JPH0853271A - Elevator group supervisory operation control device - Google Patents

Abstract

PURPOSE:To select an optimum control parameter by extracting result data in an actual service condition as teaching data for causing a neural network to again perform a learning process, and extracting the teaching data or starting the learning function of the neural network, when a traffic demand exceeds the preset value. CONSTITUTION:A group supervisory operation control section 1 is connected to single unit body control sections 2-1 to 2-N for controlling each unit elevator and a learning control section 1-1 via a high-speed transmission line 6, thereby implementing hall call assignment control function. Also, the section 1-1 applies the learning function of a neural network using a traffic demand, to input for assignment control, and corrects the interconnected state of the neural network, depending on an actual service condition after building operation. Furthermore, result data obtained in the actual service condition is extracted as teaching data for causing the neural network to start a re-learning process, so that the teaching data is extracted or the learning function of the neural network starts, when the traffic demand exceeds the preset value.

Description

【発明の詳細な説明】Detailed Description of the Invention

【０００１】[0001]

【産業上の利用分野】本発明は、複数の階床に対して複
数のエレベータを就役させるエレベータの群管理制御装
置に関し、特にホール呼びの割当制御に特徴を持つエレ
ベータの群管理制御装置に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an elevator group management control device for activating a plurality of elevators on a plurality of floors, and more particularly to an elevator group management control device characterized by hall call allocation control.

【０００２】[0002]

【従来の技術】近年、複数台のエレベータを並設した場
合に、エレベータの運転効率向上及びエレベータ利用者
へのサービス向上を図るために、各階床のホール呼びに
対して応答するエレベータをマイクロコンピュータなど
の小型コンピュータを用いて合理的かつ速やかに割り当
てるようにすることが行われている。2. Description of the Related Art In recent years, when a plurality of elevators are installed side by side, in order to improve the operation efficiency of the elevators and the service to the elevator users, an elevator that responds to a hall call on each floor is provided with a microcomputer. Reasonable and prompt allocation is performed using a small computer such as.

【０００３】すなわち、ホール呼びが発生すると、その
ホール呼びに対してサービスする最適なエレベータを選
択して割り当てると共に、他のエレベータはそのホール
呼びに応答させないようにしている。That is, when a hall call occurs, an optimum elevator serving the hall call is selected and assigned, and other elevators are prevented from answering the hall call.

【０００４】このような方式の群管理制御装置におい
て、最近では、リアルタイムにて各ホール呼びに応答し
た場合のかご呼び登録データや乗降中のデータなどを内
部で収集、処理して各ビル毎の階間交通を把握し、前記
収集データを基にビル固有の交通需要を演算して、ホー
ル呼び割当制御に利用している。In the group management control apparatus of such a system, recently, car call registration data and data during boarding / alighting when responding to each hall call in real time are internally collected and processed to be processed in each building. The inter-floor traffic is grasped, the traffic demand peculiar to the building is calculated based on the collected data, and it is used for hall call allocation control.

【０００５】このような状況において、エレベータのホ
ール呼び割当制御は、ホール呼びの発生に対して群管理
性能上の各評価指標を評価し、各評価値を重み付け加算
し、総合評価として最適号機を決定しており、ビルの交
通需要と上記評価値の重み付け値との関係をニューラル
ネットを応用して学習させておくことによって、時間帯
やビル用途による交通需要の変化に対応して適度な評価
指標の重み付け値を選択し、割当制御の性能を向上させ
ている。In such a situation, the hall call assignment control of the elevator evaluates each evaluation index on the group management performance with respect to the occurrence of a hall call, weights and adds each evaluation value, and determines the optimum number as a comprehensive evaluation. It has been decided, and by learning the relationship between the traffic demand of the building and the weighted value of the above evaluation value by applying a neural network, an appropriate evaluation can be made in response to changes in the traffic demand depending on the time of day and building use. The weighting value of the index is selected to improve the performance of allocation control.

【０００６】しかしながら、交通需要は時々刻々と変化
しそれに追随して群管理性能上の各評価指標は大きく変
化するため、最適な評価指標の重み付け値を求めるには
実使用状態にて得られた結果データから抽出した教師デ
ータに基づいてニューラルネットの再学習を行う必要が
あるが、再学習と言っても、教師データの内容におかし
なデータが含まれていると、ニューラルネットの特徴上
おかしなデータを出力しかねないし、また一度おかしな
データをニューラルネットに覚え込ませるとニューラル
ネットからそのデータを外すことは困難となるために結
果データの収集や教師データの抽出方法が重要となって
くる。また、連続して変化する交通需要に追随して最適
な評価指標の重み付け値を提供するために適宜再学習を
行う必要があり、そのタイミングが問題となる。However, since the traffic demand changes every moment and each evaluation index on the group management performance changes greatly following it, it was obtained in the actual use condition to find the optimum weighting value of the evaluation index. Although it is necessary to re-learn the neural network based on the teacher data extracted from the result data, even if it says re-learning, if the contents of the teacher data include strange data, it will be strange data due to the characteristics of the neural network. However, once the strange data is memorized in the neural network, it becomes difficult to remove the data from the neural network. Therefore, the method of collecting the result data and extracting the teacher data becomes important. In addition, it is necessary to re-learn appropriately in order to provide the optimal weighting value of the evaluation index following the continuously changing traffic demand, and the timing becomes a problem.

【０００７】[0007]

【発明が解決しようとする課題】これに対し、教師デー
タの抽出方法として特願平５−１７９６９２にて提案さ
れているが、結果データの収集については従来の所定の
期間が経過した時点で行うというわけにはいかず、新た
な方法で結果データの収集を行う必要がある。On the other hand, as a method for extracting teacher data, which is proposed in Japanese Patent Application No. 5-179692, collection of result data is performed when a conventional predetermined period has elapsed. That is not the case, and it is necessary to collect result data by a new method.

