TW541278B - Apparatus for group control of elevators - Google Patents

Description

541278 A7 ---~----— 一 B7__— 五、發明說明（〇 [發明領域] ▲本發明以關一種將多數台之昇降機作為一群施行高 政率之管理控制之昇降機之群管理裝置。 [以往技術] 通常，對多數之昇降機服役之系統，多施行群管理控 制在此，施行對於搭乘場所發生之呼叫選擇最適宜之指 配昇降機之分配控制，或尤其在夹峰時間除了呼叫發生外 對於特定階層之回送運轉或服務區（service z〇ne)之分配等 各種型式之控制。 取近，例如曰本國特許第2664766號公報或曰本國特 開平7-61723號公報所示，有一種方案預測群管理之控制 結果，亦即預測等待時間等群管·理性能（perf〇rmance)，由 此設定控制參數等方法。 依據刖述2件之以往技術，說明使用交通需要參數與 呼叫分配時之評價演算參數作為輸入，使用輪出群管理性 能之神經網路，評價神經網路之輸出結果以設定最適宜之 評價演算參數之方法。 仁疋，在於則述以往技術之文獻，經由群管理預測結 果施行故疋之部分僅限於分配時之單一之評價演算參數， 僅依賴使用此種單一之呼叫分配時之評價演算參數施行演 算，要提高輸送性能有其極限。亦即，視其交通狀況勢必 活用回送或區分割等各種規則組（rule set)，由此無法獲得 真正良好之群管理性能。 再者，神經網路具有可以依據學習提昇其演算精確度 本纸張尺度過用中國國家標準（CNS)A4規格（210 X 297公釐） (請先閱讀背面之注意事項再填寫本頁) --------^---------1 . 經濟部智慧財產局員工消費合作社印製 541278 經濟部智慧財產局員工消費合作社印製 A7 B7 五、發明說明（2) 之優點，卻具有演算精確度到達實用位準前需耗費時間之 缺點 在前述以往技術文獻所示方式，除非預先在工廠内完 成神經網路之學習，否則無法獲得所期待之群管理性能。 再者，隨著大廈内居住者之變動而使交通需求急劇變更 時’無法迅速因應此種變化。 [欲解決之問題] 本發明為解決前述以往技術之問題而提出者。其目的 在於獲得，因應於性能預測結果選擇最適宜之規則組，經 常可以提供良好服務之昇降機群管理裝置。 [解決問題之手段] 本發明之昇降機之群管理裝置為，將多數台之昇降機 作為一群而加以管理之昇降機之群管理裝置，包括；一交 通狀況檢測裝置，係用以檢測多數台之昇降機之現在之交 通狀況，·一規則庫（rule base)，係收容多數之控制規則組； 性月b預測裝置，係用以預測當前述規則庫内之任意之規 則組適用於現在之交通狀況時所獲得之群管理性能；一規 則組選擇裝置，係用以因應於前述性能預測裝置之預測結 果選擇最適宜之規則組；一運轉控制裝置，係用以依據前 述規則組選擇裝置所選擇之規則組施行各乘箱之運轉控制 等。 再者’另又包括；一加權資料庫（weighted data base)， 係用以收容因應於前述規則庫内之任意之規則組之神經網 路之加權參數’並且前述性能預測裝置為，對於前述規則 本纸張尺度適用中國國家標準（CNS)A4規格（210 X 297公餐） ： 裝--------訂·--------% (請先閱讀背面之注意事項再填寫本頁) ? 541278 A7 B7 五、發明說明（3) 庫内之特定之規則組將因應於該特定之規則組之神經網路 之加權參數由前述加權資料庫取出，經由使用所取出之加 權參數之神經網路施行群管理性能之預測。 再者，另又包括；一性能學習裝置，係用以比較前述 性能預測裝置之預測結果與適用特定之規則組後之實際之 群管理性能，施行神經網路之學習，因應於學習結果修正 前述加權資料庫之加權參數，並且，前述性能預測裝置為， 依據使用修正之加權參數之神經網路施行群管理性能之預 測。 再者，前述性能預測裝置為，係以前述規則庫内之任 意之規則組適用於現在之交通狀況時所預測之群管理性能 由數學式模型預測。 