JP3404958B2 - Elevator group management device - Google Patents
Elevator group management deviceInfo
- Publication number
- JP3404958B2 JP3404958B2 JP02483695A JP2483695A JP3404958B2 JP 3404958 B2 JP3404958 B2 JP 3404958B2 JP 02483695 A JP02483695 A JP 02483695A JP 2483695 A JP2483695 A JP 2483695A JP 3404958 B2 JP3404958 B2 JP 3404958B2
- Authority
- JP
- Japan
- Prior art keywords
- traffic
- data
- neural network
- traffic flow
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Elevator Control (AREA)
Description
【０００１】[0001]
【産業上の利用分野】この発明は、複数台のかごを一群
として管理し運転するエレベーターの群管理装置に係わ
り、特にニューラルネットを応用して建物内交通流を判
別する群管理装置に関する。 This invention relates to relates to a group management apparatus of the elevator to operate and manage a basket of multiple units as a group, on the group management apparatus for determining a building in the traffic flow in particular application of the neural net.
【０００２】[0002]
【従来の技術】複数台のエレベーターを制御する群管理
装置は、マイクロコンピュータの採用によって大量情報
の演算処理と高度な制御を実現することが可能である。
このような背景によりエレベーター装置には人工知能技
術の一つであるファジー理論やニューラルネットが応用
されている。従来のエレベーターの群管理装置として、
例えば特開平３−１２４６７６号公報に示されるよう
に、ニューラルネットの部分モデル部と複数のメンバー
シップ関数とから構成されるエレベーターの群管理装置
がある。2. Description of the Related Art A group management device for controlling a plurality of elevators can realize arithmetic processing of a large amount of information and sophisticated control by adopting a microcomputer.
Against this background, fuzzy logic and neural networks, which are one of the artificial intelligence technologies, have been applied to elevator devices. As a conventional elevator group management device,
For example, as disclosed in Japanese Patent Laid-Open No. 3-124676, there is an elevator group management device including a partial model part of a neural network and a plurality of membership functions.
【０００３】また、例えば特開平３−２７９１７８号公
報に示されるように、交通状態を入力としてかご内の混
雑度を出力するニューラルネットを構成するエレベータ
ーの群管理装置がある。また、例えば特開平４−３２４
７２号公報に示されるように、時間帯又は交通パターン
を設けて最も適したニューラルネットを選択するエレベ
ーターの群管理装置がある。Further, as disclosed in, for example, Japanese Unexamined Patent Publication No. 3-279178, there is an elevator group management device which constitutes a neural network which outputs a congestion degree in a car with a traffic state as an input. Further, for example, Japanese Patent Laid-Open No. 4-324
As shown in Japanese Patent Laid-Open No. 72, there is an elevator group management device that selects a most suitable neural network by providing a time zone or a traffic pattern.
【０００４】また、例えば特開平６−２６３３４６号公
報に示されるように、ニューラルネットを応用して建物
内交通流を判定し、未学習の交通流があれば再学習する
エレベーターの群管理装置がある。なお、建物内で発生
する交通流とは、交通状態を表す概念であって乗客数、
乗客発生間隔、ＯＤ(Origin and Destination)行列等に
よって記述されるものである。Further, for example, as disclosed in Japanese Unexamined Patent Publication No. 6-263346, there is an elevator group management device for determining a traffic flow in a building by applying a neural network and re-learning if there is an unlearned traffic flow. is there. In addition, the traffic flow that occurs in the building is a concept that represents the traffic state, the number of passengers,
It is described by a passenger occurrence interval, an OD (Origin and Destination) matrix, and the like.
【０００５】[0005]
【発明が解決しようとする課題】上記のような従来のエ
レベーターの群管理装置において次に述べる問題点があ
った。すなわち、ニューラルネットの部分モデル部と複
数のメンバーシップ関数とから構成されるエレベーター
の群管理装置においては、乗場呼びの割当制御にニュー
ラルネットを応用しているものの、建物内で発生する交
通流に関する効果が不確かである。The conventional elevator group management device as described above has the following problems. That is, in the elevator group management device composed of the partial model part of the neural network and the plurality of membership functions, although the neural network is applied to the hall call allocation control, the traffic flow generated in the building The effect is uncertain.
【０００６】また、交通状態を入力として、かご内の混
雑度を出力するニューラルネットを構成するエレベータ
ーの群管理装置においては、ニューラルネットを応用し
てかご内の混雑度を予測しているものの、予測したデー
タからエレベーターをどのように制御するかの問題が残
る。また、時間帯又は交通パターンを設けて最も適した
ニューラルネットを選択するエレベーターの群管理装置
においては、ニューラルネットを選択して乗場呼びの割
当制御に使用しているだけであって、建物内で発生する
異なった交通流の判別に関しては不明瞭である。In addition, in the elevator group management device which constitutes a neural network which outputs the congestion degree in the car with the traffic condition as an input, although the neural network is applied to predict the congestion degree in the car, The question remains how to control the elevator from the predicted data. Also, in the elevator group management device that sets the time zone or traffic pattern and selects the most suitable neural network, only the neural network is selected and used for hall call assignment control. It is unclear how to distinguish the different traffic flows that occur.
【０００７】また、ニューラルネットを応用して建物内
交通流を判定し、未学習の交通流があれば再学習するエ
レベーターの群管理装置においては、交通流の判定を行
った後のエレベーターの具体的な制御が不詳である。In addition, in an elevator group management device that determines a traffic flow in a building by applying a neural network and re-learns if there is an unlearned traffic flow, a concrete example of the elevator after the determination of the traffic flow is performed. Control is unknown.
【０００８】なお、以上のそれぞれの従来のエレベータ
ーの群管理装置において、次の事項に関し詳らかでな
い。すなわち、通常ニューラルネットの学習には膨大な
演算時間を要し、他のエレベーターの制御に影響を与え
る。しかし、このような問題が解消されていない。ま
た、ニューラルネットの学習過程においては教師データ
が必要になるが、そのデータを抽出する手順は不明確で
ある。In each of the conventional elevator group management devices described above, it is not clear about the following matters. That is, the learning of the neural network usually requires a huge amount of calculation time, which affects the control of other elevators. However, such a problem has not been solved. Further, teacher data is required in the learning process of the neural network, but the procedure for extracting that data is unclear.
【０００９】また、エレベーターのようなリアルタイム
な制御が必要な場合、ニューラルネットの学習が不十分
であるとニューラルネットからの出力が明確に現れない
ときがある。しかし、ニューラルネットからの出力が明
確に現れない状況でもエレベーターに影響を与えないた
めの改善要領が不明である。また、エレベーターの外部
から多様な情報が入力された場合に、その情報とニュー
ラルネットからの制御情報との優先関係に関して不明瞭
である。Further, when real-time control such as an elevator is required, the output from the neural network may not appear clearly if the learning of the neural network is insufficient. However, it is unclear how to improve it so that it does not affect the elevator even when the output from the neural network does not appear clearly. Further, when various information is input from the outside of the elevator, it is unclear about the priority relationship between the information and the control information from the neural network.
【００１０】この発明は、かかる問題点を解消するため
になされたものであり、ニューラルネットを応用して交
通流を判別して、効率的に複数台のかごを一群として管
理し運転するエレベーターの群管理装置を得ることを目
的とする。 The present invention has been made in order to solve such a problem, and it is an elevator that efficiently manages and operates a plurality of cars as a group by applying a neural network to determine the traffic flow. It shall be the purpose of obtaining a group management apparatus.
【００１１】[0011]
【課題を解決するための手段】この発明に係るエレベー
ターの群管理装置においては、複数台のかごを一群とし
て管理運転するエレベーターの群管理装置に、かごが設
けられた建物内で発生する交通データを収集する交通デ
ータ収集手段と、この交通データ収集手段から求められ
る交通流に対してニューラルネットを応用して判別を行
う交通流判別手段と、この交通流判別手段から収集され
る交通データを基にニューラルネットを学習させるため
に必要な教師データを抽出する教師データ抽出手段と、
教師データを基にニューラルネットを学習させる学習手
段と、交通流判別手段を第１優先の演算手段とし、学習
手段を第３優先の演算手段とし、交通流判別手段及び学
習手段の他の演算手段を第２優先の演算手段とする順位
に従って各演算手段の動作を管理するタスク管理手段と
が設けられる。 In the group management apparatus of the elevator according to this invention SUMMARY OF] is the group management apparatus of the elevator managing operating as a group the car plurality, traffic generated in the cage is provided a building A traffic data collecting means for collecting data, a traffic flow discriminating means for discriminating a traffic flow obtained by the traffic data gathering means by applying a neural network, and traffic data collected by the traffic flow discriminating means Teacher data extraction means for extracting the teacher data necessary for learning the neural network based on the
A learning means for learning the neural network based on the teacher data, the traffic flow discriminating means is the first priority computing means, the learning means is the third priority computing means, and the traffic flow discriminating means and the other computing means of the learning means. the Ru and task management means for managing the operation of each computing means is provided according to ranking of the second priority calculation means.
【００１２】また、この発明に係るエレベーターの群管
理装置においては、複数台のかごを一群として管理運転
するエレベーターの群管理装置に、かごが設けられた建
物内で発生する交通データを収集する交通データ収集手
段と、この交通データ収集手段から求められる交通流に
対してニューラルネットを応用して判別を行う交通流判
別手段と、上記交通データ収集手段により収集された交
通データから交通量のピークとなる時間帯を検出するピ
ーク時検出手段と、このピーク時検出手段により検出さ
れたピーク時間から所定時間前の連続した交通データを
教師データとして抽出する教師データ抽出手段と、教師
データを基にニューラルネットを学習させる学習手段と
が設けられる。 [0012] Also, in the group management apparatus of the elevator according to the invention, the group management apparatus of the elevator managing operating as a group the car plurality to collect traffic data generated in the building where the car is provided a traffic data collecting unit, a traffic flow determining means for discriminating by applying neural network with respect to traffic flow obtained from the traffic data collecting means, peak traffic volume from the traffic data collected by said traffic data collecting means Based on the teacher data, a peak time detecting means for detecting a time zone, and a teacher data extracting means for extracting continuous traffic data of a predetermined time before the peak time detected by the peak time detecting means as teacher data. and learning means for learning the neural net is Ru provided.
【００１３】また、この発明に係るエレベーターの群管
理装置においては、複数台のかごを一群として管理運転
するエレベーターの群管理装置に、かごが設けられた建
物内で発生する交通データを収集する交通データ収集手
段と、この交通データ収集手段から求められる交通流に
対してニューラルネットを応用して判別を行う交通流判
別手段と、ニューラルネットからの出力結果が明確に現
れない場合は判別不能及び特定不能のいずれかとして出
力するフィルタリング手段と、交通データ収集手段によ
り所定期間にわたって収集された交通データを基に収集
日毎にニューラルネットに対して判別を行い判別不能及
び特定不能のいずれかを出力した回数が最も少なくなる
日の交通データを教師データとして抽出する教師データ
抽出手段と、教師データを基にニューラルネットを学習
させる学習手段と、交通流判別手段からの出力を基に交
通流に対応する運転パターンを選択する運転パターン選
択手段とが設けられる。 [0013] Also, in the group management apparatus of the elevator according to the invention, the group management apparatus of the elevator managing operating as a group the car plurality to collect traffic data generated in the building where the car is provided Traffic data collecting means, traffic flow judging means for judging the traffic flow obtained from the traffic data collecting means by applying a neural network, and if the output result from the neural network does not clearly appear, it is impossible to judge. Based on the traffic data collected by the traffic data collection means over a predetermined period of time, the neural network is discriminated for each collection day based on the traffic data collected as unidentifiable, and either unidentifiable or unidentifiable is output. Teacher data extraction means for extracting traffic data on the day when the number of times is the smallest as teacher data; And learning means for learning the neural network based on over data, based on the output from the traffic flow determination means and an operation pattern selecting means for selecting a driving pattern corresponding to the traffic flow Ru provided.
【００１４】[0014]
【作用】上記のように構成されたエレベーターの群管理
装置では、ニューラルネットを応用してエレベーターの
交通流判別を行うときに、タスク管理手段により優先順
位をつけてニューラルネットに関する演算を行い、ニュ
ーラルネットの出力をもとに交通流に適合したエレベー
ターの運転制御が行われる。 [Action] In the elevator group management apparatus configured as described above SL is applied to the neural network when performing elevator traffic flow determination, performs operations on the neural net prioritized by the task manager, elevator operation control adapted on the basis of the traffic flow the output of the neural network is Ru is carried out.
【００１５】また、上記のように構成されたエレベータ
ーの群管理装置では、ニューラルネットを応用してエレ
ベーターの交通流判別を行うときに、交通がピークとな
る時間帯から所定時間前の連続した交通データにより教
師データが抽出されて、この教師データを基にニューラ
ルネットが学習され、交通流に適合したエレベーターの
運転制御が行われる。 [0015] Also, in the elevator group management apparatus configured as described above, by applying the neural network when performing elevator traffic flow determination, traffic is continuous predetermined time before the time period the peak is extracted teacher data by the traffic data, the neural network based on the teacher data is learned, operation control of the elevator adapted to the traffic flow is Ru performed.
【００１６】また、上記のように構成されたエレベータ
ーの群管理装置では、ニューラルネットを応用してエレ
ベーターの交通流判別を行うときに、判別不能や特定不
能が少なくなる日の交通データを優先し、これを教師デ
ータとしてニューラルネットを学習し、交通流に適合し
たエレベーターの運転制御が行われる。 [0016] Also, in the elevator group management apparatus configured as described above, by applying the neural network when performing elevator traffic flow determination, priority traffic data of unidentifiable and not otherwise specified is reduced day and, which was learning the neural net as the teacher data, operation control of the elevator adapted to the traffic flow is Ru is carried out.
【００１７】[0017]
【実施例】実施例１．
図１〜図４は、この発明の一実施例を示す図で、図１は
エレベーターの構成を付加しエレベーターの群管理装置
の構成を示すブロック図、図２は図１のエレベーターの
群管理装置のニューラルネットの構成図、図３は図１の
エレベーターの群管理装置の演算順序を説明するタイム
チャート、図４は図１のエレベーターの群管理装置の動
作を示すフローチャートである。[Example] the actual Example 1. 1 to 4 are views showing an embodiment of the present invention, FIG. 1 is a block diagram showing a configuration of an elevator group management device with an elevator configuration added, and FIG. 2 is an elevator group management device of FIG. diagram of the neural net, Figure 3 is a time for explaining the operation sequence of the elevator group management apparatus of FIG. 1
Charts, motion of Figure 4 is an elevator group management apparatus of FIG. 1
It is a flowchart which shows a work .
【００１８】図において、(1) は図示が省略してあるが
複数台のエレベーターそれぞれのかご、(2) はかご(1)
が設けられた昇降路に配置された乗場（図示しない）に
装備された乗場釦、(3) はかご(1) それぞれの運行を制
御する制御手段、(4) は全てのかご(1) を一群として管
理し運転制御する運転制御手段、(5) は制御手段(3)と
運転制御手段(4) の間で光通信を行う各かご通信手段、
(6) は運転制御手段(4) に接続されて乗場釦(2) による
呼びが発生するたびに応答かご(1) を選択する呼び割当
手段である。In the figure, (1) is not shown, but a car for each of a plurality of elevators, (2) is a car (1)
(3) is a car (1) is a control means for controlling the operation of each car, and (4) is a car (1) for all cars (1) Operation control means for managing and controlling operation as a group, (5) is each car communication means for performing optical communication between the control means (3) and the operation control means (4),
Reference numeral (6) is a call assigning means which is connected to the operation control means (4) and selects the answering car (1) every time a call is made by the hall button (2).
【００１９】(7) は運転制御手段(4) に接続されてエレ
ベーターに乗降する乗客の負荷等の交通情報を収集する
交通データ収集手段、(8) は交通データ収集手段(7) に
接続されてニューラルネットを応用して収集された交通
流に対して判別を行う交通流判別手段、(9) は交通デー
タ収集手段(7) に接続されて交通データ収集手段(7)に
より収集された交通データからニューラルネット(10)を
学習させるために必要な教師データを抽出する教師デー
タ抽出手段である。(7) is connected to the operation control means (4) to collect traffic information such as load of passengers getting on and off the elevator, and (8) is connected to the traffic data collection means (7). Traffic flow discriminating means for discriminating traffic flows collected by applying a neural network, (9) is connected to the traffic data collecting means (7), and traffic collected by the traffic data collecting means (7) This is a teacher data extraction means for extracting teacher data necessary for learning the neural network (10) from the data.
【００２０】(11)は交通流判別手段(8) と教師データ抽
出手段(9) に接続されてニューラルネット(10)を学習さ
せるための学習手段、(12)は運転制御手段(4) と交通流
判別手段(8) に接続されて交通流判別手段(8) の出力に
より出勤時運転等の運転パターンを選択する運転パター
ン選択手段、(13)は交通データ収集手段(7) 、交通流判
別手段(8) 、教師データ抽出手段(9) 及び学習手段(11)
に接続されて、収集されたデータ、教師データ及びニュ
ーラルネット(10)を構成するためのメモリである。Reference numeral (11) is a learning means connected to the traffic flow discrimination means (8) and the teacher data extraction means (9) for learning the neural network (10), and (12) is a driving control means (4). A driving pattern selection means connected to the traffic flow determination means (8) and selecting a driving pattern such as driving at work by the output of the traffic flow determination means (8), (13) a traffic data collection means (7), a traffic flow Discrimination means (8), teacher data extraction means (9) and learning means (11)
Is a memory for configuring the collected data, the teacher data and the neural network (10) by being connected to.
【００２１】(14)は運転制御手段(4) に接続されて時刻
を計測するタイマである。(15)は運転制御手段(4) 、各
かご通信手段(5) 、呼び割当手段(6) 、交通データ収集
手段(7) 、交通流判別手段(8) 、教師データ抽出手段
(9) 、学習手段(11)、運転パターン選択手段(12)、メモ
リ(13)及びタイマ(14)によって構成された群管理装置で
ある。 Reference numeral (14) is a timer which is connected to the operation control means (4) and measures time. (15) is operation control means (4), each car communication means (5), call allocation means (6), traffic data collection means (7), traffic flow discrimination means (8), teacher data extraction means
(9), the learning means (11), the operation pattern selecting means (12), memory (13) and <br/> Ru Ah in the group management device constructed in accordance with the timer (14).
【００２２】(16)は交通データ収集手段(7) 、交通流判
別手段(8) 、教師データ抽出手段(9) 、学習手段(11)及
びメモリ(13)に接続されて複数の演算手段の演算順序を
コントロールするタスク管理手段である。 (16) is a means for collecting traffic data (7), traffic flow
Separate means (8), teacher data extraction means (9), learning means (11) and
Connected to the memory and memory (13)
It is a task management means for controlling.
【００２３】上記のように構成されたエレベーターの群
管理装置において用いられるニューラルネット(10)の構
成を図２によって説明する。すなわち、ニューラルネッ
ト(10)は入力層、中間層１、中間層２及び出力層の４つ
の層から成り立っている。中間層の数は任意でよいが図
１〜図４の実施例では２つが用意されている。ニューラ
ルネット(10)に対しては、交通データ収集手段(7) から
収集された乗降客数のデータを入力データとし、そのと
きに選択すべき交通流の特徴モードを出力データとす
る。[0023] illustrating the configuration of a neural network (10) used in the elevator group management apparatus configured as above Symbol by Figure 2. That is, the neural network (10) is composed of four layers: an input layer, an intermediate layer 1, an intermediate layer 2 and an output layer. The number of intermediate layers may be arbitrary, but two in the embodiment of FIGS. 1-4 have been provided. Data for the number of passengers collected from the traffic data collection means (7) is used as input data for the neural network (10), and the characteristic mode of the traffic flow to be selected at that time is used as output data.
