JPH0331173A - Group management control device for elevator - Google Patents
Group management control device for elevatorInfo
- Publication number
- JPH0331173A JPH0331173A JP1168548A JP16854889A JPH0331173A JP H0331173 A JPH0331173 A JP H0331173A JP 1168548 A JP1168548 A JP 1168548A JP 16854889 A JP16854889 A JP 16854889A JP H0331173 A JPH0331173 A JP H0331173A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- elevator
- car
- learning sample
- neural net
- 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.)
- Granted
Links
- 230000001537 neural effect Effects 0.000 claims abstract description 23
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000000034 method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- OVSKIKFHRZPJSS-UHFFFAOYSA-N 2,4-D Chemical compound OC(=O)COC1=CC=C(Cl)C=C1Cl OVSKIKFHRZPJSS-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Elevator Control (AREA)
Abstract
Description
【発明の詳細な説明】
〔産業上の利用分野〕
この発明は、複数台のエレベータが並設されている場合
において、乗場呼びを最適なエレベータに割当てるのに
有効なエレベータの群管理制御装置の改良に関するもの
である。[Detailed Description of the Invention] [Field of Industrial Application] This invention provides an elevator group management control device that is effective in allocating hall calls to the most suitable elevator when a plurality of elevators are installed in parallel. It is about improvement.
現在のエレベータにおいて、群管理制御の主流をなすの
は評価関数を使用した割当て制御である。In current elevators, the mainstream group management control is assignment control using evaluation functions.
これは、例えば乗場呼びが発生ずるごとにその呼びをど
のかごを割当てるのが最適であるかを、予測待時間等の
種々の評価指標に対する所定の評価関数を用いて各かご
毎に数値計算し、その値の最も大きいかごまたは最も小
さいかごに割当てるもので、評価指標を適切に選び評価
関数を工夫することで高度な制御を行うことができる。For example, each time a hall call occurs, which car should be optimally assigned to that call is calculated numerically for each car using a predetermined evaluation function for various evaluation indicators such as predicted waiting time. , which is assigned to the car with the largest value or the car with the smallest value.Advanced control can be performed by appropriately selecting the evaluation index and devising the evaluation function.
一方、最近ではより高度な制御を行うため、ファジー理
論を用いたエキスパートシステムによる呼び割当て制御
が提案されている。On the other hand, recently, in order to perform more advanced control, call assignment control using an expert system using fuzzy theory has been proposed.
これは種々の評価指標をファジー量としてとらえ、適切
な割当方法をI F −T I(E N形式で記述した
ルール群を用いて、そのルール群に対する適合度から最
適なかごを選択し割当てる方法で、これによるとエキス
パートの知識を制御に組み込むことが容易となり、ビル
の特徴に合わせたきめごまかな制御を実現することがで
きる。This is a method that considers various evaluation indicators as fuzzy quantities, and uses a set of rules written in IF-T I (EN format) to select and allocate the optimal basket based on the degree of suitability for the set of rules. This makes it easy to incorporate expert knowledge into control, making it possible to achieve fine-grained control tailored to the characteristics of the building.
更にまた、ニューラル・ネットにューロコンピュータ)
を利用することにより、最適な割当てかごを決定する判
断システムを、実際の運転例により自動的に学習し生成
することのできる、従来とは全く異なる新しいエレベー
タの群管理制御装置が提案されており (例えば特願昭
63−・105633号「エレベータの群管理制御装置
」)、これについて第3図〜第7図によりその概要を説
明する。まずニューラル・ネットについて簡単に説明す
る。Furthermore, neural nets and neurocomputers)
A new group management control system for elevators, which is completely different from conventional elevators, has been proposed, which can automatically learn and generate a judgment system that determines the optimal car assignment using actual operation examples. (For example, Japanese Patent Application No. 63-105633 ``Group Management Control Device for Elevators''), the outline of which will be explained with reference to FIGS. 3 to 7. First, I will briefly explain neural nets.
ニューラル・ネットとは、人間の脳を真似たネットワー
クで、脳のニューロン(神経細胞)に対応したユニット
が複数個、複雑に接続し合ったもので、各ユニソ1−の
動作及びユニット間の接続形態をうまく決めることで、
パターン認識機能や知識処理機能を埋め込むことができ
、例えば、「日経エレクトロニクスj1987年8月1
0日号(m、 427)のP115〜P124などに紹
介されている。A neural net is a network that imitates the human brain, and is made up of multiple units that correspond to neurons in the brain and are connected in a complex manner. By deciding the form well,
It is possible to embed pattern recognition functions and knowledge processing functions.
It is introduced on pages 115 to 124 of the 0th issue (m, 427).
まずニューロンをモデル化したユニットの構造を第3図
に示ず。ユニットU8は他のユニットからの入力QJの
総和を一定の規則で変換し、Q。First, the structure of a unit that models a neuron is not shown in Figure 3. Unit U8 converts the sum of inputs QJ from other units according to a certain rule, and converts the sum of inputs QJ from other units to Q.