再者，另一發明之昇降機之群管理裝置為，將多數台 之昇降機作為一群而加以管理之昇降機之群管理裝置，包 括；一交通狀況檢測裝置，係用以檢測多數台之昇降機之 現在之交通狀況；一規則庫，係甩以收容多數之控制規 則組；第1性能預測裝置，係用以前述規則庫内之任意之 規則組適用於現在之交通狀況時，所獲得之群管理性能由 神經網路預測；一加權資料庫，係收容因應於前述規則庫 内之任意之規則組之神經網路之加權參數；一性能學習裝 置’係用以比較前述第1性能預測裝置之預測結杲與適用 特定之規則組後之實際之群管理性能，施行神經網路之學 習’因應於學習結果修正前述加權資料庫之加權參數等， 並且前述第1性能預測裝置為，包括；一第2性能預測裝 本纸張尺度適用中國國家標準（CNS)A4規烙（210 X 297公釐） (請先閱讀背面之注意事項再填寫本頁)

·1111111 ^ · I I I---I -f 經濟部智慧財產局員工消費合作社印製 541278 A7

五、發明說明（4 ) 置，係用以經由使用修正之加權性能之神經網路施行群管 理性之預測之同時，將前述規則庫内之任意之規則組適用 於現在之交通狀況時所預測之群管理性能由數學式模型預 測；一性能預測精確度評價裝置，係用以比較前述第j及 第2性能預測裝置之預測結果與實際之群管理性能，因應 於比較結果決定使用第1或第2性能預測裝置之那一方； 一規則組選擇裝置，係用以因應於前述性能預測精確度評 價裝置所決定之第1或第2性能預測裝置之任何一方之預 測結果選擇最適宜之規則組；一運轉控制裝置，係用以依 據前述規則組選擇裝置所選擇之規則組施行各乘箱之運轉 控制等。 [圖式簡單說明] 第1圖為表示本發明之昇降機之群管理裝置之構成之 方塊圖。 第2圖為第1圖所示之昇降機之群管理裝置内各構成 元件之機能關連圖。 第3圖為表示本發明之實施例之群管理裝置之控制步 驟之概要動作之流程圖。 第4圖為表不本發明之實施例之群管理裝置之學習步 驟之概要動作之流程圖。 [符號說明] (請先閱讀背面之注意事項再填寫本頁) .裝 I--"訂· - ~~ III — — 經濟部智慧財產局員工消費合作社印製 1 群管理裝置 1A 通信裝置 1B 控制規則庫 1C 交通狀況檢測裝置 1D 第1性能預測裝置 1E 加權資料庫 本紙張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） 541278 A7 ----—_ 五、發明說明（5) IF 第2性能預測裝置 1G 性能學習裝置 1H 性預測精確度評價裝置 1J 規則組選擇裝置 IK 規則實行裝置 1L 運轉控制裝置 1M 學習用資料庫 2 控制裝置 [實施例1] 以下’依據附圖說明本發明之實施例。 第1圖為表示本發明之昇降機之群管理裝置之構成之 方塊圖。第2圖為第1圖所示之昇降機之群管理裝置内之 各構成元件之機能關連圖。 此等圖中，1為多數之昇降機作為一群管理之群管理 裝置，2為施行各昇降機之控制之各台控制裝覃。 前述群管理裝置1為，包括；一通信裝置1A，係用 以施行各台控制裝置2之間之通信；一控制規則庫1B， 係用以收容依據回送或區分割、分配評價式之區別配車用 規則等群管理控制所需之多數之控制規則組；一交通狀況 檢測裝置ic，係用以檢測乘降者等現在之交通狀況；第ι 性能預測裝置ID ’係用以在前述交通狀況檢測裝置JC所 檢測之交通狀況下使用神經網路預測適用前述控制規則庫 1B内之特定之規則組時獲得之等待時-間分布等群管理性 能，一加權資料庫1E，係用以收容因應於前述控制規則 庫1B内之任意之規則組之神經網路之加權參數；第2性 能預測裝置1F，係用以在前述交通狀況檢測裝置ic所檢 測之交通狀況下適用含有機率模型之任意之規則組時所獲 得之群管理性能由數學式模型預測等。 