【０００８】本発明は、このような問題に鑑みてなされ
たものであり、省力化が図れ、また最適な制御パラメー
タの選定が可能で、更にビル固有の交通需要変動に対し
てもより最適な制御パラメータの選定が可能となるエレ
ベータの群管理制御装置を提供することを目的とする。The present invention has been made in view of the above problems, and it is possible to save labor, select the optimum control parameters, and further optimize the traffic demand fluctuation peculiar to a building. An object of the present invention is to provide an elevator group management control device that enables selection of control parameters.

【０００９】[0009]

【課題を解決するための手段】前記目的を達成するた
め、請求項１に対応する発明は、複数の階床に対して複
数台のエレベータを就役させ、発生した共通のホール呼
びに対して所定の評価演算により最適な号機を割当てる
にあたり、少なくとも交通需要を入力としたニューラル
ネットの学習機能を割当制御に応用し、ビル稼働後の実
使用状態に応じて前記ニューラルネットの結合状態を修
正するものを含むエレベータの群管理制御装置におい
て、実使用状態にて得られた結果データを教師データと
して抽出する手段と、前記教師データにより前記ニュー
ラルネットの再学習を行う手段と、前記結果データの一
部である交通需要が所定値を超えたときに教師データの
抽出または前記ニューラルネットの学習機能を開始する
手段とを備えてなるエレベータの群管理制御装置であ
る。In order to achieve the above object, the invention according to claim 1 makes a plurality of elevators in service for a plurality of floors, and a predetermined common hall call is generated. Applying the learning function of the neural network with at least the traffic demand as an input to allocate the optimal number by the evaluation calculation of 1., and correcting the connection state of the neural network according to the actual usage state after building operation In the elevator group supervisory control device including, means for extracting the result data obtained in the actual use state as teacher data, means for re-learning the neural network by the teacher data, and a part of the result data. And means for starting the learning function of the neural network or the learning function of the neural network when the traffic demand exceeds a predetermined value. A group management control device beta.

【００１０】前記目的を達成するため、請求項２に対応
する発明は、複数の階床に対して複数台のエレベータを
就役させ、発生した共通のホール呼びに対して所定の評
価演算により最適な号機を割当てるにあたり、少なくと
も交通需要を入力としたニューラルネットの学習機能を
割当制御に応用し、ビル稼働後の実使用状態に応じて前
記ニューラルネットの結合状態を修正するものを含むエ
レベータの群管理制御装置において、実使用状態にて得
られた結果データを教師データとして抽出する手段と、
前記教師データにより前記ニューラルネットの再学習を
行う手段と、収集した前記結果データの一部である交通
需要の過去と現在との差が所定値を超えたときに教師デ
ータの抽出または前記ニューラルネットの学習機能を開
始する手段とを備えてなるエレベータの群管理制御装置
である。In order to achieve the above object, the invention according to claim 2 makes it possible to activate a plurality of elevators for a plurality of floors and to optimize the predetermined common hall call by a predetermined evaluation calculation. When allocating units, at least the group management of the elevator including the one that applies the learning function of the neural network with the traffic demand as an input to the allocation control and corrects the connection state of the neural network according to the actual usage state after building operation In the control device, means for extracting the result data obtained in the actual use state as teacher data,
Means for re-learning the neural network with the teacher data, and extraction of the teacher data or the neural network when the difference between past and present traffic demands, which is a part of the collected result data, exceeds a predetermined value. Is a group management control device for an elevator, comprising:

【００１１】前記目的を達成するため、請求項３に対応
する発明は、複数の階床に対して複数台のエレベータを
就役させ、発生した共通のホール呼びに対して所定の評
価演算により最適な号機を割当てるにあたり、少なくと
も交通需要を入力としたニューラルネットの学習機能を
割当制御に応用し、ビル稼働後の実使用状態に応じて前
記ニューラルネットの結合状態を修正するものを含むエ
レベータの群管理制御装置において、実使用状態にて得
られた結果データを教師データとして抽出する手段と、
前記教師データにより前記ニューラルネットの再学習を
行う手段と、前記ニューラルネットの出力の累積値が所
定値を超えたときに前記再学習を開始する手段とを備え
てなるエレベータの群管理制御装置である。In order to achieve the above object, the invention according to claim 3 makes a plurality of elevators active for a plurality of floors, and optimizes a common hall call generated by a predetermined evaluation calculation. When allocating units, at least the group management of the elevator including the one that applies the learning function of the neural network with the traffic demand as an input to the allocation control and corrects the connection state of the neural network according to the actual usage state after building operation In the control device, means for extracting the result data obtained in the actual use state as teacher data,
An elevator group supervisory control device comprising: means for re-learning the neural network based on the teacher data; and means for starting the re-learning when the cumulative value of the output of the neural network exceeds a predetermined value. is there.

【００１２】前記目的を達成するため、請求項４に対応
する発明は、複数の階床に対して複数台のエレベータを
就役させ、発生した共通のホール呼びに対して所定の評
価演算により最適な号機を割当てるにあたり、少なくと
も交通需要を入力としたニューラルネットの学習機能を
割当制御に応用し、ビル稼働後の実使用状態に応じて前
記ニューラルネットの結合状態を修正するものを含むエ
レベータの群管理制御装置において、実使用状態にて得
られた結果データを教師データとして抽出する手段と、
前記教師データにより前記ニューラルネットの再学習を
行う手段と、教師データの個数が所定値を超えたときに
前記再学習を開始する手段とを備えてなるエレベータの
群管理制御装置である。In order to achieve the above object, the invention according to claim 4 makes it possible to operate a plurality of elevators for a plurality of floors, and optimize a predetermined common hall call by a predetermined evaluation calculation. When allocating units, at least the group management of the elevator including the one that applies the learning function of the neural network with the traffic demand as an input to the allocation control and corrects the connection state of the neural network according to the actual usage state after building operation In the control device, means for extracting the result data obtained in the actual use state as teacher data,
An elevator group management control device comprising: means for re-learning the neural network based on the teacher data; and means for starting the re-learning when the number of teacher data exceeds a predetermined value.

