群管理性能作比較，進行神經網(wǎng)絡學習，根據(jù)學習結果，修正所述權重數(shù)據(jù)庫的權重參數(shù)；所述第1性能預測手段由使用修正的權重參數(shù)的神經網(wǎng)絡對群管理性能進行預測；該電梯群管理裝置還包括第2性能預測手段，根據(jù)數(shù)學模型，預測把所述規(guī)則庫內的任意規(guī)則組用于目前交通狀況時預測的群管理性能；性能預測精度評價手段，對所述第1和第2性能預測手段的預測結果與實際的群管理性能進行比較，根據(jù)比較結果，確定使用所述第1性能預測手段或第2性能預測手段；根據(jù)所述性能預測精度評價手段確定的第1性能預測手段或第2性能預測手段的預測結果，選擇最佳的規(guī)則組的規(guī)則組選擇手段；根據(jù)所述規(guī)則組選擇手段選擇的規(guī)則組，進行各轎廂運轉控制的運轉控制手段。
附圖概述

圖1是本發(fā)明電梯群管理裝置的構成框圖。
圖2是圖1所示電梯群管理裝置中的各構成要素的功能關聯(lián)圖。
圖3是表示本發(fā)明一個實施例的群管理裝置的控制過程的概略動作的流程圖。
圖4是表示本發(fā)明一個實施例的群管理裝置的學習過程的概略動作的流程圖。
實施發(fā)明的量佳形態(tài)圖1是本發(fā)明的電梯群管理裝置的構成框圖，圖2是圖1所示的電梯群管理裝置中各構成要素的功能關聯(lián)圖。
圖中，1是把多臺電梯作為一群加以管理的群管理裝置，2是對各電梯進行控制的各梯控制裝置。
上述群管理裝置1包括與各梯控制裝置2進行通信的通信手段1A；控制規(guī)則庫1B，存儲多個群管理控制所需的控制規(guī)則組，例如，根據(jù)轉送和區(qū)域劃分、分配評價方式，按區(qū)域分配電梯的規(guī)則等；交通狀況檢測手段1C，檢測上下電梯的乘客數(shù)等目前交通狀況；第1性能預測手段1D，用神經網(wǎng)絡，預測在上述交通狀況檢測手段1C檢測的交通狀況下，應用上述控制規(guī)則庫1B中特定規(guī)則時得到的等待時間分布等群管理性能；權重數(shù)據(jù)庫1E，存儲與上述控制規(guī)則庫1B中的任意規(guī)則組對應的神經網(wǎng)絡的權重參數(shù)；第2性能預測手段1F，根據(jù)數(shù)學模型，預測在交通狀況檢測手段1C檢測的交通狀況下，應用含概率模型的任意規(guī)則組時得到的群管理性能。
進而，上述群管理裝置1還包括性能學習手段1G，通過對第1性能預測手段1D的神經網(wǎng)絡進行學習，提高群管理性能的預測精度；性能預測精度評價手段1H，對第1性能預測手段1D和第2性能預測手段1F的預測結果與實際測量的群管理性能進行比較，評價第1性能預測手段1D的預測精度；規(guī)則組選擇手段1J，根據(jù)上述第1性能預測手段1D和第2性能預測手段1F的預測結果，選擇最佳規(guī)則組；規(guī)則組執(zhí)行手段1K，執(zhí)行規(guī)則組選擇手段1J選擇的規(guī)則組；運轉控制手段1L，根據(jù)規(guī)則組執(zhí)行手段1K執(zhí)行的規(guī)則，對各轎廂進行全面運轉控制；學習用數(shù)據(jù)庫1M，存儲學習所用數(shù)據(jù)。
群管理裝置1包含上述各構成，各構成由計算機上的軟件組成。
接著，參照附圖，說明該實施例的動作。
圖3是表示本實施例的群管理裝置1控制過程概略動作的流程圖，圖4同樣是表示群管理裝置1學習過程概略動作的流程圖。
首先，參照圖3，對控制過程的概略動作加以說明。
