CN110705028B - 电梯设计参数的获取方法、装置、计算机设备和存储介质 - Google Patents
电梯设计参数的获取方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110705028B CN110705028B CN201910838282.5A CN201910838282A CN110705028B CN 110705028 B CN110705028 B CN 110705028B CN 201910838282 A CN201910838282 A CN 201910838282A CN 110705028 B CN110705028 B CN 110705028B
- Authority
- CN
- China
- Prior art keywords
- elevator
- samples
- parameters
- operation index
- learning model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013461 design Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013136 deep learning model Methods 0.000 claims abstract description 54
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000011229 interlayer Substances 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Elevator Control (AREA)
Abstract
本申请涉及一种电梯设计参数的获取方法、装置、计算机设备和存储介质,通过获取多组电梯参数样本,经模拟处理后相应的得到多组电梯运行指标样本,再根据多组所述电梯参数样本以及多组电梯运行指标样本对深度学习模型进行训练,得到已训练的深度学习模型,将获取电梯运行指标参数,将所述电梯运行指标参数输入所述已训练的深度学习模型,获取电梯设计参数。采用种方式可以得到较为准确的电梯设计参数,以使设置有获取的电梯设计参数的电梯更加适合运行环境。
Description
技术领域
本申请涉电梯参数技术领域,特别是涉及一种电梯设计参数的获取方法、装置、计算机设备和存储介质。
背景技术
电梯是高层建筑必不可少的垂直交通工具,电梯数量、载重和额定速度是其三个主要参数。在建筑的设计阶段,一般会根据建筑物的用途和客流情况来确定电梯的数量、载重和额定速度。建筑物一旦施工结束,其电梯数量这一参数就确定了。然而,载重和额定速度(需要求取的量)在安装电梯前都会随着建筑物用途、客流以及购买电梯的预算等变化而发生改变。因此,实际购买电梯时,对载重和额定速度这两个参数根据乘梯指标和预算进行测算就显得非常重要。
目前常见的电梯选型往往都是根据经验公式来确定电梯参数(如阮一晖等2018在中国电梯介绍的“乘客电梯选型配置及实例”)。然而,由于电梯乘客数量、到达时间和乘客各楼层分布等参数多变,传统的经验公式难以将各种情况进行覆盖。2014年,赵珂和陈亮在“中国特种设备安全”杂志介绍使用仿真法来完成电梯的主要参数配置,然而其设计配置方案时只考虑了5分钟的运载能力和平均候梯时间,这一时间跨度与电梯实际运行的时间跨度显然并不匹配。导致其配置方案时间跨度短的原因是,配置流程直接由仿真结果来调整电梯设计参数。
发明内容
基于此,有必要针对上述技术问题,提供一种能够得到较准确的电梯设计参数的电梯设计参数的获取方法、装置、计算机设备和存储介质。
本申请一种电梯设计参数的获取方法,所述方法包括:
获取多组电梯参数样本,经模拟处理后相应的得到多组电梯运行指标样本;
根据多组所述电梯参数样本以及多组电梯运行指标样本对深度学习模型进行训练,得到已训练的深度学习模型;
获取电梯运行指标参数,将所述电梯运行指标参数输入所述已训练的深度学习模型,获取电梯设计参数。
可选的,所述多组电梯参数样本的获取方式为:
获取电梯参数的取值范围;
根据所述取值范围,将所述电梯参数进行离散处理得到离散取值范围;
在所述离散取值范围中,获取所述多组电梯参数样本。
可选的,所述模拟处理利用模拟电梯系统实施,具体包括:
获取所述模拟电梯系统的系统参数,以及与模拟电梯乘客相关的乘客参数;
所述系统参数包括模拟电梯的初始状态;
所述乘客参数包括乘客的数量,以及各乘客的出发楼层和目的楼层;
所述模拟电梯系统根据其中一组所述电梯参数样本、初始状态、各乘客的出发楼层以及电梯状态转换规则,进行电梯交通模拟,通过模拟电梯状态的变化,将各乘客运送至所述目的楼层,并计算该组运行指标参数样本;
直至各组所述电梯参数样本,通过所述模拟电梯系统实施模拟后,得到相应的所述电梯运行指标样本。