【００２４】この出力に現れる特徴モードとは、例えば
早朝モード、出勤モード、平常モードといったモードが
該当する。また、中間層１等の各層にはそれぞれニュー
ロンが所定数だけ存在しており、入力層、出力層のニュ
ーロン数はそれぞれ入力データ、出力データの数だけ存
在している。 The characteristic mode appearing in this output is, for example,
Modes such as early morning mode, attendance mode, normal mode
Applicable In addition, each layer such as the middle layer 1 has a new
There are a certain number of rons, and the input layer and output layer
There are as many rons as there are input data and output data.
Existence
【００２５】次ぎに、群管理装置(15)における各演算手
段の演算順序を図３のタイムチャートによって説明す
る。すなわち、タスクはそれぞれ３つに分割し、交通判
別手段(8) は第１優先、学習手段(11)は第３優先、交通
データ収集手段(7) 他の演算手段は第２優先として設定
する。なお、交通判別手段(8) はリアルタイムで交通流
の判別を行い、短時間に判別結果が出力されないと制御
が遅れるので第１優先と設定する。 Next, each operator in the group management device (15)
The calculation order of the stages will be described with reference to the time chart of FIG.
It That is, each task is divided into three
Alternative means (8) is first priority, learning means (11) is third priority, traffic
Data collection means (7) Other calculation means set as second priority
To do. The traffic discriminating means (8) is used for real-time traffic flow.
Is determined and control is performed if the determination result is not output in a short time.
Therefore, it is set as the first priority.
【００２６】また、学習手段(11)はニューラルネット(1
0)の学習に膨大な時間を要するので、例えば交通の閑散
な夜間に行なうようにすることにより特に短時間に学習
が終了する必要もないため第３優先と設定する。このよ
うにして、各演算手段に優先順位を設けてエレベーター
の制御に影響が出ないようにしてある。The learning means (11) is a neural network (1
Since the learning of 0) requires a huge amount of time, it is not necessary to finish the learning in a short time, for example, by performing it at night when traffic is low, and thus the third priority is set. In this way, priority is given to each computing means so that the elevator control is not affected.
【００２７】次に、群管理装置(15)の動作を図４に示す
フローチャートによって説明する。すなわち、ステップ
(ST81)で第１優先タスクのＢＵＳＹ１フラグがオンであ
ればＥＮＤへ進み、オンでなければステップ(ST82)へ進
んでＢＵＳＹ１フラグをオンする。そして、ステップ(S
T83)へ進んで第１優先タスクの演算を行い、ステップ(S
T84)へ進みＢＵＳＹ１フラグをオフして、ステップ(ST8
5)へ進む。Next, it will be described with reference to the flowchart showing the operation of the group management apparatus (15) in FIG. 4. I.e. step
If the BUSY1 flag of the first priority task is turned on in (ST81), the process proceeds to END. If not, the process proceeds to step (ST82) to turn on the BUSY1 flag. Then step (S
T83) and calculate the first priority task, and then step (S
Proceed to (T84) to turn off the BUSY1 flag, and then step (ST8
Go to 5).
【００２８】ステップ(ST85)で第２優先タスクのＢＵＳ
Ｙ２フラグがオンであればＥＮＤへ進み、オンでなけれ
ばステップ(ST86)へ進んでＢＵＳＹ２フラグをオンす
る。次いで、ステップ(ST87)へ進んで第２優先タスクの
演算を行い、ステップ(ST88)へ進みＢＵＳＹ２フラグを
オフして、ステップ(ST89)へ進み第３優先タスクの演算
を行う。BUS of the second priority task in step (ST85)
If the Y2 flag is on, the operation proceeds to END, and if not, the operation proceeds to step (ST86) to turn on the BUSY2 flag. Then, the process proceeds to step (ST87) to calculate the second priority task, proceeds to step (ST88) to turn off the BUSY2 flag, and proceeds to step (ST89) to calculate the third priority task.
【００２９】このように、ニューラルネット(10)を応用
してエレベーターの交通流判別を行うときに、ニューラ
ルネット(10)に関する演算に優先順位をつけニューラル
ネット(10)の出力をもとに交通流に適合したエレベータ
ーの運転制御が行われる。したがって、ニューラルネッ
ト(10)の判別や学習の実行について、それぞれの優先順
位により演算を行うため、関係するコンピュータ資源を
有効に使用することができる。これにより、効率的に複
数台のかごを一群として管理し運転するエレベーターの
群管理装置を得ることができる。As described above, when the traffic flow of the elevator is discriminated by applying the neural network (10), the operation related to the neural network (10) is prioritized and the traffic based on the output of the neural network (10). Elevator operation control suitable for the flow is performed. Therefore, with respect to the discrimination of the neural network (10) and the execution of learning, the calculation is performed in accordance with the respective priorities, so that the related computer resources can be effectively used. Thus, as possible out to obtain efficiently the group management apparatus of the elevator managing operated as a group the car plurality.
【００３０】実施例２．
図５及び図６は、この発明の他の実施例を示す図で、図
５はエレベーターの構成を付加しエレベーターの群管理
装置の構成を示すブロック図、図６は図５のエレベータ
ーの群管理装置の動作を示すフローチャートである。図
において、図１〜図４と同符号は相当部分を示し、(17)
は交通データ収集手段(7) 、教師データ抽出手段(9) 、
及びメモリ(13)に接続されて、交通データ収集手段(7)
により収集された交通データから各時間帯において交通
量がピークとなる時間帯を検出するピーク時検出手段で
ある。 Example 2. 5 and 6 are views showing another embodiment of the present invention.
5 is a block diagram showing the configuration of the elevator adding configure elevator group management device, FIG 6 is a flowchart showing the operation of the elevator group management apparatus of FIG. In the figure, the same reference numerals as those in FIGS. 1 to 4 indicate corresponding parts, and (17)
Is traffic data collection means (7), teacher data extraction means (9),
And a means for collecting traffic data (7) connected to the memory (13)
It is a peak time detecting means for detecting the time zone in which the traffic volume peaks in each time zone from the traffic data collected by
【００３１】上記のように構成されたエレベーターの群
管理装置における処理手順を図６に示すフローチャート
によって説明する。すなわち、ステップ(ST111) で時間
帯ｉ及び交通量の最大値ＭＡＸを初期値化する。ここで
言う時間帯とは例えば５分毎に設定されるものである。
次に、ステップ(ST112) へ進んで、時間帯ｉの交通量を
Ｔ(i) と設定してステップ(ST113) により交通量Ｔ(i)
が最大値ＭＡＸよりも大きければステップ(ST114) へ進
み、交通量Ｔ(i) が最大値ＭＡＸよりも小さければステ
ップ(ST115) へ進む。[0031] explaining the processing procedure in the constructed elevator group management device as described above by the flowchart shown in FIG. That is, in step (ST111), the time zone i and the maximum value MAX of traffic volume are initialized. The time zone mentioned here is set, for example, every 5 minutes.
Next, proceed to step (ST112), set the traffic volume for time zone i as T (i), and set the traffic volume T (i) at step (ST113).
Is greater than the maximum value MAX, the process proceeds to step (ST114), and if the traffic volume T (i) is less than the maximum value MAX, the process proceeds to step (ST115).
【００３２】そして、ステップ(ST114) で交通量Ｔ(i)
及び時間帯ｉを記憶し、ステップ(ST115) では全ての時
間帯ｉについて記憶終了でなければステップ(ST116) で
時間帯ｉを更新してステップ(ST112) へ戻り、記憶終了
であればステップ(ST117) へ進む。ステップ(ST117) で
交通量が最大となる時間帯ｔｕから所定時間前の交通デ
ータを教師データとして抽出する。Then, in step (ST114), the traffic volume T (i)
And time zone i are stored, and in step (ST115), if the storage is not completed for all time zones i, the time zone i is updated in step (ST116) and the process returns to step (ST112). Continue to ST117). In step (ST117), the traffic data of a predetermined time before the time zone tu in which the traffic volume is maximum is extracted as teacher data.
【００３３】このように、ニューラルネット(10)を応用
してエレベーターの交通流判別を行うときに、各交通流
のピークとなる時間帯から所定時間前の交通データを教
師データとして設定する。したがって、ニューラルネッ
ト(10)の学習過程において必要な教師データを、特徴モ
ードの現れやすい交通データから抽出できて、ニューラ
ルネット(10)の精度を上げることができる。これによ
り、効率的に複数台のかごを一群として管理し運転する
エレベーターの群管理装置を得ることができる。 As described above, when the traffic flow of the elevator is determined by applying the neural network (10), the traffic data of a predetermined time before the peak time zone of each traffic flow is set as the teacher data. Therefore, the teacher data required in the learning process of the neural network (10) can be extracted from the traffic data in which the characteristic mode is likely to appear, and the accuracy of the neural network (10) can be improved. Thus, that Ki efficiently out to obtain a group management apparatus of the elevator managing operated as a group the car plurality.
【００３４】実施例３．
図７及び図８も、この発明の他の実施例を示す図で、図
７はエレベーターの群管理装置のニューラルネットの構
成図、図８は図７のエレベーターの群管理装置の動作を
示すフローチャートであり、図１〜図４の実施例と同様
にエレベーターの群管理装置が構成される。図におい
て、(19)は前述の図２のニューラルネット(10)の出力部
にフィルタリング手段(20)が付加されてなるニューラル
ネットである。 Example 3. 7 and 8 are views showing another embodiment of the present invention.
7 is a diagram showing the construction of a neural network of an elevator group management device, FIG. 8 is a flowchart showing the operation of the elevator group management apparatus of FIG. 7, the embodiment as well as elevator group management apparatus of FIGS. 1-4 Composed. In the figure, (19) is a neural network in which a filtering means (20) is added to the output part of the neural network (10) in FIG.
【００３５】上記のように構成されたエレベーターの群
管理装置において、フィルタリング手段(20)で出力され
るデータとしてｎ個の特徴モードの他に判別不能、特定
不能の２つのモードが追加されている。このフィルタリ
ング手段(20)には予めしきい値を設けておき、各ニュー
ロンからの出力に対してどのニューロンからの出力もし
きい値を越えない場合は判別不能として出力し、複数の
ニューロンからの出力がしきい値を越えているときは特
定不能として出力する。これにより、もしニューラルネ
ット(19)がうまく構成されずに出力が不明確な場合でも
間違った制御をしなくても済むようになる。In the elevator group management device configured as described above, in addition to the n characteristic modes, two modes that cannot be identified and cannot be identified are added as the data output by the filtering means (20). . This filtering means (20) is provided with a threshold value in advance, and if the output from any neuron does not exceed the threshold value with respect to the output from each neuron, it is output as unidentifiable, and the output from multiple neurons When exceeds the threshold, it is output as unspecified. As a result, if the neural network (19) is not well constructed and the output is unclear, it is possible to avoid wrong control.
【００３６】次に、図７及び図８の実施例に対応した群
管理装置の動作を図８に示すフローチャートによって説
明する。ここでは、ニューラルネット(19)を学習するた
めに必要な教師データを抽出する手段を説明する。この
教師データ抽出手段(9) は学習手段(11)と同様に所定期
間毎に、例えば２週間毎に実行される。すなわち、ステ
ップ(ST171) で日ｉと最小値ＭＩＮを初期化してステッ
プ(ST172) へ進み、ｉ日目の交通データに対してニュー
ラルネット(19)に判別を行わせる。Next, it will be described with reference to the flowchart shown in FIG. 8 the operation of the group management device corresponding to the embodiment of FIGS. Here, a means for extracting the teacher data necessary for learning the neural network (19) will be described. The teacher data extracting means (9) is executed every predetermined period, for example, every two weeks, like the learning means (11). That is, the day i and the minimum value MIN are initialized in step (ST171), and the process proceeds to step (ST172), and the neural network (19) discriminates the traffic data on day i.
【００３７】次いで、ステップ(ST173) へ進み判別不
能、特定不能を出力した回数Ｕｎ（ｉ）をカウントして
ステップ(ST174) へ進んで最小値ＭＩＮよりも回数Ｕｎ
（ｉ）が小さければステップ(ST175) へ進み、最小値Ｍ
ＩＮよりも回数Ｕｎ（ｉ）が大きければステップ(ST17
6) へ進む。そして、ステップ(ST175) で最小値ＭＩＮ
を更新し、ステップ(ST176) では全ての日ｉが終了して
いればステップ(ST178) へ進み、全ての日ｉが終了して
いなければステップ(ST177) へ進んで日ｉを更新して(S
T172) へ戻る。Next, the procedure proceeds to step (ST173), the number of times Un (i) at which unidentifiable or unidentifiable is output is counted, and the procedure proceeds to step (ST174) where the number of times Un exceeds the minimum value MIN.
If (i) is small, proceed to step (ST175) and set the minimum value M
If the number of times Un (i) is larger than IN, step (ST17
Go to 6). Then, in step (ST175), the minimum value MIN
If all days i have finished in step (ST176), proceed to step (ST178). If all days i have not finished, proceed to step (ST177) to update day i ( S
Return to (T172).
【００３８】ステップ(ST178) において、判別不能、特
定不能を出力した回数が最も小さくなる日ｃｎの交通デ
ータを抽出する。これによって、交通流がはっきりと現
れる日の交通データから教師データを抽出することがで
き、精度の高いニューラルネット(19)を構成することが
できる。In step (ST178), the traffic data on the day cn where the number of times that the unidentifiable or unidentifiable is output is minimized is extracted. Thereby, teacher data can be extracted from the traffic data on the day when the traffic flow clearly appears, and a highly accurate neural network (19) can be constructed.
【００３９】このように、ニューラルネット(19)を応用
してエレベーターの交通流判別を行うときに、判別不能
や特定不能が少なくなる日の交通データを優先して教師
データが設定される。これにより、万一ニューラルネッ
ト(19)からの出力が明確に現れない場合でもエレベータ
ーに影響を与えずに制御することがが可能となる。した
がって、効率的に複数台のかごを一群として管理し運転
するエレベーターの群管理装置を得ることができる。 As described above, when the traffic flow of the elevator is discriminated by applying the neural network (19), the teacher data is set by giving priority to the traffic data on the day when the discrimination or unidentification is reduced. As a result, even if the output from the neural network (19) does not appear clearly, it is possible to control the elevator without affecting it. Therefore, that Ki efficiently out to obtain a group management apparatus of the elevator managing operated as a group the car plurality.
【００４０】[0040]
【発明の効果】この発明は以上説明したように、複数台
のかごを一群として管理運転するエレベーターの群管理
装置に、建物内で発生する交通データを収集する交通デ
ータ収集手段から求められる交通流に対してニューラル
ネットを応用して判別を行う交通流判別手段を設け、ま
た交通流判別手段から収集される交通データを基にニュ
ーラルネットを学習させるために必要な教師データを基
にしてニューラルネットを学習させる学習手段を設け、
また交通流判別手段を第１優先の演算手段とし、学習手
段を第３優先の演算手段とし、交通流判別手段及び学習
手段の他の演算手段を第２優先の演算手段とする順位に
従って各演算手段の動作を管理するタスク管理手段を設
けたものである。 This invention, according to the present invention as has been described above, traffic to the group management apparatus of the elevator managing operating as a group the car plurality is determined from the traffic data collecting means for collecting traffic data generated in the building A traffic flow discriminating means for discriminating a flow by applying a neural net is provided, and a neural network based on the teacher data necessary for learning the neural network based on the traffic data collected from the traffic flow discriminating means. A learning means for learning the net is provided,
Further, each calculation is performed in accordance with the order in which the traffic flow determination means is the first priority calculation means, the learning means is the third priority calculation means, and the other calculation means of the traffic flow determination means and the learning means are the second priority calculation means. A task management means for managing the operation of the means is provided.
【００４１】これによって、ニューラルネットを応用し
てエレベーターの交通流判別を行うときに、タスク管理
手段により優先順位をつけてニューラルネットに関する
演算を行い、ニューラルネットの出力をもとに交通流に
適合したエレベーターの運転制御が行われる。したがっ
て、ニューラルネットの判別や学習の実行について、そ
れぞれの優先順位により演算を行う。このため関係する
コンピュータ資源を有効に使用することができ、複数台
のかごを一群として管理し運転するエレベーターの群管
理装置の管理機能を効率化する効果がある。 Thus, when the traffic flow of the elevator is discriminated by applying the neural network, the task management means gives priority to the operation of the neural network, and the traffic flow is adapted based on the output of the neural network. The operation control of the elevator is performed. Therefore, with respect to the discrimination of the neural network and the execution of learning, the calculation is performed according to each priority. Therefore it is possible to effectively use the computer resources involved, the effect efficient there Ru administrative functions plurality elevator group management device for managing operating as a group the car.
【００４２】また、この発明は以上説明したように、複
数台のかごを一群として管理運転するエレベーターの群
管理装置に、建物内で発生する交通データを収集する交
通データ収集手段から求められる交通流に対してニュー
ラルネットを応用して判別を行う交通流判別手段を設
け、また交通データ収集手段により収集された交通デー
タから交通量のピークとなる時間帯を検出するピーク時
検出手段を設け、またピーク時検出手段により検出され
たピーク時間から所定時間前の連続した交通データを教
師データとして抽出する教師データ抽出手段及び教師デ
ータを基にニューラルネットを学習させる学習手段を設
けたものである。[0042] Also, as described the invention above, traffic to the group management apparatus of the elevator managing operating as a group the car plurality is determined from the traffic data collecting means for collecting traffic data generated in the building A traffic flow discriminating means for discriminating a flow by applying a neural net is provided, and a peak time detecting means for detecting a peak time zone of traffic volume from the traffic data collected by the traffic data collecting means is provided. Further, a teaching data extracting means for extracting, as teaching data, continuous traffic data a predetermined time before the peak time detected by the peak detecting means, and a learning means for learning a neural network based on the teaching data are provided.
【００４３】これによって、ニューラルネットを応用し
てエレベーターの交通流判別を行うときに、交通がピー
クとなる時間帯から所定時間前の連続した交通データに
より教師データが抽出されて、この教師データを基にニ
ューラルネットが学習され、交通流に適合したエレベー
ターの運転制御が行われる。したがって、ニューラルネ
ットの学習過程において必要な教師データを、特徴モー
ドの現れやすい交通データから抽出できて、ニューラル
ネットの精度を上げることができる。これにより、複数
台のかごを一群として管理し運転するエレベーターの群
管理装置の管理機能を効率化する効果がある。 As a result, when the traffic flow of the elevator is discriminated by applying the neural network, the teacher data is extracted from the continuous traffic data a predetermined time before the peak traffic time, and this teacher data is extracted. Based on this, a neural network is learned to control the operation of the elevator that is suitable for the traffic flow. Therefore, the teacher data required in the learning process of the neural network can be extracted from the traffic data in which the characteristic mode is likely to appear, and the accuracy of the neural network can be improved. Thus, Ru effect there to streamline the management function of the group supervisory control apparatus for elevators operating manage car plurality as a group.
【００４４】また、この発明は以上説明したように、複
数台のかごを一群として管理運転するエレベーターの群
管理装置に、建物内で発生する交通データを収集する交
通データ収集手段から求められる交通流に対してニュー
ラルネットを応用して判別を行う交通流判別手段を設
け、またニューラルネットからの出力結果が明確に現れ
ない場合は判別不能及び特定不能のいずれかとして出力
するフィルタリング手段及び交通データ収集手段により
所定期間にわたって収集された交通データを基に収集日
毎にニューラルネットに対して判別を行い判別不能及び
特定不能のいずれかを出力した回数が最も少なくなる日
の交通データを教師データとして抽出する教師データ抽
出手段を設け、また教師データを基にニューラルネット
を学習させる学習手段及び交通流判別手段からの出力を
基に交通流に対応する運転パターンを選択する運転パタ
ーン選択手段を設けたものである。[0044] Also, as described the invention above, traffic to the group management apparatus of the elevator managing operating as a group the car plurality is determined from the traffic data collecting means for collecting traffic data generated in the building A traffic flow discriminating means for discriminating a flow by applying a neural network is provided, and if the output result from the neural network does not clearly appear, it is output as either undecidable or unidentifiable filtering means and traffic data. Based on the traffic data collected over a predetermined period by the collection means, the neural network is discriminated for each collection day, and the traffic data on the day when the number of unidentifiable or unidentifiable is output is extracted as teacher data. A learning data learning means for learning the neural network based on the teacher data. And it is provided with a operation pattern selecting means for selecting a driving pattern corresponding to the traffic flow on the basis of the output from the traffic flow determination unit.
【００４５】これによって、ニューラルネットを応用し
てエレベーターの交通流判別を行うときに、判別不能や
特定不能のいずれかが少なくなる日の交通データを優先
し、これを教師データとしてニューラルネットを学習
し、交通流に適合したエレベーターの運転制御が行われ
る。したがって、ニューラルネットからの出力が明確に
現れない場合でもエレベーターに影響を与えずに制御す
ることができる。これにより、複数台のかごを一群とし
て管理し運転するエレベーターの群管理装置の管理機能
を効率化する効果がある。 Thus, when the traffic flow of the elevator is discriminated by applying the neural network, the traffic data on the day when the number of undecidable or unidentifiable is reduced is given priority, and the neural network is learned by using this as the teacher data. However, the operation control of the elevator suitable for the traffic flow is performed. Therefore, even if the output from the neural network does not appear clearly, it is possible to control without affecting the elevator. Thus, Ru effect there to streamline the management function of the group supervisory control apparatus for elevators operating manage car plurality as a group.
【図１】この発明の実施例１を示す図で、エレベーター
の構成を付加しエレベーターの群管理装置の構成を示す
ブロック図。FIG. 1 is a diagram showing a first embodiment of the present invention, and is a block diagram showing a configuration of an elevator group management device to which an elevator configuration is added.
【図２】 図１のエレベーターの群管理装置におけるニ
ューラルネットの構成図。FIG. 2 is a configuration diagram of a neural network in the elevator group management device in FIG.
【図３】図１のエレベーターの群管理装置の演算順序を
説明するタイムチャート。 FIG. 3 shows a calculation sequence of the elevator group management device of FIG.
Time chart to explain.
【図４】図１のエレベーターの群管理装置の動作を示す
フローチャート。 FIG. 4 shows the operation of the elevator group management device of FIG.
flowchart.
【図５】この発明の実施例２を示す図で、エレベーター
の構成を付加しエレベーターの群管理装置の構成を示す
ブロック図。 FIG. 5 is a diagram showing a second embodiment of the present invention, which is an elevator.
Shows the configuration of the elevator group management device
Block Diagram.
【図６】図５のエレベーターの群管理装置の動作を示す
フローチャート。 FIG. 6 shows the operation of the elevator group management device of FIG .
flowchart.
【図７】この発明の実施例３を示す図で、エレベーター
の群管理装置のニューラルネットの構成図。 FIG. 7 is a diagram showing a third embodiment of the present invention, which is an elevator.
Diagram of the neural network of the group management device of FIG.
【図８】図７のエレベーターの群管理装置の動作を示す
フローチャート。8 is a flowchart showing the operation of the elevator group management apparatus of FIG.
１ かご、７ 交通データ収集手段、８ 交通流判別手
段、９ 師データ抽出手段、１０ ニューラルネット、
１１ 学習手段、１２ 運転パターン選択手段、１５
群管理装置、１６ タスク管理手段、１７ ピーク時検
出手段、１９ニューラルネット、２０ フィルタリング
手段。 1 car , 7 traffic data collection means, 8 traffic flow discrimination means, 9 teacher data extraction means, 10 neural network,
11 learning means, 12 driving pattern selection means , 15
Group management device, 16 task manager, 17 peak detecting means, 1 9 neural net 20 filtering <br/> hand stage.
フロントページの続き (56)参考文献 特開 平６−263346（ＪＰ，Ａ) 特開 平４−32472（ＪＰ，Ａ) 特開 昭62−96277（ＪＰ，Ａ) 特開 昭63−242873（ＪＰ，Ａ) 特開 平５−777（ＪＰ，Ａ) 特開 昭61−221069（ＪＰ，Ａ) 特公 平５−17150（ＪＰ，Ｂ２) (58)調査した分野(Int.Cl.7，ＤＢ名) B66B 1/00 - 1/52 Continuation of the front page (56) Reference JP-A-6-263346 (JP, A) JP-A-4-32472 (JP, A) JP-A-62-96277 (JP, A) JP-A-63-242873 (JP , A) JP-A-5-777 (JP, A) JP-A-61-221069 (JP, A) JP-B-5-17150 (JP, B2) (58) Fields investigated (Int.Cl. 7 , DB) (Name) B66B 1/00-1/52
Claims (3)
エレベーターの群管理装置において、上記かごが設けら
れた建物内で発生する交通データを収集する交通データ
収集手段と、この交通データ収集手段から求められる交
通流に対してニューラルネットを応用して判別を行う交
通流判別手段と、この交通流判別手段から収集される交
通データを基に上記ニューラルネットを学習させるため
に必要な教師データを抽出する教師データ抽出手段と、
上記教師データを基に上記ニューラルネットを学習させ
る学習手段と、上記交通流判別手段を第１優先の演算手
段とし、上記学習手段を第３優先の演算手段とし、上記
交通流判別手段及び学習手段の他の演算手段を第２優先
の演算手段とする順位に従って各上記演算手段の動作を
管理するタスク管理手段とを備えたことを特徴とするエ
レベーターの群管理装置。1. A plurality of cars are managed and operated as a group.
In the group management apparatus of the elevator, by applying the traffic data collecting means for collecting traffic data generated in the building where the upper Symbol car is provided, the neural network with respect to traffic flow obtained from the traffic data collecting unit determination Traffic flow discriminating means, and teacher data extracting means for extracting the teacher data necessary for learning the neural network based on the traffic data collected from the traffic flow discriminating means,
The learning means for learning the neural network based on the teacher data and the traffic flow discrimination means are the first priority operator.
And the learning means as a third-priority computing means,
Priority is given to other arithmetic means of traffic flow discrimination means and learning means
The operation of each of the above calculation means is performed according to the order of the calculation means of
An elevator group management device comprising: a task management unit for managing.
エレベーターの群管理装置において、上記かごが設けら
れた建物内で発生する交通データを収集する交通データ
収集手段と、この交通データ収集手段から求められる交
通流に対してニューラルネットを応用して判別を行う交
通流判別手段と、上記交通データ収集手段により収集さ
れた交通データから交通量のピークとなる時間帯を検出
するピーク時検出手段と、このピーク時検出手段により
検出されたピーク時間から所定時間前の連続した交通デ
ータを教師データとして抽出する教師データ抽出手段
と、上記教師データを基に上記ニューラルネットを学習
させる学習手段とを備えたことを特徴とするエレベータ
ーの群管理装置。2. A group management device for elevators, which manages and operates a plurality of cars as a group, and a traffic data collecting means for collecting traffic data generated in a building in which the cars are installed, and from this traffic data collecting means. and traffic flow determining means for discriminating by applying a neural network with respect sought traffic flow, collection of the above transportation data collection means
Detects time zones when traffic peaks from traffic data
By the peak detection means and this peak detection means
A certain amount of continuous traffic data is detected a predetermined time before the detected peak time.
And the teacher data extraction means for extracting the over data as teacher data, elevator group management apparatus is characterized in that a learning hand stage to train the neural network based on the teacher data.
エレベーターの群管理装置において、上記かごが設けら
れた建物内で発生する交通データを収集する交通データ
収集手段と、この交通データ収集手段から求められる交
通流に対してニューラルネットを応用して判別を行う交
通流判別手段と、上記ニューラルネットからの出力結果
が明確に現れない場合は判別不能及び特定不能のいずれ
かとして出力するフィルタリング手段と、上記交通デー
タ収集手段により所定期間にわ たって収集された交通デ
ータを基に収集日毎に上記ニューラルネットに対して判
別を行い上記判別不能及び特定不能のいずれかを出力し
た回数が最も少なくなる日の交通データを教師データと
して抽出する教師データ抽出手段と、上記教師データを
基に上記ニューラルネットを学習させる学習手段と、上
記交通流判別手段からの出力を基に上記交通流に対応す
る運転パターンを選択する運転パターン選択手段とを備
えたことを特徴とするエレベーターの群管理装置。 3. A group management device for elevators, which manages and operates a plurality of cars as a group, and a traffic data collecting means for collecting traffic data generated in a building in which the cars are installed, and from this traffic data collecting means. and traffic flow determining means for discriminating by applying a neural network with respect sought traffic flow, then the output from the upper Symbol neural network
Is not clearly identified, it cannot be identified or unspecified.
Filtering means to output as
Transport de collected standing I for a predetermined period of time by the data collection means
The neural network is judged based on the data
Perform another and output either of the above unidentifiable or unidentifiable
Based on the output from the traffic flow discriminating means, the teacher data extracting means for extracting the traffic data on the day when the number of times is the smallest, as the teacher data, the learning means for learning the neural network based on the teacher data. elevator group management apparatus characterized by comprising a driving pattern selection means to select the operation pattern corresponding to the traffic flow.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP02483695A JP3404958B2 (en) | 1995-02-14 | 1995-02-14 | Elevator group management device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP02483695A JP3404958B2 (en) | 1995-02-14 | 1995-02-14 | Elevator group management device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH08217343A JPH08217343A (en) | 1996-08-27 |
| JP3404958B2 true JP3404958B2 (en) | 2003-05-12 |
Family
ID=12149300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP02483695A Expired - Fee Related JP3404958B2 (en) | 1995-02-14 | 1995-02-14 | Elevator group management device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3404958B2 (en) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3224487B2 (en) * | 1995-03-16 | 2001-10-29 | 三菱電機株式会社 | Traffic condition determination device |
| US20210269277A1 (en) * | 2018-07-05 | 2021-09-02 | Mitsubishi Electric Corporation | Elevator group management device and elevator system |
| CN110182655B (en) * | 2019-06-06 | 2021-10-08 | 上海三菱电梯有限公司 | Elevator control method for predicting passenger elevator taking demand of single elevator |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5948369A (en) * | 1982-09-09 | 1984-03-19 | 株式会社日立製作所 | Elevator controller |
| JPS61221069A (en) * | 1985-03-28 | 1986-10-01 | 株式会社東芝 | Group controller for elevator |
| JPS6296277A (en) * | 1985-10-23 | 1987-05-02 | 株式会社東芝 | Group control method of elevator |
| JPH0798622B2 (en) * | 1987-03-27 | 1995-10-25 | 三菱電機株式会社 | Elevator group management control device |
| JP2573722B2 (en) * | 1990-05-29 | 1997-01-22 | 三菱電機株式会社 | Elevator control device |
| JPH05777A (en) * | 1991-06-25 | 1993-01-08 | Toshiba Corp | Group management conntrol device for elevator |
| JPH06263346A (en) * | 1993-03-16 | 1994-09-20 | Hitachi Ltd | Traffic flow judging device for elevator |
-
1995
- 1995-02-14 JP JP02483695A patent/JP3404958B2/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH08217343A (en) | 1996-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5022498A (en) | Method and apparatus for controlling a group of elevators using fuzzy rules | |
| JP2860261B2 (en) | Elevator group management control method | |
| JP4870863B2 (en) | Elevator group optimum management method and optimum management system | |
| KR960008701B1 (en) | Elevator group control method and device | |
| DE69928432T2 (en) | CONTROL UNIT FOR LIFT GROUP | |
| WO2001028909A1 (en) | Elevator group controller | |
| JP3404958B2 (en) | Elevator group management device | |
| JPH075235B2 (en) | Elevator group management control device | |
| EP1184324B1 (en) | Elevator group management control device | |
| JP6503313B2 (en) | Group management control device and group management control system | |
| JPH06156893A (en) | Group control controller for elevator | |
| EP3898476A1 (en) | Control device for passenger traffic system | |
| JP2000318938A (en) | Elevator group control easy simulator and elevator group control device | |
| JPS62121186A (en) | Group control method of elevator | |
| JPH06263346A (en) | Traffic flow judging device for elevator | |
| JPH0331173A (en) | Group management control device for elevator | |
| JPH0742055B2 (en) | Elevator group management control method | |
| JP2959425B2 (en) | Elevator group control device | |
| JP4454979B2 (en) | Elevator group management system, elevator group management method, and elevator group management program | |
| JPH0885682A (en) | Operational control of elevator and its device | |
| JP3106908B2 (en) | Learning method of neural network for waiting time prediction | |
| JP4285794B2 (en) | Elevator group management control device | |
| JP2988312B2 (en) | Elevator group control device | |
| JP2500407B2 (en) | Elevator group management control device construction method | |
| JP2867849B2 (en) | Learning method of neural network for elevator call assignment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080307 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090307 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100307 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100307 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110307 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110307 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120307 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130307 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130307 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140307 Year of fee payment: 11 |
|
| LAPS | Cancellation because of no payment of annual fees |