JPH0873140A - エレベータの群管理制御装置 - Google Patents

Abstract

(57)【要約】 【目的】早い段階でビル用途や時間帯に適合したニュー
ラルネットの学習機能の使用が可能となり、群管理性能
の向上を図ることができる群管理制御装置を得る。 【構成】ニューラルネットの学習機能を割当制御に応用
しものであって、所定条件を満たした交通需要および荷
重を表すマトリックスW を入力し、各部分システムモデ
ルの活性度a を出力する推論部21と、所定範囲内の制御
パラメータの組合せを入力し、各部分システムモデル毎
に群管理制御応答結果fmを出力する部分モデル部22と、
22からのfmおよび21からのa を入力し、両者を合成して
群管理制御応答推論結果y を出力する合成部23と、23か
らのy および各時間帯別の一定時間毎に交通需要を算出
し21に出力し、所定の条件を満たしたとき制御パラメー
タを出力すると共に、制御パラメータの組合せを所定範
囲内に生成し22に出力する推論結果評価部24と、23から
のy と24からの応答結果の差異に基づいて所定の条件を
満たしたとき21の確かさおよび22のシステムを修正する
システム調整部25を備えたもの。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、複数の階床に対してエ
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。

【０００２】

【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及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ファジィ推論やニューラル
ネットにて演算し、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。

【０００３】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たものを総合評価として
最適号機を決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。

【０００４】このような方式の群管理制御装置におい
て、最近では、ファジィ推論をあいまい性の多分にある
ホール呼びに応答するまでの予測到着時間の評価、乗車
人数の満員度の評価に応用したり、ビルの交通需要と上
記評価値の重み付け値との関係をニューラルネットを応
用して学習させておき、時間帯やビル用途による交通需
要の変化に対応して適度な評価指標の重み付け値を選択
したりして、割当制御の性能を向上させている。

【０００５】ファジィ推論を応用する上においては、メ
ンバシップ関数の設定やＩＦ−ＴＨＥＮルールの作成が
重要となるが、エキスパートの経験やエンジニアリング
ワースステーションなどのコンピュータによるシミュレ
ーションによって割当制御に適応したシステムの構築が
可能となっている。

【０００６】これに対しニューラルネットの応用に際し
ては、ニューラルネットに覚え込ませる割当制御に関す
るデータやパラメータ等の教師データがシステムに適し
たものでなければならないためオンラインでシステム稼
働時のデータを適宜抽出して、そのデータを教師データ
としてニューラルネットを自動調整させてビル用途や時
間帯に応じたニューラルネットの構築を行わせている。

【０００７】しかしながら、ニューラルネットがある程
度ビル用途や時間帯に適応した後、ニューラルネットを
応用する、すなわちあるデータをニューラルネットに入
力して出力されたデータを割当制御に使用することが望
ましいが、ニューラルネットが適応したか否かの判断が
難しく、応用するタイミングによって割当制御性能に影
響を及ぼすこととなる。

【０００８】また、ニューラルネットが完全にビル用途
や時間帯に完全に適応するまでには時間がかかるため
に、ニューラルネット応用後も実使用状態にて得られた
結果データから抽出した教師データに基づいてニューラ
ルネットの再学習を適宜行う必要があるが、再学習と言
っても、教師データの内容におかしなデータが含まれて
いると、ニューラルネットの特徴上おかしなデータを出
力しかねないし、また一度おかしなデータをニューラル
ネットに覚え込ませるとニューラルネットからそのデー
タを外すことは困難となるためにに結果データの収集や
教師データの抽出方法も重要となってくる。

【０００９】

【発明が解決しようとする課題】これに対しニューラル
ネットを応用するタイミングの判断方法として実使用状
態にて得られた結果データが完全に安定するまで待つも
のが提案されているが、安定するにはかなりの時間を要
するためそれまではニューラルネットを使用しないとい
うわけにはいかず、新たな判断方法でニューラルネット
の使用開始を行う必要がある。

【００１０】本発明は、このような問題に鑑みてなされ
たものであり、早い段階でビル用途や時間帯に適合した
ニューラルネットの学習機能の使用が可能となり、群管
理性能の向上を図る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。

【００１１】

【課題を解決するための手段】前記目的を達成するた
め、請求項１に対応する発明は、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により最適な号機を割当てる
にあたり、少なくともニューラルネットの学習機能を割
当制御に応用し、ビル稼働後の実使用状態に応じて前記
ニューラルネットの結合状態を修正するものを含むエレ
ベータの群管理制御装置において、所定条件を満たした
交通需要および荷重を表すマトリックスを入力し、各部
分システムモデルの活性度を出力する推論部と、所定範
囲内の制御パラメータの組合せを入力し、各部分システ
ムモデル毎に群管理制御応答結果を出力する部分モデル
部と、この部分モデル部からの群管理制御応答結果およ
び前記推論部からの各部分システムモデルの活性度を入
力し、両者を合成して群管理制御応答推論結果を出力す
る合成部と、この合成部からの群管理制御応答推論結果
および各時間帯別の一定時間毎に交通需要を算出し前記
推論部に出力し、所定の条件を満たしたとき制御パラメ
ータを出力すると共に、制御パラメータの組合せを所定
範囲内に生成し前記部分モデル部に出力する推論結果評
価部と、前記合成部からの群管理制御応答推論結果と前
記推論結果評価部からの応答結果の差異に基づいて所定
の条件を満たしたとき前記推論部の確かさおよび前記部
分モデル部のシステムを修正するシステム調整部と、を
備えてなるエレベータの群管理制御装置である。

【００１２】

【作用】請求項１に対応する発明によれば、ニューラル
ネットの使用を実使用状態から得られた結果データとニ
ューラルネットの出力との差が所定値以下でありこの状
態が所定回数継続したときを条件として、自動的に開始
するため、従来の結果データが完全に安定するまで待つ
ものと比べ時間が短縮され、システムの適応が促進され
る。またニューラルネット使用後も的確な教師データが
抽出され再学習が行われるため、よりビルの用途や時間
帯に適合したニューラルネットの構築が可能となり、群
管理性能の向上が図れる。

【００１３】

【実施例】以下、本発明の実施例について図面を参照し
て説明する。図１は、本発明によるエレベータの群管理
制御装置の全体的なシステム構成例を示すブロック図で
ある。

【００１４】図１において、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に、それぞれ第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。

【００１５】この場合の群管理制御部１、学習制御部１
−１および単体制御部２−１〜２−Ｎは、単数あるいは
複数のマイクロコンピュータ等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。

【００１６】一方、ホール呼びボタン３は、各階床に設
けられており、ホール呼びを行う際に押圧操作され、ホ
ール呼び入出力制御部４はホール呼びの入出力の制御を
行う。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、ならびに各ホール呼び入
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。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。また、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、単数あるいは複
数のマイクロコンピュータ等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。

【００１７】一方、ホール呼びボタン３は、各階床に設
けられており、ホール呼びを行う際に押圧操作され、ホ
ール呼び入出力制御部４はホール呼びの入出力の制御を
行う。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、ならびに各ホール呼び入
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。

【００１８】ここで、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−Ｎの間で高速に授受している。

【００１９】また、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等、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、長距離のため光ファイバーケーブル等
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。

【００２０】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２−１〜２−Ｎ
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。

【００２１】図２は、本発明によるエレベータの群管理
制御装置における、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す図であ
る。図２において、本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ＯＳ８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１
０、群管理制御サブ機能タスク１１、伝送制御タスク１
２を管理する構成であり、リアルタイムＯＳ８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。

【００２２】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
るための機能タスクであって、優先順位が高く設定され
ている。

【００２３】また、群管理制御メイン機能タスク１０
は、群管理制御部１の中心となる機能タスクであり、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より各号機毎の情報データを収集し、比較
演算することによって最適号機を決定し、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。

【００２４】さらに、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う機
能タスクであり、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う。

【００２５】すなわち、群管理制御メイン機能タスク１
０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。

【００２６】さらにまた、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、終結の制御を行う。図３は、図１にお
ける高速伝送路６のシステム構成例を示すブロック図で
ある。 図３において、伝送制御はマイクロプロセッサ
１３を用いて行う構成であるが、例えばＩＳＯ（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
インテリジェントにて行うようにし、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としている。 例えば、
上記の高インテリジェント伝送制御を実現するためのコ
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（ＩＮＴＥＬ社）のＬＳＩであるｉ８２
５８６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ｉ８２５０１等が実用化されて
いるが、これらを用いることにより、１０Ｍビット／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うことが
できる。

【００２７】なお、図３において、１６はシステムバス
であり、１７は制御ライン、１８はシリアル伝送系であ
る。一方、図４は本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、図５は図４におけ
る学習制御部１−１のシステム構成の一例を示す図、図
６および図７はそれぞれ図５における推論部、部分モデ
ル部の詳細なシステム構成例を示す図である。

【００２８】まず、図４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。

【００２９】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。

【００３０】また、学習制御部１−１は、一定期間毎に
群管理制御部１を介して送信される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
呼び入出力制御部４からの情報を基にして、交通需要お
よび群管理制御応答結果を生成し、交通需要からは最適
な制御パラメータを設定し、群管理制御応答結果はオン
ライン学習のためのベースデータとする。

【００３１】そして、学習制御部１−１は、各時刻別の
一定期間毎に設定された上記制御パラメータを、最適な
評価指標重み付け値として群管理制御部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、学習制御部１−
１から送信された制御パラメータにより上記評価値に最
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。

【００３２】次に、この学習制御部１−１の詳細な動作
について、図５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、図５に示すように、
推論部２１と、部分モデル部２２と、合成部２３と、推
論結果評価部２４と、システム調整部２５とから構成さ
れている。

【００３３】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ｌに対して行われ、ｉ号機に対し
て、 ｇ₁ （ｉ）、ｇ₂ （ｉ）、……、ｇ_i （ｉ） と表され、総合評価値は、各評価別割当評価値を重み付
け加算することによって求められ、ｉ号機の場合の総合
評価値Ｅ_i は、

【００３４】

【数１】 と表現される。

【００３５】ここで、α_j 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毎に交通需要を算出
し所定の条件を満たした時、推論部２１に対して出力す
ると共に、制御パラメータα_j 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、その結果
として各制御パラメータα_j の組合せに対応する群管理
制御応答推論結果をエレベータ設置ビルの用途に応じて
評価し、最適な制御パラメータを設定する。

【００３６】群管理制御応答推論結果をｙ、学習制御部
１−１への入力をｕとすると、合成部２３における演算
は、 ｙ＝Ｆ（ｕ） …（１） と表現できる。なお、ここで、 ｙ＝（ｙ₁ 、ｙ₂ 、…、ｙ_n ）^T ｕ＝（ｕ_s 、ｕ_e ）^T ＝（Ｃ、α）^T とする。

【００３７】この群管理制御応答推論結果ｙにおいて、
ｙ₁ 、ｙ₂ 、…、ｙ_n 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、平均サービス時間等の
推論結果を表し、群管理性能を判定する上での評価基準
データとなる。

【００３８】また、入力ｕにおけるＣは交通需要を表
し、 Ｃ＝（Ｃ₁ 、Ｃ₂ 、Ｃ₃ ） とすると、Ｃ₁ 、Ｃ₂ 、Ｃ₃ は、それぞれ全平均乗客発
生間隔［ｓ／人］、基準階における平均乗客発生間隔、
基準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等のシステムの状況を
表わすことになる。

【００３９】さらに、αは各評価指標重み付け値（制御
パラメータ）であり、前述のように、複数の評価指標ｌ
に対して、 α＝（α₁ 、α₂ 、…、α_l ） と表わされる。

【００４０】そこで、推論部２１、部分モデル部２２、
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_i （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せることにな
る。

【００４１】

【数２】

【００４２】ここで、ａ_i （Ｃ）は交通需要Ｃにおける
部分システムモデルｆ_i （α）の活性度を示し、群管理
制御応答推論結果ｙは、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。

【００４３】次に、推論部２１、部分モデル部２２、推
論結果評価部２４、およびシステム調整部２５の各部の
システム構成について説明する。まず、推論部２１は、
図６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とから構成され
ており、推論結果評価部２４より交通需要Ｃを受けて、
これらから得られるシステムの状況により、活性度を表
わす（２）式のａ_i （Ｃ）、（ｉ＝１，２，…，ｍ）を
出力する働きをする。

【００４４】ここで、入力部２１−１は、ｋ個のニュー
ロンから成るｋ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φ_i を通すことによ
り、各要素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 、（ｉ＝１，２，…，ｍ）を出力
する。このＭ個の部分入力ベクトルｃ_i は、一括して入
力ベクトルＣとして上記入力状態ベクトルＶへ入力され
る。

【００４５】また、記憶部２１−２は、ｒ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、入力部２
１−１と出力部２１−３とを関係付ける記憶部に相当す
る。さらに、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Ｚ_i 、
（ｉ＝１，２，…，ｍ）が上記部分モデル部２２の部分
システムモデルｆ_i （α）に対応している。

【００４６】なお、入力部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。

【００４７】この関係は、離散方式であって、次のよう
に表現される。 Ｃ（ｋ）＝φ（ｕ（ｋ）） … （３．１） Ｖ（ｋ＋１）＝ψ（Ｗ_vc・Ｃ（ｋ）＋Ｗ_vv・Ｖ（ｋ）＋Ｗ_vx・Ｘ（ｋ）） … （３．２） Ｘ（ｋ＋１）＝ψ（Ｗ_xv・Ｖ（ｋ＋１）＋Ｗ_xx・Ｘ（ｋ）＋Ｗ_xz・Ｚ（ｋ）） … （３．３） Ｚ（ｋ＋１）＝ψ（Ｗ_zx・Ｘ（ｋ＋１）＋Ｗ_zz・Ｚ（ｋ）） … （３．４） Ｖ（０）＝Ｖ₀ 、 Ｘ（０）＝Ｘ₀ 、 Ｚ（０）＝Ｚ₀ ｋ≧０ ここで、Ｗ_vc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り、また、
Ｗ_vv、Ｗ_vx、Ｗ_xv、Ｗ_xx、Ｗ_zx、Ｗ_zzについても同様で
ある。

【００４８】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、入力され
る要素毎に、 ｆ（ｘ）＝１／｛１＋ｅｘｐ（−ｘ）｝ … （３．５） の演算を行う。

【００４９】さらに、ｋは時間を表わすパラメータであ
り、１増える毎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
り、入力される需要Ｃ（ｕ（ｋ））に対する部分システ
ムモデルｆ_i （α）、（ｉ＝１，２，…，ｍ）の活性度
が、出力部２１−３の状態ベクトルＺに時間経過を伴っ
て現れてくる。

【００５０】さらにまた、ゲート２１−４は、設定され
た時間Ｔが経過すると開かれ、Ｚ_i（Ｔ）を部分システ
ムモデルｆ_i （α）の活性度ａ_i （Ｃ）として出力す
る。次に、部分モデル部２２は、図７に示すようなシス
テム構成であり、制御パラメータαを入力することによ
り、各部分システムモデル毎に群管理制御応答結果ｆ_i
（α）を出力する働きを有する。

【００５１】この部分モデル部２２における個々の部分
システムモデルｆ_i （α）、（ｉ＝１，２，…，ｍ）
は、図８に示すように、多層のニューラルネットワーク
によって構成され、これらはそれぞれある特定の需要Ｃ
_i に対応しており、それぞれが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力出
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_i （α）は、この入出力データｉを教師データと
して、バックプロパゲーション法を用いて学習される。

【００５２】図８に詳しく示されているように、各部分
システムモデルｆ_i は、入力ｕが与えられた時、 ｙ（ｋ）＝ｆ_i （ｕ（ｋ）） の演算を実行する。この演算処理は、 ｎｅｔｈ（ｋ）＝Ｗ_hu（ｋ）・ｕ（ｋ） … （４．１） ｈ（ｋ）＝ψ（ｎｅｔｈ（ｋ）＋θ_h （ｋ）） … （４．２） ｎｅｔｙ（ｋ）＝Ｗ_yh（ｋ）・ｈ（ｋ）＋Ｗ_yu（ｋ）・ｕ（ｋ） … （４．３） ｙ（ｋ）＝ψ（ｎｅｔｙ（ｋ）＋θ_y （ｋ）） … （４．４） ｋ≧０ ここで、Ｗ_hu、Ｗ_yh、Ｗ_yuは、シナプス荷重を表わすマ
トリックスである。また、θ_h 、θ_y は、それぞれ中間
層ｈ、出力層ｙに対するバイアス値を表わすベクトルで
ある。

【００５３】各部分システムモデルｆ_i （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。合成部２３では、部分モ
デル部２２から入力されてくる部分システムモデルの出
力ｆ₁ （α）、ｆ₂ （α）、…、ｆ_m （α）、および推
論部２１から入力される各部分システムモデルに対する
活性度ａ₁ （Ｃ）、ａ₂ （Ｃ）、…、ａ_m （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。

【００５４】次に、推論結果評価部２４では、後で詳し
く説明するように、上記のように、推論部２１、部分モ
デル部２２、合成部２３からなる対象モデルに対して、
入力ｕ（＝Ｃ、α） ）において、実システムに対して
制御パラメータαの組合せを所定範囲内にて生成し、入
力ｕとして与えることにより、その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、所定の条件を
満たした時には、最適制御パラメータを、満たさない時
にはデフォルト制御パラメータを群管理制御部１に送信
する。

【００５５】次に、オンラインにて得られる群管理制御
部１からの交通需要、群管理制御応答結果、また推論結
果評価部２４からの制御パラメータによって、システム
調整部２５で行われる推論部２１、部分モデル部２２の
オンライン学習について説明する。

【００５６】システム調整部２５は、図１１に示すよう
に、差異検出部２５−１と、推論修正部２５−２と、入
出力データ修正部２５−３と、入出力データ群２５−４
１〜２５−４ｍと、部分システムモデル修正部２５−５
とから構成されており、群管理制御応答推論結果ｙと群
管理制御部１からの応答結果の差異に基づいて所定の条
件を満たした時に、推論部２１の「確かさ」ｐ_i 、およ
び関係する部分システムモデルｆ_i を修正する働きをす
る。その修正量は、活性度ａ_i に正比例させ、習熟度Ｒ
_i （ｋ）に反比例させて行う。

【００５７】ここで、差異検出部２５−１は、図１２に
示すようなデータ構造を持ったテーブルから各時間帯毎
の推論結果ｙと応答結果ｙ₀ のデータを取り出し、前記
データの差異が（５）式を満たす時、 ｜ｙ−ｙ₀ ｜／ｙ₀ ≧Ｄ_ef0 … （５） 修正量の元となる度合δＮ_i を（６．４）式をより算出
して、推論部修正部２５−２、および入出力修正部２５
−３に出力する。

【００５８】また、図１３のフローチャートに示すよう
に、（５）式を満たさない状態が所定回数Ｎ_lim 回が継
続したときには（Ｓ１０，Ｓ１１，Ｓ１２，Ｓ１３）、
最適制御パラメータαを設定する（Ｓ１４）。Ｓ１３に
おいて、ｃｎｔｉ≧Ｎ_lim を満たさないときは、デフォ
ルトの制御パラメータαを制御パラメータ設定部２４ー
５に対して設定するように指令する（Ｓ１７）。カウン
タは、（５）式を満たさないときには、インクリメント
され、満たさないときはにはクリアされる（Ｓ１５）。
ここで、Ｄ_ef0 は定数であり、修正するか否かいずれか
の制御パラメータを設定するか否かの判断基準となる。

【００５９】また、推論部修正部２５−２では、図６に
示した推論部２１における確かさを修正するループのう
ち、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_xzに限定する。この時、推論部修
正部２５−２は、マトリックスＷ_xzの（ｉ，ｊ）要素ｗ
_ijを、 ｗ_ii＝ｐ_i （ｉ＝１，２，…，ｍ） … （６．１） ｗ_ji＝ｐ_i （ｊ≠ｉ） … （６．２） のように修正する。

【００６０】ここで、ｐ_i ≧０は、部分システムモデル
ｆ_i （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。 ｐ_i ＝ξ・Ｒ_i （ｋ＋１）＋ζ … （７．１） Ｒ_i （ｋ＋１）＝１−ｅｘｐ［−β（Ｎ_i （ｋ＋１）＋γ）］… （７．２） Ｎ_i （ｋ＋１）＝Ｎ_i （ｋ）＋δＮ_i … （７．３） δＮ_i ＝ｍｉｎ｛１、η・（ａ_i ／Ｒ_i （ｋ））｝ … （７．４） ここで、η、β、γ、ξ、ζはそれぞれ定数、Ｒ_i およ
びＮ_i はそれぞれ部分システムモデルｆ_i （α）の習熟
度および学習進度である。そして、この学習進度Ｎ_i
（ｋ）は、部分システムモデルｆ_i （α）のｋ回学習し
た後の学習の進み具合を表わしており、活性度ａ_i に比
例し、現在の習熟度Ｒ_i （ｋ）に反比例する度合δＮ_i
（最大値１）で変化する。そして、（７．３）式で計算
される新たな学習進度Ｎ_i （ｋ＋１）に対して、新たな
Ｒ_i （ｋ＋１）が（７．２）式によって決まり、最終的
に修正された確かさｐ_i が（７．１）式により求まる。

【００６１】一方、部分システムモデルｆ_i （α）の修
正は、入出力データ修正部２５−３、入出力データ群２
５−４１〜４ｍ、および部分システムモデル修正部２５
−５にて行う。

【００６２】まず、入出力データ修正部２５−３は、修
正度合δＮ_i 、制御パラメータα₀、群管理応答結果ｙ₀
より、各部分システムモデルｆ_i （α）が持つ入出力
データ群２５−４１〜４ｍを書き換える。そして、この
書換えた入出力データ２５−４ｉを教師データとして、
バックプロパゲーション法により追加ないし再学習を部
分システムモデル修正部２５−５で行い、旧部分システ
ムモデルｆ_i と学習後の新部分システムモデルｆ_i とを
入れ替える。

【００６３】次に、入出力データの修正の方法について
説明する。入出力データ修正部２５−３は、所定時間帯
毎の一定期間が終了すると、上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、上記時間帯での制
御パラメータと共に、入出力データ Ｄ₀ ＝（ｕ₀ ）、 ｕ₀ ＝（Ｃ₀ ＊α₀ ） を生成する。

【００６４】この時、部分システムモデルｆ_i （α）が
持つ入出力データ（Ｄ₁ ，Ｄ₂ ，…，Ｄ_L ）を書き換え
る。入出力データ群２５−４１〜４ｍから全ての入力デ
ータをスキャンし、そのαとα₀ との距離の２乗 ｄα＝｜α−α₀ ｜² … （８．１） を求め、近い（ｄαが小さい）ものから順に２つのデー
タＤ^(1st) 、Ｄ^(2nd) を抽出する。

【００６５】ここで、 Ｃ^(1st) ＝Ｃ₀ かつｄ^(1st) α＞０ … （８．１´） の場合には、例外的にＤ₀ を新たに入力データＤ_L+1 と
して追加登録する。

【００６６】また、（８．１´）式が成立しない場合に
は、上記２つのＤ^(1st) 、Ｄ^(2nd)について、そのＣと
Ｃ₀ との距離の２乗 ｄ_c ＝｜Ｃ−Ｃ₀ ｜² … （８．２） を求め、その後、Ｄ^(1st) 、Ｄ^(2nd) を次式によって修
正する。ただし、ｙ´^(1st) 、ｙ´^(2nd) は、修正後の
出力データである。

【００６７】 ｙ´^(1st) ＝ρ₁ ・（ｙ₀ ＋（１−ρ₁ ）・ｙ^(1st) … （８．３） ｙ´^(2nd) ＝ρ₂ ・（ｙ₀ ＋（１−ρ₂ ）・ｙ^(2nd) … （８．４） κ＝１／（γ・Ｄ^(1st) α＋１） … （８．５） ρ₁ ＝δＮ_i ・｛１／（λＤ^(1st) Ｃ＋１）｝ … （８．６） ρ₂ ＝（１−κ）・δＮ_i ×｛１／（λＤ^(2nd) Ｃ＋１）｝ ×｛１／（λＤ^(2nd) α＋１）｝ … （８．７） 上記の（８．３）、（８．４）式により、部分システム
モデルにおける入出力データが書き換えられ、書き換え
後の入出力データを教師データとして、部分システムモ
デル修正部２５−５では、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う。

【００６８】 δ_y （ｋ）＝ψ´｛ｎｅｔｙ（ｋ）＋θ_y （ｋ）｝＊｛ｙ^* （ｋ）−ｙ（ｋ） ｝ … （９．１） δ_h （ｋ）＝ψ´｛ｎｅｔｈ（ｋ）＋θ_h （ｋ）｝＊Ｗ´_yh・δ_y （ｋ） … （９．２） ΔＷ_yh（ｋ＋１）＝η_yh（ｋ）・δ_y （ｋ）・ｈ´（ｋ）＋α_yh・ΔＷ_yh（ｋ ） … （９．３） ΔＷ_hu（ｋ＋１）＝η_hu（ｋ）・δ_h （ｋ）・ｕ´（ｋ）＋α_hu・ΔＷ_hu（ｋ ） … （９．４） ΔＷ_yu（ｋ＋１）＝η_yu（ｋ）・δ_y （ｋ）・ｕ´（ｋ）＋α_yu・ΔＷ_yu（ｋ ） … （９．５） Ｗ_yh（ｋ＋１）＝Ｗ_yh（ｋ）＋ΔＷ_yh（ｋ＋１） … （９．６） Ｗ_hu（ｋ＋１）＝Ｗ_hu（ｋ）＋ΔＷ_hu（ｋ＋１） … （９．７） Ｗ_yu（ｋ＋１）＝Ｗ_yu（ｋ）＋ΔＷ_yu（ｋ＋１） … （９．８） ΔＷ_yh（０）＝０、 ΔＷ_hu（０）＝０、 ΔＷ_yu（０）＝０、 Δθ_y （０）＝０、 Δθ_h （０）＝０ ここで、ｙ^* は教師データであり、 （１／２）｜ｙ^* −ｙ｜² ＜ε が全てのｙ^* 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。

【００６９】ここで、Ａ＊Ｂとは、行列ＡおよびＢの要
素毎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修正部２５
−５では、部分システムモデルの荷重マトリックスの修
正を入出力データ修正部２５−３にて、入出力データ群
２５−４１〜４ｍが書き換えられる度に行い、再学習す
る。

【００７０】次に、図９および図１０により、推論結果
評価部２４の詳細な構成とその制御パラメータαの最適
化設定について説明する。図９に示すように、推論結果
評価部２４は、制御パラメータ組み合わせ生成部２４−
１と、交通需要検出部２４−２と、推論結果評価パラメ
ータ設定部２４−３と、推論結果評価演算部２４−４
と、制御パラメータ設定部２４−５とから構成されてい
る。

【００７１】上述のように、学習制御部１−１の推論部
２１、部分モデル部２２、合成部２３により、各ビル毎
の任意の交通需要に対して、制御パラメータと群管理制
御応答推論結果との関係を構成し、（１）式によって群
管理制御応答結果ｙを連想により推定することができ
る。

【００７２】そこで、推論結果評価部２４では、群管理
制御応答結果ｙを、各ビル用途、客先ニーズに応じて、
所定の条件を満たす時は、各ビルに合った「最適」の基
準に対して、制御パラメータの最適値設定を、満たされ
ない時には、予め決められたデフォルトの制御パラメー
タ値の設定を行う。

【００７３】そのために、推論結果評価部２４は、所定
の時間帯において交通需要を検出して推論部２１に出力
すると共に、あらかじめ各ビル毎の用途、客先ニーズに
より設定された推論結果評価パラメータに対して、現時
間帯での推論結果評価パラメータの選定を行う。

【００７４】ここで、推論結果評価パラメータとは、群
管理制御応答結果ｙを評価するためのパラメータテーブ
ルであり、各ビル毎に交通需要別に設定されるものであ
る。また、群管理制御応答結果ｙは、群管理制御性能を
表わす指標であり、前述のように、ホール呼び応答時間
の発生率、平均乗合率、平均サービス時間といった評価
基準データである。

【００７５】群管理制御性能を評価する場合、上記評価
基準データをベースとして評価を行うが、一般には、上
記評価基準データに対する重み付けは、ビル用途、客先
ニーズ、交通需要によって異なり、例えば一般事務所ビ
ルでは、ホール呼び応答時間、平均サービス時間といっ
た項目の比重が高く、またホテルでは、逆に平均乗合率
を低くするといった項目の比重が高い。同様に、同一用
途のビルでも、時間帯や客先仕様により項目の比重が変
わる。そのため、推論結果評価パラメータは、各ビル毎
の用途に合わせて、交通需要、時間帯を配列要素とし
て、群管理制御応答結果ｙの各指標を評価する重み付け
値として構成する。

【００７６】このようにして、所定の交通需要Ｃにより
選定された推論結果評価パラメータβは、推論結果評価
演算部２４−２に送出され、ここで合成部２３より出力
されてくる群管理制御応答結果ｙを評価し、その評価結
果である性能評価値ＰＥは制御パラメータ設定部２４−
５に送り出され、最適な制御パラメータα₀ が設定され
る。

【００７７】この推論結果評価部２４の動作について、
図１０に示すフローチャートを基に詳しく説明する。ま
ず、差異検出部２５ー１からの制御パラメータ設定指令
がデフォルトか最適かを判別する（ステップＳ１）デフ
ォルトであった場合には、交通需要毎に予め決められた
図１４に示すテーブルより選定し、デフォルト設定する
（ステップＳ２）。このテーブル内のデフォルト制御パ
ラメータは、制御パラメータ組み合わせ生成部２４ー１
にて作られるもの有限個のαに対応するものとなってい
る。

【００７８】デフォルトでなかった場合には、制御パラ
メータ組み合わせ生成部２４−１において、制御パラメ
ータαをその取り得る範囲内で微小変化量Δαずつ変化
させ、それぞれのαに対して有限個の組み合わせＰ_max
を定める（ステップＳ３、Ｓ４）。

【００７９】次に、この組み合わせＰに対する各制御パ
ラメータＰ（α_1P、α_2P、…、α_iP）に対して、交通需
要検出部２４−２による現時間帯の交通需要パラメータ
Ｃと共に入力ｕ（＝（Ｃ、α） ）を形成し、推論部２
１、部分モデル部２２に入力し、結果として合成部２３
を介して群管理制御応答推論結果ｙを得る（ステップＳ
５）。

【００８０】この推論結果ｙ_P に基づいて、群管理制御
性能評価を示す目的関数として性能評価値ＰＥを数式モ
デルとしてモデル化し、性能評価を数値化する（ステッ
プＳ６）。制御パラメータ組み合わせＰに対する評価値
をＰＥ_P として推論結果を評価すると、次のようにな
る。

【００８１】

【数３】

【００８２】ここで、β（＝（β₁ 、β₂ 、…、β
_n ））は推論結果評価パラメータであり、各ビル用途、
客先仕様に応じて、交通需要、時間帯毎にあらかじめ設
定されたデータ配列である。

【００８３】全ての組み合わせＰに対して、性能評価値
ＰＥ_P ：（Ｐ＝０〜Ｐ_max ）が演算されたところで（ス
テップＳ７）、このＰＥ_P が最小となる組み合わせＰを
Ｐ₀とし、この組み合わせＰ₀ に対応する制御パラメー
タＰ₀ （α_1P0 、α_2P0 、…、α_iP0 ）を最適制御パラ
メータに設定し、群管理制御部１に対して送信する（ス
テップＳ８）。

【００８４】以上説明した本実施例のエレベータの群管
理制御装置においては、ニューラルネットの使用を実使
用状態から得られた結果データとニューラルネットの出
力との差が所定値以下であり、この状態が所定回数継続
したときを条件として、自動的に開始するため、従来の
結果データが完全に安定するまで待つものと比べニュー
ラルネットの使用までの時間が短縮され、システム稼働
後早い段階にて良好な群管理性能が得られると共にシス
テムの適応が促進される。

【００８５】本実施例では、時間帯別にカウンタを設け
て、結果データとニューラルネットの出力との差が所定
値以下、ときには、カウンタをクリアしていたが、断続
的にでも前記状態が所定回数になればニューラルネット
の使用を行う方法がある。また、時間帯別ではなく、入
力となる交通需要別にカウンタを設ける方法もある。

【００８６】

【発明の効果】本発明によれば、早い段階でビル用途や
時間帯に適合したニューラルネットの学習機能の使用が
可能となり、群管理性能の向上を図ることができるエレ
ベータの群管理制御装置を提供することができる。

【図面の簡単な説明】

【図１】本発明によるエレベータの群管理制御装置の第
１の実施例を示すブロック図。

【図２】図１における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例を示すブロック図。

【図３】図１の高速伝送路のシステム構成例を示すブロ
ック図。

【図４】図１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。

【図５】図１の学習制御部のシステム構成例を示すブロ
ック図。

【図６】図１の推論部のシステム構成例を示すブロック
図。

【図７】図５の部分モデル部のシステム構成例を示すブ
ロック図。

【図８】図５の部分モデル部の各部分システムモデルの
構成例を示す概要図。

【図９】図５の推論結果評価部のシステム構成例を示す
ブロック図。

【図１０】図５の推論結果評価部の動作を説明するため
のフローチャート。

【図１１】図５のシステム調整部のシステム構成例を示
すブロック図。

【図１２】図１１の差異検出部を説明するための図。

【図１３】制御パラメ−タ送信の判別を説明するための
フローチャート。

【図１４】図９の推論結果評価部のメモリテーブルを示
す図。

【符号の説明】

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…ホール呼び入出力制御部、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、２３…合成部、２４…推論結果評
価部、２５…システム調整部。

Claims (1)

【特許請求の範囲】
1. 【請求項１】 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
   評価演算により最適な号機を割当てるにあたり、少なく
   ともニューラルネットの学習機能を割当制御に応用し、
   ビル稼働後の実使用状態に応じて前記ニューラルネット
   の結合状態を修正するものを含むエレベータの群管理制
   御装置において、 所定条件を満たした交通需要および荷重を表すマトリッ
   クスを入力し、各部分システムモデルの活性度を出力す
   る推論部と、 所定範囲内の制御パラメータの組合せを入力し、各部分
   システムモデル毎に群管理制御応答結果を出力する部分
   モデル部と、 この部分モデル部からの群管理制御応答結果および前記
   推論部からの各部分システムモデルの活性度を入力し、
   両者を合成して群管理制御応答推論結果を出力する合成
   部と、 この合成部からの群管理制御応答推論結果および各時間
   帯別の一定時間毎に交通需要を算出し前記推論部に出力
   し、所定の条件を満たしたとき制御パラメータを出力す
   ると共に、制御パラメータの組合せを所定範囲内に生成
   し前記部分モデル部に出力する推論結果評価部と、 前記合成部からの群管理制御応答推論結果と前記推論結
   果評価部からの応答結果の差異に基づいて所定の条件を
   満たしたとき前記推論部の確かさおよび前記部分モデル
   部のシステムを修正するシステム調整部と、 を備えてなるエレベータの群管理制御装置。