可选的,所述乘客的数量根据不同的交通模式确定,所述交通模式包括上行高峰、下行高峰以及层间模式;
所述电梯的初始状态包括空闲、停机、开门、关门、上客、下客、移动和转向。
可选的,所述根据多组所述电梯参数样本以及多组电梯运行指标样本对深度学习模型进行训练,得到已训练的深度学习模型包括:
依次将所述电梯设计参数样本输入所述深度学习模型,得到输出值;
将相对应的电梯运行指标样本与所述输出值进行对比,得到误差值;
根据所述误差值对深度学习模型的参数进行调整,直至所述误差值小于预设阈值。
可选的,所述深度学习模型为拟合函数,所述拟合函数包括线性函数,或Logistic函数,或用于函数逼近的神经网络。
可选的,所述电梯参数样本包括:电梯的载重量以及额定速度;
所述电梯运行指标样本包括:电梯乘客平均等待时间、和/或电梯乘客乘梯时间、和/或单位时间内运送的乘客数。
本申请还提供一种电梯设计参数的获取装置,所述装置包括:
模拟处理模块,用于获取多组电梯参数样本,经模拟处理后相应的得到多组电梯运行指标样本;
训练模块,用于根据多组所述电梯参数样本以及多组电梯运行指标样本对深度学习模型进行训练,得到已训练的深度学习模型;
电梯设计参数获取模块,用于获取电梯运行指标参数,将所述电梯运行指标参数输入所述已训练的深度学习模型,获取电梯设计参数。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取多组电梯参数样本,经模拟处理后相应的得到多组电梯运行指标样本;
根据多组所述电梯参数样本以及多组电梯运行指标样本对深度学习模型进行训练,得到已训练的深度学习模型;
获取电梯运行指标参数,将所述电梯运行指标参数输入所述已训练的深度学习模型,获取电梯设计参数。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取多组电梯参数样本,经模拟处理后相应的得到多组电梯运行指标样本;
根据多组所述电梯参数样本以及多组电梯运行指标样本对深度学习模型进行训练,得到已训练的深度学习模型;
获取电梯运行指标参数,将所述电梯运行指标参数输入所述已训练的深度学习模型,获取电梯设计参数。
上述电梯设计参数的获取方法、装置、计算机设备和存储介质,通过获取多组电梯参数样本,经模拟处理后相应的得到多组电梯运行指标样本,再根据多组所述电梯参数样本以及多组电梯运行指标样本对深度学习模型进行训练,得到已训练的深度学习模型,将获取电梯运行指标参数,将所述电梯运行指标参数输入所述已训练的深度学习模型,获取电梯设计参数。采用这样的方式可以得到较为准确的电梯设计参数,以使设置有获取的电梯设计参数的电梯更加适合运行环境。
附图说明
图1为一个实施例中电梯设计参数的获取方法的流程示意图;
图2为一个实施例中模拟处理方法的流程示意图;
图3为一个实施例中模拟电梯状态转换示意图;
图4为另一个实施例中训练深度学习模型方法的流程示意图;
图5为一个实施例中电梯设计参数的获取装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,提供了一种电梯设计参数的获取方法,包括以下步骤:
步骤202,获取多组电梯参数样本,经模拟处理后相应的得到多组电梯运行指标样本。
在步骤202中,多组电梯参数样本的获取方式包括:获取电梯参数的取值范围,根据所述取值范围,将所述电梯参数进行离散处理得到离散取值范围,在所述离散取值范围中,获取所述多组电梯参数样本。
在本实施例中,所述电梯参数包括载重和额定速度。在其他实施例中,所述电梯参数还可包括电梯数量,由于当需要获取电梯参数时,高层建筑的电梯数量已为准确数值,则电梯数量在这种情况下为已知量。
在步骤202中,所述模拟处理利用模拟电梯系统实施,具体包括:获取所述模拟电梯系统的系统参数,以及与模拟电梯乘客相关的乘客参数。所述系统参数包括模拟电梯的初始状态;所述乘客参数包括乘客的数量,以及各乘客的出发楼层和目的楼层。所述模拟电梯系统根据其中一组所述电梯参数样本、初始状态、各乘客的出发楼层以及电梯状态转换规则,进行电梯交通模拟,通过模拟电梯状态的变化,将各乘客运送至所述目的楼层,并计算该组运行指标参数样本。直至各组所述电梯参数样本,通过所述模拟电梯系统实施模拟后,得到相应的所述电梯运行指标样本。
其中,所述乘客的数量根据不同的交通模式确定,所述交通模式包括上行高峰、下行高峰以及层间模式。所述电梯的初始状态包括空闲、停机、开门、关门、上客、下客、移动和转向。
在一个实施例中,所述电梯设计参数的获取方法具体如图1所示。
具体的,如图2所示,首先设定模拟电梯系统的参数,所述系统参数还包括层高、人流量(每层每时间段)、楼层数量、门数量以及井道数量。再按照交通模式产生若干乘客,并设定各乘客的出发楼层以及目的楼层。