本纸張尺度適用中國國家標準（CNS)A4規烙（210 X 297公釐） (請先閱讀背面之注意事項再填寫本頁} ----II — — ^ ·11111 — 龜 經濟部智慧財產局員工消費合作社印製 Ί 1 541278 經濟部智慧財產局員工消費合作社印製 Λ7 五、發明說明（6) 再者，前述群管理裝置！為，包括；_性能學習裳置 1G，係用以經由對於前述第丨性能預測裝置1〇之神經網 路施行學習而提昇群管理性能之預測精確度：一性能預測 精確度評價裝置m’係用以比較前述第丨性能預測裝置 1D及前述第2性能預測袭置1F之預測結果與實際所測試 之群管理性能，由此評價第丨性能預測裝置1〇之預測精 確度；一規則組選擇裝置U，係用以因應於前述第2性 能預測裝置1D及前述第2性能預測裝置1F之預測結果 選擇最適宜之規則組；一規則組實行裝置丨κ，係用以實 行前述規則組，選擇裝置U所選擇之規則組；」運轉= 制裝置1L，係用以依據前述規則組實行裝置丨κ所實行 之規則施行各乘箱全面之運轉控制；一學習用資料庫im， 係用以記憶學習用資料等。 群管理裝置U，含有前述各構成，此等各構成為， 由電腦上之軟體所構成。 其次，就本實施例之動作參照附圖說明之。 第3圖為表示本實施例之群管理裝置丨之控制步驟之 概要動作之流程圖。第4圖為同樣表示群管理裝置丨之學 習步驟之概要動作之流程圖。 首先，使用第3圖說明控制步驟之概要動作。 在步驟S101 ’經由通信裝置1A監視各乘箱之舉動， 由交通狀況檢測裝置1C檢測交通狀況，例如各乘箱之各 階層之乘降人數。記載該交通狀況之資料為，例如使用各 階層乘降人數之每單位時間（例如5分鐘）相當之累計值。 纸張尺度適用中關家標準（CNS)A4規格⑵〇 χ撕公爱厂------— 裝--------訂---------« c請先閱讀背面之注意事項再填寫本頁) 541278 A7 I-----_____ 五、發明說明（7 ) 或者例如使用日本國特開平1〇-194619號公報所示之眾所 I — ·· · · * 一一, .... 丟心之方法之〇D(〇rigin an(j Destination，由階層至階層 之移動）之推定值亦可。 其次’在步驟S102，由控制規則庫1B取出任意之規 則組而予以設定。在後續之步驟S103，對於設定之規則 組判定神經網路是否為有效或無效（並且，第3圖中，NN 表不神經網路。）判定之結果，無效（在步驟S103為NO) 時移進步驟S104,另一方面，有效（在步驟31〇3為YES) 時則移進步驟S105。 並且，在前述步驟S103，神經網路是否為有效或無 效之判定為，舉例說明之，依據神經網路之學習完了後是 否確保預測精確度之判定結果而施行。更具體言之為由後 述之第4圖所示學習步驟之步驟S2〇7設定之神經網路預 測旗號之值判定。 前述步驟S103判定神經網路預測為無效時，由步驟 S104以第2性能預測裝置ip施行數學式模型之群管理 性能之預測。在此步驟，可以使用等待行列理論等，但亦 馨可以由下所述之反覆法計算。 | RTT=f(RTT) I 在此，RTT為乘箱來回時間（Round Trip Time)，例如 I由日本國特公平^47"號公報令記載之平均等待時間與 |停止階層數之間之關連性。亦即，f(RTT)為，經由適用所 |設定之乘箱來回時間RTT與交通狀況資料及規則組之乘 製|箱舉動之限制條件向乘箱到達任意之階層之乘箱服務問 本纸張尺度適用中國國家標準（CNS)A4規格（210 X 297公爱) -------- ^裝--------訂---------看 (請先閱讀背面之注意事項再填寫本頁) 541278 A7 五、發明說明（8 ) (請先閱讀背面之注意事項再填寫本頁) 隔、停止機率、乘降者機率、等待時間等之計算群管理性 能之函數，此等可以由機率論方式計算。作為表示此種計 算方法之一例之以往技術有，例如為『“工一夕群管理〉 只％0理·実際丨”：日本機械學會517回講習]8卜 3 — 9、東京、交通機械(二治汁石制御①理論匕実際）』所記載。 另一方面，在前述步驟S103判定為神經網路預測為 有效時，首先在步驟S105，因應於所設定之規則組之神 經網路之加權參數由加權資料庫1E取出而設定。並且， 在步驟S106，使用由第！性能預測裝罝」D設定之加權參 數之神經網路施行群管理性能之預測。 此種第1性能預測裝置1D所使用之神經網路為，以 交通狀況資料為輸入，以等待時間分布為出分別設定群 官理性能，由後述之第4圖所示之學習步‘之步歸s2〇3 施行學習而可以進行某種程度之精確度之預測。 由前述步驟S102至步驟S106之步驟為，對於控制 規則庫1B内之預先準備之多數之規則組分別實行。 經濟部智慧財產局員工消費合作社印製 其次’在步驟S107，以規則組選擇裝置1 j評價對於 各規則組之性能預測結果，而由其中選擇最佳之規則組。 並且，在步驟S108，以由規則組實行裝置ιΚ實行在步騍 S10 7選擇之規則組而分別將各種指令、限制條件、運轉 方式向運轉控制裝置1L傳達，依據由運轉控制裝置1L 所傳達之指令施行運轉控制。 以上為本實施例之控制步驟之概要動作之說明。 續之，使用第4圖說明學習步驟之概要動作。 本纸張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） 541278 A7 15/ 五、發明說明（9) 第3 ，在步驟Μ”，分別將性能學習裝置1G以前述 f 3圖所不之控制步驟獲得之群管理性能之結果與該時之 ^通狀況及所適用之規則組以定期記憶所適用之規則組， ^該規則組之交通狀況、適用後之群管理性能等作為資 料组加以整理後，將此等資料組之一部分作為以下之 步驟之測試用資料，將剩餘之部分作為學習用資料而收容 於學習用資料庫1Μβ 夺 其次，在步驟S202,以性能學習裝置1(}，將由步驟 5201記憶之各學習用資㈣m讀出㈣h m 步驟S202，以性能學習裝置1G，使用各學習用資料，因 應於所使用之規則組之加權參數設定於神經網路，輪入交 通狀況資料’輸出實測之群管理性能而施行神經網路之學 習。此種神經網路之學習為’可以使用眾知之 ‘ pagation法。再者，在該步驟S2〇3，由學習修正之加 權參數收谷於加權頁料庫1E。前述步驟之步 驟為就各學習用資料施行。 經 經由前述步驟’就各學習用資料完成神經網路之學習 及學習所導致之加權參數之修正時，其次，為了觀察規則 ▲之此力’暫時輸入各測試用資料，由此輸出其預測值。 亦即在步驟S204，使用在前述步驟“οι收容於學 習用資料庫1M之測試用資料，對於所因應之規則組與交 通狀況將由學習完成之神經網路之群管理性能之預測由第 1性能預測裝置1D實行。 ^_再者’在步驟S205 ’以第2性能預測裝置if實行使 本纸張瓦G適用中國國家標準（CNS)A4規格（210 X 297公釐） 五、發明說明（10) 用數學式模型之群管理性能之預測。 該步驟S204與步驟S205之步颇劣 步驟為，就各測試用資 枓施行。 其次，在步驟S206，由性銥猫⑴ &i預測精確度評價裝置1Η 將在前述步驟S204、S205所預$，丨+ ▲ 所預測之各預測結果與實測之 性能施行比較。此種比較為例 t 权与例如可以設定下列誤差作為 指標。亦即，下式之誤葚

g w ERR小者為預測精確度良好。 ERR=Z |Xk«Yk|2/N (k= 1、2、......、N) 式中， ERR :誤差、n :測試用資料數 Xk •性能實測值向量 Yk :性能預測值向量 並且，在步驟S207，前述步驟S2〇6比較結果，第J 眭能預測裝置1D之預測精確度良好時，由性能預測精確 度評彳貝裝置1Η使神經網路預測旗號有效設定，不是時則 改為設定成無效。此種神經網路預測旗號為，使用於前述 第3圖所示之控制步驟之步驟S103之判定。並且，前述 步驟S202至S207之步驟係就每一規則組施行。 [發明效果] 如前所述，依據本發明時，在於將多數台之昇降機作 為一群而管理之昇降機之群管理裝置中，由於準備收容區 別配車用規則等之多數之控制規則組之規則庫，將規則庫 内之任意之規則組適用於現在之交通狀況時可獲得之等待 (請先閱讀背面之注意事項再填寫本頁) t*---------訂---------1 緩濟部智慧財產局員工消費合作社印製 本纸張尺度適用中國國家標準（CNS)A4規格（210 X 297公釐） 10 310768 541278 經濟部智慧財產局員工消費合作社印製 A7 五、發明說明（U) 時間分布等之群管理性能加以預測，而因應於該性能預測 結果選擇最適宜之規則組之方式構成，因此具有可以經常 適用最適宜之規則組而施行群管理控制，可以提供良好之 服務之效果。 再者，由於另又包括；一種加權資料庫，係用以收容 因應於前述規則庫内之任意之規則組之神經網路之加權參 數，並且對於前述規則庫内之特定之規則組將因應於該特 定之規則組之神經網路之加權參數由前述加權資料庫取 出’使用所取出之加權參數之神經網路施行群管理性能之 預測之方式構成，因此具有將神經網路之學習對應於規則 組之每一部分施行，由此可以提昇預測精確度之妓果。 再者，由於另又包括；一性能學習裝置，係用以比較 群管理性能之預測結果與適用特定之規則組後之實際之群 管理性能，由此施行神經網路之學習，因應於學習結果修 正前述加權資料庫之加權參數，並且經由使用修正之加權 參數之神經網路施行群管理性能之預測方式構成，因此具 有可以配合多數之昇降機之實際之運轉狀況以提昇預測精 確度之效果。 再者，由於前述規則庫内之任意之規則組適用於現在 之交通狀況時所預測之各乘箱來回時間以數學式計算，由 來口時間與父通狀況將等待時間等群管理性能以數學式模 里預測之方式構成，因此具有不必經由神經網路等之預 測，可以提昇群管理性能，由此提昇其預測精確度之效果。 __2者，在於多數台之昇降機作為一群管理之昇降機之 度i^r關家標準(cns)A4規格⑵G χ 297 ) --------- (請先閱讀背面之注意事項再填寫本頁) 裝-----I--訂--------- % 11 110768 541278 經濟部智慧財產局員工消費合作社印制衣 A7 B7 五、發明說明（12) 群管理裝置中，由於包括；一交通狀況檢測裝置，係用以 檢測多數台之昇降機之現在之交通狀況；一規則庫，係收 容多數之控制規則組；第1性能預測裝置，係當前述規則 庫内之任意之規則組適用於現在之交通狀況時獲得之群管 理性能經由神經網路預測；一加權資料庫，係收容因應於 前述規則庫内之任意之規則組之神經網路之加權參數；一 性能學習裝置，係用以比較前述第1性能預測裝置之預測 結果與適用特定之規則組後之實際之群管理性能，施行神 經網路之學習，因應於學習結果修正前述加權資料庫之加 權參數等，並且前述第1性能預測裝置為，包括；第2性 月hi預測裝置’係用以經由使用修正之加權性能之神經網路 施行群管理性能之預測之同時，前述規則庫内之任意之規 則組適用於現在之交通狀況時所預測之群管理性能由數學 式模型預測；一性能預測精確度評價裝置，係用以比較前 述第1及第2性能預測裝置之預測結果與實際之群管理性 能，因應於比較結果決定要使用前述第1或第2性能預測 裝置之那一方；一規則組選擇裝置，係用以因應於前述性 能預測精確度評價裝置所決定之第1或第2性能預測裝置 之任何一方之預測結果選擇最適宜之規則組；一運轉控制 裝置，係用以依據前述規則組選擇裝置所選擇之規則組施 行各乘箱之運轉控制等，因此具有可以因應於多數之昇降 機之實際之運轉狀況提昇性能預測之精確度，即使在初期、 狀態或隨著設置多數之昇降機裝置之大厦内之居住者變更 使交通狀況急劇變化時仍可以由高度精確庳施行性能預 (請先閱讀背面之注意事項再填寫本頁) 裝 -----II 訂·！ % 本纸張尺度適用中國國家標準（CNS)A4規恪（210 X 297公釐） 12 310768 541278 A7 五、發明說明（η) 測’依據該預測使用最適宜之規則組施行群管理控制之效 果。 本發明經由準備收容多數之控制規則組之規則庫，預 測規則庫内之任意之規則組適用於現在之交通狀況時所獲 得之等待時間分布等群管理性能，因應於該性能預測結果 選擇適宜之規則組，由此經常適用最適宜之規則組以施行 多數之昇降機之群管理控制，由此可以提供良好之服務。 AW ^--------訂---------%I (請先閲讀背面之注意事項再填寫本頁) 經濟部智慧財產局員工消費合作社印制π 本纸張尺度適用中國國家標準（CNS)A4規格（210 X 297公爱）