とするが、他のユニットとの結合部にはそれぞれ可変の
重みW8.が付いている。この重みは各ユニット間の結
合の強さを表わすだめのもので、この値を変えると接続
を変えなくても実質的にネットワークの構造が変わるこ
とになる。後述のネットワークの学習とはこの値を変え
ることであって、重みW i jは正、ゼロ、負の値を
とる。ゼロは結合のないことを表わす。However, variable weights W8 . is attached. This weight only represents the strength of the connection between each unit, and changing this value will essentially change the structure of the network without changing the connections. Network learning, which will be described later, involves changing this value, and the weights W i j take positive, zero, or negative values. Zero represents no bond.
あるユニットが複数ユニットから人力を受けた場合、そ
の入力の総和をNETで表わすとすると、ユニットut
の入力の総和は、
NIET、 −ZW、IQJ
である。When a unit receives human power from multiple units, if the sum of the inputs is expressed as NET, then the unit ut
The sum of inputs is NIET, -ZW, IQJ.
各ユニットはこの人力の総和NETを関数rに適用し、
次式に示すように出力Q、に変換する。Each unit applies this total human power NET to the function r,
It is converted into an output Q as shown in the following equation.
Qi = fc NETi )−f(ΣWi
、QJ )
この関数fは各ユニソI・ごとに違ってよいが、一般に
は第4図(alに示したしきい値開数又は第4図(bl
に示したsigmoid関数を使う。Qi = fcNETi)−f(ΣWi
, QJ) This function f may be different for each Uniso I.
Use the sigmoid function shown in .
このsiBmoid関数は、微分可能な疑似線形関数で
、
で表せる。値域は0〜1で、人力値が大きくなるにつれ
1に、小さくなるにつれOに近づく。入力が0のときは
0.5となる。しきい値θ (バイアス)を加えて、
とする場合もある。This siBmoid function is a differentiable pseudo-linear function and can be expressed as follows. The value range is 0 to 1, and as the human power value increases, it approaches 1, and as it decreases, it approaches O. When the input is 0, it becomes 0.5. In some cases, a threshold value θ (bias) is added.
第5図は、ネットワークの構造の−・例を示す図で、ユ
ニット間の結合部の重みは図示を省略している。FIG. 5 is a diagram showing an example of the structure of the network, and the weights of the connections between units are omitted from the illustration.
ニューラル・ネットは、ネットワークの構造からパター
ン連想型と自動連想型に分類されるが、ここではパター
ン連想型を用いて説明する。パターン連想型とは、入力
パターンをある出カバターンに変換するネソ1−ワーク
で、第5図のように各ユニットを入力層、中間層、出力
層に階層化している。各ユニットは人力層から出力層に
向けて接続されるが、各層内のユニット同士は接続しな
い。Neural nets are classified into pattern associative type and automatic associative type based on the network structure, but the pattern associative type will be used for explanation here. The pattern associative type is a type of work that converts an input pattern into a certain output pattern, and each unit is hierarchically divided into an input layer, an intermediate layer, and an output layer as shown in FIG. Each unit is connected from the human power layer to the output layer, but units within each layer are not connected to each other.
また、入カニニットと出カニニットは独立している。In addition, the in-kani knit and the out-kani knit are independent.
このようなニューラル・ネットにおいて、入力層の各ユ
ニットに入力データを与えるとこの信号は各ユニットで
変換され、中間層に伝わり、最後に出力層から出てくる
が、望ましい出力を得るためには各ユニット間の結合の
強弱すなわち重みを適切な値に設定する必要がある、こ
の重みの設定は、ネットワークを次のように学習させる
ことによって行う。In such a neural net, when input data is given to each unit in the input layer, this signal is converted in each unit, transmitted to the intermediate layer, and finally comes out from the output layer, but in order to obtain the desired output, It is necessary to set the strength of the connection between each unit, that is, the weight, to an appropriate value. Setting the weight is performed by making the network learn as follows.
まず最初は、すべての重みをランダムに設定しておき、
入力層の各ユニットに学習用の入力デタ(予め望ましい
出力の分っているデータ)を与える。そしてこのとき出
力層の各ユニットから出てきた出力値と望ましい出力値
を比べ、その差(誤差)を減らすように各重みの値を修
正する。First, set all the weights randomly,
Input data for learning (data whose desired output is known in advance) is given to each unit in the input layer. At this time, the output value from each unit of the output layer is compared with the desired output value, and the value of each weight is corrected to reduce the difference (error).
そしてこれを多数の学習データを用いて誤差が収束する
まで繰り返す。この誤差の値から各重みの値を修正する
学習アルゴリズムについては後述する。This is then repeated using a large amount of learning data until the error converges. A learning algorithm for correcting each weight value based on this error value will be described later.
こうして学習を終了すると、ニューラル・ネット内に知
識処理機能が自動的に埋め込まれたことになり、学習用
のデータだけでなく未知の人力データに対しても常に望
ましい出力が得られるようになる。When learning is completed in this way, the knowledge processing function is automatically embedded within the neural net, and the desired output can always be obtained not only from training data but also from unknown human data.
なお、このニューラル・ネットは各ユニットを増幅器や
抵抗を用いて構成しLSI化することも可能であるが、
ソフトウェアで仮想的なニューラル・ネットを構成して
すべて演算で処理することもでき、マイクロコンピュー
タで実現することが可能である。Note that this neural net can also be implemented as an LSI by configuring each unit using amplifiers and resistors.
It is also possible to construct a virtual neural network using software and perform all calculations using a microcomputer.
第6図は、ごのニューラル・ネ・71をエレベータの割
当て制御に利用した場合の全体の構成の一実施例を示す
図で、ここでは説明の便宜上、制御対象エレベータが1
号機と2号機の2台のみとするが、勿論何台の場合でも
同様に構成することができる。FIG. 6 is a diagram showing an example of the overall configuration when the neural network 71 is used for elevator assignment control.
Although there are only two machines, No. 1 and No. 2, it goes without saying that any number of machines can be configured in the same way.
第6図において、Iは各階に設けられた乗場呼び釦(1
つの階床のみを図示し、他は省略している)、2は乗場
呼び信号、3Aは1号機の運行を管理する運行制御装置
、同様に3Bは2号機の運行を管理する運行制御装置、
4は各かごの状態(かご位置、方向、停止2走行1戸開
閉状態、かご呼び、荷重等)を表わすかご情報信号、5
は群管理装置として割当ての機能を果たすだめのマイク
ロコンピュータで、入出力インターフェイス6を介して
読込んだ乗場呼び信号2やかご情報信号4の各データ6
aを基に、ニューラル・ネットへの入力となる各人カバ
ターン要素7aを演算する入力パターン演算手段7と、
ニューラル・ネット8と、ニューラル・ネット8の出力
8aからどの号機が最適であるかを判定する割当て判定
手段9とを備え、その割当て結果を入出力インターフェ
イス6を介し、割当て信号10として出力する。各運行
制御装置3A及び3Bは、この割当て信号10によって
割当てられた乗場呼びと、自号機に登録されたかご呼び
に順次応答するようにかごの運行を制御する。In Figure 6, I is the hall call button (1
(Only one floor is shown and the others are omitted), 2 is a hall call signal, 3A is an operation control device that manages the operation of No. 1 car, similarly, 3B is an operation control device that manages the operation of No. 2 car,
4 is a car information signal indicating the status of each car (car position, direction, stop, 2 runs, 1 door open/close status, car call, load, etc.); 5
is a microcomputer that serves as a group management device and performs an assignment function, and it reads each data 6 of the hall call signal 2 and car information signal 4 through the input/output interface 6.
an input pattern calculation means 7 that calculates each person's cover turn element 7a, which is input to the neural network, based on a;
It is equipped with a neural net 8 and an allocation determining means 9 for determining which machine is optimal from the output 8a of the neural net 8, and outputs the allocation result as an allocation signal 10 via an input/output interface 6. Each of the operation control devices 3A and 3B controls the operation of the car so as to respond sequentially to the hall call assigned by the assignment signal 10 and the car call registered in the own car.
第7図は、ニューラル・ネットへ入力される各入力パタ
ーン要素の一例を示ず図で、a、〜d1はそれぞれ1号
機の状況を表わす入力パターン要素、a2〜d2はそれ
ぞれ2号機の状況を表わす入力パターン要素であり、a
t(az)は、新規乗場呼びの発生した階と1(2)号
機の現在階との階床差、bl(b2)は1(2)号機が
現在階と新規乗場呼びの発生階との間に受は持っている
呼びの数、C(C2)は新規乗場呼びの発生階以遠に1
(2)号機に割当てられている乗場呼びの数、dl(d
2)は1(2)号機の現在の乗車人数を表わしている。Figure 7 is a diagram that does not show an example of each input pattern element that is input to the neural net, where a, ~d1 are input pattern elements that represent the situation of No. 1 machine, and a2 ~ d2 are input pattern elements that represent the situation of No. 2 car, respectively. is an input pattern element representing a
t(az) is the floor difference between the floor where the new hall call occurred and the current floor of car 1 (2), and bl(b2) is the floor difference between the current floor of car 1 (2) and the floor where the new hall call occurred. In between, the number of calls you have, C (C2) is 1 from the floor where the new hall call occurs.
(2) Number of hall calls assigned to the car, dl(d
2) represents the current number of passengers in car 1 (2).
なお、これらの各人カパターン要素は、すべて第6図に
示した入力パターン演算手段によって演算される。第7
図のニューラル・ネット8は、図示を省略しているが、
各入力パターン要素a1〜d及びa2〜d2のそれぞれ
に対応するユニットからなる入力層と、適当な数のユニ
ットからなる中間層(1層に限らない)と、出力A、及
びA2に対応するユニットからなる出力層で構成される
。ここでA、は1号機の割当適性を表わす出力信号、A
2は2号機の割当通性を表わす出力信号で、このAとA
2が第6図の割当て判定手段9に人力され、割当て信号
10が出力される。Note that all of these individual pattern elements are calculated by the input pattern calculation means shown in FIG. 7th
Although the neural net 8 in the figure is not shown,
An input layer consisting of units corresponding to each of input pattern elements a1 to d and a2 to d2, an intermediate layer (not limited to one layer) consisting of an appropriate number of units, and units corresponding to outputs A and A2 It consists of an output layer consisting of Here, A is an output signal representing the allocation suitability of the first machine, A
2 is an output signal representing the assignment commonality of the second unit, and this A and A
2 is input manually to the allocation determination means 9 in FIG. 6, and an allocation signal 10 is output.