在本实施例中,产生模拟乘客可以按照不同的交通模式,常见的交通模式有上行高峰、下行高峰和层间模式等。不同交通模式之间的不同包括出发层、目的层以及两个乘客先后到达的时间间隔。比如上行高峰的乘客出发层为车库或大厅,目的楼层随机分布在除出发层外的其它各层。再比如下行高峰的乘客出发层为楼宇的各层,其目的楼层为车库或大厅。而在层间模式,出发和目的楼层均随机分布在楼宇各层。上行高峰、下行高峰或层间模式下,两个乘客之间的时间间隔符合指数分布,指数分布的均值取值大小将控制单位时间内到达乘客的数量。例如,当交通模式设定为早高峰时,则乘坐电梯的乘客数量为每分钟50人等。并且,
进一步的,将一组电梯参数样本输入模拟电梯系统,所述模拟电梯系统将会根据设定好的各个参数以及模拟电梯的初始楼层,通过模拟电梯状态的变化将乘客从当前楼层送至目标楼层。在该组电梯参数进行模拟的过程中,记录电梯指标样本。
在本实施例中,所述电梯指标样本包括电梯乘客平均等待时间、和/或电梯乘客乘梯时间、和/或单位时间内运送的乘客数。
这样当将一组电梯参数样本输入模拟电梯系统后,系统将根据设定的各种参数模拟电梯状态的转换过程,直至将乘客送至目标楼层,这样可得到在模拟电梯转换过程中乘客平均等待时间、和/或电梯乘客乘梯时间、和/或单位时间内运送的乘客数等一组相对应的电梯指标样本。
通过将离散取值范围中,选取的多组电梯参数样本进行模拟处理,可得到相应的多组电梯指标参数。
如图3所示,在模拟电梯系统进行模拟过程中,其模拟电梯状在八种(,空闲、停机、开门、关门、上客、下客、移动和转向)电梯状态中进行转换。假设一个应用场景是共有4台电梯,每一台电梯所处状态随机从这8个状态中选择,则模拟电梯状态准换过程如下:
1)一个应用场景是当前电梯处于空闲状态。如果电梯没有外招,那么将继续处于空闲状态s1。如果该电梯有外招,该外招要么就在当前层,则电梯状态由空闲状态将转为停机s2;要么外招不在当前层,则电梯向着外招层去接乘客,因此其状态将变为移动s7。电梯外招表示已经指派该梯接应的乘客,这些乘客还未上梯。
其中对电梯停机进行判断包括:电梯当前楼层在外招序列内且其中乘客与电梯方向一致,或者电梯当前楼层在内招序列内。所述电梯内招表示已经登梯的乘客。
一个应用场景是当电梯状态需从空闲状态转为移动,需要设定电梯的移动方向。如果要去的楼层高于当前电梯所处层,则电梯方向向上。此外,如果外招第一位乘客所处楼层就是电梯所处楼层,那么该乘客目的楼层在当前电梯所处楼层的上方,则电梯方向向上;该乘客目的楼层在当前电梯所处楼层的下方,则电梯方向向下。
2)一个应用场景是当前当电梯处于停机状态。如果电梯内招和外招均没有乘客,则电梯状态转换为空闲s3。否则,根据1)中判断电梯停机条件,当该条件为真时意味着要么有乘客上梯或者有乘客下梯,电梯状态从停机转为开门s5;当该条件不成立时,电梯状态依然为停机s4。
3)一个应用场景是当前当电梯处于开门状态。开门状态完成需要根据设定的开门时间确定,如果电梯第一次处于开门状态时到当前模拟器时间小于电梯开门时间,则电梯继续处于开门状态s15。电梯开门后,有可能是在内招序列的乘客要下梯,此时电梯状态变为下客s19;也有可能是在外招序列的乘客要上梯,此时电梯状态变为上客s17;除此外电梯将转为关门有可能是在内招序列的乘客要下梯,此时电梯状态变为下客s16。
4)一个应用场景是当前当电梯处于关门状态。关门状态完成需要根据设定的关门时间确定,如果电梯第一次处于关门状态时到当前模拟器时间小于电梯关门时间,则电梯继续处于关门状态s14。此外,当电梯既没有内招也没有外招信号,电梯状态转为空闲s6;否则电梯状态为移动s9。关门过程中如果有外招并且外招可以被顺向截梯,而且内招有空,那么将电梯门重新打开装载乘客s25。
5)一个应用场景是当前电梯处于下客状态。处于下客状态时,需要依次将待下梯的乘客从内招序列中依次删除,并保持电梯处于下客状态s22。该梯需要下梯的乘客完成后,要么外招序列中有乘客要上梯,此时电梯状态变换为上客(图4标号s21);要么电梯状态转换为关门号s13。
6)一个应用场景是当前电梯处于上客状态。处于上客状态时,需要依次将待上梯的乘客从外招序列中依次删除,然后将该乘客加入到内招序列,并保持电梯处于上客状态s20。当没有乘客上梯时,电梯状态转换为关门(图4标号s18)。由于电梯载重额定,因此需要根据内招序列中乘客数判断该电梯是否超载,超载后电梯状态也应该转换为关门s18。
7)一个应用场景是当前电梯处于移动状态。当电梯内有乘客下梯,或者运行到当前层有乘客上梯,电梯状态将转为停机s23。当电梯内没有内招还有外招时,要么转向s11,要么继续原方向保持移动状态标号s8。电梯处于移动状态时,需要根据模拟器设定的单位时间更新电梯移动距离,移动距离等于单位时间乘以电梯平均速度。
8)一个应用场景是当前电梯处于转向状态。如果电梯第一次处于转向状态时到当前模拟器时间小于电梯转向所需时间,则电梯继续处于转向状态s12。除此外,更新电梯运行方向,其状态转换为移动s10。
步骤204,根据多组所述电梯参数样本以及多组电梯运行指标样本对深度学习模型进行训练,得到已训练的深度学习模型。