在步驟S101，通過通信手段1A監(jiān)視各轎廂的動作，由交通狀況檢測手段1C檢測例如各轎廂在各樓層的上下電梯人數(shù)等交通狀況。描述該交通狀況的數(shù)據(jù)采用例如各樓層上下電梯人數(shù)在每單位時間(例如5分鐘)的累加值。或者，也可采用日本特開平10-194619號公報中所揭示的公知方法得到的OD(Origin and Destination)(從一個樓層向另一樓層移動)推定值。
接著，在步驟S102，從控制規(guī)則庫1B取出任意的規(guī)則組加以設定。在后續(xù)步驟S103中，判定神經網(wǎng)絡預測對設定的規(guī)則組是否有效(在圖3中，NN表示神經網(wǎng)絡)。如果判定結果為無效(步驟S103中為“否”)，則流程進至步驟S104，否則，若判定為有效(在步驟S103中為“是”)，則流程進至步驟S105。
作為上述步驟S103中神經網(wǎng)絡判定是否有效的一個例子，是在神經網(wǎng)絡完成學習后，根據(jù)是否確保預測精度的判定結果來進行的，具體而言，根據(jù)后述的圖4所示學習順序中的步驟S207中設定的神經網(wǎng)絡預測標志值進行判定。
上述步驟103中神經網(wǎng)絡預測判定為無效時，在步驟S104中，第2性能預測手段1F進行基于數(shù)學模型的群管理性能預測。在該順序中，可采用排隊論，也可由下述迭代法進行計算。
RTT＝f(RTT)其中，RTT是周轉時間，例如在日本特公平1-24711號公報中記載了平均等待時間與停止樓層之間的關系取決于周運行時間RTT。即，f(RTT)是從應用設定轎廂的周轉時間RTT、交通狀況數(shù)據(jù)及規(guī)則組而產生的動作限制條件，計算轎廂到達任意樓層的轎廂服務間隔、停止概率、上下電梯乘客概率及等待時間等群管理性能的函數(shù)，這些可根據(jù)概率論計算。
作為計算方法已有技術的一個例子，可舉“電梯群管理系統(tǒng)的理論和實踐”日本機械學會517期講課教材(交通機械的控制理論和實踐，81年3月9日，東京)。
另一方面，上述步驟S103中判定神經網(wǎng)絡預測有效時，則首先，在步驟S105，從權重數(shù)據(jù)庫1E取出與設定的規(guī)則組對應的神經網(wǎng)絡的加權參數(shù)，加以設定。在步驟106中，神經網(wǎng)絡使用第1性能預測手段1D設定的權重參數(shù)預測群管理性能。
第1性能預測手段1D中使用的神經網(wǎng)絡，分別設定交通狀況數(shù)據(jù)和等待時間分布等群管理性能作為輸入與輸出，在后述圖4所示學習順序的步驟S203中，進行學習，由此可以某種精度進行預測。
分別對控制規(guī)則庫1B中預先準備的多個規(guī)則組進行步驟S102至步驟S106的過程。
接著，在步驟S107中，規(guī)則組選擇手段1J，對各規(guī)則組評價性能預測結果，從中選擇最佳規(guī)則組。在步驟S108中，規(guī)則組執(zhí)行手段1K，執(zhí)行步驟S107選擇的規(guī)則組，由此，向運轉控制手段1L傳送各種指令、制約條件、運轉方式等，由運轉控制手段1L根據(jù)傳送的指令等，進行運轉控制。
上述是對本實施例的控制過程的概略動作進行的說明。
接著，參照圖4，說明學習過程的概略動作。
