CN1187251C

CN1187251C - 电梯操作管理和控制系统

Info

Publication number: CN1187251C
Application number: CNB971803412A
Authority: CN
Inventors: 匹田志朗
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 1997-10-07
Filing date: 1997-10-07
Publication date: 2005-02-02
Anticipated expiration: 2017-10-07
Also published as: CN1239928A

Abstract

本发明电梯操作管理和控制系统包括交通数据收集部分用于收集求得电梯乘客交通量的交通数据；交通量计算部分，用于根据由所述交通数据收集部分收集的交通数据来计算所述交通量的交通量计算部分；交通流计算部分，用于根据由所述交通量计算部分计算的所述交通量计算在各个层之间移动的所述电梯乘客的交通流估计值；控制参数设定部分，用于根据由所述交通流计算部分计算的所述交通流估计值来设定用于控制所述电梯操作的控制参数；和操作控制部分，用于根据由所述控制参数设定部分设定的所述控制参数来控制所述电梯的所述操作，从而它不需要预先准备和存储大量交通流模式和根据交通流模式获得的交通量的组合，而且可以立即从迄今为止观测到的交通量数据计算交通流估计值，并通过设定对应于交通流估计值的群管理控制的控制参数，来进行电梯群管理控制。

Description

电梯操作管理和控制系统

技术领域

本发明涉及电梯操作管理和控制系统。

背景技术

图7是示出用于估计例如在JP-A-7-309546中所述的以及其控制目的特别在于包括多梯的交通工具的现有技术交通装置控制系统的交通流的基本原理的注释图。

在图7中，标号11表示交通量数据，它包括诸如在每层乘坐电梯的人数和在每层离开电梯的人数的定量信息、标号13表示说明诸如由量、时间段(timezone)、方向等元素表示的电梯乘客的生成和移动的交通流和标号12表示用于根据从预设定交通量和交通流模式之间的关系所得到的输入交通量数据11而来的交通流13的多层神经(neural)网络(控制神经网络)。

假设在某一幢楼中在预定时间段内，在第i层乘上电梯而在第j层离开电梯的电梯乘客数，即，从第i层移到第j层的电梯乘客数为Tij时，可以如下表示在该时间段中在该时间段内的交通流：

交通流：T＝(T12、T13、…、Tij、…) …(1)

于是，可如下表示通过这种交通流生成并可观测到的交通量数据：

交通量数据：G＝(p，q) …(2)

其中，p是在每层乘上电梯的人数，而q是在每层离开电梯的人数。

于是，交通流就是这交通的流量，而且交通量是可根据交通流找到的容易观测到的量。

此外，当将可观测控制结果设为E时，除了交通量数据之外，还可如下表示控制结果E：

控制结果：E＝(r，y，m) …(3)

其中，r是对于大厅呼叫(hall call)的响应时间的分配、y是每层预报错过(prediction miss)的次数分配和m是当电梯(car)已满并经过每层时的次数分配。

由于很难精确直接地从不包含在目标时间段中电梯乘客的移动方向的信息的交通量数据G找到交通流T，所以这里用近似方法来找到交通流。

首先，预先准备好假设的大量楼中交通流模式，再通过模拟找到固定控制参数，当对每个交通流模式进行控制时生成的交通量数据G和控制结果E。从而，可以获得在“交通量和交通流模式”以及“交通流模式和控制结果”之间的几种关系。

接着，用神经网络来表示“交通量和交通流模式”的关系。于是，准备例如图7所示的多层神经网络12，而且分别向输入侧提供交通量数据11，和向输出侧提供生成交通量数据11的交通流模式13，作为让神经网络学习的所谓教师(teacher)数据。

结果，当输入某一交通量数据时，神经网络12输出一个交通流模式，该模式是预先准备好的各种交通流模式中最接近于能生成所输入的交通量数据的那一个模式。

因此，通过预先准备和使神经网络12学到足够数量的交通流模式，相对于来自至今学到的“交通量和交通流模式”的关系的交通量数据，神经网络12选择和输出生成任意交通量的交通流，或者至少很接近该交通流的交通流。

当根据多个不同交通流模式生成相同交通量数据时，由于在固定控制参数下，交通流不同时，控制结果互不相同，所以神经网络12能够选择交通流模式，它允许通过利用在“交通流模式和控制结果”之间的关系，从生成相同交通量数据的交通流模式中获得特定控制结果。

此外，由于可以设定控制参数，以使得预先准备的交通流模式用预先模拟等方法获得最佳控制结果，所以当可以根据交通量数据估计交通流时，神经网络12可以设定最佳控制参数。

在这个现有技术中，确定交通流估计的精确度依赖于可预先准备在交通流模式和从交通流模式获得的交通量之间的多少组合。然而，存在问题，即，由于预先准备和存储所有种类的交通流模式和从交通流模式获得的交通量的组合需要庞大的存储容量，而且它不能相对应当前服务状态有效地分配适当电梯，所以这是不可实践的。

在JP-B-62-36954中所述的技术也有一个问题，即，由于虽然它可以分析过去发生了哪种交通流，它不能实时估计当时发生哪种交通流，同时控制电梯操作管理，所以它不能相对应当前服务状态，有效地分配适当电梯。

因此，本发明的目的在于提供电梯操作管理和控制系统来解决这个问题，其中上述系统能够实时估计来自观测到的交通量数据的交通流并能够对应于估计的交通流来进行电梯操作管理和控制。

发明内容

本发明提供一种电梯操作管理和控制系统，包括：

交通数据收集部分用于收集求得电梯乘客的交通量的交通数据；

控制参数设定部分，用于设定用于控制所述电梯操作的控制参数；和

操作控制部分，用于根据由所述控制参数设定部分设定的所述控制参数来控制所述电梯的所述操作，

其特征在于，所述电梯操作管理和控制系统还包括：

交通量计算部分，用于根据由所述交通数据收集部分收集的交通数据来计算所述交通量；

交通流计算部分，用于根据由所述交通量计算部分计算的所述交通量实时地计算在各个层之间移动的所述电梯乘客的交通流估计值；

交通数据分析部分，用于按照所述交通数据分析乘客的移动；

估计功能构成部分，用于根据所述交通数据分析部分分析的结果构成所述交通流计算部分的估计功能；

其中，所述控制参数设定部分根据由所述交通流计算部分计算的所述交通流估计值来设定用于控制所述电梯操作的控制参数。

如上所述的电梯操作管理和控制系统，由神经网络形成所述交通流计算部分，其中在所述神经网络的输入侧设定所述电梯乘客的所述交通量，而在输出侧设定所述电梯乘客的所述交通流。

如上所述的电梯操作管理和控制系统，还包括教师数据产生部分，其中所述教师数据产生部分用于根据由所述交通数据收集部分收集的所述交通数据来产生所述神经网络用来学习的教师数据，所述估计功能构成部分通过根据由所述教师数据产生部分产生的所述教师数据来供所述神经网络学习，计算所述交通流计算部分的所述交通流估计值。

如上所述的电梯操作管理和控制系统，所述估计功能构成部分根据交通流数据的各对应元素的两个平方的误差设定一个值作为所述估计精确度的指数，其中所述两个平方分别为所采用的教师数据和由所述交通流计算部分根据所述教师数据的所述交通量数据计算的所述交通流估计值相对应。