步骤204具体包括:依次将所述电梯参数样本输入所述深度学习模型,得到输出值,将相对应的电梯运行指标样本与所述输出值进行对比,得到误差值,根据所述误差值对深度学习模型的参数进行调整,直至所述误差值小于预设阈值。
其中,所述深度学习模型为拟合函数。所述拟合函数包括线性函数,或Logistic函数,或用于函数逼近的神经网络。
如图4所示,将一组电梯参数样本作为拟合函数的输入端,通过拟合函数的计算得到输出值,将所述输出值与改组电梯参数样本对应的电梯运行指标样本进行对比,将对比结果作为拟合函数的输出误差。再根据输出误差对拟合函数的参数进行调整。
将多组电梯参数样本依次作为拟合函数的输入端,并根据对应的多组电梯运行指标样本计算其输出误差,再根据输出误差调整拟合参数,直至所述输出误差收敛到预设的阈值。
在本实施例中,通过利用多组电梯参数样本以及相关的多组电梯运行指标样本对拟合函数进行训练,得到具有输入电梯运行指标后,可得到相应的电梯参数的拟合函数。
步骤206,获取电梯运行指标参数,将所述电梯运行指标参数输入所述已训练的深度学习模型,获取电梯设计参数。
在本实施例中,将根据实际情况设定的电梯运行指标参数输入已经训练的拟合函数中,可直接获取满足电梯运行指标参数的电梯设计参数。在本实施例中,电梯设计参数包括电梯载重以及额定速度。再根据得到的设计参数对电梯进行设定,以使电梯满足在运行过程中的各电梯运行指标。
上述电梯设计参数的获取方法中,通过获取多组电梯参数样本,经模拟处理后相应的得到多组电梯运行指标样本,根据多组所述电梯参数样本以及多组电梯运行指标样本对深度学习模型进行训练,得到已训练的深度学习模型,获取电梯运行指标参数,将所述电梯运行指标参数输入所述已训练的深度学习模型,获取电梯设计参数。从而使得在获取电梯设计参数时,通过已训练过得深度学习模型,就可以得到满足电梯运行指标的电梯设计参数。采用这种方法使获取的电梯设计参数更加适合电梯使用的环境。
应该理解的是,虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种电梯设计参数的获取装置,包括:模拟处理模块302、训练模块304和电梯设计参数获取模块306,其中:
模拟处理模块302,用于获取多组电梯参数样本,经模拟处理后相应的得到多组电梯运行指标样本。
训练模块304,用于根据多组所述电梯参数样本以及多组电梯运行指标样本对深度学习模型进行训练,得到已训练的深度学习模型。
电梯设计参数获取模块306,用于获取电梯运行指标参数,将所述电梯运行指标参数输入所述已训练的深度学习模型,获取电梯设计参数。
关于电梯设计参数的获取装置的具体限定可以参见上文中对于电梯设计参数的获取方法的限定,在此不再赘述。上述电梯设计参数的获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电梯设计参数的获取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取多组电梯参数样本,经模拟处理后相应的得到多组电梯运行指标样本;
根据多组所述电梯参数样本以及多组电梯运行指标样本对深度学习模型进行训练,得到已训练的深度学习模型;
获取电梯运行指标参数,将所述电梯运行指标参数输入所述已训练的深度学习模型,获取电梯设计参数。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取多组电梯参数样本,经模拟处理后相应的得到多组电梯运行指标样本;
根据多组所述电梯参数样本以及多组电梯运行指标样本对深度学习模型进行训练,得到已训练的深度学习模型;
获取电梯运行指标参数,将所述电梯运行指标参数输入所述已训练的深度学习模型,获取电梯设计参数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.电梯设计参数的获取方法,其特征在于,所述方法包括:
获取多组电梯参数样本,经模拟处理后相应的得到多组电梯运行指标样本;
所述电梯参数样本包括:电梯的载重量以及额定速度;
所述电梯运行指标样本包括:电梯乘客平均等待时间、和/或电梯乘客乘梯时间、和/或单位时间内运送的乘客数;
根据多组所述电梯参数样本以及多组电梯运行指标样本对深度学习模型进行训练,得到已训练的深度学习模型;
获取电梯运行指标参数,将所述电梯运行指标参数输入所述已训练的深度学习模型,获取电梯设计参数。
2.根据权利要求1所述的方法,其特征在于,所述多组电梯参数样本的获取方式为:
获取电梯参数的取值范围;
根据所述取值范围,将所述电梯参数进行离散处理得到离散取值范围;
在所述离散取值范围中,获取所述多组电梯参数样本。
3.根据权利要求2所述的方法,其特征在于,所述模拟处理利用模拟电梯系统实施,具体包括:
获取所述模拟电梯系统的系统参数,以及与模拟电梯乘客相关的乘客参数;
所述系统参数包括模拟电梯的初始状态;