以上の構成において、実際に割当てを行うにはまずニュ
ーラル・ネットの特性を、各ユニット間の重みを設定す
ることによって決定する必要がある。この重みの設定は
、一般的な設定方法として知られているバックプロパゲ
ーションによる学習を利用する。この学習は次のように
して行う。In the above configuration, in order to actually perform allocation, it is first necessary to determine the characteristics of the neural network by setting the weights between each unit. This weight setting uses backpropagation learning, which is known as a general setting method. This learning is done as follows.
まず最初は、各ユニット間の重みは適当な値に無作為に
設定しておく。一方、実際の運転例等から学習用サンプ
ルを多数作成する。この学習用サンプルは、例えば新規
乗場呼びとその時の1号機及び2号機の状態の組合せを
一つ想定し、この状態では何分機に割当てるのが最適か
を専門家の判断により或いはシミュレーション等を用い
て判断し、もし1号機が最適であればそのときの各入力
パターン要素に対して1号機に対応する出力への出力目
標を1に、2号機に対応する出力Atの出力目標を0と
して作成したものである。そしてまず最初の学習用サン
プルにより、1号機と2号機の状態から新規乗場呼び発
生時の各入力パターン要素a1〜d、及びa2〜d2を
演算し、ニューラル・ネットの入力層の各ユニットに入
力する。この入力データは入力層から出力層へ向けて順
次処理され、各ユニットは第4図に示した入出力特性で
あるので、その結果出力A1及びA2は必ず0〜1の値
となるが前述のように最初は重みが無作為に設定されて
いるので、この出力A、及びA2の値は出力目標とは違
った値となる。そこでこの出力目標と実際の出力との差
を誤差とし、この誤差を用いて重みの修正を、出力層か
ら入力層に同番ノて行っていく。この重みの修正の41
算は周知であるのでここでは説明を省略する。First, the weights between each unit are randomly set to appropriate values. On the other hand, a large number of learning samples are created from actual driving examples. This learning sample assumes, for example, one combination of a new landing call and the conditions of No. 1 and No. 2 cars at that time, and determines the optimal number of minutes to allocate to the aircraft in this situation, based on expert judgment or using simulation. If the No. 1 machine is optimal, the output target for the output corresponding to the No. 1 machine is set to 1, and the output target of the output At corresponding to the No. 2 machine is set to 0 for each input pattern element at that time. This is what I did. First, using the first learning sample, each input pattern element a1 to d and a2 to d2 when a new hall call occurs is calculated from the state of car No. 1 and No. 2, and input to each unit of the input layer of the neural network. do. This input data is processed sequentially from the input layer to the output layer, and since each unit has the input/output characteristics shown in Figure 4, the outputs A1 and A2 will always have values between 0 and 1, but as described above. Since the weights are initially set randomly, the values of the outputs A and A2 are different from the output target. Therefore, the difference between this output target and the actual output is defined as an error, and this error is used to modify the weights from the output layer to the input layer with the same number. 41 of this weight modification
Since the calculation is well known, the explanation will be omitted here.
こうして各ユ二ノ1−間の重みの修正を終了すると、次
に2番目の学習用サンプルにより、各入力パターン要素
を演算して入力し、そのときの出力目標と実際の出力と
の誤差から再度各ユニット間の重みを修正する。こうし
て多数の学習用サンプルを用いて上記と同様の手順を繰
返すと、上記誤差が十分小さくなり、やがて収束する。After completing the correction of the weight between each Unino 1 in this way, each input pattern element is calculated and inputted using the second learning sample, and then again based on the error between the output target and the actual output at that time. Modify the weight between each unit. By repeating the same procedure as above using a large number of learning samples, the error becomes sufficiently small and eventually converges.
学習を完了すると各重みはそれぞれ固有の値に収束して
いるので、それを固定化すると実際の運転に用いるニュ
ーラル・ネットの各ユニット間の重みがそれぞれ設定さ
れたことになる。When learning is completed, each weight has converged to its own unique value, so fixing it means that the weights between each unit of the neural network used for actual driving have been set.
以後はこれを実際の割当てに用いる。すなわち新規乗場
呼びが発生ずると、その時点における1号機と2号機の
状況から各入力パターン要素a1〜d、及びa2〜d2
が入力パターン演算手段7で演算され、ニューラル・ネ
ット8へ入力される。From now on, this will be used for actual allocation. In other words, when a new hall call occurs, each input pattern element a1 to d and a2 to d2 is
is calculated by the input pattern calculation means 7 and input to the neural net 8.
ニューラル・ネット8では、各入力パターン要素が人力
層から出力層へ向けて順次処理され、その出力A1及び
A2が割当て判定手段9に入力される。In the neural net 8, each input pattern element is sequentially processed from the human layer to the output layer, and the outputs A1 and A2 are input to the assignment determining means 9.
そして割当て判定手段9はこの出力A、とA2を比1
較し、その値が1に近い方の号機に割当信号10を出力
するのであるが、このときニューラル・ネット8の各重
みは学習用サンプルを用いて学習し、収束した値にそれ
ぞれ設定されているので、学習用サンプルの場合と同じ
判断基準で割当てが行われることになる。Then, the allocation determining means 9 compares these outputs A and A2 and outputs an allocation signal 10 to the machine whose value is closer to 1. At this time, each weight of the neural net 8 is Since each value is set to a converged value after learning using samples, allocation is performed using the same criteria as in the case of learning samples.