首先，在步驟S201中，定期存儲性能學習手段1G在示于圖3的控制過程中得到的群管理性能的結果、此時的交通狀況及應用的規(guī)則組，把應用的規(guī)則組、已應用該規(guī)則組的交通狀況及應用后的群管理性能等作為數(shù)據(jù)組加以整理，這些數(shù)據(jù)組的一部分作為以下學習過程中的測試用數(shù)據(jù)，剩下的數(shù)據(jù)組作為學習用數(shù)據(jù)存儲在學習用數(shù)據(jù)庫1M中。
接著，在步驟S202中，性能學習手段1G，從學習用數(shù)據(jù)庫1M中讀出步驟S201中存儲的各學習用數(shù)據(jù)并加以輸入。在步驟S203中，性能學習手段1G，用各學習用數(shù)據(jù)，把與使用的規(guī)則組對應的權重參數(shù)設置至神經網(wǎng)絡，通過輸入交通狀況數(shù)據(jù)，輸出實測的群管理性能，進行神經網(wǎng)絡學習。該神經網(wǎng)絡的學習中，也可采用公知的反向傳播法。在步驟S203中，把通過學習修正的權重參數(shù)存儲在權重數(shù)據(jù)庫1E中。對各學習用數(shù)據(jù)進行上述步驟S202、S203的過程。
在通過上述過程對各學習用數(shù)據(jù)完成神經網(wǎng)絡學習及根據(jù)學習修正加權參數(shù)時，接著，為觀察規(guī)則組的能力，暫時輸入各測試用數(shù)據(jù)，輸出其預測值。
即，在步驟S204，采用上述步驟S201中存儲在學習用數(shù)據(jù)庫1M中的測試用數(shù)據(jù)，由第1性能預測手段1D執(zhí)行神經網(wǎng)絡作出的群管理性能預測，該神經網(wǎng)絡是已對相應規(guī)則組與交通狀況進行過學習的。
在步驟S205中，第2性能預測手段1F執(zhí)行根據(jù)數(shù)學模型作出的群管理性能預測。
對各測試用數(shù)據(jù)執(zhí)行步驟S204與S205的過程。
在步驟S206中，性能預測精度評價手段1H比較上述步驟S204、205中預測的各預測結果與實測的性能。該比較例如可以下述誤差作為指標。即，認為下式誤差ERR小的一方其預測精度好。
ERR＝∑|Xk-Yk|2/N(k＝1，2，……N)其中ERR誤差，N測試數(shù)據(jù)數(shù)Xk性能實測值矢量Yk性能預測值矢量步驟S206的比較結果為第1性能預測手段1D的預測精度好時，在步驟S207中，性能預測精度評價手段1H把神經網(wǎng)絡預測標志置為有效，反之則置為無效。該神經網(wǎng)絡預測標志用于上述圖3所示的控制過程的步驟S103的判定中。對每個規(guī)則組進行上述步驟S202～S207的過程。
如上所述，根據(jù)本發(fā)明，在把多臺電梯作為一群加以管理的電梯群管理裝置中，其構成是設置規(guī)則庫，存儲按區(qū)域分配電梯等多個控制規(guī)則組；預測把規(guī)則庫內的任意規(guī)則組用于目前交通狀況時所得到的等待時間分布等群管理性能；根據(jù)該性能的預測結果選擇最佳的規(guī)則組。因而，具有可始終應用最佳規(guī)則組進行群管理控制且能提供良好服務的效果。
該電梯群管理裝置還備有權重數(shù)據(jù)庫，用于存儲與上述規(guī)則庫內任意規(guī)則組對應的神經網(wǎng)絡權重參數(shù)；對規(guī)則庫內的特定規(guī)則組，從權重數(shù)據(jù)庫中取出與該特定規(guī)則組對應的神經網(wǎng)絡的權重參數(shù)，神經網(wǎng)絡使用取出的權重參數(shù)進行群管理性能預測，因而具有可對與規(guī)則組對應的每部分進行神經網(wǎng)絡學習，從而可提高預測精度的效果。
該電梯群管理裝置還備有性能學習手段，用于對群管理性能的預測結果與應用特定規(guī)則組后的實際群管理性能進行比較，進行神經網(wǎng)絡學習，根據(jù)學習結果，修正權重數(shù)據(jù)庫中的權重參數(shù)，并且神經網(wǎng)絡使用修正的權重參數(shù)進行群管理性能的預測。因而具有可根據(jù)多臺電梯的實際運作情況提高預測精度的效果。
另外，把上述規(guī)則庫內的任意規(guī)則組用于目前交通狀況時，用數(shù)學計算預測各轎廂的周轉時間，由周轉時間與目前的交通狀況，根據(jù)數(shù)學模型預測等待時間等群管理性能，因而具有不由神經網(wǎng)絡進行預測仍可預測群管理性能且可提高其預測精度的效果。
一種把多臺電梯作為一群加以管理的電梯群管理裝置中，該電梯群管理裝置包括檢測多臺電梯目前交通狀況的交通狀況檢測手段；存儲多個控制規(guī)則組的規(guī)則庫；第1性能預測手段，用于由神經網(wǎng)絡預測把所述規(guī)則庫內的任意規(guī)則組用于目前交通狀況時得到的群管理性能；存儲與所述規(guī)則庫內的任意規(guī)則組對應的神經網(wǎng)絡的權重參數(shù)的權重數(shù)據(jù)庫；性能學習手段，把所述第1性能預測手段的預測結果與應用特定規(guī)則組后的實際群管理性能作比較，進行神經網(wǎng)絡學習，根據(jù)學習結果，修正所述權重數(shù)據(jù)庫的權重參數(shù)；所述第1性能預測手段由使用修正的權重參數(shù)的神經網(wǎng)絡對群管理性能進行預測；該電梯群管理裝置還包括第2性能預測手段，根據(jù)數(shù)學模型，預測把所述規(guī)則庫內的任意規(guī)則組用于目前交通狀況時預測的群管理性能；性能預測精度評價手段，對所述第1和第2性能預測手段的預測結果與實際的群管理性能進行比較，根據(jù)比較結果，確定使用所述第1性能預測手段或第2性能預測手段；根據(jù)所述性能預測精度評價手段確定的第1性能預測手段或第2性能預測手段的預測結果，選擇最佳的規(guī)則組的規(guī)則組選擇手段；根據(jù)所述規(guī)則組選擇手段選擇的規(guī)則組，進行各轎廂運轉控制的運轉控制手段。由此，具有下述效果可根據(jù)多臺電梯的實際運作狀況提高性能預測精度，即使在初始狀態(tài)或設置多臺電梯的大樓內用戶變更引起交通狀況急劇變化時，也能進行高精度性能預測，從而可根據(jù)該預測，始終使用最佳規(guī)則組進行群管理控制。
產業(yè)利用可能性本發(fā)明設置存儲多個控制規(guī)則組的規(guī)則庫，對把規(guī)則庫內的任意規(guī)則組用于目前交通狀況時得到的等待時間分布等群管理性能進行預測，根據(jù)該性能預測結果選擇最佳規(guī)則組，因而始終應用最佳規(guī)則組，進行多個電梯的群管理控制，提供良好的服務。
權利要求
1.一種把多臺電梯作為一群加以管理的電梯群管理裝置，其特征在于，它包括檢測多臺電梯目前交通狀況的交通狀況檢測手段；存儲多個控制規(guī)則組的規(guī)則庫；性能預測手段，預測把所述規(guī)則庫內的任意規(guī)則組用于目前交通狀況時所得到的群管理性能；根據(jù)所述性能預測手段的預測結果，選擇最佳規(guī)則組的規(guī)則組選擇手段；根據(jù)所述規(guī)則組選擇手段選擇的規(guī)則組，進行各轎廂運轉控制的運轉控制手段。
2.如權利要求1所述的電梯群管理裝置，其特征在于，還包括權重數(shù)據(jù)庫，用于存儲與所述規(guī)則庫內任意規(guī)則組對應的神經網(wǎng)絡的權重參數(shù)；所述性能預測手段，對所述規(guī)則庫內的特定規(guī)則組，從所述權重數(shù)據(jù)庫中取出與該特定規(guī)則組對應的神經網(wǎng)絡的權重參數(shù)，神經網(wǎng)絡使用取出的權重參數(shù)進行群管理性能的預測。
3.如權利要求2所述的電梯群管理裝置，其特征在于，該電梯群管理裝置還包括性能學習手段，用于對所述性能預測手段的預測結果與應用特定規(guī)則組后的實際群管理性能作比較，進行神經網(wǎng)絡學習，根據(jù)學習結果修正所述權重數(shù)據(jù)庫的權重參數(shù)；所述性能預測手段由使用修正的權重參數(shù)的神經網(wǎng)絡對群管理性能進行預測。
4.如權利要求1所述的電梯群管理裝置，其特征在于，所述性能預測手段，根據(jù)數(shù)學模型對把所述規(guī)則庫內的任意規(guī)則組用于目前交通狀況時的群管理性能進行預測。
5.一種把多個電梯作為一群加以管理的電梯群管理裝置，其特征在于，它包括檢測多臺電梯目前交通狀況的交通狀況檢測手段；存儲多個控制規(guī)則組的規(guī)則庫；第1性能預測手段，用于由神經網(wǎng)絡預測把所述規(guī)則庫內的任意規(guī)則組用于目前交通狀況時得到的群管理性能；存儲與所述規(guī)則庫內的任意規(guī)則組對應的神經網(wǎng)絡的權重參數(shù)的權重數(shù)據(jù)庫；性能學習手段，把所述第1性能預測手段的預測結果與應用特定規(guī)則組后的實際群管理性能作比較，進行神經網(wǎng)絡學習，根據(jù)學習結果，修正所述權重數(shù)據(jù)庫的權重參數(shù)；所述第1性能預測手段由使用修正的權重參數(shù)的神經網(wǎng)絡對群管理性能進行預測；該電梯群管理裝置還包括第2性能預測手段，根據(jù)數(shù)學模型，預測把所述規(guī)則庫內的任意規(guī)則組用于目前交通狀況時預測的群管理性能；性能預測精度評價手段，對所述第1和第2性能預測手段的預測結果與實際的群管理性能進行比較，根據(jù)比較結果，確定使用所述第1性能預測手段或第2性能預測手段；根據(jù)所述性能預測精度評價手段確定的第1性能預測手段或第2性能預測手段的預測結果，選擇最佳的規(guī)則組的規(guī)則組選擇手段；根據(jù)所述規(guī)則組選擇手段選擇的規(guī)則組，進行各轎廂運轉控制的運轉控制手段。
全文摘要
本發(fā)明揭示一種電梯群管理裝置,該裝置設置存儲多個控制規(guī)則組的規(guī)則庫,預測把規(guī)則庫內的任意規(guī)則組用于目前交通狀況時得到的等待時間等群管理性能,根據(jù)該性能預測結果,選擇最佳規(guī)則組。該電梯群管理裝置還備有存儲與規(guī)則組對應的神經網(wǎng)絡的權重參數(shù)的權重數(shù)據(jù)庫及性能學習手段,該性能學習手段根據(jù)神經網(wǎng)絡的學習結果,修正權重數(shù)據(jù)庫中的權重參數(shù),神經網(wǎng)絡使用經修正的權重參數(shù)進行群管理性能預測。由此,可始終應用最佳規(guī)則組進行多個電梯的群管理控制,提供良好的服務,提高預測精度。
文檔編號B66B1/20GK1307535SQ9980754
公開日2001年8月8日 申請日期1999年8月3日 優(yōu)先權日1999年8月3日
發(fā)明者匹田志朗, 田島仁 申請人:三菱電機株式會社