所述乘客参数包括乘客的数量,以及各乘客的出发楼层和目的楼层;
所述模拟电梯系统根据其中一组所述电梯参数样本、初始状态、各乘客的出发楼层以及电梯状态转换规则,进行电梯交通模拟,通过模拟电梯状态的变化,将各乘客运送至所述目的楼层,并计算该组运行指标参数样本;
直至各组所述电梯参数样本,通过所述模拟电梯系统实施模拟后,得到相应的所述电梯运行指标样本。
4.根据权利要求3所述的方法,其特征在于,
所述乘客的数量根据不同的交通模式确定,所述交通模式包括上行高峰、下行高峰以及层间模式;
所述电梯的初始状态包括空闲、停机、开门、关门、上客、下客、移动和转向。
5.根据权利要求1所述的方法,其特征在于,所述根据多组所述电梯参数样本以及多组电梯运行指标样本对深度学习模型进行训练,得到已训练的深度学习模型包括:
依次将所述电梯设计参数样本输入所述深度学习模型,得到输出值;
将相对应的电梯运行指标样本与所述输出值进行对比,得到误差值;
根据所述误差值对深度学习模型的参数进行调整,直至所述误差值小于预设阈值。
6.根据权利要求5所述的方法,其特征在于,所述深度学习模型为拟合函数,所述拟合函数包括线性函数,或Logistic函数,或用于函数逼近的神经网络。
7.电梯设计参数的获取装置,其特征在于,包括:
模拟处理模块,用于获取多组电梯参数样本,经模拟处理后相应的得到多组电梯运行指标样本;
所述电梯参数样本包括:电梯的载重量以及额定速度;
所述电梯运行指标样本包括:电梯乘客平均等待时间、和/或电梯乘客乘梯时间、和/或单位时间内运送的乘客数;
训练模块,用于根据多组所述电梯参数样本以及多组电梯运行指标样本对深度学习模型进行训练,得到已训练的深度学习模型;
电梯设计参数获取模块,用于获取电梯运行指标参数,将所述电梯运行指标参数输入所述已训练的深度学习模型,获取电梯设计参数。
8.计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910838282.5A CN110705028B (zh) | 2019-09-05 | 2019-09-05 | 电梯设计参数的获取方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910838282.5A CN110705028B (zh) | 2019-09-05 | 2019-09-05 | 电梯设计参数的获取方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110705028A CN110705028A (zh) | 2020-01-17 |
CN110705028B true CN110705028B (zh) | 2023-03-07 |
Family
ID=69194230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910838282.5A Active CN110705028B (zh) | 2019-09-05 | 2019-09-05 | 电梯设计参数的获取方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705028B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113526272B (zh) * | 2021-07-08 | 2023-01-24 | 日立楼宇技术(广州)有限公司 | 电梯群控系统和电梯群控设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194053A (zh) * | 2017-05-16 | 2017-09-22 | 歌拉瑞电梯股份有限公司 | 一种智能化电梯控制系统运行故障预测方法 |
CN109635948A (zh) * | 2018-12-19 | 2019-04-16 | 北京达佳互联信息技术有限公司 | 在线训练方法、装置、系统及计算机可读存储介质 |
EP3534278A1 (de) * | 2018-02-28 | 2019-09-04 | Siemens Aktiengesellschaft | Verfahren und anordnung zum rechnergestützten entwerfen einer industriellen fertigungsanlage |
-
2019
- 2019-09-05 CN CN201910838282.5A patent/CN110705028B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194053A (zh) * | 2017-05-16 | 2017-09-22 | 歌拉瑞电梯股份有限公司 | 一种智能化电梯控制系统运行故障预测方法 |