如上所述的电梯操作管理和控制系统，所述教师数据产生部分在预定时间段内，根据由所述交通数据收集部分收集的交通数据产生所述教师数据。

如上所述的电梯操作管理和控制系统，所述交通流计算部分按在目标层之间移动的电梯乘客的交通量占整个交通量的比率来计算交通流估计值。

如上所述的电梯操作管理和控制系统，所述操作控制部分按群管理控制实施操作控制。

附图说明

图1是本发明的电梯操作管理和控制系统的注释图。

图2是本发明的电梯操作管理和控制系统的注释图。

图3是本发明的电梯操作管理和控制系统的注释图。

图4是本发明的电梯操作管理和控制系统的注释图。

图5是本发明的电梯操作管理和控制系统的注释图。

图6是本发明的电梯操作管理和控制系统的注释图。

图7是现有技术交通装置控制系统的注释图。

具体实施方式

第一实施例

接着，利用附图说明本发明的第一实施例。

图1是本发明的电梯操作管理和控制系统的交通流估计的基本原理注释图。在此，通过举例说明利用群(group)管理控制来操作多个电梯的情况，解释该原理。

在图1中，交通量数据11包括定量信息，诸如，每层每个方向(UP/DOWN)，乘上电梯的人数和离开电梯的人数，而且以OD(始发/目的地)数据表示交通流13，其中所述数据表示在整个交通量中从某一层到另一目标层间移动的电梯乘客的交通量。多层神经网络(控制神经网络)12根据输入交通量数据11估计交通流数据13。

当在此假设在某一幢楼中，在预定时间段内，从第i层乘上电梯和在第j层离开电梯的电梯乘客数，即，表示从第i层移到第j层的电梯乘客数的OD数据，设为TFij时，可以与前面所述的现有技术例子相同的方法，来如下表示在大楼内的交通流，这是因为它是那些OD数据的集合：

交通流：TF＝(TF₁₂，TF₁₃，…，TFij，…) …(4)

此外，如下表示由这种交通流生成并可观测的交通量数据：

交通量数据：G＝(ON up(f1)，ON dn(F1)，OFF up(f1)，OFF dn(f`1))

ON up(f1)：在第f1层，乘坐向上方向电梯的人数，

ON dn(F1)：在第f1层，乘坐向下方向电梯的人数，

OFF up(f1)：在第f1层，离开向上方向电梯的人数，

OFF dn(F1)：在第f1层，离开向下方向电梯的人数 …(5)

通常，虽然可以从交通流数据G找到如表达式(5)所示的交通量T，但是很难相反从交通量数据T找到精确的交通流G，其中所述交通流数据G包含表示电梯乘客的移动方向和如表达式(4)所示的目标时间段的信息。

于是，根据本发明，除了每天群管理和控制，还由神经网络根据关于在目标时间段内多少电梯乘客从哪层移到哪层的每个交通流数据的过去表格，找到作为每层的层间电梯乘客数的交通量，而且由神经网络表示根据交通流数据定义的交通量的映像(map)。于是，通过在控制群管理过程中利用这种神经网络的学习结果，利用对该映像的逆映射，从交通量数据中近似地找到交通流G。

因此，使得例如在结束每天控制之后，神经网络学到在交通流和从该交通流计算出的交通量之间的关系。当从输入侧给出交通量数据时，使得神经网络学习，而且在这种情况下从输出侧提取交通流，当输入某一交通量数据作为神经网络的一般质量时，神经网络可以输出与交通量数据相对应的交通流。即，神经网络可以获得执行作为对根据交通流数据定义交通量的映射的逆映射的能力。

虽然当可以特定交通流时，操作控制系统通过设定与交通流相对应的控制参数来进行群管理，在电梯群管理控制中存在多个控制参数，诸如分配给拥挤层的电梯数、设定无服务层、预报每个电梯达到特定层的时间、在呼叫分配过程中对每个评估指数的加权等。

然而，当可以特定交通流时，可以用模拟等方法来评估在限定控制参数下的控制结果，而且可以设定对于每个交通流的控制参数的最佳值。即，当可以估计交通流时，可以自动设定控制参数的最佳值。

接着，作为本发明的实施例，用图2可解释用以根据由上述基本原理估计的交通流来控制多个电梯群的电梯操作管理和控制系统。

图2是示出作为本发明的电梯操作管理和控制系统的例子的群管理和控制系统的结构方框图。在图2中，标号(31至3n)表示设在每层大厅处的大厅呼叫按钮。当电梯乘客操纵大厅呼叫按钮31至3n中的至少任一按钮时，将大厅呼叫从操纵的大厅呼叫按钮输出到群管理控制单元1，从而群管理控制单元1实施群管理控制。

电梯控制器21至2m中的每个控制器根据群管理控制单元1的控制命令，操纵每个电梯，诸如，运行、停止和开门/关门。

这里，群管理控制单元1包括用以收集诸如每个电梯的行动和所生成呼叫的交通数据的交通数据收集部分1A、用以根据收集到的交通数据来计算交通量的交通量计算部分1B、作为用以根据计算交通量数据实时计算交通流估计值的交通流计算部分的估计部分1C、用以通过根据交通数据分析电梯乘客的移动来产生用来学习神经网络的教师数据的教师数据产生部分1D、用以根据由交通数据产生部分1D产生的教师数据，通过学习神经网络来构成用来计算交通流估计值的交通流估计部分1C的功能的估计功能构成部分1E、用以根据由交通流估计部分1C估计的交通流估计值，设定用来控制电梯群的控制参数的控制参数设定部分1F和用以根据预设定控制参数来控制群管理的操作控制部分1G。

这里，上述交通数据不仅包括用以计算交通量的数据，还包括用以分析电梯乘客的移动来估计交通流的数据，诸如，如由电梯乘客进行的呼叫一类的信号、如停止、向上、向下等一类的电梯操作信息、乘上/离开电梯的人数、关于诸如负荷和目标时间段变化的电梯信息。

参照图3，将电梯群管理控制的具体操作特别作为本实施例的操作来进行解释。

图3是示意示出群管理控制的流程图。

首先，交通数据收集部分1A收集交通数据，诸如，停止和运行一类的电梯行为、乘上/离开电梯的人数、电梯呼叫、大厅呼叫和实时被呼叫的电梯(步骤ST10)。

接着，交通量计算部分1B根据由交通数据收集部分1A收集的交通数据来计算交通量数据G(步骤ST20)。通过使交通量计算部分1B例如每隔1分钟就计算在过去5分钟内乘上/离开电梯的人数，可以实现对交通量的计算。

接着，交通流估计部分1C根据由交通量计算部分1B计算的交通量数据，实时计算交通流估计值(步骤ST30)。这里，参照图4，可以解释在步骤S30中交通流估计操作。

将计算的交通量数据G输入到如图1所示的神经网络12(步骤ST31)。此时，将如在表达式(2)中所示的交通量数据G的各个元素数据ON up(f1)，ON dn(F1)，OFF up(f1)和OFF dn(f`1)的值输入到在神经网络12的输入层中的每个神经元(neuron)。因此，在输入层中的神经元数量是4×Z(Z是在大楼中的层数)。

这里，神经网络12实施已知网络计算(步骤ST32)并实时输出通过计算找到的交通量估计值。

在这种情况下，将神经网络12的输出层中的每个神经元的输出值设为在表达式(4)中的交通流数据TF的每个元素的估计值。即，通过将输出层的每个神经元的输出值设为TF11、将第二神经元的输出值设为TF12、…，可以获得交通流数据的估计值作为OD数据。因此，在输出层中的神经元数量是Z²。

注意，与每个情况相对应，可以任意设定在中间层中的神经元数量。

此外，通过将大楼分成几个区域，每个区域都可描述交通流和交通量。在这种情况下，上述Z是区域数量。

现在，回到对图3的解释，当由神经网络12在步骤ST30中实时获得交通流估计数据时，接着控制参数设定部分1F设定与由神经网络12估计的交通流相对应的控制参数(步骤ST40)。

接着，操作控制部分1G根据由控制参数设定部分1F设定的控制参数，执行电梯群管理控制(步骤ST50)。

随便说一下，通过重复校正下述估计功能，可以构成用以根据在每天群管理控制期间由神经网络12实现的交通量数据，来估计交通流的这种功能。

即，例如，与每天群管理控制分开，间歇地执行对由神经网络12实现的交通流估计功能的校正(步骤ST60)。在完成每天控制之后，或者例如每星期的预定时间间隔内，可以执行对估计功能的校正。

通过使神经网络12学习交通流和交通量之间的关系，并使神经网络12改进特定交通流估计功能能力从而超过上次获得的交通流估计功能能力，可以实现对估计功能的校正，其中根据从在上次执行的校正估计功能和这次执行的校正估计功能之间获得的交通数据找到的交通流数据和交通量数据，计算上述交通流和交通量。

参照图5描述用以校正估计功能(步骤ST60)的过程。

图5是示出用以校正交通流估计功能的流程图。

从在步骤ST10中收集的在群管理控制下的交通数据中取出存储用以校正估计功能的数据(步骤ST61)。

关于用以校正估计功能的交通数据，不必存储所有收集的数据作为用以校正的数据。可以把大约5分钟的预定数据设为一个单元，而且可以存储预定数据量，例如每时间段几个数据、其中发生特征交通的例如办公时间和平常时间，以供校正估计功能之用。

接着，教师数据产生部分1D分析用以校正估计功能以生成用以学习神经网络12的所谓教师数据的交通数据(步骤ST62)。

这里，教师数据包括分别来自交通数据的交通量数据和交通流数据的组合。这里，根据乘上/离开每部电梯的人数，以与上述步骤ST20的过程相同的方法，来以表达式(5)的形式找到交通量数据。可以表达式(4)的形式找到交通流数据。参照图6，进一步解释找到它们的过程。

将从它以向上或向下开始运行到它逆转它的路线时电梯的一系列操作称为扫描(scan)。例如，假设，在目标时间段内，在向上扫描中，停下层和乘上/离开某部电梯的人数是1F(3个人乘上)→ 3F(2个人离开)→4F(1个人乘上)→6F(1人离开)→10F(10个人离开)，如图6所示。

在这种情况下，可将在3F处离开电梯的两个人特定为从IF乘上电梯的人。然而，不能特定在6F和10F处离开电梯的电梯乘客的乘上层。

因此，将已离开电梯并不能特定的电梯人数相同地分配到电梯乘客的移动组合中。即，在这种情况下，如下分配不能特定的两个人1F→6F(0.5人)，4F→6F(0.5人)，1F→10F(0.5人)和4F→10F(0.5人)。

接着，每个区域都转换这个数据。当在图6的例子中，将IF设为第一区域、将2F至6F设为第二区域和将7F至10F设为第三区域时，如下列表达式(6)表示交通流数据作为OD(初始/目的地)数据：

TF12＝2.5(1F→3F(2人)和1F→6F(0.5人))

TF13＝0.5(1F→10F(0.5人))

TF22＝0.54F→6F(0.5人))

TF23＝0.5(4F→10F(0.5人)) …(6)

通过每部电梯和每扫描计算和积分上述过程，可以找到交通流数据，其中反映了关于在目标时间段中各个电梯乘客的移动信息。

于是，使神经网络12学习通过用每个存储的交通数据获得的交通量数据和数据流数据作为教师数据来调节神经网络12(步骤ST63)。

将已知所谓回传播方法用作学习神经网络12。

接着，检测交通流的估计精确度。作为估计精确度的指数，采用了各对应元素平方的误差的总和，其中元素是指所采用的教师数据和由神经网络12根据教师数据的交通量数据计算的交通流估计值(步骤ST64)。

即，总计关于所有教师数据的下列表达式(7)分别找到的误差E并将总值设为估计精确度的指数。可考虑总值越小，估计精确度越好。

E＝∑(TFij- TFij)²

TFij＝教师数据的交通流数据的每个元素值

TFij＝根据教师数据的交通量数据计算的交通量估计值的每个元素值

…(7)

接着，估计功能构成部分1E把通过运用表达式(7)找到的误差E的总值与在校正上次执行的估计功能的过程中，通过运用表达式(7)找到的误差的总值E相比较(步骤ST65)。

于是，当估计精确度改进时(在步骤ST65中YES)，估计功能构成部分IE将在步骤S63中调节的神经网络登录下来(步骤ST67)，反之，当精度未能改进时(在步骤S765中的No)则回到前一神经网络登录下来。

神经网络12和交通流估计部分1C经常保持在良好状态下，而且通过执行除了正常群管理控制之外还执行对交通流估计功能的校正，来使估计交通流的精确度保持得很好。

因此，上述实施例不需要预先准备和存储大量交通流模式和根据交通流模式获得的交通量的组合、立即从迄今所观测到的交通量数据计算交通流估计值和通过设定对于与计算交通流估计值相对应的群管理控制的控制参数，可以进行电梯群管理控制。

此外，由于输入数据不包含任何估计值，而且是立即可观测到的交通量，所以可以以高精确度地计算和更加精确地估计交通流。此外，由于如此安排本实施例从而通过神经网络产生在交通量和交通流之间的关系，并通过使神经网络学习交通数据的分析结果来构成和校正估计功能，所以它不需要通过预先存储大量数据来将两者的关系与大量逻辑相联系，而且可以减小为将两者联系起来进行计算所需的程序和存储区域。

此外，由于根据在对基于精确度的前一次调节到对基于精确度的此次调节的间隔之间的交通流数据和实际交通量数据，可以将由交通流估计部分估计的交通流估计值的估计精确度保持得很好，所以本实施例允许电梯操作管理和控制系统符合每撞大楼的电梯乘客的移动变化，其中上述变化依赖于大楼和时间段。

此外，通过采用非稳态交通流数据以计算交通流估计部分的估计精确度的指数作为教师数据来进行学习，故不必担心估计功能构成部分会恶化估计精确度。

本发明允许神经网络得到调整是因为它通过运用教师数据来在每预定时间段估计与时间段相对应的交通流，从而它允许与时间段相对应更加精确地估计交通流，而不是运用不论什么时间段都一致地估计交通流的计算部分。

此外，在整个交通量中，交通流计算部分计算交通流估计值作为在目标层之间移动的电梯乘客的交通量，所以无误地表达了在大楼内的电梯乘客的移动。

此外，本发明不仅在控制一个电梯操作管理方面十分有效，而且通过将呼叫相互分配给多个电梯，允许将复杂的电梯操作管理用于所谓对执行最佳操作控制的群管理控制。

如上所述，可以适当地使用本发明电梯操作管理和控制系统。

Claims

1.一种电梯操作管理和控制系统，包括：

其特征在于，所述电梯操作管理和控制系统还包括：

2.如权利要求1所述的电梯操作管理和控制系统，其特征在于，由神经网络形成所述交通流计算部分，其中在所述神经网络的输入侧设定所述电梯乘客的所述交通量，而在输出侧设定所述电梯乘客的所述交通流。

3.如权利要求2所述的电梯操作管理和控制系统，其特征在于，还包括教师数据产生部分，其中所述教师数据产生部分用于根据由所述交通数据收集部分收集的所述交通数据来产生所述神经网络用来学习的教师数据，所述估计功能构成部分通过根据由所述教师数据产生部分产生的所述教师数据来供所述神经网络学习，计算所述交通流计算部分的所述交通流估计值。

4.如权利要求3所述的电梯操作管理和控制系统，其特征在于，所述估计功能构成部分根据交通流数据的各对应元素的两个平方的误差设定一个值作为所述估计精确度的指数，其中所述两个平方分别为所采用的教师数据和由所述交通流计算部分根据所述教师数据的所述交通量数据计算的所述交通流估计值相对应。

5.如权利要求3或4所述的电梯操作管理和控制系统，其特征在于，所述教师数据产生部分在预定时间段内，根据由所述交通数据收集部分收集的交通数据产生所述教师数据。

6.如权利要求5所述的电梯操作管理和控制系统，其特征在于，所述交通流计算部分按在目标层之间移动的电梯乘客的交通量占整个交通量的比率来计算交通流估计值。

7.如权利要求6所述的电梯操作管理和控制系统，其特征在于，所述操作控制部分按群管理控制实施操作控制。