【００１３】[0013]

【作用】請求項１に対応する発明によれば、ビルの各曜
日、各時刻の一定期間毎の結果データの一部である交通
需要が所定値を超えた時を条件として自動的に開始でき
るため、省力化が図れると共に、定常状態となった交通
需要に応じた最適な制御パラメータを選定でき、正常な
教師データのみによってオンライン学習が可能となる。According to the invention corresponding to claim 1, it can be automatically started on the condition that the traffic demand, which is a part of the result data for each fixed time period of each day of the building, exceeds a predetermined value. Therefore, it is possible to save labor, and it is possible to select the optimum control parameter according to the traffic demand in the steady state, and online learning can be performed using only normal teacher data.

【００１４】請求項２に対応する発明によれば、実使用
状態にて得られた結果データからの教師データの抽出、
ニューラルネットの学習機能処理において、現在の交通
需要と過去の交通需要の差が所定値以下であること、す
なわち時間帯やビル固有の交通需要が定常となった状態
にて処理を開始するため、適切な制御パラメータの選定
とより正常な教師データによるオンライン学習が可能で
ある。According to the invention according to claim 2, extraction of teacher data from result data obtained in an actual use state,
In the learning function processing of the neural network, the difference between the current traffic demand and the past traffic demand is less than or equal to a predetermined value, that is, the processing is started in the state where the traffic demand peculiar to the time zone and the building becomes steady, Online learning is possible by selecting appropriate control parameters and using more normal teacher data.

【００１５】請求項３に対応する発明によれば、ニュー
ラルネットの再学習処理において、ニューラルネットの
出力の累積値が所定値を超えたことを開始条件とするこ
とで、適度な頻度にてニューラルネットの更新が可能と
なり、より適切な制御パラメータの選定が可能となる。According to the third aspect of the present invention, in the re-learning process of the neural network, the start condition is that the cumulative value of the output of the neural network exceeds the predetermined value, so that the neural network can be processed at an appropriate frequency. The net can be updated, and more appropriate control parameters can be selected.

【００１６】請求項４に対応する発明によれば、ニュー
ラルネットの再学習処理において、ニューラルネットの
教師データの個数が所定値を超えたことを開始条件とす
ることで、常に決まった有効個数の教師データによる再
学習が可能となり、より適切な制御パラメータの選定が
可能となる。According to the fourth aspect of the present invention, in the re-learning process of the neural network, the start condition is that the number of the training data of the neural network exceeds the predetermined value, so that the effective number of the fixed effective number is always fixed. It becomes possible to re-learn by using teacher data, and more appropriate control parameters can be selected.

【００１７】[0017]

【実施例】以下、本発明の実施例について図面を参照し
て説明する。 ＜第１実施例＞図１は、本発明によるエレベータの群管
理制御装置の第１実施例の全体的なシステム構成例を示
すブロック図である。Embodiments of the present invention will be described below with reference to the drawings. <First Embodiment> FIG. 1 is a block diagram showing an example of the overall system configuration of a first embodiment of an elevator group supervisory control apparatus according to the present invention.

【００１８】図１において、群管理制御部１は、各単位
エレベータの制御を行う単体制御部２−１〜２−Ｎおよ
び学習制御部１−１に、それぞれ第１の伝送制御手段で
ある高速伝送路６を介して接続されている。In FIG. 1, the group management control unit 1 includes a single control unit 2-1 to 2-N for controlling each unit elevator and a learning control unit 1-1, which is a high-speed transmission control means. It is connected via a transmission line 6.

【００１９】この場合の群管理制御部１、学習制御部１
−１および単体制御部２−１〜２−Ｎは、単数あるいは
複数のマイクロコンピュータ等の小型計算機により構成
されており、ソフトウェアの管理下に動作する。In this case, the group management control unit 1 and the learning control unit 1
-1 and the unit control units 2-1 to 2-N are configured by a single computer or a plurality of small computers such as microcomputers, and operate under the control of software.

【００２０】一方、ホール呼びボタン３は、各階床に設
けられており、ホール呼びを行う際に押圧操作され、ホ
ール呼び入出力制御部４はホール呼びの入出力の制御を
行う。そして、群管理制御部１、学習制御部１−１およ
び単体制御部２−１〜２−Ｎ、ならびに各ホール呼び入
出力制御部４は、第２の伝送制御手段である低速伝送路
７を介して接続されている。On the other hand, the hall call button 3 is provided on each floor and is pressed when making a hall call, and the hall call input / output control unit 4 controls the input / output of the hall call. Then, the group management control unit 1, the learning control unit 1-1, the single unit control units 2-1 to 2-N, and each hall call input / output control unit 4 connect the low-speed transmission line 7 which is the second transmission control means. Connected through.

【００２１】ここで、高速伝送路６は、単体制御部２−
１〜２−Ｎと群管理制御部１および学習制御部１−１と
の間、すなわち主に機械室の制御計算機間の伝送を行う
伝送制御系であり、高速で高インテリジェントなネット
ワークで接続されている。そして、群管理制御に必要な
制御情報を、群管理制御部１、学習制御部１−１、各単
体制御部２−１〜２−Ｎの間で高速に授受している。Here, the high-speed transmission line 6 has a unit controller 2-
1 to 2-N is a transmission control system that performs transmission between the group management control unit 1 and the learning control unit 1-1, that is, mainly between control computers in the machine room, and is connected by a high-speed and highly intelligent network. ing. Then, the control information necessary for the group management control is exchanged at high speed among the group management control unit 1, the learning control unit 1-1, and the individual unit control units 2-1 to 2-N.

【００２２】また、低速伝送路７は、各ホールのホール
呼びボタン３、監視室の監視盤５等、主に昇降路を介し
て情報の伝送を行う制御系であり、高速伝送路６に比較
して低速であり、長距離のため光ファイバーケーブル等
により構成されており、群管理制御部１、学習制御部１
−１および単体制御部２−１〜２−Ｎと接続され、デー
タの授受を行っている。The low-speed transmission line 7 is a control system that mainly transmits information via the hoistway, such as the hall call button 3 in each hall and the monitoring board 5 in the monitoring room. Compared with the high-speed transmission line 6. Since it is low speed and long distance, it is configured by an optical fiber cable or the like, and the group management control unit 1 and the learning control unit 1
-1 and unit control units 2-1 to 2-N, and exchanges data.