EP3534278A1 (de) * | 2018-02-28 | 2019-09-04 | Siemens Aktiengesellschaft | Verfahren und anordnung zum rechnergestützten entwerfen einer industriellen fertigungsanlage |
CN109635948A (zh) * | 2018-12-19 | 2019-04-16 | 北京达佳互联信息技术有限公司 | 在线训练方法、装置、系统及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
高层建筑中电梯选型、配置与设计方法;黄军威;《甘肃科技》;20100608(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110705028A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101531320B (zh) | 电梯的门控制系统以及控制方法 | |
KR100990547B1 (ko) | 엘리베이터의 제어 시스템 | |
US6315082B2 (en) | Elevator group supervisory control system employing scanning for simplified performance simulation | |
JP4312392B2 (ja) | エレベーター群管理装置 | |
JPH07252035A (ja) | エレベーターの群管理制御方法 | |
KR940005947B1 (ko) | 엘리베이터의 제어장치 | |
CN110116943A (zh) | 电梯群管理系统和电梯群管理方法 | |
CN110705028B (zh) | 电梯设计参数的获取方法、装置、计算机设备和存储介质 | |
CN110950195B (zh) | 一种电梯的优化控制方法、装置和设备 | |
CN106744089A (zh) | 电梯控制方法及装置 | |
JPH0616346A (ja) | エレベータ群の制御方法 | |
CN105253726B (zh) | 电梯群管理系统和电梯控制系统 | |
CN100486880C (zh) | 电梯的群体管理控制装置 | |
CN108693863A (zh) | 电梯仿真器 | |
CN110182655B (zh) | 用于单梯的预测乘客乘梯需求的电梯控制方法 | |
AU656490B2 (en) | Using fuzzy logic to determine the traffic mode of an elevator system | |
Yu et al. | Multicar elevator group supervisory control system using genetic network programming | |
KR100376921B1 (ko) | 엘리베이터의 운행관리 제어장치 | |
CN101356106A (zh) | 电梯控制方法及其装置 | |
Miyamoto et al. | MceSim: A multi-car elevator simulator | |
CN111295349A (zh) | 电梯的乘降人数推算装置、乘降人数推算方法和乘降人数推算程序 | |
KR20070088519A (ko) | 엘리베이터 그룹 관리 제어 장치 | |
Yu et al. | Multi-car elevator system using genetic network programming for high-rise building | |
CN114030958A (zh) | 一种电梯调度方法、装置、设备和介质 | |
JP6776174B2 (ja) | エレベーター利用者移動予測方法およびエレベーター利用者移動予測装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method, device, computer equipment, and storage medium for obtaining elevator design parameters Granted publication date: 20230307 Pledgee: Zhejiang Commercial Bank Co.,Ltd. Hangzhou Linping Branch Pledgor: HANGZHOU XO-LIFT Co.,Ltd. Registration number: Y2024980001764 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |