JPH0764490B2 - エレベータの群管理制御装置 - Google Patents
エレベータの群管理制御装置Info
- Publication number
- JPH0764490B2 JPH0764490B2 JP1168548A JP16854889A JPH0764490B2 JP H0764490 B2 JPH0764490 B2 JP H0764490B2 JP 1168548 A JP1168548 A JP 1168548A JP 16854889 A JP16854889 A JP 16854889A JP H0764490 B2 JPH0764490 B2 JP H0764490B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- allocation
- input
- output
- unit
- 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
【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。
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。
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。
は評価関数を使用した割当て制御である。
これは、例えば乗場呼びが発生す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。
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。
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。
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。
これは種々の評価指標をファジー量としてとらえ、適切
な割当て方法を1F−THEN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
して割当てる方法で、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
せたきめこまかな制御を実現することができる。
な割当て方法を1F−THEN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
して割当てる方法で、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
せたきめこまかな制御を実現することができる。
更にまた、ニューラル・ネット(ニューロコンピュー
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。
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。
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、各ユニットの動
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」1987年8月10日号
(No427)のP115〜P124などに紹介されている。
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、各ユニットの動
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」1987年8月10日号
(No427)のP115〜P124などに紹介されている。
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
に示す。ユニットUi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、Qi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Wij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ためのもの
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Wijは
正,ゼロ,負の値をとる。ゼロは結合のないことを表わ
す。
に示す。ユニットUi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、Qi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Wij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ためのもの
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Wijは
正,ゼロ,負の値をとる。ゼロは結合のないことを表わ
す。
あるユニットが複数ユニットから入力を受けた場合、そ
の入力の総和をNETで表わすとすると、ユニットUiの入
力の総和は、 である。
の入力の総和をNETで表わすとすると、ユニットUiの入
力の総和は、 である。
各ユニットはこの入力の総和NETを関数fに適用し、次
式に示すように出力Qiに変換する。
式に示すように出力Qiに変換する。
Qi=f(NETi) =f(ΣWijWj) この関数fは各ユニットごとに違ってよいが、一般には
第4図(a)に示したしきい値関数又は第4図(b)に
示したsigmoid関数を使う。
第4図(a)に示したしきい値関数又は第4図(b)に
示したsigmoid関数を使う。
このsigmoid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、入力値が大きくなるにつれ
1に、小さくなるにつれ0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。
1に、小さくなるにつれ0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。
第5図は、ネットワークの構造の一例を示す図で、ユニ
ット間の結合部の重みは図示を省略している。
ット間の結合部の重みは図示を省略している。
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
パターンをある出力パターンに変換するネットワーク
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。各ユニットは入力層から出力層に
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。また、入力ユニットと出力ユニットは独立してい
る。
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
パターンをある出力パターンに変換するネットワーク
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。各ユニットは入力層から出力層に
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。また、入力ユニットと出力ユニットは独立してい
る。
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。
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。
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ータ(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
値とを比べ、その差(誤差)を減らすように各重みの値
を修正する。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。
入力層の各ユニットに学習用の入力データ(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
値とを比べ、その差(誤差)を減らすように各重みの値
を修正する。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。
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入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。
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入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。
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。
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。
第6図は、このニューラル・ネット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。
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。
第6図において、1は各階に設けられた乗場呼び釦(1
つの階底のみを図示し、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,走行,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ためのマイクロコ
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6aを基
に、ニューラル・ネットへの入力となる各入力パターン
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。
つの階底のみを図示し、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,走行,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ためのマイクロコ
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6aを基
に、ニューラル・ネットへの入力となる各入力パターン
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。
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す図で、a1〜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、a1(a2)
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、b1(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け持っている呼びの数、c
1(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の呼び数、d1(d2)は1(2)号
機の現在の乗車人数を表わしている。なお、これらの各
入力パターン要素は、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〜d1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A1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A1は1号機の割当適正
を表わす出力信号、A2は2号機の割当適性を表わす出力
信号で、このA1とA2が第6図の割当て判定手段9に入力
され、割当て信号10が出力される。
ーン要素の一例を示す図で、a1〜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、a1(a2)
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、b1(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け持っている呼びの数、c
1(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の呼び数、d1(d2)は1(2)号
機の現在の乗車人数を表わしている。なお、これらの各
入力パターン要素は、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〜d1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A1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A1は1号機の割当適正
を表わす出力信号、A2は2号機の割当適性を表わす出力
信号で、このA1とA2が第6図の割当て判定手段9に入力
され、割当て信号10が出力される。
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。
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。
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、この状態では何号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A1の出力目
標を1に、2号機に対応する出力A2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〜d1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A1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向け
て行っていく。この重みの修正の計算は周知であるので
ここでは説明を省略する。
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、この状態では何号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A1の出力目
標を1に、2号機に対応する出力A2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〜d1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A1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向け
て行っていく。この重みの修正の計算は周知であるので
ここでは説明を省略する。
こうして各ユニット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。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。
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。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。
以後はこれを実際の割当てに用いる。すなわち新規乗場
呼びが発生すると、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〜d1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。ニューラル・ネット8では、各入力パター
ン要素が入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。そして
割当て判定手段9はこの出力A1とA2を比較し、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。
呼びが発生すると、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〜d1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。ニューラル・ネット8では、各入力パター
ン要素が入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。そして
割当て判定手段9はこの出力A1とA2を比較し、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。
このように、ニューラル・ネットを用いると、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。
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。
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。
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。
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
を予め用意しており、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向などである。
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
を予め用意しており、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向などである。
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
ラメータを適用することが必ずしも適切であるとは限ら
ない。
め、同じような交通パターンであっても同じルールやパ
ラメータを適用することが必ずしも適切であるとは限ら
ない。
すなわち、或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。
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。
本発明は上記の点に鑑み、ニューラル・ネット(ニュー
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、
しかも効率よく行えるようにしたものである。
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、
しかも効率よく行えるようにしたものである。
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ているか否かを判断する学習用サン
プル評価手段と、所定条件を満足している学習用サンプ
ルを記憶する記憶手段と、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
の稼働中に行う学習制御手段とを備えたことにある。
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ているか否かを判断する学習用サン
プル評価手段と、所定条件を満足している学習用サンプ
ルを記憶する記憶手段と、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
の稼働中に行う学習制御手段とを備えたことにある。
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。
する。
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。
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。
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。
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。
以上の構成において、本発明の動作を第2図のフローチ
ャートに基づいて説明する。
ャートに基づいて説明する。
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。
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。
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、入力パターン要素が第7図
で説明したa1〜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(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か
否か、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,M25)。
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、入力パターン要素が第7図
で説明したa1〜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(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か
否か、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,M25)。
ここで、割当てが適切であったか否かの判断を行うため
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 割当て号機が満員通過した場合 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。
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 割当て号機が満員通過した場合 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。
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M2
7)。
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M2
7)。
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1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FIFO(First In 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
基づいた汎用的な固定サンプル等を予め記憶させてお
く。
学習用サンプルを記憶手段1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FIFO(First In 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
基づいた汎用的な固定サンプル等を予め記憶させてお
く。
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M21
〜M28を繰り返して学習用サ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
により順次読み出し、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。
定時間毎に学習を行うものとすると、その間、手順M21
〜M28を繰り返して学習用サ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
により順次読み出し、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。
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、 割当かごより接着したかご 呼びがサ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。
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、 割当かごより接着したかご 呼びがサ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。
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。しかも所定条件を満足する学習サンプルだけ
を用いるようにしているので、ニューラル・ネットの学
習も効率よく行うことができる。
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。しかも所定条件を満足する学習サンプルだけ
を用いるようにしているので、ニューラル・ネットの学
習も効率よく行うことができる。
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。
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。
また、工場からの出荷時にも必要最小限の割当機能を持
たせておけばよく、設定段階で現場の仕様に合わせて調
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。
たせておけばよく、設定段階で現場の仕様に合わせて調
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。
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)(b)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……入力パターン演算手段 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
要部の構成を示す図、第2図は本発明の処理手順を示す
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)(b)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……入力パターン演算手段 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
Claims (1)
- 【請求項1】複数の階床に対し複数台のエレベータを就
役させ、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学習用サンプル評価
手段と、所定条件を満足をした学習用サンプルを記憶す
る記憶手段と、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
行う学習制御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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1168548A JPH0764490B2 (ja) | 1989-06-29 | 1989-06-29 | エレベータの群管理制御装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1168548A JPH0764490B2 (ja) | 1989-06-29 | 1989-06-29 | エレベータの群管理制御装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH0331173A JPH0331173A (ja) | 1991-02-08 |
JPH0764490B2 true JPH0764490B2 (ja) | 1995-07-12 |
Family
ID=15870063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP1168548A Expired - Fee Related JPH0764490B2 (ja) | 1989-06-29 | 1989-06-29 | エレベータの群管理制御装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH0764490B2 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2573715B2 (ja) * | 1990-03-28 | 1997-01-22 | 三菱電機株式会社 | エレベータ制御装置 |
KR940009984B1 (ko) * | 1990-05-29 | 1994-10-19 | 미쓰비시덴키 가부시키가이샤 | 엘리베이터 제어장치 |
JP3414843B2 (ja) * | 1993-06-22 | 2003-06-09 | 三菱電機株式会社 | 交通手段制御装置 |
JP2867849B2 (ja) * | 1993-09-02 | 1999-03-10 | フジテック株式会社 | エレベータ呼び割当て用ニューラルネットの学習方法 |
US5767461A (en) * | 1995-02-16 | 1998-06-16 | Fujitec Co., Ltd. | Elevator group supervisory control system |
JP4434483B2 (ja) * | 1997-10-10 | 2010-03-17 | コネ コーポレイション | 仮想乗客トラヒックを生成するエレベータ群制御方法 |
JP5826073B2 (ja) * | 2012-03-05 | 2015-12-02 | 東芝エレベータ株式会社 | エレベータの群管理システム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6145871A (ja) * | 1984-08-01 | 1986-03-05 | 株式会社東芝 | エレベ−タの群管理制御方法 |
JPH02163275A (ja) * | 1988-12-15 | 1990-06-22 | Toshiba Corp | エレベータの群管理制御装置 |
-
1989
- 1989-06-29 JP JP1168548A patent/JPH0764490B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JPH0331173A (ja) | 1991-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US4760896A (en) | Apparatus for performing group control on elevators | |
US5250766A (en) | Elevator control apparatus using neural network to predict car direction reversal floor | |
US5354957A (en) | Artificially intelligent traffic modeling and prediction system | |
JP4870863B2 (ja) | エレベータ群最適管理方法、及び最適管理システム | |
US5767461A (en) | Elevator group supervisory control system | |
JPH075235B2 (ja) | エレベータの群管理制御装置 | |
KR20220009058A (ko) | 케이블 지지 교량 모니터링 시스템의 인공지능부 학습방법 및 그 인공지능부 | |
JPH0764490B2 (ja) | エレベータの群管理制御装置 | |
JPH0742055B2 (ja) | エレベータの群管理制御方法 | |
JP4552464B2 (ja) | エレベータシステム及びその群管理制御装置 | |
JPH0764488B2 (ja) | エレベータの群管理制御装置 | |
JP2500407B2 (ja) | エレベ―タ群管理制御装置の構築方法 | |
JP2979993B2 (ja) | エレベータ呼び割当て用ニューラルネットの学習方法 | |
JP2664766B2 (ja) | 群管理制御エレベータ装置 | |
JP2956516B2 (ja) | エレベータの群管理制御装置 | |
JP3224487B2 (ja) | 交通状態判別装置 | |
JP2959425B2 (ja) | エレベータの群管理制御装置 | |
JP2988306B2 (ja) | エレベータの群管理制御装置 | |
JP2962174B2 (ja) | エレベータの群管理制御装置 | |
JP2867849B2 (ja) | エレベータ呼び割当て用ニューラルネットの学習方法 | |
JPH08104472A (ja) | エレベータの群管理制御装置 | |
JPH0432472A (ja) | エレベータ制御装置 | |
JP2964907B2 (ja) | エレベータの群管理制御装置 | |
JPH08225258A (ja) | エレベータ呼び割り当て用ニューラルネットの学習方法 | |
JPH0733340A (ja) | エレベータの群管理制御装置 |
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 |