JPH03124676A - エレベータの群管理制御装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 ［発明の目的］ （産業上の利用分野） この発明は、複数の階床に対して複数のエレベータを就
役させるエレベータの群管理制御装置に関し、特にホー
ル呼びの割当制御に特徴を持つエレベータの群管理制御
装置に関する。

（従来の技術） 近年、複数台のエレベータを並設した場合に、エレベー
タの運転効率向上およびエレベータ利用者へのサービス
向上を図るために、各階床のホール呼びに対して応答す
るエレベータをマイクロコンピュータなどの小型コンピ
ュータを用いて合理的かつ速やかに割り当てるようにす
ることが行われている。

すなわち、ホール呼びが発生すると、そのホール呼びに
対してサービスする最適なエレベータを選定して割り当
てると共に、他のエレベータはそのホール呼びに応答さ
せないようにしている。

このような方式の群管理制御装置において、最近では、
リアルタイムにて各ホール呼びに応答した場合のかご呼
び登録データの？ｆｐｌ定、乗降中のデータ測定など各
ビルごとの階間交通の把握が行われ、前記測定データを
基にビル固有の需要を把握し、ホール呼び割当制御に利
用している。

このような状況において、エレベータのホール呼び割当
制御は、ホール呼びの発生に対して群管理性能上の各評
価指標を評価し、各評価値を重み付け加算し、総合評価
として最適号機を決定している。

（発明が解決しようとする課題） しかしながら、一般に群管理性能上の各評価指標は交通
需要により大きく変化するために、エレベータ群システ
ムの状況により最適な重み付け値（制御パラメータ）を
選択する必要があり、連続して変化する交通需要に追従
し、制御パラメタの最適化を図ることは困難であった。

また、群管理性能上の「最適」の評価基準はホテル、テ
ナントビル、−社専有ビルなどのビル用途、あるいはエ
レベータの利用者、ビル管理会社など様々なビル固有の
状況に依存するため、各ビルごとの評価基準に群管理制
御性能を合わせる必要があるが、従来システムにおいて
は、各ビル固有の評価基準に最適な制御パラメータを自
動的に設定することは不可能であった。

そこで、ビル固有の評価基準がユーザーにより事前に示
され、多数のシュミレーションを実行し、ユーザーの評
価基準に適合する制御パラメータを事前に設定し、シス
テムに入力する方法もあるが、これには多数のシュミレ
ーション実行が必要であり、しかもシュミレーション結
果はそのシステム固有の状況（稼動後の状況）を完全に
反映するものではなく、交通流、混雑度により最適な制
御パラメータが変化するため、ユーザーの意図している
評価基準に対して最適な割当制御とならない場合が生じ
る問題点があった。

この発明は、このような従来の問題点に鑑みてなされた
ものであり、割当制御上の各評価指標重み付け値とホー
ル呼び応答累積分布に代表される群管理制御応答結果と
の間に関係モデルを複数形成し、しかもこの関係モデル
を交通需要と関係付け、有限個の関係モデルの連想で多
数の交通需要に対応する対象モデルを実現し、しかもオ
ンライン学習によりビルシステム固有の状況を実際の制
御応答結果により獲得し、各ビルごとに最適な評価基準
を満たす割当制御を行うことができるエレベータの群管
理制御装置を提供することを目的とする。

［発明の構成］ （課題を解決するための手段） この発明は、複数の階床に対して複数台のエレベータを
就役させ、発生した共通のホール呼びに対して所定の評
価演算を行い、各エレベータごとの評価を行って最適な
号機に上記ホール呼びを割り当てるエレベータの群管理
制御装置において、各評価指標重み付け値と群管理制御
対応結果との関係を交通需要によりあいまいに区分化し
たニューラルネットにより合成された関数モデルから成
る部分システムモデルの集合としてモデル化した部分モ
デル部と、 前記部分システムモデルと交通需要との関係を複数のメ
ンバーシップ関数によりあいまい表現し、これらのメン
バーシップ関数および前記部分システムモデルの結合関
係を記憶し、交通需要に基づき、前記部分システムモデ
ルに対する重みを演算する推論部と、　前記推論部と部
分モデル部から合成により群管理制御応答の推論結果を
演算する合成部とを備えたものである。