このように、ニューラル・ネ7 l・を用いると、学習
用のサンプルを多数作成し学習を繰返すだけで、各種の
交通状況に対応して最適な割当てかごを決定する判断シ
ステムを自動的に作成することができ、きわめて高度な
割当て制御を行うことが可能となる。In this way, by using Neural Ne7l, you can automatically create a judgment system that determines the optimal car allocation in response to various traffic conditions by simply creating a large number of learning samples and repeating the learning. This makes it possible to perform extremely sophisticated allocation control.
ところで、実際にエレベータが設置されるビルの性質や
交通状況を事前に正確に把握することは極めて困難であ
り、このため上記何れの方法においても、割当ての判断
基準となる評価式や評価ルール或いは学習用サンプルは
、設計者の経験や開発時のシミュレーション、或いは既
に稼働中のエレベータの実測データ等を利用し作成され
る。従 2−
って作成された割当てアルゴリズム(評価式や評価ルー
ル)が、実際に設置されるビルにとって最適であるとは
限らず、あとで修正を必要とする場合もしばしば生じる
。By the way, it is extremely difficult to accurately grasp in advance the nature and traffic conditions of the building where the elevator will actually be installed, and for this reason, in any of the above methods, the evaluation formula, evaluation rule, or The learning samples are created using the designer's experience, simulations during development, or actual measurement data of elevators already in operation. 2- The allocation algorithm (evaluation formula or evaluation rule) created in this way is not necessarily optimal for the building in which it is actually installed, and often requires modification later.
一方、運転中のエレベータにおいて、交通パターンにつ
いての統計的な情報を自動的に収集、学習し、その結果
を割当時に利用することも行われている。例えば、アッ
プピークやダウンピークなどの交通パターンと、各交通
パターンに対応する割当ルール群や割当制御パラメータ
を予め用意しておき、検出された交通パターンに応じて
ルールやパラメータを切り換える方法などである。On the other hand, statistical information about traffic patterns is automatically collected and learned by elevators in operation, and the results are used when allocating elevators. For example, there is a method in which traffic patterns such as up-peak and down-peak, and a group of allocation rules and allocation control parameters corresponding to each traffic pattern are prepared in advance, and the rules and parameters are switched according to the detected traffic pattern. .
しかしこの場合もやはりビルの性質は個々に異なるため
、同じような交通パターンであっても同じルールやパラ
メータを通用することが必ずしも適切であるとは限らな
い。However, in this case as well, the characteristics of each building are different, so it is not necessarily appropriate to apply the same rules and parameters even for similar traffic patterns.
すなわち、成るビルにとって最適な割当てアルゴリズム
を得るためには、汎用的なものとして作成することは不
可能であり、最終的には個々のビルの性質に合わせて独
自のアルゴリズムを生成する必要がある。In other words, in order to obtain the optimal allocation algorithm for the building it consists of, it is impossible to create a general-purpose algorithm, and ultimately it is necessary to create a unique algorithm tailored to the characteristics of each building. .
本発明は上記の点に鑑み、ニューラル・ネットにューロ
コンピュータ)を用いたパターン認識型の群管理割当方
式において、割当てアルゴリズムをそのビルの交通状況
に応じて自動的に生成、或いは修正ができるようにした
ものである。In view of the above points, the present invention provides a pattern recognition type group management assignment system using a neural network (neurocomputer) that automatically generates or modifies an assignment algorithm according to the traffic conditions of the building. It has been made possible.
本発明の特徴とするところは、新規に発生した乗場呼び
に対して、その時点の群の状況を表わす種々のパラメー
タを人カバターン要素として割当て用のニューラル・ネ
ットに入力し、その出力により最適なかごを選択して割
当てるようにしたエレベータの群管理制御装置において
、前記入力パターン要素とそれに対して選択されたかご
とを対にして学習用サンプルとし、該学習用サンプルが
所定条件を満足しているか否かを判断する手段と、所定
条件を満足している学習用サンプルを記憶する手段と、
この記憶された学習用サンプルに基いて前記ニューラル
・ネットの学習を行う手段とを備えたことにある。The feature of the present invention is that for a newly generated hall call, various parameters representing the group situation at that time are input into a neural network for allocation as human cover turn elements, and the output is used to determine the optimal In an elevator group management control device that selects and allocates cars, the input pattern element and the selected car are paired as learning samples, and whether the learning samples satisfy predetermined conditions or not. a means for determining whether or not a predetermined condition is met; and a means for storing a learning sample that satisfies a predetermined condition;
The present invention further comprises means for performing learning of the neural network based on the stored learning samples.
以下、本発明の一実施例を第1図及び第2図により説明
する。An embodiment of the present invention will be described below with reference to FIGS. 1 and 2.
第1図は、本発明によるエレベータの群管理制御装置の
主要部の構成を示す図で、第6図と同一のものは同一符
号にて示している。FIG. 1 is a diagram showing the configuration of the main parts of an elevator group management control device according to the present invention, and the same parts as in FIG. 6 are designated by the same reference numerals.
第1図において、11は乗場呼びが割当てられたとき、
各入力パターン要素7aと割当て信号10とを対にして
、すなわち割当て時点における群の状況パターンとそれ
に対する割当て号機番号とを対とし、それを学習用サン
プルとして一時的に保持し、さらにその呼びがサービス
されたとき、かご情報信号等の各データ6aによりその
割当てが適切であったか否かを判断し、適切な学習用サ
ンプルのみを出力する学習用サンプル評価手段、12は
学習用サンプルを記憶する記憶手段、13は学習の必要
な時点になると学習用サンプルを順次読み出し、ニュー
ラル・ネットの学習を行う学習制御手段である。In FIG. 1, 11 is when the hall call is assigned;
Each input pattern element 7a and the assignment signal 10 are paired, that is, the situation pattern of the group at the time of assignment and the assigned machine number corresponding thereto are paired, and this is temporarily held as a learning sample. When the service is provided, a learning sample evaluation means determines whether the allocation is appropriate based on each data 6a such as a car information signal, and outputs only appropriate learning samples; 12 is a memory for storing the learning samples; Means 13 is a learning control means that sequentially reads out learning samples and performs learning of the neural network when learning is required.
以上の構成において、本発明の動作を第2図の15 フローチャートに基づいて説明する。In the above configuration, the operation of the present invention is performed at 15 in FIG. The explanation will be based on a flowchart.
ここでニューラル・ネット8の各重みの値は、予め汎用
的な学習用サンプル等により学習し、既に設定済みであ
るものとする。Here, it is assumed that the values of each weight of the neural net 8 have been learned in advance using general-purpose learning samples and have already been set.
まず、新たに乗場呼びが発生し、割当てが行われると、
学習用サンプル評価手段11において、そのときの各入
力パターン要素7aと割当信号10とを対とし、それを
学習用サンプルとして一時的に保持する(手順M21.
M22)。例えば、エレベータが2台で、人カバター
ン要素が第7図で説明したa、〜d1及びa2〜d2で
あるとすると、それらの各値と、割当てられた号機の番
号を対とし、それを学習用サンプルとする。学習用サン
プル評価手段11では、更にかご情報信号等の各データ
6aによって、その乗場呼びに対する各号機の状況を監
視しく手順M23)、その乗場呼びがサービスされると
、その割当てが適切であったが否が、すなわち所定条件
を満足しているか否かを評価する(手順M24. M2
S)。First, when a new landing call occurs and an assignment is made,
In the learning sample evaluation means 11, each input pattern element 7a and the assignment signal 10 at that time are paired and temporarily held as a learning sample (step M21.
M22). For example, if there are two elevators and the human cover turn elements are a, ~d1, and a2~d2 as explained in Fig. 7, each value is paired with the assigned car number and learned. This is a sample for use. The learning sample evaluation means 11 further monitors the status of each car for that hall call using each data 6a such as a car information signal, and determines that the allocation is appropriate when that hall call is served. Evaluate whether or not, that is, whether or not a predetermined condition is satisfied (Step M24. M2
S).
ここで、割当てが適切であったか否かの判断を6
行うための所定条件としては、例えば
■割当て号機より、他号機が先着した場合■乗場の待時
間が所定値より長くなった場合■割当て号機が満貫通過
した場合
■積み残し客が発生した場合
■エレベータが団子状態になった場合
などが考えられる。Here, the predetermined conditions for determining whether or not the allocation was appropriate are, for example: ■ If another car arrives earlier than the allocated car; ■ If the waiting time at the landing is longer than a predetermined value; ■ If the allocated car Possible cases include: - When the number of passengers is left behind; - When the elevator is in a state of dumpling.
すなわち、乗場呼びがサービスされたとき、上記の条件
の一つでも該当すれば、その割当ては適切ではなかった
と判断し、その学習用サンプルは消去する(手順M27
)。That is, when a hall call is serviced, if any of the above conditions is met, it is determined that the assignment was not appropriate, and the learning sample is deleted (step M27).
).
一方、割当てが適切であったと判断された場合は、その
学習用サンプルを記憶手段12に記憶する(手順M26
)。ここで例えば記憶手順12は、可変サンプル領域と
固定サンプル領域とで構成され、上記の学習用サンプル
は、可変サンプル領域にFI F O(First I
n First Out待行列)式に登録される。一方
、固定サンプル領域には、例えば割当ての最小限の水準
を保証するための、一般的な仕様に裁づいた汎用的な固
定サンプル等を予め記憶させておく。On the other hand, if it is determined that the allocation is appropriate, the learning sample is stored in the storage means 12 (step M26
). Here, for example, the storage procedure 12 is composed of a variable sample area and a fixed sample area, and the above learning samples are stored in the variable sample area as FIFO (First I).
n First Out queue). On the other hand, in the fixed sample area, for example, general-purpose fixed samples based on general specifications are stored in advance in order to guarantee a minimum level of allocation.
学習制御手段13では学習を行う時期を決定し、例えば
一定時間毎に学習を行うものとすると、その間、手順M
21〜M28を繰り返し°ζ学習用り゛ンプルを多数記
憶する。そして一定時間経過すると、学習用サンプルを
記憶手段12より順次読み出し、この学習用サンプルに
よりニューラル・ネットの学習を前述した方法で行い、
重みを自動的に修正する(手順M29)。なお、この学
習は一定時間毎に限らず、夜間等の閑散時に行うように
してもよい。The learning control means 13 determines when to perform learning, and if, for example, learning is performed at regular intervals, during that time step M
Repeat steps 21 to M28 to store a large number of learning samples. After a certain period of time has elapsed, the learning samples are sequentially read out from the storage means 12, and the neural net is trained using the learning samples in the manner described above.
The weights are automatically corrected (step M29). Note that this learning is not limited to every fixed period of time, but may be performed at quiet times such as at night.
また、上記の実施例では、割当てが適切でなかったと判
断した学習用サンプルは消去するようにしたが、割当て
が適切でなかった場合、例えば、■割当かごより先着し
たかご
■呼びがザービスされるまでにその階を通過し、他に長
待ち呼びを待っていないかご
■割当てかごより負担が軽いかご
などのかごがあれば、そのかごを新たな割当てかごとし
て学習用サンプルを修正し、その修正後の学習用サンプ
ルを記憶するようにしてもよい。In addition, in the above embodiment, learning samples for which it was determined that the allocation was not appropriate are deleted, but if the allocation is not appropriate, for example, the car call that arrived earlier than the assigned car is serviced. If there is a car that has passed through that floor by then and there is no other car waiting for a long-waiting call, such as a car that has a lighter load than the assigned car, use that car as a new assigned car and modify the learning sample. Later learning samples may be stored.
本発明によれば、個々の現場の性質、状況に応じて、自
動的にその現場に最適な割当制御判断システムを生成す
ることができ、エレベータシステム全体の効率が大きく
向上する。According to the present invention, it is possible to automatically generate an optimal allocation control determination system for each site according to the nature and situation of each site, and the efficiency of the entire elevator system is greatly improved.
また、現場への適応が自動的に行われるため、群管理制
御の専門家による現場での調整が不要となり、特に、テ
ナントの変更等によりエレベータの設置後に交通状況が
大幅に変わったような場合でも自動的に対応することが
できるため、メンテンスコストの低減と迅速化を図るこ
とができる。In addition, on-site adaptation occurs automatically, eliminating the need for on-site adjustments by group management and control experts, especially if traffic conditions have changed significantly after elevator installation due to tenant changes, etc. However, since it can be handled automatically, it is possible to reduce maintenance costs and speed up maintenance.
また、工場からの出荷時にも必要最小限の割当機能を持
たせておけばよ(、設計段階で現場の仕様に合わセで調
整する必要がないので、標準化が極めて容易となり、設
計、生産のコストの低減を図ることができる。In addition, if the necessary minimum allocation function is provided at the time of shipment from the factory, there is no need to make adjustments to the site specifications at the design stage, making standardization extremely easy and improving design and production. Cost reduction can be achieved.
第1図は本発明によるエレベータの群管理制御装置の主
要部の構成を示す図、第2図は本発明の9
0
処理手順を示すフローチャート、第3図はニューロンを
モデル化したユニットの構造を示す図、第4図(a)
(blはユニットの入出力特性の一例を示す図、第5図
は一般的なニューラル・ネットの構造を示す図、第6図
はニューラル・ネットを割当て制御に利用した場合の全
体の構成の一実施例を示す図、第7図はニューラル・ネ
ットと入力パターン要素との関係を示す図である。
1・・・乗場呼び釦
3A、3B ・・・各号機の運行制御装置5・・・マ
イクロコンピュータ
7・・・人カバターン演算手段
8・・・ニューラル・ネット
9・・・割当て判定手段
10・・・割当て信号
11・・・学習用サンプル評価手段
12・・・記憶手段
13・・・学習制御手段FIG. 1 is a diagram showing the configuration of the main parts of an elevator group management control device according to the present invention, FIG. 2 is a flowchart showing the 90 processing procedure of the present invention, and FIG. 3 is a diagram showing the structure of a unit modeling a neuron. Figure 4(a)
(bl is a diagram showing an example of the input/output characteristics of the unit, Figure 5 is a diagram showing the structure of a general neural net, and Figure 6 is an example of the overall configuration when a neural net is used for allocation control. FIG. 7 is a diagram showing the relationship between the neural net and the input pattern elements. 1... Hall call buttons 3A, 3B... Operation control device 5 of each car... Micro Computer 7... Human cover turn calculating means 8... Neural net 9... Assignment determining means 10... Assignment signal 11... Learning sample evaluation means 12... Storage means 13... Learning control means
Claims (1)
に発生した乗場呼びに対して、その時点の群の状況を表
わす種々のパラメータを入力パターン要素として割当て
用のニューラル・ネットに入力し、その出力により最適
なかごを選択して割当てるようにしたエレベータの群管
理制御装置において、 前記入力パターン要素とそれに対して選択されたかごと
を対にして学習用サンプルとし、該学習用サンプルが所
定条件を満足したか否かを判断する手段と、所定条件を
満足した学習用サンプルを記憶する手段と、この記憶さ
れた学習用サンプルに基いて前記ニューラル・ネットの
学習をエレベータの稼働中に行う手段とを備えたことを
特徴とするエレベータの群管理制御装置。[Scope of Claims] A neural system for operating a plurality of elevators for a plurality of floors and assigning various parameters representing the status of the group at that time as input pattern elements to newly generated hall calls. - In an elevator group management control system that inputs data to a network and selects and allocates the optimal car based on the output, the input pattern element and the car selected for it are paired as learning samples, and the corresponding means for determining whether or not a learning sample satisfies a predetermined condition; a means for storing a learning sample that satisfies a predetermined condition; and an elevator for learning the neural net based on the stored learning sample. 1. A group management control device for an elevator, characterized in that it is equipped with a means for performing the control during operation of an elevator.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1168548A JPH0764490B2 (en) | 1989-06-29 | 1989-06-29 | Elevator group management control device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1168548A JPH0764490B2 (en) | 1989-06-29 | 1989-06-29 | Elevator group management control device |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH0331173A true JPH0331173A (en) | 1991-02-08 |
JPH0764490B2 JPH0764490B2 (en) | 1995-07-12 |
Family
ID=15870063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP1168548A Expired - Fee Related JPH0764490B2 (en) | 1989-06-29 | 1989-06-29 | Elevator group management control device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH0764490B2 (en) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5331121A (en) * | 1990-03-28 | 1994-07-19 | Mitsubishi Denki Kabushiki Kaisha | Elevator control apparatus |
JPH0769543A (en) * | 1993-09-02 | 1995-03-14 | Fujitec Co Ltd | Learning method for neural net for elevator call allocation |
US5412163A (en) * | 1990-05-29 | 1995-05-02 | Mitsubishi Denki Kabushiki Kaisha | Elevator control apparatus |
JPH07309546A (en) * | 1993-06-22 | 1995-11-28 | Mitsubishi Electric Corp | Traffic means controller |
US5767461A (en) * | 1995-02-16 | 1998-06-16 | Fujitec Co., Ltd. | Elevator group supervisory control system |
US6345697B1 (en) * | 1997-10-10 | 2002-02-12 | Kone Corporation | Procedure for controlling an elevator group where virtual passenger traffic is generated |
JP2013184752A (en) * | 2012-03-05 | 2013-09-19 | Toshiba Elevator Co Ltd | Group control system of elevator |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6145871A (en) * | 1984-08-01 | 1986-03-05 | 株式会社東芝 | Method of controlling group of elevator |
JPH02163275A (en) * | 1988-12-15 | 1990-06-22 | Toshiba Corp | Group-control controller for elevator |
-
1989
- 1989-06-29 JP JP1168548A patent/JPH0764490B2/en not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6145871A (en) * | 1984-08-01 | 1986-03-05 | 株式会社東芝 | Method of controlling group of elevator |
JPH02163275A (en) * | 1988-12-15 | 1990-06-22 | Toshiba Corp | Group-control controller for elevator |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5331121A (en) * | 1990-03-28 | 1994-07-19 | Mitsubishi Denki Kabushiki Kaisha | Elevator control apparatus |
US5412163A (en) * | 1990-05-29 | 1995-05-02 | Mitsubishi Denki Kabushiki Kaisha | Elevator control apparatus |
JPH07309546A (en) * | 1993-06-22 | 1995-11-28 | Mitsubishi Electric Corp | Traffic means controller |
JPH0769543A (en) * | 1993-09-02 | 1995-03-14 | Fujitec Co Ltd | Learning method for neural net for elevator call allocation |
US5767461A (en) * | 1995-02-16 | 1998-06-16 | Fujitec Co., Ltd. | Elevator group supervisory control system |
US6345697B1 (en) * | 1997-10-10 | 2002-02-12 | Kone Corporation | Procedure for controlling an elevator group where virtual passenger traffic is generated |
JP2013184752A (en) * | 2012-03-05 | 2013-09-19 | Toshiba Elevator Co Ltd | Group control system of elevator |
Also Published As
Publication number | Publication date |
---|---|
JPH0764490B2 (en) | 1995-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US4760896A (en) | Apparatus for performing group control on elevators | |
US5354957A (en) | Artificially intelligent traffic modeling and prediction system | |
JP2860261B2 (en) | Elevator group management control method | |
US5250766A (en) | Elevator control apparatus using neural network to predict car direction reversal floor | |
JP4870863B2 (en) | Elevator group optimum management method and optimum management system | |
US5767461A (en) | Elevator group supervisory control system | |
JPH075235B2 (en) | Elevator group management control device | |
JPH0331173A (en) | Group management control device for elevator | |
JPH0428681A (en) | Group management control for elevator | |
JP2573722B2 (en) | Elevator control device | |
JP2962174B2 (en) | Elevator group control device | |
JP2664766B2 (en) | Group control elevator system | |
JP2979993B2 (en) | Learning method of neural network for elevator call assignment | |
JP2959425B2 (en) | Elevator group control device | |
JP2500407B2 (en) | Elevator group management control device construction method | |
Imrak | Artificial neural networks application in duplex/triplex elevator group control system | |
JP2956516B2 (en) | Elevator group control device | |
JPH0764488B2 (en) | Elevator group management control device | |
JP2988306B2 (en) | Elevator group control device | |
JPH08104472A (en) | Group supervisory operation controller of elevator | |
JPH08225258A (en) | Learning method for elevator call allocating neural net | |
JP2964907B2 (en) | Elevator group control device | |
JPH02163275A (en) | Group-control controller for elevator | |
JP3407660B2 (en) | Elevator group control device | |
JPH08310746A (en) | Learning method for waiting time predicting neural net |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |