KR950001901B1 - 엘리베이터 그룹 제어방법 및 그 장치 - Google Patents

Abstract

내용 없음.

Description

엘리베이터 그룹 제어방법 및 그 장치

제1도는 본 발명에 의한 엘리베이터 그룹 제어장치의 일실시예의 개략 개통도.

제2도는 제1도의 장치에서 사용되는 소프트웨어 시스템의 구성을 나타내는 도면.

제3도는 제1도의 장치에서 사용되는 고속데이파 전송라인의 구성을 나타내는 개략도.

제4도는 제1도의 장치의 부재들간의 신호흐름을 나타내는 개략도.

제5도는 제1도의 장치의 학습제어부를 나타내는 개통도.

제6도는 제5도의 학습제어부의 추론부의 개통도.

제7도는 제5도의 학습제어부의 부분시스템 모델부를 나타내는 개통도.

제8도는 제7도의 부분시스템 모델부의 부분시스템 모델을 나타내는 개통도.

제9도는 제5도의 학습제어부의 추론 결과 평가부를 나타내는 개통도.

제10도는 제9도의 추론 결과 평가부에 의해 행해지는 최적 제어 파라미터 설정 프로세스를 나타내는 플로우 차트.

제11도는 본 발명에 의한 엘리베이터 그룹 제어장치의 다른 실시예의 개략 개통도.

제12도는 제11도의 장치의 입력 및 출력장치에서 행해지는 조작을 나타내는 플로우 차트.

제13도는 제12도의 플로우 차트의 한 단계에서 행해지는 계산을 나타내는 플로우 차트.

본 발명은, 복수의 엘리베이터 카(car)를 포함한 엘리베이터 시스템과 복수의 행선층을 제어하는, 엘리베이터 그룹 제어방법 및 그 제어장치에 관한 것이다.

최근, 복수의 엘리베이터 카와 복수의 행선층을 갖춘 엘리베이터 시스템은 마이크로 컴퓨터를 구비하고 있어, 여러 행선층에서 발생된 승강장 호출 즉 홀 콜(hall call)에 대해서 효율적이고 신속한 엘리베이터 카할당을 관리하여 엘리베이터 활용효율과 서비스질을 향상시키고 있다.

즉, 이러한 엘리베이터 시스템에서는, 만일 어느 층에서 홀 콜이 발생되면, 이 홀 콜에 응답하여 이 시스템의 복수의 엘리베이터 카중에서 가장 적합한 엘리베이터 카가 선택되는 한편, 나머지 엘리베이터 카들은 상기 홀 콜에 대해 응답하지 않는다.

보다 최근의 엘리베이터 그룹 제어장치는 각각의 엘리베이터 카가 응답해야 할 홀 콜들에 관한 소위 엘리베이터 카 콜 응답 등륵데이타를 수집하여 엘리베이터 카 할당 제어를 행함으로써 각 빌딩의 층들간의 수송요구에 대응할 수 있으며, 상기 데이타를 상기 엘리베이터 카 할당 제어에 활용함으로써 각 빌딩마다의 독특한 상황에 대처할 수 있는 그룹 제어 엘리베이터 시스템이 개발된 바 있다.

이러한 유형의 엘리베이터 카 할당 제어에서는 각 빌딩의 특성에 맞게 여러가지 평가 특성을 설정하고, 이들 평가 특성들에 대한 평가치들을 평가하며, 이 평가치들을, 제어 파라미터의 역할을 하는 적절한 비중부여치 (weight factor)들에 의해 승산 합산하여 각 엘리베이터 카에 대한 총합평가를 행하며, 복수의 엘리베이터 카에 대해 얻어진 총합평가에 따라서 복수의 엘리베이터 카중에서 최적의 엘리베이터 카를 선택한다.

그러나, 엘리베이터 카 할당 제어에 관한 각각의 평가 특성들의 상대적 중요도가 교통상황에 따라 근본적으로 변하기 때문에, 수송상황에 알맞게 제어 파라미터들을 선택하는 것이 이상적이나, 종래에는, 엘리베이터 시스템의 연속적으로 변하는 교통상황에 부응하여 제어 파라미터들을 최적화하는 것이 불가능했다.

또한, 엘리베이터 카 할당 제어에 관한 평가특성들은, 용도의 종류, 거주자의 유형 등 각 빌딩의 다양한 특성에 따라 변화폭이 크기 때문에, 각 빌딩의 이러한 특성들에 맞추어 상기 평가특성들을 선택해야 하나, 종래에는 평가특성들의 자동 설정이 불가능했다.

종래의 경우, 평가특성들은 각 빌딩의 관리자들에 의해 선택되며, 엘리베이터 시스템을 실제 사용하기 전에 적절한 제어 파라미터들을 구하기 위해서 다수의 시뮬레이션이 행하였으나 이 절차에는 매우 많은 수의 시뮬레이션을 요하며 더욱이 이러한 시뮬레이션의 결과들이 각 엘리베이터 시스템의 모든 특성들을 반영시키지 못하며, 따라서 선택된 제어 파라미터들에 의해서 원하는 효율과 속도를 달성할 수 없었다.

그러므로, 본 발명의 목적은, 각 빌딩의 고유의 상황에 가장 적합한 평가특성들과 제어 파라미터들에 의해 엘리베이터 카 할당 제어를 행할 수 있는 엘리베이터 그룹 제어방법 및 장치를 제공하는데 있다.

본 발명의 한 태양에 의하면, 복수의 엘리베이터 카와 복수의 행선층을 갖는 엘리베이터 그룹 제어장치에 있어서; 행선층중 하나에서 발생된 홀 콜에 응답해서 엘리베이터 시스템의 주어진 교통수요에 따라 평가를 행함으로써 홀 콜 할당 제어를 행하여 엘리베이터 카들중 최적의 하나를 결정하는 그룹 제어부와; 엘리베이터 시스템에 주어진 교통수요와 특성요건에 준하여 평가되는 상기 그룹 제어부에 의한 홀 콜 할당 제어결과에 따라서, 상기 평가시 상기 그룹제어부에 의해 사용될 제어 파라미터들을 구하는 학습제어부를 구비한 엘리베이터 그룹 제어장치가 제공된다.

본 발명의 다른 태양에 의하면, 복수의 엘리베이터 카와 복수의 행선층을 갖는 엘리베이터 시스템을 제어하는 엘리베이터 그룹 제어방법에 있어서; 행선층중 하나에서 발생된 홀 콜에 응답해서, 엘리베이터 시스템의 주어진 교통수요에 따라 평가를 행함으로써 홀 콜 할당 제어를 행하여 엘리베이터 카들중 최적의 하나를 결정하고; 엘리베이터 시스템에 주어진 교통수요와 특성요건에 준하여 평가되는 상기 홀 콜 할당 제어 결과에 따라서, 상기 평가시 사용할 제어 파라미터들을 구하는 단계로써 이루어지는 것이 특징인 엘리베이터 그룹 제어방법이 제공된다.

본 발명의 기타의 특장점들은 첨부도면을 참조한 하기의 설명으로부터 명백히 이해할 수 있다.