【００２３】群管理制御部１が正常な場合、ホール呼び
ボタン３は低速伝送路７を介して群管理制御部１にて制
御され、ホール呼びボタン３が押されると、ホール呼び
ゲートを閉じて登録ランプをセットすると共に、高速伝
送路６を介して送られてくる単体制御部２−１〜２−Ｎ
の情報をベースに最適号機を決定し、単体制御部２−１
〜２−Ｎの内の該当するものに対して制御指令を行う。
そして、制御指令を受けた単体制御部２−１〜２−Ｎ
は、この制御指令をホール呼び情報として単体制御を行
う。When the group management control unit 1 is normal, the hall call button 3 is controlled by the group management control unit 1 via the low-speed transmission line 7, and when the hall call button 3 is pressed, the hall call gate is closed. The unit lamp control units 2-1 to 2-N sent via the high-speed transmission line 6 while setting the registration lamp
The optimum machine is determined based on the information of the
A control command is issued to the corresponding one of 2 to 2-N.
Then, the unit control units 2-1 to 2-N that have received the control command
Performs unit control using this control command as hall call information.

【００２４】図２は、本発明によるエレベータの群管理
制御装置における、群管理制御部１と単体制御部２−１
〜２−Ｎのソフトウェアシステムの一例を示す図であ
る。図２において、本ソフトウェアシステムは、オペレ
ーティングシステムであるリアルタイムＯＳ８により、
単体制御機能タスク９、群管理制御メイン機能タスク１
０、群管理制御サブ機能タスク１１、伝送制御タスク１
２を管理する構成であり、リアルタイムＯＳ８内のスケ
ジューラにより、各タスク９〜１２が起動されたりホー
ルドされたりするようになっている。FIG. 2 shows a group management control unit 1 and a single unit control unit 2-1 in the elevator group management control apparatus according to the present invention.
It is a figure which shows an example of a 2-N software system. In FIG. 2, this software system uses a real-time OS 8, which is an operating system,
Individual control function task 9, group management control main function task 1
0, group management control sub-function task 11, transmission control task 1
2 is managed, and each task 9 to 12 is activated and held by the scheduler in the real-time OS 8.

【００２５】これらの各タスク９〜１２の内の単体制御
機能タスク９は、単体制御部２−１〜２−Ｎを動作させ
るための機能タスクであって、優先順位が高く設定され
ている。The individual control function task 9 among these tasks 9 to 12 is a function task for operating the individual control units 2-1 to 2-N, and has a high priority.

【００２６】また、群管理制御メイン機能タスク１０
は、群管理制御部１の中心となる機能タスクであり、各
単体制御部２−１〜２−Ｎに分散した群管理制御サブ機
能タスク１１より各号機毎の情報データを収集し、比較
演算することによって最適号機を決定し、該当号機に対
して制御指令を行うと共に、ホール呼び登録の制御を行
う。The group management control main function task 10
Is a central functional task of the group management control unit 1, and collects information data for each machine from the group management control sub-function task 11 distributed to each individual control unit 2-1 to 2-N, and performs a comparison calculation. By doing so, the optimum number is determined, a control command is issued to the corresponding number, and hall call registration is controlled.

【００２７】さらに、群管理制御サブ機能タスク１１
は、群管理制御部１の各号機単位の情報の処理を行う機
能タスクであり、群管理制御メイン機能タスク１０の制
御の下に情報の処理を行う。Further, the group management control sub-function task 11
Is a functional task that processes information of each unit of the group management control unit 1, and processes information under the control of the group management control main function task 10.

【００２８】すなわち、群管理制御メイン機能タスク１
０を有するコンピュータにより、高速伝送路６を介して
タスクの起動、終結の管理を行う構成となっており、マ
スターである群管理制御メイン機能タスク１０からの指
令により号機単位に分散処理を行い、群管理制御メイン
機能タスク１０に対して処理完了時点でデータを搬送す
る。That is, the group management control main function task 1
A computer having 0 is configured to manage starting and ending of tasks via the high-speed transmission line 6, and performs distributed processing in units of machine numbers by a command from the group management control main function task 10 which is a master. Data is conveyed to the group management control main function task 10 when the processing is completed.

【００２９】さらにまた、伝送制御タスク１２は、高速
伝送路６のデータの授受、および群管理制御サブ機能タ
スク１１の起動、終結の制御を行う。図３は、図１にお
ける高速伝送路６のシステム構成例を示すブロック図で
ある。 図３において、伝送制御はマイクロプロセッサ
１３を用いて行う構成であるが、例えばＩＳＯ（国際標
準化機構）が提唱するＬＡＮネットワークモデル階層の
データリンク階層を制御する部分として、ハードウェア
で構成されたデータリンクコントローラ１４とメディア
アクセスコントローラ１５とを用いて、データ伝送を高
インテリジェントにて行うようにし、高速伝送制御に対
してマイクロプロセッサ１３が管理する伝送制御ソフト
ウェアの比率を軽減させる構成としている。 例えば、
上記の高インテリジェント伝送制御を実現するためのコ
ントローラであるデータリンクコントローラ１４とし
て、インテル社（ＩＮＴＥＬ社）のＬＳＩであるｉ８２
５８６が、またメディアアクセスコントローラ１５とし
て、同じくインテル社のｉ８２５０１等が実用化されて
いるが、これらを用いることにより、１０Ｍビット／秒
というような高速伝送機能を、マイクロプロセッサ１３
のサポート比率を軽減した形で比較的容易に行うことが
できる。Furthermore, the transmission control task 12 controls the transmission / reception of data on the high-speed transmission line 6 and the activation / termination of the group management control sub-function task 11. FIG. 3 is a block diagram showing a system configuration example of the high-speed transmission line 6 in FIG. In FIG. 3, the transmission control is performed by using the microprocessor 13. However, for example, data configured by hardware is used as a part for controlling the data link layer of the LAN network model layer proposed by ISO (International Organization for Standardization). The link controller 14 and the media access controller 15 are used to perform data transmission with high intelligence and reduce the ratio of transmission control software managed by the microprocessor 13 to high-speed transmission control. For example,
As the data link controller 14 which is a controller for realizing the above-mentioned high intelligent transmission control, i82 which is an LSI (Intel) LSI is used.
The i862501 and the like of Intel Corp. have been put into practical use as the media access controller 15 as well, but by using these, a high-speed transmission function such as 10 Mbit / sec can be achieved by the microprocessor 13
Can be performed relatively easily with a reduced support ratio.

【００３０】なお、図３において、各機器１３〜１５は
それぞれシステムバス１６および制御ライン１７により
電気的に接続され、メディアアクセスコントローラ１５
にはシリアル伝送系１８が接続されている。In FIG. 3, the devices 13 to 15 are electrically connected by the system bus 16 and the control line 17, respectively, and the media access controller 15 is connected.
A serial transmission system 18 is connected to the.

【００３１】一方、図４は本発明による学習制御部１−
１の入出力信号の流れを示す機能ブロック図、図５は図
４における学習制御部１−１のシステム構成の一例を示
す図、図６および図７はそれぞれ図５における推論部２
１、部分モデル部２２の詳細なシステム構成例を示す図
である。On the other hand, FIG. 4 shows a learning control unit 1-according to the present invention.
1 is a functional block diagram showing the flow of input / output signals, FIG. 5 is a diagram showing an example of a system configuration of the learning control unit 1-1 in FIG. 4, and FIGS. 6 and 7 are inference units 2 in FIG. 5, respectively.
1 is a diagram showing a detailed system configuration example of a partial model unit 22. FIG.

【００３２】まず、図４において、群管理制御部１は、
前述したように、エレベータ群システム２の単体制御部
２−１〜２−Ｎにおける群管理制御サブ機能タスク１１
と協調をとり、ホール呼び割当制御機能を実行する。First, in FIG. 4, the group management controller 1
As described above, the group management control sub-function task 11 in the individual control units 2-1 to 2-N of the elevator group system 2
The hall call allocation control function is executed in cooperation with.

【００３３】このホール呼び割当制御に用いられる評価
アルゴリズムは、群管理性能上の各評価指標を評価し、
各評価値を最適な重み付け加算して総合評価を行うもの
である。The evaluation algorithm used for this hall call allocation control evaluates each evaluation index on the group management performance,
The respective evaluation values are optimally weighted and added to perform a comprehensive evaluation.

【００３４】また、学習制御部１−１は、一定期間毎に
群管理制御部１を介して送信されるエレベータ群システ
ム２、すなわち単体制御部２−１〜２−Ｎおよびホール
呼び入出力制御部４からの情報を基にして、交通需要お
よび群管理制御応答結果を生成し、交通需要からは最適
な制御パラメータを設定し、群管理制御応答結果はオン
ライン学習のためのベースデータとする。Further, the learning control section 1-1 is arranged so that the elevator group system 2 transmitted via the group management control section 1 at regular intervals, that is, the individual control sections 2-1 to 2-N and the hall call input / output control. The traffic demand and group management control response result are generated based on the information from the unit 4, optimal control parameters are set from the traffic demand, and the group management control response result is used as base data for online learning.

【００３５】そして、学習制御部１−１は、各時刻別の
一定期間毎に設定された上記制御パラメータを、最適な
評価指標重み付け値として群管理制御部１へ送信する。
群管理制御部１は、単体制御部２−１〜２−Ｎからの情
報を基に各評価指標の評価値を演算し、学習制御部１−
１から送信された制御パラメータにより前述の評価値に
最適な重み付けを行い、最適号機に対して制御指令を与
える。Then, the learning control section 1-1 transmits the above-mentioned control parameters set for each fixed period for each time to the group management control section 1 as an optimum evaluation index weighting value.
The group management control unit 1 calculates the evaluation value of each evaluation index based on the information from the unit control units 2-1 to 2-N, and the learning control unit 1-
The above-mentioned evaluation value is optimally weighted by the control parameter transmitted from No. 1, and a control command is given to the optimal machine.

【００３６】次に、この学習制御部１−１の詳細な動作
について、図５以降の図面を用いて説明する。学習制御
部１−１の機能構成を説明すると、図５に示すように、
推論部２１と、部分モデル部２２と、合成部２３と、推
論結果評価部２４と、システム調整部２５とから構成さ
れている。Next, the detailed operation of the learning control section 1-1 will be described with reference to the drawings starting from FIG. Explaining the functional configuration of the learning control unit 1-1, as shown in FIG.
The inference unit 21, the partial model unit 22, the combining unit 23, the inference result evaluation unit 24, and the system adjustment unit 25 are included.

【００３７】群管理制御部１における評価演算は、一般
に、複数の評価指標ｌに対して行われ、ｉ号機に対し
て、 ｇ₁ （ｉ）、ｇ₂ （ｉ）、……、ｇ_i （ｉ） と表され、総合評価値は、各評価別割当評価値を重み付
け加算することによって求められ、ｉ号機の場合の総合
評価値Ｅ_i は、[0037] The evaluation operation in group management control unit 1, in general, carried out for a plurality of evaluation indexes l, for i _{Unit, g 1 (i), g} 2 (i), ......, g i ( i), and the total evaluation value is obtained by weighting and adding the allocation evaluation values for each evaluation. The total evaluation value E _{i in} the case of Unit _i is

【００３８】[0038]

【数１】 と表現される。[Equation 1] Is expressed as

【００３９】ここで、α_j は各評価指標ｊにおける重み
付け値であり、学習制御部１−１より群管理制御部１へ
送信される制御パラメータである。そこで、推論結果評
価部２４は、各時間帯別の一定期間毎に交通需要を算出
し所定の条件を満たした時に、推論部２１に対して出力
すると共に、制御パラメータα_j の組合せを所定範囲内
にて生成し、部分モデル部２２に対して出力し、その結
果として各制御パラメータα_j の組合せに対応する群管
理制御応答推論結果をエレベータ設置ビルの用途に応じ
て評価し、最適な制御パラメータを設定する。Here, α _j is a weighting value for each evaluation index j, and is a control parameter transmitted from the learning control section 1-1 to the group management control section 1. Therefore, the inference result evaluation unit 24 calculates the traffic demand for each fixed period of each time zone and, when a predetermined condition is satisfied, outputs the traffic demand to the inference unit 21 and also outputs a combination of the control parameters α _j within a predetermined range. And outputs it to the partial model unit 22. As a result, the group management control response inference result corresponding to the combination of each control parameter α _j is evaluated according to the use of the elevator installation building, and optimal control is performed. Set the parameters.

【００４０】群管理制御応答推論結果をｙ、学習制御部
１−１への入力をｕとすると、合成部２３における演算
は、 ｙ＝Ｆ（ｕ） …（１） と表現できる。なお、ここで、 ｙ＝（ｙ₁ 、ｙ₂ 、…、ｙ_n ）^T ｕ＝（ｕ 、ｕ_c ）^T ＝（Ｃ、α）^T とする。Assuming that the group management control response inference result is y and the input to the learning control section 1-1 is u, the calculation in the synthesis section 23 can be expressed as y = F (u) (1). Note _{that, y = (y 1, y} 2, ..., y n) T u = (u, u c) T = (C, α) and ^T.

【００４１】この群管理制御応答推論結果ｙにおいて、
ｙ₁ 、ｙ₂ 、…、ｙ_n は、一定時間におけるホール呼び
応答時間の発生率、平均乗合率、平均サービス時間等の
推論結果を表し、群管理性能を判定する上での評価基準
データとなる。In this group management control response inference result y,
y ₁ , y ₂ , ..., Y _n represent inference results such as the occurrence rate of hall call response time, average multiplication rate, average service time, etc. in a certain period of time, and serve as evaluation reference data for determining group management performance. Become.

【００４２】また、入力ｕにおけるＣは交通需要を表
し、 Ｃ＝（Ｃ₁ 、Ｃ₂ 、Ｃ₃ ） とすると、Ｃ₁ 、Ｃ₂ 、Ｃ₃ は、それぞれ全平均乗客発
生間隔［ｓ／人］、基準階における平均乗客発生間隔、
基準階へ向かう平均乗客発生間隔を表わすデータであ
り、システムの混雑度や人の流れ等のシステムの状況を
表わすことになる。Further, C in the input u represents the traffic demand, and if C = (C ₁ , C ₂ , C ₃ ), then C ₁ , C ₂ , C ₃ are all average passenger occurrence intervals [s / person ], The average passenger occurrence interval on the standard floor,
It is data that represents the average interval between passengers heading to the standard floor, and represents the status of the system such as the congestion degree of the system and the flow of people.

【００４３】さらに、αは各評価指標重み付け値（制御
パラメータ）であり、前述のように、複数の評価指標ｌ
に対して、 α＝（α₁ 、α₂ 、…、α_l ） と表わされる。Further, α is each evaluation index weighting value (control parameter), and as described above, a plurality of evaluation indices l
, Α = (α ₁ , α ₂ , ..., α _l ).

【００４４】そこで、推論部２１、部分モデル部２２、
合成部２３からなる対象モデルは、ｍ個の部分システム
モデルｆ_i （α）、（ｉ＝１，２，…，ｍ）の合成で表
現され、（１）式は次式のように書き直せることにな
る。Therefore, the inference unit 21, the partial model unit 22,
The target model composed of the synthesizing unit 23 is expressed by synthesizing m partial system models f _i (α), (i = 1, 2, ..., M), and the formula (1) can be rewritten as the following formula. become.

【００４５】[0045]

【数２】 [Equation 2]

【００４６】ここで、ａ_i （Ｃ）は交通需要Ｃにおける
部分システムモデルｆ_i （α）の活性度を示し、群管理
制御応答推論結果ｙは、交通需要Ｃから得られるシステ
ムの状況と部分モデル部２２における部分システムモデ
ルとの結合関係により決まる。 次に、推論部２１、部
分モデル部２２、推論結果評価部２４、およびシステム
調整部２５の各部のシステム構成について説明する。Here, a _i (C) represents the activity of the partial system model f _i (α) in the traffic demand C, and the group management control response inference result y is the system situation and the portion obtained from the traffic demand C. It is determined by the connection relationship with the partial system model in the model unit 22. Next, the system configurations of the inference unit 21, the partial model unit 22, the inference result evaluation unit 24, and the system adjustment unit 25 will be described.

【００４７】まず、推論部２１は、図６に示すように、
入力部２１−１と、記憶部２１−２と、出力部２１−３
と、ゲート２１−４とから構成されており、推論結果評
価部２４より交通需要Ｃを受けて、これらから得られる
システムの状況により、活性度を表わす（２）式のａ_i
（Ｃ）、（ｉ＝１，２，…，ｍ）を出力する働きをす
る。First, the inference unit 21, as shown in FIG.
Input unit 21-1, storage unit 21-2, output unit 21-3
And a gate 21-4, receives the traffic demand C from the inference result evaluation unit 24, and _{ai of the} equation (2) representing the degree of activity depending on the system status obtained from them.
(C), (i = 1, 2, ..., M) is output.

【００４８】ここで、入力部２１−１は、ｋ個のニュー
ロンからなるｋ次元の状態ベクトルＶを持ち、入力され
る交通需要Ｃをメンバーシップ関数φ_i を通すことによ
り、各要素がそのメンバーシップグレードで構成される
部分入力ベクトルｃ_i 、（ｉ＝１，２，…，ｍ）を出力
する。このＭ個の部分入力ベクトルｃ_i は、一括して入
力ベクトルＣとして上記入力状態ベクトルＶへ入力され
る。Here, the input unit 21-1 has a k-dimensional state vector V consisting of k neurons, and the input traffic demand C is passed through a membership function φ _i so that each element has its member. A partial input vector c _i , (i = 1, 2, ..., M) configured by ship grade is output. The M partial input vectors c _i are collectively input to the input state vector V as the input vector C.

【００４９】また、記憶部２１−２は、ｒ個のニューロ
ンからなるｒ次元の状態ベクトルＸから成り、入力部２
１−１と出力部２１−３とを関係付ける記憶部に相当す
る。さらに、出力部２１−３は、ｍ個のニューロンから
なるｍ次元の状態ベクトルＺからなり、各要素Ｚ_i 、
（ｉ＝１，２，…，ｍ）が上記部分モデル部２２の部分
システムモデルｆ_i （α）に対応している。The storage unit 21-2 is composed of an r-dimensional state vector X consisting of r neurons, and the input unit 2
It corresponds to a storage unit that associates 1-1 with the output unit 21-3. Further, the output unit 21-3 is composed of an m-dimensional state vector Z composed of m neurons, and each element Z _i ,
(I = 1, 2, ..., M) corresponds to the partial system model f _i (α) of the partial model unit 22.

【００５０】なお、入力部２１−１および記憶部２１−
２、記憶部２１−２および出力部２１−３は、それぞれ
相互ループを持ち、また各部２１−１〜２１−３は、自
己ループを持っている。The input unit 21-1 and the storage unit 21-
2. The storage unit 21-2 and the output unit 21-3 each have a mutual loop, and each unit 21-1 to 21-3 has a self loop.

【００５１】この関係は、離散方式であって、次のよう
に表現される。 Ｃ（ｋ）＝φ（ｕ（ｋ）） … （３．１） Ｖ（ｋ＋１）＝ψ（Ｗ_vc・Ｃ（ｋ）＋Ｗ_vv・Ｖ（ｋ）＋Ｗ_vx・Ｘ（ｋ）） … （３．２） Ｘ（ｋ＋１）＝ψ（Ｗ_xv・Ｖ（ｋ＋１）＋Ｗ_xx・Ｘ（ｋ）＋Ｗ_xz・Ｚ（ｋ）） … （３．３） Ｚ（ｋ＋１）＝ψ（Ｗ_zx・Ｘ（ｋ＋１）＋Ｗ_zz・Ｚ（ｋ）） … （３．４） Ｖ（０）＝Ｖ₀ 、 Ｘ（０）＝Ｘ₀ 、 Ｚ（０）＝Ｚ₀
ｋ≧０ ここで、Ｗ_vcはベクトルＣからベクトルＶへの荷重を表
わすマトリックスであり、ベクトルＶを構成するニュー
ロンのベクトルＣに対するシナプス荷重である。また、
Ｗ_vv、Ｗ_vx、Ｗ_xv、Ｗ_xx、Ｗ_zx、Ｗ_zzについても同様で
ある。This relationship is a discrete system and is expressed as follows. C (k) = φ (u (k)) (3.1) V (k + 1) = ψ (W _vc · C (k) + W _vv · V (k) + W _vx · X (k)) (3) .. 2) X (k + 1) = ψ (W _xv · V (k + 1) + W _xx · X (k) + W _xz · Z (k)) (3.3) Z (k + 1) = ψ (W _zx · X ( k + 1) + W _zz · Z (k)) (3.4) V (0) = V ₀ , X (0) = X ₀ , Z (0) = Z ₀
k ≧ 0 Here, W _vc is a matrix representing the load from the vector C to the vector V, and is the synapse load of the neuron that constitutes the vector V with respect to the vector C. Also,
The same applies to W _vv , W _vx , W _xv , W _xx , W _zx , and W _zz .

【００５２】φはｊ次元のメンバーシップ関数であり、
ψは各次元に対応するシグモイド関数であり、入力され
る要素毎に、 ｆ（ｘ）＝１／｛１＋ｅｘｐ（−ｘ）｝ … （３．５） の演算を行う。Φ is a j-dimensional membership function,
ψ is a sigmoid function corresponding to each dimension, and for each input element, f (x) = 1 / {1 + exp (−x)} (3.5) is calculated.

【００５３】さらに、ｋは時間を表わすパラメータであ
り、１増える毎に単位時間が経過する。上記の（３．
１）〜（３．４）式で各Ｗを適当に設定することによ
り、入力される需要Ｃ（ｕ（ｋ））に対する部分システ
ムモデルｆ_i （α）、（ｉ＝１，２，…，ｍ）の活性度
が、出力部２１−３の状態ベクトルＺに時間経過を伴っ
て現れてくる。Further, k is a parameter representing time, and the unit time elapses each time it is incremented. The above (3.
By appropriately setting each W in the equations 1) to (3.4), the partial system model f _i (α), (i = 1, 2, ...,) For the input demand C (u (k)). The activity m) appears in the state vector Z of the output unit 21-3 with time.

【００５４】さらにまた、ゲート２１−４は、設定され
た時間Ｔが経過すると開かれ、Ｚ_i（Ｔ）を部分システ
ムモデルｆ_i （α）の活性度ａ_i （Ｃ）として出力す
る。次に、部分モデル部２２は、図７に示すようなシス
テム構成であり、制御パラメータαを入力することによ
り、各部分システムモデル毎に群管理制御応答結果ｆ_i
（α）を出力する働きを有する。Furthermore, the gate 21-4 is opened when the set time T elapses, and outputs Z _i (T) as the activity level a _i (C) of the partial system model f _i (α). Next, the partial model unit 22 has a system configuration as shown in FIG. 7, and by inputting the control parameter α, the group management control response result f _{i is obtained for} each partial system model.
It has a function of outputting (α).

【００５５】この部分モデル部２２における個々の部分
システムモデルｆ_i （α）、（ｉ＝１，２，…，ｍ）
は、図８に示すように、多層のニューラルネットワーク
によって構成され、これらはそれぞれある特定の需要Ｃ
_i に対応しており、それぞれがその需要に対する制御パ
ラメータαと実システムの群管理制御応答結果の入力出
力データｉとを格納している。そして、部分システムモ
デルｆ_i （α）は、この入出力データｉを教師データと
して、バックプロパゲーション法を用いて学習される。Individual partial system models f _i (α), (i = 1, 2, ..., M) in the partial model unit 22.
Is composed of a multilayered neural network, as shown in FIG.
_i corresponds to, each of which stores an input output data i of the group management control response result of the real system and control parameter α for the demand. Then, the partial system model f _i (α) is learned by using the back-propagation method with the input / output data i as teacher data.

