TWI778620B

TWI778620B - 機械停車系統及其可適性控制模式調整方法

Info

Publication number: TWI778620B
Application number: TW110117259A
Authority: TW
Inventors: 劉宏彥; 張鴻誠
Original assignee: 兆竑智聯股份有限公司
Priority date: 2021-05-13
Filing date: 2021-05-13
Publication date: 2022-09-21
Also published as: TW202244863A

Abstract

本發明實施例提供一種機械停車系統及其可適性控制模式調整方法。在這方法中，偵測機械停車場的設備使用狀況。控制器用以控制機械停車場的一台或更多台機械停車設備。設備使用狀況相關於這些機械停車設備的運作。透過推論模型判斷設備使用狀況所對應的控制器的控制模式。這推論模型是透過機器學習演算法所訓練。在推論模型的訓練階段中分析機械停車設備的設備使用狀況與那些控制模式的對應關係，且控制模式相關於控制器控制機械停車設備的組態。藉此，可改善設施使用效率、降低環境噪音並提升能源使用效率。

Description

機械停車系統及其可適性控制模式調整方法

本發明是有關於一種維運管理，且特別是有關於一種機械停車系統及其可適性控制模式調整方法。

現有機械停車設施的控制器(例如，程序邏輯控制器(programmable logic controller，PLC)都僅能提供固定的設施控制模式，但無法適時地提供合適的模式。例如，上午時段出車較繁忙、傍晚時段入車出車較繁忙、晚上入車較多、或是出入口處塞車等狀況。若針對這些狀況一併採用相同控制模式，則可能有負載過高、高噪音、耗能等問題。

有鑑於此，本發明實施例提供一種機械停車系統及其可適性控制模式調整方法，可動態地反應於現場狀況而提供合適的控制模式。

本發明實施例的可適性控制模式調整方法適用於機械停車場的控制器。可適性控制模式調整方法包括(但不僅限於)下列步驟：偵測機械停車場的設備使用狀況。控制器用以控制機械停車場的一台或更多台機械停車設備。設備使用狀況相關於這些機械停車設備的運作。透過推論模型判斷設備使用狀況所對應的控制器的控制模式。這推論模型是透過機器學習演算法所訓練。在推論模型的訓練階段中分析機械停車設備的設備使用狀況與那些控制模式的對應關係，且控制模式相關於控制器控制機械停車設備的組態。

本發明實施例的機械停車系統包括(但不僅限於)儲存器及處理器。儲存器用以儲存程式碼。處理器耦接儲存器。處理器經配置用以載入該程式碼以偵測機械停車場的設備使用狀況，並透過推論模型判斷設備使用狀況所對應的控制器的控制模式。控制器用以控制機械停車場的一台或更多台機械停車設備。設備使用狀況相關於這些機械停車設備的運作。這推論模型是透過機器學習演算法所訓練。在推論模型的訓練階段中分析機械停車設備的設備使用狀況與那些控制模式的對應關係，且控制模式相關於控制器控制機械停車設備的組態。

基於上述，依據本發明實施例的機械停車系統及其可適性控制模式調整方法，反應於即時偵測的設備使用狀況，透過人工智慧(artificial intelligence，AI)分析並提供合適的控制模式。藉此，可隨時段及現場狀況配置控制模式，進而達到節能、降噪、高效率等目標。

為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。

圖1是依據本發明一實施例的機械停車系統1的元件方塊圖。請參照圖1，機械停車系統1包括(但不僅限於)一台或更多台車輛10、一台或更多台機械停車設備20、一台或更多台感測裝置30、一台或更多台控制器50及管理裝置100。機械停車系統1適用於停車場管理。

車輛10可以是燃油車、油電車、或電動車，且其車輛款式可以是一般轎式車輛、休旅車或廂型車等。

機械停車設備20可以是閘門、車載板、車輛移載盤、升降梯、充電器或其他機械停車相關的設備。在一實施例中，機械停車設備20具有供車輛10停放的容置空間。

感測裝置30可以是各類型感測器(sensor)(例如，針對影像、聲音、或溫度)、信號轉換器(transducer)、電力特性偵測元件(detector)、變換器(converter)、驅動器(driver)、制動器(actuator)、指示器(indicator)、或其他機電或感知元件。在一實施例中，感測裝置30與物聯網(IoT)裝置進行連結傳送停車設備20的運作狀態。

控制器50可以是程序邏輯控制器(Programmable Logic Controller，PLC)、微處理器、專用控制器、或其他可經程式化控制其他設備的裝置或電子元件。控制器50耦接機械停車設備20。在一實施例中，控制器50用以控制機械停車場的機械停車設備20。例如，控制器50為機械停車設備20的廠商依其設備結構特性所設計的設備控制器。

在一實施例中，控制器50可能整合聯網功能。例如，具有智慧聯網機制的動態調適的智能聯網可程式控制器(AIoT結合PLC)。在一實施例中，控制器50可經由智慧物聯網(AIoT)連線，並與網路內的裝置相互通訊，進而交換設備使用狀況或操控指令。須說明的是，本發明實施例不限制網路的類型及規模。

管理裝置100可以是桌上型電腦、筆記型電腦、AIO一體式電腦、智慧型手機、平板電腦、或伺服器等裝置。管理裝置100可包括(但不僅限於)儲存器130及處理器150。

儲存器130可以是任何型態的固定或可移動隨機存取記憶體(Radom Access Memory，RAM)、唯讀記憶體(Read Only Memory，ROM)、快閃記憶體(flash memory)、傳統硬碟(Hard Disk Drive，HDD)、固態硬碟(Solid-State Drive，SSD)、非揮發性(nonvolatile)記憶體或類似元件。在一實施例中，儲存器130用以儲存程式碼、軟體模組、組態配置、資料(例如，設備使用狀況、推論模型、學習樣本等)或檔案。

處理器150耦接儲存器130，處理器150並可以是中央處理單元(Central Processing Unit，CPU)、圖形處理單元(Graphic Processing unit，GPU)，或是其他可程式化之一般用途或特殊用途的微處理器(Microprocessor)、數位信號處理器(Digital Signal Processor，DSP)、可程式化控制器、現場可程式化邏輯閘陣列(Field Programmable Gate Array，FPGA)、特殊應用積體電路(Application-Specific Integrated Circuit，ASIC)、神經網路加速器或其他類似元件或上述元件的組合。在一實施例中，處理器150用以執行管理裝置100的所有或部份作業，且可載入並執行儲存器130所儲存的各程式碼、軟體模組、檔案及資料。

在一實施例中，管理裝置100更提供輸入輸出(I/O)介面(圖未示)以耦接感測裝置30及控制器50，並據以與感測裝置30及控制器50相互傳送資料。例如，管理裝置100可取得感測裝置30所拍攝的影像、所偵測的音量強度或溫度/濕度等環境狀態。又例如，管理裝置100可對控制器50下達指定，並據以切換對機械停車設備20的控制模式。

下文中，將搭配機械停車系統1中的各項元件、模組及裝置說明本發明實施例所述之方法。本方法的各個流程可依照實施情形而隨之調整，且並不僅限於此。

圖2是依據本發明一實施例的可適性控制模式調整方法的流程圖。請參照圖2，處理器150可透過感測裝置30偵測機械停車場的設備使用狀況(步驟S210)。具體而言，設備使用狀況相關於機械停車設備20的運作。在一實施例中，設備使用狀況相關於機械停車設備20的運作模式(例如，運轉速度、動力、或負載)、運作時間(例如，時段、連續時間、或觸發時間)、運作聲音(例如，馬達運轉聲、機械移動聲響、或引導指示聲)、傳動裝置的震動波紋、溫度升幅、消耗電能(例如，瓦數、電流、或電壓)、環境狀態(例如，溫度、濕度)、車輛10的進出情況(例如，進出場數量、或停留時間等)及停放位置(例如，停車格占用數量、占用比例、或空閒車格)。

在一實施例中，設備使用狀況可透過IoT裝置、聯網裝置或路由裝置上傳至管理裝置100。

處理器150可透過推論模型判斷設備使用狀況所對應的控制器50的控制模式(步驟S230)。具體而言，推論模型是透過機器學習演算法所訓練。機器學習演算法可以是卷積神經網絡(Convolutional Neural Network，CNN)、遞迴神經網路(Recurrent Neural Network，RNN）、多層感知器 (Multi-Layer Perceptron，MLP)、支持向量機(Support Vector Machine，SVM)或其他演算法。機器學習演算法可包括監督式學習(supervised learning)、非監督式學習(non-supervised learning)、半監督式學習(semi-supervised learning)、及/或強化學習(reinforcement learning)。機器學習演算法可分析訓練樣本以自中獲得規律，從而透過規律對未知資料預測。而推論模型即是經學習後所建構出的機器學習模型，並據以對待評估資料(例如，設備使用狀況)推論。

在推論模型的訓練階段中，處理器150可分析停車設備20的設備使用狀況與控制器50的控制模式的對應關係。那些控制模式相關於控制器50控制機械停車設備20的組態。例如，調整機械停車設備20的運作模式(例如，馬達運轉速度、電力特性、電源狀態或功能切換)。而對應關係即是在特定設備使用狀況下提供最合適或符合條件的控制模式。在訓練階段中，處理器150依據那些學習樣本訓練推論模型，從而得出那對應關係。

在一實施例中，處理器150可取得相關於機械停車設備20的一個或更多個學習樣本。這些學習樣本相關於機械停車設備20的運作模式、運作時間、運作聲音、消耗電能、環境溫度/濕度、車輛的進出情況及/或停放位置。即，對應於設備使用狀況的類型。也就是說，這些學習樣本所形成的大數據可供機器學習演算法分析歸納並建立與控制模式的相關性。

在一實施例中，那些控制模式相關於數個時段情境。各時段情境是對應於一個時段。例如，平日的尖峰時段、平日的離峰時段、例假日時段及長假期時間。處理器150可取得那些時段情境的限制條件。限制條件相關於噪音、節能及/或使用效率。例如，低噪音條件(相關於環境法規與場域條件)、排碳量估測、耗能量或車輛等候時間限制。

處理器150可依據限制條件建立那些時段情境。例如，設備正常運轉之噪音基準與低噪音標準，以建立夜間低噪音模式，進而降低設備運轉的噪音干擾。又例如，處理器150基於機械停車設備20在正常運轉、低速運轉、待機狀態等電力使用紀錄，建立節能運轉模式，使設備達到節能減碳、降低設施運轉費用。此外，時段情境對應於一個或多個控制模式。處理器150可依據當前設備使用狀態對應的時段情境提供合適的控制模式。

在一些實施例中，處理器150還可基於學習樣本建立諸如機械停車設備20的車輛呼叫送出模式、空車載板待命模式、設施運轉分段速度、升降機待機位置、運送平台待機位置、低噪音運轉模式、節能運轉模式等控制模式。

在一實施例中，處理器150可透過控制器50依據判斷的控制模式設定一台或更多台機械停車設備20。例如，處理器150可調整機械停車設備20的運作模式(例如，馬達運轉速度、動力或功能)

在一實施例中，處理器150或其他聯網裝置可將判斷的控制模式轉換為控制器50的控制程序(control flow)。而針對控制模式的切換時機，處理器150可依據預設情境(例如，每日時段情境、噪音管制情境、節能控制情境等)控制程序中的排程。

在一實施例中，處理器150或其他聯網裝置可接收車輛10的入場要求或出場要求。例如，偵測到閘門前有車輛10、接收來自應用程式(APP)的遠端要求、或接收到繳費成功通知。反應於入場要求或出場要求的接收，處理器150可依據設備使用狀況切換至對應的控制模式。控制模式包括機械停車設備20的數個運作流程中的一者。例如，設備使用狀況與停車場銜接道路順暢或阻塞狀況可用於調整控制模式或切換控制模式。運作流程可能是特定機械停車設備20的部件的移動、旋轉、升降或啟動的先後順序，或是不同部件的執行順序。例如，閘門升起後，升降梯自待機狀態恢復到正常狀態。

另一方面，外部變動因素(例如，使用者的習性、外部道路狀況)也可回饋至管理裝置100。而處理器150可對外部變動因素進行特徵萃取(Feature Extraction)與分類(Classification)後，選擇適用於這場域特性的機器學習演算法，並據以調整或修正控制模式。

綜上所述，在本發明實施例的機械停車系統及其可適性控制模式調整方法中，藉助於人工智慧的推論能力，分析設備使用狀況與操作模式之間的對應關係，並適時地提供合適的操作模式。藉此，可提升設施使用效率(例如，縮短用戶使用車輛進場/出場的等候時間)、調節設備能源使用效率(例如，調整設備運轉動力速度)並改善設備環境噪音(例如，夜間時段以最低噪音方式運轉)。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

1:機械停車系統 10:車輛 20:機械停車設備 30:感測裝置 50:控制器 100:管理裝置 130:儲存器 150:處理器 S210~S230:步驟

圖1是依據本發明一實施例的機械停車系統的元件方塊圖。圖2是依據本發明一實施例的可適性控制模式調整方法的流程圖。

S210~S230:步驟

Claims

一種可適性控制模式調整方法，適用於一機械停車場的一控制器，該可適性控制模式調整方法包括：偵測該機械停車場的一設備使用狀況，其中該控制器用以控制該機械停車場的至少一機械停車設備，且該設備使用狀況相關於該至少一機械停車設備的運作；透過一推論模型判斷該設備使用狀況所對應的該控制器的多個控制模式中的一者，其中該推論模型是透過一機器學習演算法所訓練，在該推論模型的一訓練階段中分析該至少一機械停車設備的該設備使用狀況與該些控制模式的對應關係，且該些控制模式相關於該控制器控制該至少一機械停車設備的組態；取得相關於至少一機械停車設備的多個學習樣本，其中該些學習樣本包括該至少一機械停車設備的運作聲音；在該訓練階段中，依據該些學習樣本訓練該推論模型，包括：取得多個時段情境的限制條件，其中該些控制模式相關於該些時段情境，每一該時段情境是對應於多個時段中的一者，且該限制條件包括噪音；以及依據該限制條件建立該些時段情境，包括：依據該至少一機械停車設備在正常運轉下的噪音基準與低噪音標準，建立一夜間低噪音模式，其中該時段情境包括該夜間低噪音模式；以及將該控制模式轉換為該控制器的一控制程序(control flow)，其中針對該控制模式的切換時機，依據一該時段情境決定該控制程序中的排程。
如請求項1所述的可適性控制模式調整方法，其中該些學習樣本還相關於該至少一機械停車設備的運作模式、運作時間、消耗電能、環境溫度、環境濕度、車輛的進出情況及停放位置中的至少一者。
如請求項1所述的可適性控制模式調整方法，其中該限制條件還相關於節能、使用效率中的至少一者。
如請求項1所述的可適性控制模式調整方法，更包括：透過該控制器依據判斷的該控制模式設定該至少一機械停車設備，包括：調整該至少一機械停車設備的運作模式，其中該運作模式包括馬達運轉速度。
如請求項1所述的可適性控制模式調整方法，更包括：接收一車輛的一入場要求或一出場要求；以及反應於該入場要求或該出場要求的接收，依據該設備使用狀況切換至對應的該控制模式，其中該控制模式包括該至少一機械停車設備的多個運作流程中的一者。
一種機械停車系統，包括：一儲存器，用以儲存一程式碼；以及一處理器，耦接該儲存器，並經配置用以載入該程式碼以執行：偵測一機械停車場的一設備使用狀況，其中一控制器用以控制該機械停車場的至少一機械停車設備，且該設備使用狀況相關於該至少一機械停車設備的運作；透過一推論模型判斷該設備使用狀況所對應的該控制器的多個控制模式中的一者，其中該推論模型是透過一機器學習演算法所訓練，在該推論模型的一訓練階段中分析該至少一機械停車設備的該設備使用狀況與該些控制模式的對應關係，且該些控制模式相關於該控制器控制該至少一機械停車設備的組態；取得相關於至少一機械停車設備的多個學習樣本，其中該些學習樣本包括該至少一機械停車設備的運作聲音；在該訓練階段中，依據該些學習樣本訓練該推論模型，包括：取得多個時段情境的限制條件，其中該些控制模式相關於該些時段情境，每一該時段情境是對應於多個時段中的一者，且該限制條件包括噪音；以及依據該限制條件建立該些時段情境，包括：依據該至少一機械停車設備在正常運轉下的噪音基準與低噪音標準，建立一夜間低噪音模式，其中該時段情境包括該夜間低噪音模式；以及將該控制模式轉換為該控制器的一控制程序，其中針對該控制模式的切換時機，依據一該時段情境決定該控制程序中的排程。
如請求項6所述的機械停車系統，其中該些學習樣本還相關於該至少一機械停車設備的運作模式、運作時間、消耗電能、環境溫度、環境濕度、車輛的進出情況及停放位置中的至少一者。
如請求項6所述的機械停車系統，其中該限制條件還相關於節能、使用效率中的至少一者。
如請求項6所述的機械停車系統，其中該處理器更經配置用以：透過該控制器依據判斷的該控制模式設定該至少一機械停車設備，包括：調整該至少一機械停車設備的運作模式，其中該運作模式包括馬達運轉速度。
如請求項6所述的機械停車系統，其中該處理器更經配置用以：接收一車輛的一入場要求或一出場要求；以及反應於該入場要求或該出場要求的接收，依據該設備使用狀況切換至對應的該控制模式，其中該控制模式包括該至少一機械停車設備的多個運作流程中的一者。