제 1도를 참조하면, 본 발명에 의한 엘리베이터 그룹 제어장치의 일실시예가 나타나 있다.

본 실시예의 엘리베이터 그룹 제어장치는; 그룹제어부(1); 학습제어부(1-1); 및 한 엘리베이터 시스템을 이루는 N개의 엘리베이터 카들에 대응해서 설치된 복수(N)의 엘리베이터 카 제어부(2-1∼2-N)를 구비하고 있고; 이들은 모두 고속 데이타 전송라인(6)을 통해 접속돼 있다.

이 그룹제어부(1), 학습제어부(1-1), 및 엘리베이터 카 제어부(2-1∼2-N)는, 적절한 소프트웨어 시스템에 의해 동작되는 마이크로컴퓨터 등의 1 이상의 컴퓨터 장치로써 구성돼 있다.

상기 장치는 또한 엘리베이터 시스템을 가동하는 빌딩의 각 층에 설치된 홀 콜 버튼들(3)과 각 층의 각 홀 콜 버튼들(3)마다 설치된 홀 콜 제어부들(4)과, 모니터부(5)를 포함한다.

상기 홀 콜 제어부들(4)은 그룹제어부(1), 학습제어부(1-1) 및 엘리베이터 카 제어부(2-1∼2-N)와, 저속 데이타 전송가인(7)을 통해 연결돼 있다.

상기 고속 데이타 전송라인(6)은 고속, 고기능 네트워크로서, 엘리베이터 그룹 제어에 필요한 데이터를 그룹제어부(1), 학습제어부(1-1), 및 엘리베이터 카 제어부(2-1∼2-N)간에 고속 전송하며, 이들은 모두 빌딩의 지정된 제어실 내에 설치돼 있다.

저속 데이타 전송라인(7)은 상기 고속 데이타 전송라인(6)보다 비교적 느리며, 빌딩 내부의 여러지점에 위치된, 홀 콜 버튼들(3), 그룹제어부(1), 학습제어부(1-l), 엘리베이터 카 제어부(2-1∼2-N) 및 모니터부(5)간에 데이타를 저속 전송하기 위한 것이다. 이 저속 데이타 전송라인(7)은 그에 소요되는 장거리에 채용할 수 있는 광섬유로 되어 있다.

상기 그룹제어부(1)에 의한 정상제어하에서는, 홀 콜 버튼들(3)이 상기 저속 데이타 전송라인(7)을 통하여 그룹제어부(1)에 의해 제어되고, 홀 콜 버튼들(3)중 하나의 누름에 응답해서, 대응하는 홀 콜 게이트(도시안함)가 닫혀서, 상기 홀 콜 버튼(3)과 연결되어 설치된 등록 램프를 켜지게 하는 한편, 상기 엘리베이터 카 제어부들(2-1∼2-N)에 의해 주어진 정보에 따라서 상기 홀 콜에 응답하여 최적의 엘리베이터 카가 선택되고, 상기 선택된 엘리베이터 카의 홀 콜 제어부(4)에 적절한 명령이 지시되어, 상기 지시받은 홀 콜 제어부(4)가 상기 명령에 따라서 상기 최적의 엘리베이터 카를 제어할 수 있도록 되어 있다.

그룹제어부(1)와 엘리베이터 카 제어부들(2-1~2-N)을 동작시키는 소프트웨어 시스템은 제2도에 도표로 도시돼 있으며, 이 시스템은 실시간 OS(8)와, 엘리베이터 카 제어기능 타스크(9), 그룹제어 주기능 타스크(10), 그룹제어 부기능 타스크(11), 및 데이타 전송 제어 타스크(12)를 구비하고 있고, 여기서 실시간 OS(8)는 그에 주어진 스케줄러(Schedular)에 따라서 다른 타스크들(9∼12)을 각각 제어한다.

상기 엘리베이터 카 제어기능 타스크(9)는 우선 순위에 따라 엘리베이터 카 제어부들(2-1∼2-N)을 작동시키는 기능이다.

상기 그룹제어 주기능 타스크(10)는 그룹제어부(1)의 핵심 기능으로서 엘리베이터 카 제어부들(2-1∼2-N)에 분산된 그룹제어 부기능 타스크들(11)로부터 각각의 엘리베이터 카에 대한 정보 데이타를 수집하여, 이 수집된 정보에 대해서 계산을 행하여 최적의 엘리베이터 카를 결정하고, 그 다음 엘리베이터 카 제어부 (2-1∼2-N)중 그에 대응하는 엘리베이터를 제어하는 한편, 홀 콜 제어부들(4)의 홀 콜 등록을 제어한다.

그룹제어 부기능 타스크(11)는 상기 그룹제어 주기능 타스크(10)의 제어하에서 각 엘리베이터 카의 정보를 처리하기 위한 기능이다. 즉, 이 그룹 제어 부기능 타스크들(11)은, 그룹 제어 주기능 타스크(10)에 의해 동작되는 컴퓨터의 명령에 의해 작동되어 엘리베이터 카들에 대해서 정보처리를 병렬로 행하며, 얻어진 결과 데이타를 그룹제어 주기능 타스크(10)에 되돌려보낸다.

데이타 전송 제어 타스크(12)는, 그룹제어 주기능 타스크(10)에 따라서, 고속 데이타 전송라인(6)을 통한 데이타 전송과 그룹제어 부기능 타스크(11)의 작동을 제어하기 위한 것이다.

고속 데이타 전송라인(8)의 구성이 제 3도에 도시돼 있다.

이러한 구성에서는, 데이타 전송이 마이크로프로세서(13)에 의해 제어된다.

또한, 이 마이크로프로세서(13)의 데이타 전송 소프트웨어의 크기를 저감시키기 위해서 데이타 링크 제어장치(14)와 미디어 억세스 제어장치(15)가 마이크로프로세서(13)에 구비돼 있으며, 이들은 ISO(국제표준화기구 : the International standardorganization)에 의해 정의된 LAN 네트워크 모델 클라스(class)들 내의 데이타 링크 클라스를 제어한다. 상기 마이크로프로세서(13), 데이타 링크 제어장치(14), 및 미디어 억세스 제어장치(15)는 시스템 버스(16)에 의해 연결돼 있고, 한편, 마이크로프로세서(13) 및 데이타 링크 제어장치 뿐만 아니라 데이타 링크 제어장치(14) 및 미디어 억세스 제어장치(15)도 제어라인(17)을 통해 접속돼 있고, 미디어 억세스 제어장치(15)는 또한 순차데이타 전송시스템(18)에 접속돼 있다.

상기 데이터 링크 제어장치(14)로는, Intel 코오포레이숀사제 i82586프로세서를 사용할 수 있고, 상기 미디어 억세스 제어장치(15)로는, Intel 코오포레이숀사제 i82501프로세서를 사용할 수 있다.

이러한 구성에서는 10Mbit/sec와 같은 고속 전송을 용이하게 달성할 수 있으며, 또한 마이크로프로세서(13)에 대한 지원율(supporting ratio)이 저감된다.

그룹제어부(1), 학습제어부(1-1), 및, 엘리베이터 카 제어부들(2-1∼2-N)을 구비한 엘리베이터 그룹 시스템(2)간의 신호흐름을 제4도를 참조하여 설명한다.

제4도에 도시된 바와 같이, 그룹제어부(1)는, 상기 설명한 바와 같이, 제어명령과 엘리베이터 그룹 시스템(2)의 상태에 관한 정보데이타를 교환함으로써, 엘리베이터 그룹 시스템(2)의 엘리베이터 카 제어부들(2-1∼2-N)내에 분산된 그룹제어 부기능 타스크들(11)과 함께 홀 콜 할당 제어를 행한다. 여기서, 이 홀 콜 할당 제어에 사용되는 평가 앨고리듬은, 그룹 제어 실행에 관련된 다수의 평가특성을 평가하여 평가특성들의 평가치에 최적의 비중 부여치를 가산하여 이들을 합산함으로써 종합평가를 행하는 앨고리듬이다

상기 학습제어부(1-1)는, 상기 평가특성들을 비중부여 하기 위한 최적의 비중 부여치를 제어 파라미터로서 일정한 시간간격으로 그룹제어부(1)에 공급하며, 이 비중 부여치들은 설정된 동작시간동안 제어 파라미터로서 사용된다.

따라서, 상기 그룹제어부(1)가 엘리베이터 카 제어부들(2-1∼2-N)로부터 얻어진 정보데이타에 따라서 평가특성들을 평가하고 이 평가특성들의 평가치를 학습제어부(1-1)에 의해 주어진 파라미터에 비중 부여하여 최적의 엘리베이터 카를 결정한다.

상기 학습제어부(1-1)는 또한, 상기 설정된 동작시간마다 그룹제어부(1)에 의해 행해진 그룹제어 결과 도출된 엘리베이터들의 실제 응답들에 관한 정보를, 엘리베이터 그룹 시스템(2)의 엘리베이터 카 제어부 (2-1∼2-N) 및 홀 콜 제어부들(4)로부터 수신하며, 이 정보는 후속의 온라인 학습을 위한 기준데이타로서 사용된다.

다음은, 상기 학습제어부(1-1)를 제5∼제7도를 참조하여 상세히 설명한다.

제5도에 도시된 바와 같이, 상기 학습제어부(1-1)는 추론부(21), 부분 모델부(22), 합성부(23) 및 추론 결과 평가부(24)로 구성돼 있다.

여기서, 일반적으로, 그룹제어부(1)는 복수(1개)의 평가 특성들을 평가하며, i번째 엘리베이터 카에 대해 얻어진 복수(1개)의 평가치들을 다음과 같이 표시할 수 있다 :

g₁(i), g₂(i) ‥‥‥‥‥‥‥gl(i)

한편, 상기 i번째 엘리베이터 카에 대한 종합평가치 E₁는 상기 각 평가별 할당 평균치들을 비중부여 가산하여 주어지며, 다음과 같이 표시할 수 있다:

식에서, a_j는 j번째 평가특성의 비중부여치이며, 이것은 상기 학습부(1-1)로부터 그룹제어부(1)에 제어파라미터중 하나로서 주어지는 것이다.

한편, 상기 추론결과 평가부(24)는, 상기 설정된 동작시간내에서 하루중 상이한 시간 동안의 교통수요를 산출하여 상기 추론부(21)에 공급하는 한편, 또한 설정된 범위내에서 제어 파라미터들(aj)의 다양한 조합 생성하여, 그것을 부분 모델부(22)에 공급하고, 다음, 상기 제어 파라미터들(αj)의 여러 조합을 사용한 그룹제어결과 도출된 추론응답들을 평가함으로써 최상의 제어 파라미터들을 선택한다.

상기 그룹제어 응답결과를 y로 표시하고, 입력을 u로 표시하면 다음과 같이 표시할 수 있다 :

y=F(u)……………(1)

상기 식(1)에서,

y=(y_1,y₂,…,y_n)^T이고 U=(U_3,Ue)^T=(C,α)^T라고 가정한다.

상기 식에서, y₁, y₂, -y_n은 주어진 시간내의 홀 꼴 응답시간의 발생률, 엘리베이터 카의 평균 승합률, 평균 서비스시간 등에 관한 각종 데이타를 나타내며, 이들은 그룹제어 성능을 판단하기 위한 평가기준 데이타로 한다.

또한, 상기 입력(U)에 관한 식에서, C는 교통수요를 나타내며, 다음과 같이 표시할 수 있다 :

C= (C₁,C_2,C₃)

상기 식에서, C_l, C₂및 C₃는, 총평균 승객발생간격, 기준층으로 행하는 평균승객 발생간격, 기준층을 목적층으로 하는 평균 승객발생간격을 각각 나타내며, 시스템의 혼잡도, 사람들의 흐름 등의 엘리베이터 시스템의 상황을 나타내게 된다.

또한, 입력(U)에 관한 상기 식에서, α는 평가특성별 비중 부여치(즉,제어 파라미터를 나타냄)를 나타내는 것으로 복수의 평가지표(1)에 관해서 하기와 같이 나타낼 수 있다 :

α= (α₁,α₂,-α₁)

이 경우, 상기 추론부(21), 부분 모델부(22), 및 합성부(23)에 의해 형성된 대상모델은 m개의 부분 시스템 모델들 [f₁,(α), (i=1,2-m)]의 합성으로서 나타낼 수 있고, 따라서, 상기 식(1)을 다음같이 재정리할 수 있다.

식에서, a_i(C)는 교통수요(C)에 대한 부분 시스템 모델[f₁(α)]의 활성도(activeness)로서 교통수요(C)로부터 얻어진 시스템 상황과 부분 모델부(22)의 부분 시스템 모델간의 상관관계에 의해 결정된다.

제6도에 도시된 바와 같이, 추론부(21)는, 입력부(21-1), 메모리부(21-2), 출력부(21-3) 및 게이트부(21-4)를 구비하고 있으며, 추론결과 평가부(24)에 의해 주어진 교통수요(C)에 준하여 결정된 시스템의 상황에 따라서, 상기 식(2)의 활성도[a_i,(C) (i=1,2-m)]를 구한다.

입력부(21-1)는 k개의 뉴우론(neuron)에 의해 형성된 K-차원의 상태 벡터 (V)를 갖고 있으며, 입력된 교통수요(C)에-멤버십함수 Φ_i를 적용함으로써, 각각의 교통수요가 멤버십 그레이드(grade)로 구성되는 부분입력 벡터들[C_i(i=1,2 -M)을 출력한다. 이 M개의 부분 입력 벡터들(Ci)은 일괄하여 입력벡터(C)로서 상기 상태벡터 (V)로 입력된다.

메모리부(21-2)는 γ개의 뉴우론으로 구성된 γ차원의 상태벡터(X)를 포함하고 있으며, 입력부(21-1)와 출력부(21-3)를 상호관계있게 하는 기억부에 상당한다.

출력부(21-3)는 m개의 뉴우론으로 구성된 m차원의 상태벡터(Z)를 포함하고 있으며, 이 상태벡터(Z)의 각 요소[Z_i(i=1,2-M)]는 부분 모델부(22)의 각 부분 시스템 모델들[f_i(α)]에 대응되어 있다.

제6도에 도시된 바와 같이 입력부(21-1)와 메모리부(21-2)에 의해, 또한 메모리부(21-2)와 출력부(21-3)에 의해 상호 루우프(loop)가 형성되는 한편, 입력부(21-1), 메모리부(21-2) 및 출력부(21-3) 각각은 고유의 자기 루우프를 갖고 있다.

상기 입력부(21-1), 메모리부(21-2) 및 출력부(21-3)의 상술한 관계는 이산형으로서 하기의 식으로 표시할 수 있다 :

C(K)=O(U(K))…………(3.1)

V(K+l)= Ψ(W_vC, · C(K)+W_VV· V(K) +Wvx · X(K))…………(3.2)

X(K+l)= Ψ(Wvx · V(K+l)+Wxx· X(K)+Wx_Z· Z(K))…………(3.3)

Z(K+l)= Ψ(W_ZX.·X(K+l)+W_ZZ· Z(K)…………(3.4)

V (0) =V_O

X (0) =X_O

Z (0) =Z₀

K≥0

상기 식에서, W_VC는 벡터(C)로부터 벡터(V)로의 하중을 나타내는 매트릭스이며, 이것은 벡터(V)를 구성하는 뉴우론들의 벡터(C)에 대한 시냅스 하중이며, 이와 유사하게, W_VV는 벡터(V)로부터 벡터(V)로의 하중을 나타내는 매트릭스이며, 이것은 벡터(V)를 구성하는 뉴우론들의 벡터(V)에 대한 시냅스 하중이다. W_VX는 벡터(X)로부터 벡터(V)로의 하중을 나타내는 매트릭스이며, 벡터(X)를 구성하는 뉴우론들의 벡터(V)에 대한 시냅스하중이고, V_XX는 벡터(X)에서 벡터(X)로의 하중을 나타내는 매트릭스이며, 벡터 X를 구성하는 뉴우론들의 벡터(X)에 대한 시냅스 하중을 나타내고, W_ZX는 벡터(X)로부터 벡터 Z로의 하중을 나타내는 매트릭스이며, 벡터(X)를 구성하는 뉴우론들의 벡터(Z)에 대한 시냅스 하중이고, Wzz는 벡터(Z)에서 벡터(Z)로의 하중을 나타내는 매트릭스이며, 벡터(Z)를 구성하는 뉴우론들의 벡터(Z)에 대한 시냅스 하중이다

또한 상기 식(3.1)∼(3.4)에서, Φ는 j-차원의 멤버십 함수이고, Ψ는 각 차원에 대응하는 시그모이드 (sigmoid)함수이며, 입력되는 각 요소(X)마다 하기의 연산을 행한다.

또한, 상기식(3.1)∼(3.4)에서, K는 시간을 나타내는 파라미터이고, 단위시간마다 1씩 증가한다.

따라서, 상기식(3.1)∼(3.4)으로 각 W를 설정함으로써, 입력된 교통수요 C(U(K))에 대응하는 부분 시스템 모델 [f,(α), (i=1,2, -m)]의 활성도 [a_i(C)]가 시간경과에 따라서 출력부(21-3)로부터 상태 벡터(Z)로서 나타난다.

게이트부(21-4)는 설정된 시간(T) 경과후에 개방되어 부분 시스템 모델 [f_i(α)]의 활성도 [a_i(C)]로서 Z₁(T)를 출력한다.

제7도에 도시된 바와 같이, 부분 모델부(22)는, 복수의 부분 시스템 모델 [f_i(α), (i=1,2,-m)]을 구비하고 있으며, 이들 각각이, 입력된 제어 파라미터들(α)을 사용함으로써 그룹 제어의 응답결과 [f_i(α)]를 출력한다.

또한, 제8도에 도시된 바와 같이, 각각의 부분 시스템 모델 [f₁(α)]은, 입력층(22-1), 중간층(22-2) 및 출력층(22-3)을 갖는 다중층 뉴랄네트워크로 구성돼 있다.

각각의 부분 시스템 모델 [f_i(α)]은 또한, 실제 시스템에서 그룹 제어의 실제 응답결과를 기억하기 위한 데이터 메모리(d_i)를 구비하고 있고, 이것은, 백워드 프로파게이션법 (backward propagation method)을 사용하는 학습 프로세서에서 교사(teacher)데이타로서 사용된다.

제8도에서, 입력 [U(K)]이 주어지면, 각각의 부분 시스템 모델 [f_i(α)]이 상기 입력 [U(K)]에 대해 하기의 연산을 행한다.

y(K)=f_i(U(K))

이 연산은 다음과 같이 실행된다 :

y(K)=Φ(net y(K)+θ_y(K)) ……………………………………… (4.1)

여기서

net y(K) =W_yh(K) · h(K) +W_yu(K) · U(K)…………………(4.2)

h(K)=Φ (net h(K) +θ_h(K))………………………………………(4.3)

net h(K) =W_hu(K) · U(K)…………………………………………(4.4)

그리고

K≥0

상기 식들에서, W_hu, W_yh및 W_yu는 시냅스 하중을 나타내는 매트릭스들이고 θ_h와 θ_y는 각각 중간층과 출력층에 대한 바이어스치이다.

각각의 부분 시스템 모델 [f_i(U)]은 다른 부분시스템 모델들과는 상이한 시냅스 하중을 갖는다.

상치 합성부(23)는 상기 식(2)에 따라서, 부분 모델부(22)의 부분 시스템 모델들 [f_i(α)]의 출력과 추론부(21)에 의해 주어지는 상기 부분 시스템 모델들 [f_i(α)]에 대한 활성도 [a_i(C)]를 합성하여 그 결과를 그룹제어의 응답에 대한 추론결과(y)로서 추론결과 평가부(24)에 출력한다.

따라서, 추론결과 평가부(24)는, 실제 시스템의 교통수요에 대응하는 제어 파라미터들(α)의 다양한 조합을 생성하여, 그 조합을 상기 추론부(21), 부분 모델부(22), 및 합성부(23)에 의해 형성된 대상 모델에 입력 [U=(C,α)^T]으로서 공급함으로써, 제어 파라미터들(α)의 상기 다양한 조합을 사용하는 그룹제어 응답 결과를 효과적으로 평가할 수 있으므로, 최상의 제어 파라미터들(α)을 설정하여 그룹제어부(1)에 송신할 수 있다.

다음은, 엘리베이터 그룹 시스템(2)에 의해 주어진 그룹제어의 응답결과에 의한, 추론부(21)와 부분 모델부(22)의 온라인 학습에 대해 설명한다.

학습 프로세스에서는, 추론결과와 엘리베이터 그룹 시스템(2)에 의한 응답결과의 차이에 따라서, 추론부(21)의 정확도와 부분시스템 모델들(f_i)의 관련 부분들을 수정한다.

상기 정확도는, 상기 차이의 크기와 활성도에 반비례하여 수정되는 한편, 부분시스템 모델들은 상기 차이의 크기와 활성도에 비례하여 수정된다. 제6도에 도시된 바와 같이, 상기 추론부(21)의 정확도를 수정하기 위한 루우프 구성은, 출력부(21-3)로부터 메모리부(21-2)로의 루우프, 즉, 매트릭스(W_zx)에 대한 루우프에 한정된다. 여기서, 매트릭스(W_ZX)의 (i,j)요소(W_ij)는 다음과 같이 수정된다 :

W_ii=P_i(i=1,2-m) ‥‥(5.1)

W_ij= - P_i(j≠i) ‥‥‥‥‥(5.2)

상기 식에서, P_i≥0은 부분 시스템 모델 [f_i(α)]에 대한 기억의 정확도를 나타내는 파라미터이고, 다음식에 의해 연산된다 :

P₁=ξ·R₁(k+1)+ζ……………………………………………………………(6.1)

R₁(k+1)=1-exp[-β(N₁(k+1)+r)]………………………………………(6.2)

N₁(k+1)=N₁(k)+δN₁…………………………………………………………(6.3)

δN₁=min(1,)…………………………………………………………(6.4)

상기 식에서, η,β,γ.ξ 및ζ는 상수이고, R₁와 N₁는 각각, 부분 시스템 모델 [f₁(α)]의 숙련도와 학습진도를 나타내는 파라미터들이다.

학습진도 [N₁(k)]는, k회의 학습 프로세스후 도달된 레벨을 나타낸다.

이 학습진도 [N₁(k)]는 활성도(a₁)에 비례하며, 현재의 숙련도 [R₁(k)]에 반비례하여 δN₁≤1의 정도에 따라 변한다.

상기 식(6.3)에 의해 얻어지는 새로운 매 학습진도 N₁(k+1)마다 새로운 숙련도 R₁(k+1)를 상기 식 (6.2)로부터 구할 수 있다.

부분시스템 모델 [f₁(α)]의 수정은, 백워드 에러 프로파게이션법을 사용하여 행한다. 이때, 각 부분 시스템 모델 [f₁(α)]에 연관된 데이타 메모리(d₁)의 데이타를 재기입한다.

즉, 하루중 각 시간대 마다의 설정된 동작시간이 경과된후, 상기 각 시간대의 응답결과에 준하여 그룹제어의 응답결과를 연하여, 상기 각 시간대에서의 제어 파라미터들과 함께 하기 메모리 데이타를 생성한다 :

D₀= (U₀, y₀)

U₀= (C₀ ^*, α₀)^T

다음은, 부분 시스템 모델 [f₁(α)]의 데이타 메모리 데이터(D₁, D₂,-D_L)를 다음과 같이 재기입 한다.

먼저, 모든 데이타 메모리 데이타를 스캔(scan)하고, 하기식

dα=│α-α₀│²

으로 표시되는, α₀와 α간의 거리의 제곱을 구하여 그에 따라서, α가 다른 것보다 α₀에 더 가까운 것부터 순서적으로 2개의 데이타 [D^(1st), D^(2nd)]를 선택한다.

다음은 상기 두 데이타 [D^(1st)와 D^(2nd)]에 대해서, 하기식

dy=│y-y₅│²…………………………………………………………(7.2)

으로 주어지는 y와 y₀간의 거리의 제곱을 산출한다.

다음, 2 데이타 [D^(lst),D^(2nd)]를 하기식에 따라서 수정한다.

=ρ₁·y₀+(1-ρ₁)·…………………………………………(7.3)

=ρ₂·y₀+(1-ρ₂)·…………………………………………(7.4)

χ=…………………………………………………………(7.5)

ρ₁=δN₁··χ………………………………………………(7.6)

ρ₂=(1-χ)·δN₁××…………………………(7.7)

부분 시스템 모델용 데이타 메모리 데이타를 상기 식(7.3)과 (7.4)에 의해 재기입하고, 이 재기입된 데이타 메모리 데이타를 백워드 에러 프로파게이션법에서 교사 데이타로서 사용하여, 부분 시스템 모델들의 하중 매트릭스들을 하기 식들에 따라 수정한다.

δ_y(k)=ψ'(net y(k)+θ_y(k))*(y'(k)-y(k))……………………………(8.1)

δ_h(k)=ψ'(net y(k)+θ_h(k))*(W'_yh·δ_y(k))…………………………(8.2)

W_yh(k+1)=η_yh(k)·δ_y(k)·h'(k)+α_yh·W_hy(k)…………………(8.3)

W_hu(k+1)=η_hu(k)·δ_h(k)·u'(k)+α_hu·W_hu(k)…………………(8.4)

W_yu(k+1)=η_yu(k)·δ_y(k)·u'(k)+α_yu·W_yu(k)…………………(8.5)

W_yh(k+1)=W_yh(k)+W_yh(K+1)…………………………………………(8.6)

W_hu(k+1)=W_hu(k)+W_hu(k+1)…………………………………………(8.7)

W_yu(k+1)=W_yu(k)+W_yu(k+1)…………………………………………(8.8)

W_yh(0)=(0)

W_hu(0)=(0)

W_yu(0)=(0)

θ_y(0)=(0)

θ_h(0)=(0)

상기 식에서, y^*는 교사 데이타이며, *는 매트릭스 곱을 나타내며, η과 α는 학습 파라미터이다.

하기 관계식

이 성립할때까지 파라미터(k)를 1씩 증가시킴으로써 학습 프로세스가 계속된다.

부분 시스템 모델들의 하중 매트릭스를 수정하기 위한 상기 학습 프로세스는, 그룹제어의 응답결과가 얻어 질때마다 실행된다.

다음은 제9도와 10도를 참조해서, 추론결과 평가부(24)의 구성과 추론결과 평가부(24)에 의해 실행되는 제어 파라미터들(α)의 최적 세팅을 설명한다.

제9도에 도시된 바와 같이, 상기 추론결과 평가부(24)는 : 제어 파라미터 조합 생성부(24-1); 교통수요 검출부(24-2); 추론결과 평가 파라미터 세팅부(24-3); 추론결과 평가 계산부(24-4); 및 제어 파라미터 세팅부(24-5)로 구성돼 있다.

또한, 상기 설명한 바와 같이, 그룹제어의 응답결과는, 학습체어부(1-1)의 추론부(21), 부분 모델부(22) 및 합성부(23)로부터, 상기 식(1)을 사용한 추론에 의해 평가될 수 있고 상기 학습제어부(1-1)에서, 제어파라미터들과 그룹제어의 응답결과간의 상관관계는 각 빌딩특유의 교통수요에 따라 주어진다.

사용 태양 또는 거주자 수요 등 빌딩의 특징을 반영하는 각 빌딩마다 최적의 기준에 대한 그룹제어응답 결과를 얻기 위하여, 상기 추론결과 평가부(24)에서는 제어 파라미터들의 최적 세팅을 행한다.

또한 상기 추론결과 평가부(24)는 1일의 설정된 시간의 교통수요를 검출하여 이 검출된 교통수요를 추론부(21)에 송신한다. 한편, 추론결과 평가부(24)는 빌딩의 특성에 따라 기 선택된 추론결과 평가 파라미터들로부터 현재시간의 추론결과 평가 파라미터들을 선택한다.

상기 선택된 추론결과 평가 파라미터들은 그룹제어의 응답결과를 평가하는데 사용하기 위해 빌딩마다 상이한 교통수요에 대해 미리 선택된 파라미터들을 테이블화 한 세트이며, 한편, 그룹제어의 응답결과는 상기 설명한 바와 같이, 그룹제어 성능을 나타내는 파라미터이며, 이 파라미터에는, 홀 콜 응답시간 발생률, 엘리베이터 카 평균 승합률, 및 평균 서비스 시간에 관한 평가기준 데이타가 포함된다.

그룹제어 성능의 평가는 상기 평가 기준 데이타를 기준하여 실행되나, 평가 기준 데이타에 주어지는 비중은, 각 빌딩 특유의 빌딩 사용태양, 거주자 수요 및 교통수요 등에 의존한다. 예를 들어, 일반 사무실 빌딩에서는, 흩 콜 응답시간 및 평균 서비스 시간 등의 항목에 높은 우선권이 주어지나, 반면, 호텔 빌딩에서는, 낮은 엘리베이터 카 평균 승합률 등에 높은 우선권이 주어진다. 또한, 같은 용도의 빌딩들중에서도, 상기 비중은 하루중시간대 또는 거주자의 선호도 등에 따라 변한다. 이런 이유로, 상기 추론결과 평가부(24)는 각 빌딩의 특성에 따라 교통수요, 하루중 시간대 등에 관한 비중 부여치들을 구한다.

특정의 교통수요(C)에 대해 구해낸 추론결과 파라미터들(β)은 추론결과 평가계산부(24-2)에 송신되며, 여기서, 합성부(23)에 의해 주어진 그룹제어의 응답결과(y)가 평가되어 성능 평가치 (PE)가 구해지고, 이것은, 제어 파라미터 세팅부(24-5)에 송신되어 최적 제어 파라미터들(α_o)을 세트한다.

보다 구체적으로는, 상기 추론결과 평가부(24)에 의한 최적 제어 파라미터 세팅이 제10도의 플로우 차트에 따라 다음과 같이 행해진다.

먼저 제어 파라미터 조합 생성부(24-1)에서, 각각의 제어 파라미터들(α)이 그의 허용범위내에서 무한 소량(△α)만큼씩 서서히 변하여, 단계(S1과 S2)에서 유한수의 조합(P) (α_1p,α_2p-α_1p)이 얻어진다.

다음, 단계(S3)에서, 교통수요 검출부(24-2)에 의해 검출된 현재 교통수요(C)와 상기 단계(S2)에서 생성된 제어 파라미터조합에 따라서, 입력(U=(C,α)^T)이 추론부(21)와 부분 모델부(22)에 송신되어, 합성부(23)로부터 그룹제어의 응답결과(y_p)가 구해진다.

다음, 단계(S4)에서는 상기 단계(S3)에서 구해진 응답(y_p)을 기준으로 해서, 그룹 제어성능을 표시하는 기능을 갖는 성능평가치(PE)가 수학적 모델을 사용하여 생성된다. 여기서, 조합(P)에 대한 성능 평가치 (PE_P)는 하기 식에 의해 구한다 :

식에서, β=(β₁,β₂-β_n)은 추론결과 평가 피라미터들로서, 이들은, 각 빌딩의 특성에 따라 상이한 교통수요와 상이한 시간에 대해 미리 선택된다.

상기 성능 평가치(PE_P)의 평가는, 단계(S5)에 의해서 0-P_max까지의 조합(P) 전부에 대해 반복된다.

최종적으로, 단계(S5)에서, 성능 평가치(PE_p)가 조합(P) 전부에 대해 평가되면, 성능평가치(PE_P)를 최소화하는 조합(P)이 P_o로서 선택되어 제어 파라미터들(P_o) (α_1PO,α_2PO-α_1PO)이 최적 제어 파라미터들로서 선택된 다음은 단계(S6)에서 그룹제어부(1)에 입력된다.

상기 설명한 바와 같이, 엘리베이터 그룹 제어장치의 상기 실시예에 의하면, 홀 콜 할당 제어에서, 추론부(21), 부분 모델부(22), 합성부(23) 및 추론결과 평가부(24)를 구비한 학습제어부(1-1)를 제공함으로써 그룹 제어성능을 평가하기 위한, 평가특성들에 대한 비중 부여치들인 제어 파라미터들을 교통수요에 따라 최적화 할 수 있으므로, 각 빌딩의 특성에 따라 최적 제어 파라미터들을 자동적으로 세트하는 것이 가능해진다.

또한, 추론부(21)와 부분 모델부(22)가 그룹제어의 응답결과에 준하여 온라인 학습을 행할 수 있으므로, 고적응성 자동 시스템을 구성할 수 있다.

제11도를 참조해보면, 본 발명에 의한 엘리베이터 그룹 제어장치의 다른 실시예가 나타나 있으며. 이것은 편의상 상기 실시예의 한 변헝으로 볼 수 있고, 이를 하기에 설명한다. 하기 설명에서, 상기 설명한 실시예의 대응 요소들과 실질상 동일한 요소들의 설명은 생략하며, 동일 참조부호로써 표시한다.

제11도에 도시된 바와 같이, 본 실시예에서는, 상기 실시예외 장치에, 인간-기계 인터페이스의 기능을 하는 입출력장치(5-1)가 더 구비돼 있고, 이것은 CRT와 같은 표시장치를 갖고 있다.

이 입출력창치(5-1)는, 관리실과 같이 격리된 룸에 위치돼 있고. 여기서, 사용자가 입출력장치 (5-1)를 조작할 수 있다.

이 입출력장치(5-1)는 학습제어부(1-1)에 접속되어, 사용자가 그룹제어의 응답결과에 대한 추론결과를 회화형으로 평가하여 최적 응답결과를 선택할 수 있도록 돼 있다.

본 실시예에서는, 전자의 실시예에서 처럼 추론결과 평가부(24)가 하루의 상이한 시간대의 설정된 동작시간내에서 교통수요들을 계산하여 이 계산된 것들을 추론부(21)에 공급하는 한편, 또한 설정된 범위내에서 제어 파라미터들(α_j)의 여러 조합을 생성하여 이들을 부분 모델부(22)에 공급하고, 다음 그룹제어에 의한 추론 응답들을 상기 제어 파라미터들(α_j)의 여러 조합을 사용하여 평가한 후에, 상기 응답에 대해 얻어진 추론결과를 상기 입출력장치(5-1)를 통해서 사용자에게 표시함으로써, 사용자가 제어 파라미터들중 최적조합을 선택할 수 있다.

또한, 전자의 실시예에서 처럼, 추론결과 평가부(24)에 의해서, 제어 파라미터들의 최적 세팅을 실행하여 빌딩의 용도 또는 거주자 수요 등 빌딩의 특징을 반영하는 각 빌딩 마다의 최적 기준에 대하여 그룹제어의 응답결과를 구한다.

본 실시예에서는, 추론결과 평가부(24)가 하루의 설정된 시간대의 교통수요를 검출하여, 이 검출된 교통수요를 추론부(21)에 송신하는 한편, 상기 입출력장치에서 사용자에 의해 선택된 추론결과 평가 파라미터들에 따라 제어 파라미터들에 대한 최적치를 구한다.

전자의 실시예의 설명에서 기술한 바와 같이 평가기준 데이타에 준하여 그룹제어 성능 평가가 행해지나, 상기 평가기준 데이타에 주어지는 비중은, 각 빌딩 고유의 사용태양, 거주자 수요 및 교통수요 등에 의존한다

이런 이유로, 본 실시예에서는, 최적의 그룹제어 응답결과를 선택하여 선택된 그룹제어 응답결과에 대응하는 추론결과 평가 파라미터들을 비중 부여들로서 선택하여 그룹제어의 실제 응답결과 평가시에 사용하는 한편, 사용자는 상기 그룹제어의 응답결과를 입출력장치에서 회화형으로 검사한다.

따라서, 본 실시예에서는, 제10도의 풀로우차트에 따라 행해지는 최적 제어 파라미터 세팅 프로세스에서 나타나는 β=(β₁,β₂-βn)이 추론결과 평가 파라미터들이며, 이들은, 입출력장치(5-1)를 통해서 사용자가 평가한, 그룹제어의 응답결과를 반영한다.

제12 및 제13도의 플로우 차트를 참조해 보면, 사용자가 그룹제어 응답결과에 관한 자신의 의견을 입력하는 수단이 되는 입출력 장치(5-1)의 조작을 상세히 설명한다.

먼저, 초기입력으로서, 단계(S11)에서 하루의 특정시간대를 지정할 것이 사용자에게 요청되고 단계(S12)에서는 교통수요 파라미터들을 선택할 것이 요청되며, 단계(S13)에서는, 그룹제어 성능에 관한 각 평가특성들의 중요도를 입력할 것이 요청된다.

상기 각 평가특성들의 중요도의 입력은 회화형으로 행해지며. 이때, 사용자는, 그룹제어 성능의 관점에서 어느 특성을 중요시할 것인가의 질문을 받으며, 홀 콜 응답시간 발생률, 엘리베이터 카 평균 승합률 및 평균 서비스시간 등 평가 특성들중에서의 그의 선택을 표시하여 질문에 답할 것이 요구된다.

예를 들어, 호텔 빌딩에서는, 엘리베이터 카 평균 승합률과 평균 서비스시간대에 더 큰 비중을 부여하는 반면, 일반 사무실 빌딩에서는, 상기 홀 콜 응답시간을 평균 대기시간, 장시간 대기확률 등의 부 카테고리로 더 세분하여 이들중에서, 더 큰 비중을 두고 싶은 것들을 사용자에 의해 선택하게 한다.

다음은, 단계(S14)에서, 사용자에 의해 지정된 각 평가 특성들의 중요도에 따라 대응하는 추론 평가 파라미터들(β)을 세트한다.

다음, 단계(S15)에서, 성능 평가치(PE)를 최소화하는, 그룹제어의 응답결과에 대한 추론결과(y_po)가 상기 선택된 추론평가 파라미터들(β)에 따라서 구한다.

보다 구체적으로는, 단계(S15)에서의 계산은 제13도의 후로우 차트에 따라 다음과 같이 행하여진다

먼저, 제어 파라미터 조합 생성부(24-1)에서, 각각의 제어 파라미터들(α)을 그의 허용범위내에서 무한소량(△α)만큼 서서히 변화시켜 단계(S22)에서 유한수의 조합(P) (α_1p,α_2p-α_1P)을 구한다

다음, 단계(S23)에서, 교통수요 검출부(24-2)에 의해 검출된 현재 교통수요(C)와 입력 [U=(C,α)^T]을 추론부(21)와 부분 모델부(22)에 송신하여, 합성부(23)로부터 그룹제어의 응답결과(y_p)를 구한다.

다음, 단계(S24)에서, 상기 단계(S23)에서 구한 응답(y_p)에 준해서, 그룹 제어성능을 표시하는 기능을 갖는 성능평가치(PE)를 수학적 모델을 사응하여 생성한다.

상기 성능 평가치(PE_P)의 평가는 단계(S25)에 의해 0∼Pmax까지의 조합(P) 전부에 대해서 반복된다.

최종적으로, 단계(S25)에서, 조합(P)전부에 대해 성능평가치(PE_p)가 평가되면, 이 성능평가치(PE_p)를 최소화하는 그룹제어의 응답결과에 대한 추론결과(y_po)가 구해진다. 이 추론결과 (y_po)는 사용자에 의해 지정된 각각의 평가특성들의 중요도를 반영하는 그룹제어의 응답결과에 대한 평가치를 나타낸다.

제12도의 후로우 차트를 재참조해 보면, 다음, 단계(S16)에서, 입출력장치 (5-1)가, 상기 그룹제어의 응답결과에 대해 얻어진 상기 추론결과(y_po)를 입출력장치(5-1)의 CRT상에 표시함으로써, 이 결과를 사용자가 검사할 수 있고, 다음 단계(S17)에서 사용자의 승인을 요청한다.

사용자가 상기 표시결과에 불만인 경우, 프로세서가 단계(S13)로 되돌아가며, 각 평가특성의 중요도를 재입력할 것이 사용자에게 요구되며, 이에 준하여 상기 설명한 프로세스가 반복된다.

다른 한편, 사용자가 상기 표시된 결과에 만족하는 경우, 선택된 추론결과 평가 파라미터들(β)은 상기 특정 교통수요(C)에 대한 최적의 선택으로서 결정됨으로써, 이들이 학습제어부(1-1)에 송신되어, 제10도의 후로우 차트에 따라 행해지는 최적 제어 파라미터 세팅 프로세스에서 사용된다.

따라서, 본 실시예에 의하면, 입출력장치(5-1)를 상기와 같이 조작함으로써, 사용자의 의도가 제어 파라미터 세팅시에 용이하게 반영될 수 있다.

상기 설명한 바와 같이, 본 발명에 의하면, 제어 파라미터들과 그룹제어의 응답결과간의 상관관계들을 불명확하게 구분하는 뉴랄 네트워크에 의해 합성된 함수 모델들로 구성된 부분 시스템 모델부와, 복수의 멤버 십 함수에 의해서 부분 시스템 모델들과 교통수요들을 관계시키는 추론부와, 상기 추론부와 부분 모델부에 의해 얻어진 결과들에 따라서, 상기 그룹제어의 응답결과를 계산하기 위한 합성부를 구비하는 학습제어부애 의해서, 제어 파라미터들과 그룹제어의 응답결과간의 상관관계를 임의의 교통수요에 대해서 정량적으로 평가할 수 있기 때문에, 각 빌딩에서 하루의 상이한 시간대에 대해 연속적으로 변하는 교통수요에 따라 최적 제어 파라미터들을 세트할 수 있다.

또한, 각 빌딩의 특성들에 따라서 각 빌딩에 대한 최적의 제어 파라미터들을 세트할 수 있으므로, 호텔 빌딩, 주거빌딩 및 단일 회사빌딩 등과 같이 여러가지 상이한 상황들을 갖는 상이한 빌딩들에 적용할 수 있다.

또한 최적 평가기준이 빌딩 사용중 변하는 경우에도, 본 발명의 장치는 추론결과 평가 파라미터들을 수정함으로서 변화된 상황에 신속히 적응할 수 있다.

또한, 본 발명의 장치는, 빌딩내의 실제 교통수요에 일치되는 예비 데이타가 없는 경우에도, 학습제어부에 의해 상이한 제어 파라미터들에 대한, 그룹제어의 응답결과에 대한 추론결과를 얻을 수 있으므로, 임의적 교통수요에 적응할 수 있다.

또한, 학습제어부에 의한 온라인 학습에 의해서 고적응성 자동시스템을 구성할 수 있다.

또한, 상기 인간-기계 인터페이스를 사용함으로써, 사용자의 의도를 제어 파라미터 세팅에 쉽게 반영함으로서 엘리베이터 시스템의 융통성을 향상시킬 수 있다.

이러한 특징들에 의해서, 본 발명의 장치가 빌딩 특성에 무관하게 최적 홀 콜 할당 제어를 행할 수 있다.

상기에 실시예들에서, 추론결과 평가에 있어서, 추론결과 평가 파라미터들이 가중되고, 선형화되었으나, 이상적인 응답결과를 기준치로서 미리 세트하고, 이 기준치와의 편차가 최소로 되도록 제어 파라미터들을 선택함으로써 최적 파라미터들을 세트할 수도 있음을 주의해야 한다.

또한. 상기 실시예들에서, 그룹제어의 응답결과에 대한 추론결과의 평가를 추론결과 평가 파라미터들로써 행하였으나, 추론결과를 상기 추론결과 평가 파라미터들로 변환함이 없이, 직접 추론결과에 관해서 평가할 수도 있다

이외에도, 본 발명의 요지범위내에서 다양한 변형이 가능하다.

따라서, 이러한 모든 변형들도 청구범위에 포함된다.

Claims (6)

1. 복수의 엘리베이터 카와 복수의 목적층을 갖는 엘리베이터 시스템을 제어하는 엘리베이터 그룹 제어장치에 있어서; 상기 목적층중 하나에서 발생된 홀 콜에 응답해서, 상기 엘리베이터 시스템에 주어진 교통수요에 따라 평가를 행하여 그 결과에 따라 홀 콜 할당제어를 행하여 엘리베이터 카들중 최적의 것을 결정하는 그룹제어(1)와; 상기 엘리베이터 카의 동작을 제어하기 위해 상기 홀 콜 할당 제어신호를 수신하는 엘리베이터 카 제어부(2-1~2-N)와, 엘리베이터 시스템에 주어진 교통수요와 평가 특성에 준하여 평가되는 상기 그룹제어부(1)에 의한 홀 콜 할당제어 결과 도출된 응답에 따라서, 상기 평가시 상기 그룹제어부(1)에 의해 사용되는 제어 파라미터들을 결정하는 학습제어부(1-1)를 구비하며 상기 그룹제어부(1)는 상기 복수의 엘리베이터 카에 대응하는 엘리베이터 카 제어부(2-1∼2-N)로부터의 정보에 따라 각 엘리베이터의 평가특성들을 평가하고, 이 평가특성들의 평가치를 상기 학습제어부(1-1)에 의해 주어진 제어 파라미터들에 비중 부여하여 최적의 엘리베이터 카를 결정하며, 상기 학습제어부(1-1)는; 상기 제어 파라미터들과 상이한 교통수요들에 대한 응답간의 관계를 뉴랄 네트워크 형태로 나타내는 복수의 부분 시스템 모델들을 구비한 부분 모델부(22), 상기 부분 시스템 모델들과 상이한 교통수요들간의 관계를 복수의 멤버십 함수로써 나타냄으로써 상기 부분 시스템 모델들에 대한 비중부여치들을 구하기 위한 추론부(21); 상기 부분 시스템 모델들과 비중부여치들에 따라서 평가 응답을 구하기 위한 합성부(23); 및 상기 평가 응답에 따라 상기 제어 파라미터들을 결정하기 위한 추론결과 평가부(24)로 구성된 것이 특징인 엘리베이터 그룹 제어장치.
2. 제1항에 있어서, 상기 추론결과 평가부(24)자 상기 평가 응답의 사용자 평가에 준해서 사용자가 제어 파라미터들의 결정에 관여할 수 있도록 하는 인간-기계 인터레이스 수단을 구비한 것이 특징인 엘리베이터 그룹 제어장치.
3. 제1항에 있어서, 상기 뉴랄 네트워크들이 상기 홀 콜 할당 제어의 실제 응답결과를 교사데이타로 해서 백워드 에러 프로파게이숀법을 사용하여 상기 실제응답의 학습을 행하는 것이 특징인 엘리베이터 그룹 제어 장치.
4. 복수의 엘리베이터 카와 복수의 목적층을 갖는 엘리베이터 시스템을 제어하는 엘리베이터 그룹제어방법에 있어서, 목적층중 하나에서 발생된 홀 콜에 응답해서, 상기 엘리베이터 시스템의 주어진 교통수요에 따라 평가를 행하여 그 결과에 따라 홀 콜 할당 제어를 행하여 엘리베이터 카들중 최적의 것을 결정하는 단계와; 상기 홀 콜 할당 제어에 따라 상기 엘리베이터 카의 동작을 제어하는 단계와, 엘리베이터 시스템에 주어진 교통수요와 평가특성에 준하여 평가되는 상기 홀 콜 할당 제어결과 도출된 응답에 따라서 상기 평가시 홀 콜 할당 제어에 사용되는 제어 파라미터들을 결정하는 단계를 포함하며, 상기 홀 콜 할당 제어단계에서 상기 평가는 상기 제어 파라미터들에 의해 비중부여 된 평가특성들에 의해 평가되고, 상기 제어 파라미터들을 결정하는 단계에서는, (1) 상기 제어 파라미터들과 상이한 교통수용에 대한 응답간의 관계를 나타내는 뉴랄 네트워크 형태의 복수의 부분 시스템 모델들을 구성하는 단계, (2) 상기 부분 시스템 모델들과 상기 상이한 교통수요들간의 관계들을 복수의 멤버십 함수로서 나타냄으로써, 상기 부분 시스템 모델들에 대한 비중부여치들을 구하는 단계; (3) 상기 부분 시스템 모델들과 비중부여치들에 따라 평가 응답을 구하는 단계; 그리고 (4) 상기 평가 응답에 따라 상기 제어 파라미터들을 결정하는 단계를 포함하는 것이 특징인 엘리베이터 시스템의 엘리베이터 그룹 제어방법.
5. 제4항에 있어서, 상기 단계(4)에서, 상기 평가 응답의 사용자 평가에 준하여 사용자가 상기 제어 파라미터들의 결정에 관여하는 단계를 더 포함하는 것이 특징인 엘리베이터 시스템의 엘리베이터 그룹 제어방법.
6. 제4항에 있어서, 상기 뉴랄 네트워크들이, 상기 홀 콜 할당 제어의 실제 응답결과를 교사데이타로 해서 백워드 에러 프로파게이숀법에 의해 상기 실제응답의 학습을 행하는 것이 특징인 엘리베이터 시스템의 엘리베이터 그룹 제어방법.