（作用） この発明のエレベータの群管理制御装置では、ビルの各
時刻の一定期間ごとの交通需要を推論部に人力すること
により部分システムモデルに対する重みを演算する。

各評価指標の制御パラメータを所定の範囲内にて変化さ
せた制御パラメータ組合せを部分モデル部にそれぞれ入
力し、前記重み値と共に合成部による連想機能により各
制御パラメータ組合せに対する群管理制御応答推論結果
を出力する。

そして、この推論結果を評価することにより最適な応答
推論結果に対応する制御パラメータを最適制御パラメー
タとして前記期間の制御パラメータとして割当制御部に
指令する。

そして、現在設定されている制御パラメータ値および前
記期間に応答した制御応答結果より、オンライン学習を
行い、部分モデル部および推論部の内部構造を変更して
適用能力の高い自律型システムを形成する。

こうして、各時刻でのホール呼びに対して最適な割当制
御を実施するのである。。

（実施例） 以下、この発明の実施例を図に基づいて詳説する。

第１図はこの発明の一実施例を示しており、１は群管理
制御部であり、この群管理制御部１は各単位エレベータ
の制御を行う単体制御部２−１〜２−Ｎおよび学習制御
部１−１と第１の伝送制御手段である高速伝送路６を介
して接続されている。

この群管理制御部１、学習制御部１−１および単体制御
部２−１〜２−Ｎは、ｔｌｊ数あるいは複数のマイクロ
コンピュータなどの小型計算機により構成されており、
ソフトウェアの管理下に動作する。

３は各階に設けられたホール呼びボタンであり、４はホ
ール呼びの人出力を行うホール呼び人出力制御部である
。そして、群管理制御部１、学習制御部１−１および単
体制御部２−１〜２−Ｎおよび各ホール呼び人出力制御
部４は、第２の伝送制御手段である低速伝送路７を介し
て接続されている。

高速伝送路６は、単体制御部２−１〜２−Ｎと群管理制
御部１および学習制御部１−１との間、すなわち、主に
機械室の制御計算機間の伝送を行う伝送制御系であり、
高速で高インテリジェントなネットワークで接続されて
いる。そして、群管理制御に必要な制御情報を群管理制
御部１、学習制御部１−１、各単体制御部２−１〜２−
Ｈの間で高速に授受している。

低速伝送路７は、各ホールのホール呼びボタン３、監視
室の監視盤５など、主に昇降路を介して情報の伝送を行
う制御系であり、高速伝送路６に比較して低速であり、
長距離のため光フアイバーケーブルなどにより構成され
ており、群管理制御部１、学習制御部１−１および単体
制御部２−１〜２−Ｎと接続され、データの授受を行っ
ている。

群管理制御部１が正常な場合、ホール呼びボタン３は低
速伝送路７を介して群管理制御部１にて制御され、ホー
ル呼びボタン３が押されると、ホール呼びゲートを閉じ
て登録ランプをセットすると共に、高速伝送路６を介し
て送られてくる単体制御部２−１〜２−Ｎの情報をベー
スに最適号機を決定し、単体制御部２−１〜２−Ｎの内
の該当するものに対して制御指令を行う。

そして、制御指令を受けた単体制御部はこの制御指令を
ホール呼び情報として単体制御を行う。

第２図はこの発明のエレベータの群管理制御装置の一実
施例における群管理制御部１と単体制御部２−１〜２−
Ｎのソフトウェアシステムの一例を示しており、このソ
フトウェアシステムは、オペレーティングシステムであ
るリアルタイムＯ８８により単体制御機能タスク９、群
管理制御メイン機能タスク１０、群管理制御サブ機能タ
スク１１、伝送制御タスク１２を管理する構成であり、
リアルタイムＯ３Ｓ内のスケジューラにより各タスク９
〜１２が起動されたりホールドされたりするようになっ
ている。

これらの各タスク９〜１２の内の単体制御機能タスク９
は、単体制御部２−１〜２−Ｎを動作させるための機能
であって、優先順位が高く設定されている。

群管理制御メイン機能タスク１０は、群管理制御部１の
中心となる機能であり、各単体制御部２−１〜２−Ｎに
分散した群管理制御サブ機能タスク１１より各号機ごと
の情報データを収集し、比較演算することにより最適合
機を決定し、該当号機に対して制御指令を行うと共に、
ホール呼び登録の制御を行う。

群管理制御サブ機能タスク１１は、群管理制御部１の各
号機単位の情報の処理を行なう機能であり、群管理制御
メイン機能タスク１０の制御の下に情報の処理を行なう
。すなわち、群管理制御メイン機能タスク１０を有する
コンピュータにより高速伝送路６を介してタスクの起動
、終結の管理を行なう構成となっており、マスターであ
る群管理制御メイン機能タスク１０からの指令により号
機単位に分散処理を行ない、群管理制御メイン機能タス
ク１０に対して処理完了時点でデータを搬送する。

伝送制御タスク１２は、高速伝送路６のデータの授受お
よび群管理制御サブ機能タスク１１の起動、終結の制御
を行なう。

第３図は、第１図の高速伝送路６のシステム構成を示す
ブロック図であり、伝送制御はマイクロプロセッサ１３
を用いて行なう構成であるが、例えばｌ５Ｏ（国際標準
化機構）が提唱するＬＡＮネットワークモデル階層のデ
ータリンク階層を制御する部分としてハードウェアで構
成されたデータリンクコントローラ１４とメディアアク
セスコントローラ１５とを用いてデータ伝送を高インチ
１月ジエントにて行なう構成とし、高速伝送制御に対し
てマイクロプロセッサ１３が管理する伝送制御ソフトウ
ェアの比率を軽減させる構成にしている。例えば、上記
の高インテリジェント伝送制御を実現するだめのコント
ローラであるデータリンクコントローラ１４としてイン
テル社（ＩＮ置社）のＬＳｆである１８２５８６が、ま
たメディアアクセスコントローラ１５として同じくイン
テル社のｉ　８２５０１などが実用化されているが、こ
れらを用いることにより１０Ｍ１１８７秒というような
高速伝送機能をマイクロプロセッサ１３のサポート比率
を軽減した形で比較的容易に行なえる。

なお、第３図において、１６はシステムバスであり、１
７は制御ライン、１８はシリアル伝送系である。

第４図は、この発明による学習制御部１−１の入出力信
号の流れを示す機能ブロック図であり、第５図は第４図
の学習制御部１−１のシステム構成の一例であり、第６
図および第７図はそれぞれ第５図の推論部、部分モデル
部の詳細システム構成を示している。

第４図において、群管理制御部１は上述したようにエレ
ベータ群システム２の単体制御部２−１〜２−Ｎにおけ
る群管理制御サブ機能タスク１１と協調をとり、ホール
呼び割当制御機能を実行する。このホール呼び割当制御
に用いられる評価アルゴリズムは、群管理性能上の各評
価指標を評価し、各評価値を最適な重み付け加算して総
合評価を行うものである。

学習制御部１−１は、制御パラメータとして各時刻別の
一定期間ごとに最適な評価指標重み付け値を群管理制御
部１へ送信する。

群管理制御部１は、単体制御部２−１〜２−Ｎからの情
報を基に各評価指標の評価値を演算し、制御パラメータ
により最適な重み付けを行い、最適号機に対して制御指
令を与える。

学習制御部１−１は、一定期間ごとにエレベータ群シス
テム２、すなわち、単体制御部２−１〜２−Ｎおよびホ
ール呼び人出力制御部４からの情報を基にして群管理制
御応答結果を入力し、オンライン学習のためのベースデ
ータとする。

次に、この学習制御部１−１の詳しい動作を第５図以降
の図面を用いて説明する。

学習制御部１−１の機能構成を説明すると、第５図に示
すように推論部２１と、部分モデル部２２と、合成部２
３と、推論結果評価部２４とで構成されている。

群管理制御部１における評価演算は一般に、複数の評価
指標ｇに対して行われ、ｉ号機に対してｇ＋　　（ｉ）
、　　ｇ２　（ｉ）、　　・・・・・・＋　　ｇ＊　　
（ｉ）と表わされ、総合評価値は各評価別割当評価値を
重み付け加算し、ｉ号機の総合評価値Ｅ１は、Ｅ、　　
−Σ　α、　・　ｇ＋　　（ｊ）と表現できる。