Claims (1)

1. 541278 H3 第88113208號專利申請案 申請專利範圍修正本 (90年6月22曰） 1· 一種昇降機之群管理裝置，係將多數台之昇降機作為 一群而加以管理之昇降機之群管理裝置，包括； 一交通狀況檢測裝置，係用以檢測多數台之昇降 機之現在之交通狀況； 一規則庫，係收容多數之控制規則组： 一性能預測裝置，係用以預測將前述規則庫内之 任意之規則组適用於現在之交通狀況時獲得之群管 理性能； 一規則组選擇裝置’係用以因應於前述性能預測 裝置之預測結果選擇最適宜之規則组； 一運轉控制裝置，係用以依據前述規則組選擇置 所選擇之規則組施行各乘箱之運轉控制等；及 一加權資料庫，係收容因應於前述規則庫内之任 意之規則組之神經網路之加權參數， 經濟部中央標準局員工福利委員會印製 而前述性能預測裝置為，對於前述規則庫内之特 定之規則組將因應於該特定規則組之神經網路之加 權參數由前述加權資料庫取出，經由使用所取出之加 權參數之神經網路施行群管理性能之預測。 2·如申請專利範圍第1項之昇降機群管理裝置，其中， 復又包括；一性能學習裝置，係用以比較前述性能預 測裝置之預測結果與適用特定之規則组後之實際之 本紙張以適用中關緒準（CNS )A4規格（21GX 297公楚) " 两' 1 310768 541278 正 H3j 補充 群管理性能，施行神經網路之學習，因應於學習結果 修正前述加權資料庫之加權參數；而前述性能預測裝 置為，經由使用所修正之加權參數之神經網路施行群 管理性能之預測。 3.如申請專利範圍第1項之昇降機之群管理裝置，其 中，前述性能預測裝置為，將前述規則庫内之任意之 規則組適用於現在之交通狀況時所預測之群管理性 能由數學式模型預測。 4· 一種昇降機之群管理裝置，係將多數台之昇降機作為 一群而加以管理之昇降機之群管理裝置，包括； 一交通狀況檢測裝置，係用以檢測多數台之昇降 機之現在之交通狀況； 一規測庫，係收容多數之控制規則組； 第1性能預測裝置，係用以將前述規則庫内之任 意之規則組適用於現在之交通狀況時所獲得之群管 理性能由神經網路預測； 經濟部中央標準局員工福利委員會印製 一加權資料庫，係用以收容因應於前述規則庫内 之任意之規則組之神經網路之加權參數； 一性能學習裝置，係用以比較前述第1性能預測 裝置之預測結果與適用特定之規則組後之實際之群 管理性能，施行神經網路之學習，因應於學習結果修 正前述加權資料庫之加權參數， 而前述第1性能預測裝置包括； 第2性能預測裝置，係用以經由使用所修正之加 本紙張尺度適用中國國家標準（CNS )A4規格（210 X 297公愛) ' --- 2 310768 541278 ^修正 ί 、V __锦无 權性能之神經網路施行群管理性能之預測之同時，將 前述規則庫内之任意之規測组適用於現在之交通狀 況時所預測之群管理性能由數學式模型預測； 一性能預測精確度評價裝置，係用以比較前述第 1及第2性能預測裝置之預測結果與實際之群管理性 能，因應於比較結果決定要使用前述第1或第2性能 預測裝置之那一方； 一規則組選擇裝置，係用以因應於前述性能預測 精確度評償裝置所決定之第1或第2性能預測裝置之 任何一方之預測結果選擇最適宜之規則組； 一運轉控制裝置，係用以依據前述規則組選擇裝 置所選擇之規則組施行各乘箱之運轉控制等。

   經濟部中央標準局員工福利委員會印製 本紙張尺度適用中國國家標準（CNS )A4規格（210 X 297公釐) 3 310768