ここで、α１は各評価指標ｊにおける重み付け値であり
、学習制御部１−１より群管理制御部１へ送信される制
御パラメータである。

そこで、推論結果評価部２４は、各時間帯別の一定期間
ごとに交通需要を算出し、推論部２１に出力すると共に
、制御パラメータα、の組合せを所定範囲内にて生成し
、部分モデル部２２に対して出力し、結果として各制御
パラメータα１の組合せに対応する群管理制御応答推論
結果を評価し、最適な制御パラメータを設定する。

群管理制御応答結果を７１人力をＵとすると、ｙ−Ｆ（
ｕ） ・・・　（１） と表現できる。

なおここで、 Ｙ−（ｙｔ　　＋　　Ｙ２　　＋　　・・・・・・ｒｙ
ｎ）Ｔｕ＝（ｕａ、　　ｕｓ）”−（Ｃ，ａ）Ｔとする
。

この群管理制御応答結果ｙにおいて、”／ＩＩ”／２、
・・・・・・、ｙｏは一定時間におけるホール呼び応答
時間の発生率、平均乗合率、平均サービス時間などを表
わし、群管理性能を判定する上での評価基準データとな
る。

また人力Ｕにおいて、Ｃは交通需要を表わし、Ｃ”　　
（’　　１１　　　２　１　０３　）とすると、ＣＩ＋
　　２＋Ｃ３はそれぞれ全平均乗客発生間隔、基阜階へ
向かう平均乗客発生間隔を表わすデータであり、システ
ムの混雑度や人の流れなどのシステムの状況を表わすこ
とになる。

さらに、αは各評価指標別型み付け値（制御パラメータ
）であり、前述のように複数の評価指標ｇに対して α−（α１　、　α２　、　・・・・・・、　α、　）
と表わされる。このとき、推論部２１、部分モデル部２
２、合成部２３から成る対象モデルは、ｍ個の部分シス
テムモデルｆ＋　　（α）、（ｉ−１゜２、・・・・・
・、ｍ）の合成で表現され、（１）式は次式のように書
き直される。

ｙ−Σ　　（ａ、　　（Ｃ）　　　　ｆ　　−（α））
　　・・・　（２）ここで、ａ＋（Ｃ）は交通需要Ｃに
おける部分システムモデルｆ＋　　（α）の活性度を示
し、交通需要Ｃから得られるシステムの状況と部分モデ
ル部２２における部分システムモデルとの結合関係によ
り決まる。

次に、推論部２１および部分モデル部２２の各部につい
て説明する。

推論部２１は、第６図に示すように入力部２１−１と記
憶部２１−２と出力部２１−３とゲート２１−４とより
構成されており、推論結果評価部２４より交通π要Ｃを
受けて、これらから得られるシステムの状況により（２
）式における活性度ａ　＋　　（Ｃ）、（ｔ−１，２，
−−、ｍ）を出力する働きをする。

入力部２１−１はに個のニューロンからなるに次元の状
態ベクトルＶを持ち、入力される交通需要Ｃをメンバー
シップ関数φ１を通すことにより、各交通需要がそのメ
ンバーシップグレードで構成される部分入力ベクトルＣ
＋、（ｉ−１，２，・・・・・・、Ｍ）を出力する。こ
のＭ個の部分人力ベクトルは一括して人力ベクトルＣと
して前記人力状態ベクトルＶへ入力される。

また記憶部２１−２は、１個のニューロンから成るｒ次
元の状態ベクトルＸから成り、人力部２１−１と出力部
２１−３を関係付ける記憶部に相当する。

出力部２１−３は、ｍ個のニューロンから成るｍ次元の
状態ベクトルＺから成り、各要素Ｚｉ。

（Ｌ−１，２，・・・・・・、ｍ）が前記部分モデル部
２２の部分システムモデルｆｔ　　（α）に対応してい
る。

人力部２１−１および記憶部２１−２、記憶部２１−２
および出力部２１−３は、それぞれ相互ループを持ち、
また各部２１−１〜２１−３は自己ループを持っている
。

この関係は離散形式であって、次のように表現される。

Ｃ（ｋ）−φ（ｕ　（ｋ）　）　　　−（３，１）Ｖ　
　（ｋ＋１）　　− ψ　（ＷｖＣ”　　Ｃ（ｋ）＋Ｗｖｖ−Ｖ　　（ｋ）＋
Ｗｖｘ−Ｘ　　（ｋ））　　　−（３，２）Ｘ　　（ｋ
＋１）　　− ψ　（Ｗｖｘ’　Ｖ　　（ｋ＋　１）＋Ｗｘｘ’　Ｘ　
　（ｋ）＋ｗＸｚ−Ｚ　　（ｋ））　　　−（３，３）
Ｚ　　（ｋ＋１）　　− ψ　（Ｗｚｘ”　　Ｘ　　（ｋ＋　１）＋Ｗｚｚ・　Ｚ
　　（ｋ））・・・　（３，４） Ｖ　　（０）−Ｖ。、　　　　Ｘ　　（０）−Ｘ、。

Ｚ　　（０）　　−Ｚ　。、　　　ｋ≧Ｏここで、Ｗｖ
ＣはベクトルＣからベクトルＶへの荷重を表わすマトリ
ックスであり、ベクトルＶを構成するニューロンのベク
トルＣに対するシナプス荷重である。また、Ｗ　ＶＶ＋
　Ｗ　ＶＸ＋　Ｗ　ＸＸ＋　Ｗ　ＺＸ＋Ｗ２□について
も同様である。

さらにφはｊ次元のメンバーシップ関数であり、ψは各
次元に対応するシグモイド関数であり、人力される要素
ごとに、 の演算を行う。

ここでｋは時間を表わすパラメータであり、１増えるご
とに単位時間が経過する。

上記の（３，１）〜（３，４）式で各Ｗを適当に設定す
ることによって人力される需要Ｃ（ｕ（ｋ））に対する
部分システムモデルｆ、（α）。

（ｉ−１，２，・・・・・・、ｍ）の活性度が出力部２
１−３の状態ベクトルＺに時間経過を伴って現れてく　
　る　。

ゲート２１−４は設定された時間Ｔが経過すると開から
Ｚ＋（Ｔ）を部分システムモデルｆ（α）の活性度ａ、
（Ｃ）として出力する。

次に、部分モデル部２２は、第７図に示す構成であり、
制御パラメータαを人力することにより各部分システム
モデルごとに群管理制御応答結果ｆ＋　　（α）を出力
する働きを有する。また、部分モデル部２２における個
々の部分システムモデルｆ　＋　　（α）、（ｉ−１，
２，−・−・−、ｍ）は第８図に示すように多層のニュ
ーラルネットワークにより構成される。

これらはそれぞれ、その需要に対する制御パラメータα
と実システムの群管理制御応答結果の入出力データｉと
を格納している。そして、部分システムモデルｆ、（α
）は、この入出力データｉを教師データとしてパックプ
ロパゲーション法を用いて学習される。

各部分システムモデルｆＩは、第８図により入力Ｕが与
えられたとき、 ｙ　　（ｋ）　　−ｆ＋　　（ｕ　　（ｋ））の演算を
実行する。この演算処理は、 ｎｅｔｈ　　（ｋ）　　−Ｗｈｕ　（ｋ）　　・　ｕ　
　（ｋ）・・・　（４，１） ｈ　　（ｋ）　　−φ　（ｎｅｔｈ　　（ｋ）　　十〇
、（ｋ））・・・　（４，２） ｎｅｔｙ　　（ｋ）　　−Ｗ、ｈ　　（ｋ）　　・　ｈ
　　（ｋ）＋Ｗ、、、（ｋ）　　・　ｕ　　（ｋ）・・
・　（４，３） ｙ　　（ｋ）　　−φ　（ｎｅｔｙ　　（ｋ）　　十〇
、（ｋ））・・・　（４，４） ｋ　≧　０ ここで、ｗｈｕｌ　Ｗｙｈ＋　Ｗｖｕはシナプス荷重を
表わすマトリックスである。また、θ９．θ、はそれぞ
れ中間層ｈ１出力層ｙに対するバイアス値を表わすベク
トルである□。

各部分システムモデルｆ＋　　（ｕ）、（ｉ−１゜２、
・・・・・・、ｍ）はそれぞれが異なるシナプス荷重、
バイアスを持ち、演算を行う。

部分モデル部２２から人力されてくる部分システムモデ
ルの出力ｆｌ　（α）、　　ｆ２　　（α）、・・・・
・・【、（α）、および、推論部２１から人力される各
部分システムモデルに対する活性度ａ＋　　（Ｃ）　ｒ
８２　　（Ｃ）ｌ−・・−１ａ、、（Ｃ）を（２）式に
したがって合成し、群管理制御応答推論結果ｙとして推
論結果評価部２４に出力する。

推論結果評価部２４では、上記のように推論部２１、部
分モデル部２２、合成部２３から成る対象モデルに対し
て、人力ｕ（−（Ｃ，α）０）において、実システムの
交通需要に対して制御パラメータαの組合せを所定範囲
内にて生成し、人力Ｕとして与えることにより結果とし
て各制御パラメータαの組合せに対応する群管理制御応
答結果を評価し、最適な制御パラメータαを設定し、群
管理制御部１に送信する。

次に、オンラインにて得られるエレベータ群システム２
からの群管理制御応答結果による推論部２１、部分モデ
ル部２２のオンライン学習について説明する。

学習に関しては、推論結果とエレベータ群システム２か
らの応答結果の差異に基づいて、推論部２１の「確かさ
」および関係する部分システムモデルｆ、を修正する。

その修正量は、差異の大きさおよび活性度に比例させ、
その確かさに反比例させて行う。

第６図の推論部２１に示したように、推論部２１におけ
る確かさを修正するループは、出力部２１−３から記憶
部２１−２へのループ、すなわちマトリックスＷハに限
定する。このとき、マトリックスＷｘ□の（ｔ、ｊ）要
素Ｗ１１を、Ｗｚｓｗｐ、、　　　（ｉ−１，２，−、
ｍ）・・・　（５，１） Ｗ＋＋−Ｄ　Ｉ　＋　　（ｊ　”　　ｔ　）　　　　　
・・・　（５，２）のように修正する。

ここで、ｐｉ≧０は部分システムモデルｆ（α）に対す
る記憶の確かさを表わすパラメータであり、次式により
演算される。

一　ξ　・　Ｒ，（ｋ＋１）　　＋　ζ・・・　（６，
１） Ｒ，（ｋ＋１）　　− １−ｅｘｐ［−β　（Ｎ （ｋ＋１）　　＋　γ）］ ・・・　（６，２） Ｎ、　　　（ｋ　　＋　ｔ　）　− Ｎ＋（ｋ）　　＋　δ　Ｎ ・・・　（６，３） ・・・　（６，４） ここで、η、β、γ、ξ、ζはそれぞれ定数、Ｒ，、Ｎ
、はそれぞれ部分システムモデルｆ（α）の習熟度およ
び学習進度である。

学習進度Ｎ、（ｋ）は部分システムモデルｆ（α）のに
回学習した後の学習の進み具合を表わしており、活性度
ａ１に比例し、現在の習熟度Ｒ（ｋ）に反比例する度合
δＮ、（最大１）で変化する。そして、（６，３）式で
計算される新たな学習進度Ｎ、（ｋ＋１）に対して、新
たな習熟度Ｒ，（ｋ＋１）が（６，２）式により求まる
。

一方、部分システムモデルｆ、（α）の修正は、パック
プロパゲーション法により行う。この際に、各部分シス
テムモデルｆ１　（α）が持つ人出力データを書換える
。所定時間帯ごとの一定期間が終了すると、前記時間帯
の応答結果を基に群管理制御応答結果の演算を行い、前
記時間帯での制御パラメータと共に入出力データ Ｄｏ　　””　　（ｕ　０　、　Ｙｏ　　）Ｌｌ　ａ　
　””　　（Ｃｏ　　　＋　　α。）Ｔを生成する。

このとき、部分システムモデルｆ＋　　（α）が持つ人
出力データ（Ｄ、、Ｄ、、・・・・・・、Ｄ、）を書換
える。

すべての入出力データをスキャンし、そのαとα。との
距離の２乗 ｄ　α−１α−α。　Ｉ　２　　　　　　　・・・　（
７，１）を求め、近いものから順に２つのデータ［）　
（Ｉ　ｍ　ｌ　１Ｄ（２＋＋ｄｌを抽出する。

この２つのデータＤ（Ｉ＠１１　、　Ｄ　＋２＋＋ｄｌ
について、そのｙとｙｏとの距離の２乗 ｄｙ−１ｙ−ｙｏ　１２　　　　・・・（７，２）を求
め、その後、［）　（ｌ　ｍ　１１　ｐ＋２＋＋ｄ）を
次式によって修正する。

ｙ３１ａｌｌ　　− ρ＋　　０　ｙ−＋（１−ρ１　）　、ｙ（１・１）・
・・　（７，３） ｙ　（２”ｄｌ　　＝ ρ２　Φ　ｙ　、ｌ　＋　　（１−ρ２　）　争　ｙ（
２″″′・・・　（７，４） ρ　１　１ ・・・　（７，６） （以下余白） ρ２−（１ に）　・　δＮ 上記の（７，３）、（７，４）式により部分システムモ
デルにおける人出力データが書換えられ、書換え後の人
出力データを教師データとしてバックプロパゲーション
法により部分システムモデルの荷重マトリックスの修正
を以下の手順により行つＯ δｙ（ｋ）　　− φ　−（ｎｅｔｙ　　（ｋ）　　十〇、（ｋ））＊　（
ｙ”　　（ｋ）　　−ｙ　　（ｋ））・・・　（８，１
） δ　ｈ（ｋ）” φ　−（ｎｅｔｈ　　（ｋ）　　＋θｈ（ｋ））＊Ｗ＝
、ｈ・　δ、　（ｋ） ・・・　（８，２） （以下余白） ΔＷ　ｖｈ　　（ｋ　＋　ｌ　）　　−η、ｈ（ｋ）　
　・δ、　（ｋ）・ｈ−（ｋ）＋α、ｈ・　ΔＷ、ｂ（
ｋ） （８，３） ΔＷｈ、（ｋ＋１）− ηＴｈ、（ｋ）　　・　δ、　（ｋ）　　・　ｕ　　　
（ｋ）＋α、・　ΔＷｂ、（ｋ） （８，４） ΔＷ、、（ｋ＋１）− η、、（ｋ）　　・　δ、　（ｋ）　・　ｕ　　　（ｋ
）＋α、Ｕ・　ΔＷ、、（ｋ） （８，５） Ｗｙｈ（ｋ＋１）− Ｗ、ｈ（ｋ）　　＋ΔＷ、ｈ（ｋ＋１）（８，６） Ｗ□　（ｋ＋１）　　− Ｗｈ、（ｋ）　　＋ΔＷｈＭ　（ｋ＋　１）（８，７） Ｗ、、（ｋ＋１）− Ｗ、、（ｋ）　　＋ΔＷ、。（ｋ＋１）（８，８） ΔＷ、ｈ（０）−０，ΔＷ、、（０）−０゜ΔＷ、、（
０）−０，Δθ、（０）−０゜Δ　θ、（０）−０ ここで、ｙｌ′は教師データであり、 ｙ”−ｙ１２＜ε がすべてのｙ８について成立するまでｋをインクリメン
トして繰り返す。

ここで、Ａ＊Ｂとは、行列ＡおよびＢの要素ごとの積を
表わしており、η、αは学習パラメータである。

上記の演算により、部分システムモデルの荷重マトリッ
クスを群管理制御応答結果が入力するたびに修正し、再
学習する。

以上に詳述したように、推論部２１、部分モデル部２２
、合成部２３、および推論結果評価部２４から成る学習
制御部１−１を構成することにより、ホール呼びの割当
制御において、群管理性能上の各評価指標に対する重み
付け値である制御パラメータを交通需要に応じて最適化
することができ、各ビル固有の評価基準に対しても最適
な制御パラメータを自動的に設定することができる。

また、推論部２１、部分モデル部２２は群管理制御応答
結果によりオンライン学習ができるため、適用能力の高
い自律型システムを形成できる。

なお、この発明は、上記の実施例に限定されるものでは
なく、群管理制御応答結果、制御パラメータ、交通需要
などの詳細構成はそれぞれの意図する範囲内で変更して
も同様に扱うことができることは明白である。

［発明の効果］ 以上のようにこの発明によれば、各評価指標の制御パラ
メータと群管理制御応答結果との関係を交通需要により
あいまいに区分したニューラルネットにより合成された
関数モデルから成る部分モデル集合としてモデル化した
部分モデル部と、各部分モデルと交通需要の関係を複数
のメンバーシップ関数により関係付けた推論部と、前記
推論部と部分モデル部から合成により群管理制御応答結
果を演算する合成部とを備えて成る学習制御部を持つこ
とにより、各ビルごとの任意の交通需要に対して各評価
指標の制御パラメータと群管理制御応答結果との関係が
定量的に推定できるため、交通需要により変化し、最適
な制御パラメータの設定が困難であった従来システムに
対して、連続して変化する交通需要に対して各時間帯ご
とに最適な制御パラメータを設定することができるよう
になる。

また、ホテル、テナントビル、−社専有ビルなどビル用
途により「最適」の評価基準が異なる場合であっても、
群管理制御応答結果を評価することにより各ビル用途に
応じた最適な制御パラメータを設定することができる。

しかも、この発明では、ビル稼動後、発生した交通需要
と完全に一致するデータが無い場合においても、推論部
、部分モデル部、合成部により構成するシステムの連想
機能によ各制御パラメータに対する群管理制御応答推定
結果を出力するため、任意の交通需要に対応することが
でき、一定期間に応答した実システムからのオンライン
学習により部分モデル部および推論部の内部構造を自動
的に変更し、能力の高い自律システムを形成することが
できる。

そして、これらの特徴より、多種多様なビル構成および
客先ニーズに対して常に最適なホール呼び割当制御を実
現することができる。

【図面の簡単な説明】

第１図はこの発明の群管理制御装置の一実施例のブロッ
ク図、第２図は上記実施例の群管理制御部および単体制
御部のソフトウェアシステムの構成図、第３図は上記実
施例の高速伝送路のシステム構成図、第４図は上記実施
例の学習制御部の入出力信号の流れを示す機能ブロック
図、第５図は上記実施例の学習制御部のシステム構成図
、第６図は上記実施例の推論部のシステム構成図、第７
図は上記実施例の部分モデル部のシステム構成図、第８
図は上記部分モデル部の各部分システムモデルの構成図
である。 １・・・群管理制御部　１−１・・・学習制御部２・・
・エレベータ群システム ２−１〜２−Ｎ・・・単体制御部 ３・・・ホール呼びボタン ４・・・ホール呼び人出力制御部 ５・・・監視盤　　　　　　６・・・高速伝送路７・・
・低速伝送路 ２１・・・推論部　　　　　２２・・・部分モデル部２
３・・・合成部　　　　　２４・・・推論結果評価部１
（理人弁理士三好秀和 ５ 第３図 第４図 制御 パラメータ 応答結果 第５図 第７図 結果

Claims (1)

1. 【特許請求の範囲】 複数の階床に対して複数台のエレベータを就役させ、発
   生した共通のホール呼びに対して所定の評価演算を行い
   、最適号機に前記ホール呼びを割り当てるエレベータの
   群管理制御装置において、各評価指標重み付け値と群管
   理制御対応結果との関係を交通需要によりあいまいに区
   分化したニューラルネットにより合成された関数モデル
   から成る部分システムモデルの集合としてモデル化した
   部分モデル部と、 前記部分システムモデルと交通需要との関係を複数のメ
   ンバーシップ関数によりあいまい表現し、これらのメン
   バーシップ関数および前記部分システムモデルの結合関
   係を記憶し、交通需要に基づへ、前記部分システムモデ
   ルに対する重みを演算する推論部と、 前記推論部と部分モデル部から合成により群管理制御応
   答の推論結果を演算する合成部とを備えて成るエレベー
   タの群管理制御装置。