【００５６】図８に詳しく示されているように、各部分
システムモデルｆ_i は、入力ｕが与えられた時、 ｙ（ｋ）＝ｆ_i （ｕ（ｋ）） の演算を実行する。この演算処理は、 ｎｅｔｈ（ｋ）＝Ｗ_hu（ｋ）・ｕ（ｋ） … （４．１） ｈ（ｋ）＝ψ（ｎｅｔｈ（ｋ）＋θ_h （ｋ）） … （４．２） ｎｅｔｙ（ｋ）＝Ｗ_yh（ｋ）・ｈ（ｋ）＋Ｗ_yu（ｋ）・ｕ（ｋ） … （４．３） ｙ（ｋ）＝ψ（ｎｅｔｙ（ｋ）＋θ_y （ｋ）） … （４．４） ｋ≧０ ここで、Ｗ_hu、Ｗ_yh、Ｗ_yuは、シナプス荷重を表わすマ
トリックスである。また、θ_h 、θ_y は、それぞれ中間
層ｈ、出力層ｙに対するバイアス値を表わすベクトルで
ある。As shown in detail in FIG. 8, each subsystem model f _i , when given an input u, performs the operation y (k) = f _i (u (k)). This calculation process is performed as follows: (k) = W _hu (k) · u (k) (4.1) h (k) = ψ (net (k) + θ _h (k)) (4.2) nety (K) = W _yh (k) · h (k) + W _yu (k) · u (k) (4.3) y (k) = ψ (nety (k) + θ _y (k)) (4) .4) k ≧ 0 Here, W _hu , W _yh , and W _yu are matrices representing synaptic loads. Further, θ _h and θ _y are vectors representing bias values for the intermediate layer h and the output layer y, respectively.

【００５７】各部分システムモデルｆ_i （ｕ）、（ｉ＝
１，２，…，ｍ）は、それぞれが異なるシナプス荷重、
バイアスを持ち、演算を行う。合成部２３では、部分モ
デル部２２から入力されてくる部分システムモデルの出
力ｆ₁ （α）、ｆ₂ （α）、…、ｆ_m （α）、および推
論部２１から入力される各部分システムモデルに対する
活性度ａ₁ （Ｃ）、ａ₂ （Ｃ）、…、ａ_m （Ｃ）を、
（２）式にしたがって合成し、群管理制御応答推論結果
ｙとして推論結果評価部２４に出力する。Each partial system model f _i (u), (i =
1, 2, ..., m) are different synaptic loads,
Has a bias and performs calculations. In the synthesis unit 23, outputs f ₁ (α), f ₂ (α), ..., F _m (α) of the partial system model input from the partial model unit 22 and each partial system input from the inference unit 21. The activities a ₁ (C), a ₂ (C), ..., _Am (C) for the model are
They are combined according to the equation (2) and output to the inference result evaluation unit 24 as the group management control response inference result y.

【００５８】次に、推論結果評価部２４では、後で詳し
く説明するように、上記のように、推論部２１、部分モ
デル部２２、合成部２３からなる対象モデルに対して、
入力ｕ（＝Ｃ、α） ）において、実システムの交通需
要が所定の条件を満たした時に前記需要に対して制御パ
ラメータαの組合せを所定範囲内にて生成し、入力ｕと
して与えることにより、その結果として各制御パラメー
タαの組合せに対応する群管理制御応答結果を評価し、
最適な制御パラメータαを設定し、群管理制御部１に送
信する。Next, in the inference result evaluation section 24, as will be described in detail later, as described above, for the target model including the inference section 21, the partial model section 22, and the synthesis section 23,
At the input u (= C, α)), when the traffic demand of the actual system satisfies a predetermined condition, a combination of the control parameters α for the demand is generated within a predetermined range and given as the input u. As a result, evaluate the group management control response result corresponding to the combination of each control parameter α,
The optimum control parameter α is set and transmitted to the group management control unit 1.

【００５９】次に、オンラインにて得られる群管理制御
部１からの交通需要、群管理制御応答結果、また推論結
果評価部２４からの制御パラメータによって、システム
調整部２５で行われる推論部２１、部分モデル部２２の
オンライン学習について説明する。Next, based on the traffic demand from the group management control unit 1 obtained online, the group management control response result, and the control parameters from the inference result evaluation unit 24, the inference unit 21 performed by the system adjustment unit 25, The online learning of the partial model unit 22 will be described.

【００６０】システム調整部２５は、図１１に示すよう
に、差異検出部２５−１と、推論修正部２５−２と、入
出力データ修正部２５−３と、入出力データ群２５−４
１〜２５−４ｍと、部分システムモデル修正部２５−５
とから構成されており、群管理制御応答推論結果ｙと群
管理制御部１からの応答結果の差異に基づいて所定の条
件を満たした時に、推論部２１の「確かさ」ｐ_i 、およ
び関係する部分システムモデルｆ_i を修正する働きをす
る。その修正量は、活性度ａ_i に正比例させ、習熟度Ｒ
_i （ｋ）に反比例させて行う。As shown in FIG. 11, the system adjustment unit 25 includes a difference detection unit 25-1, an inference correction unit 25-2, an input / output data correction unit 25-3, and an input / output data group 25-4.
1 to 25-4m and partial system model correction unit 25-5
When the predetermined condition is satisfied based on the difference between the group management control response inference result y and the response result from the group management control unit 1, the "certainty" p _i of the inference unit 21 and the relation _Functions to modify the partial system model f _i . The correction amount is directly proportional to the activity level a _i , and the learning level R
It is performed in inverse proportion to _i (k).

【００６１】ここで、差異検出部２５−１は、推論結果
ｙと応答結果ｙ₀ の差異が（５）式を満たす時、 ｜ｙ−ｙ₀ ｜／ｙ₀ ≧Ｄ_ef0 … （５） 修正量の元となる度合δＮ_i を（７．４）式をより算出
して、推論部修正部２５−２、および入出力修正部２５
−３に出力する。ここで、Ｄ_ef0 は定数であり、修正す
るか否かの判断基準となる。Here, when the difference between the inference result y and the response result y ₀ satisfies the expression (5), the difference detecting section 25-1: | y−y ₀ | / y ₀ ≧ D _ef0 (5) Correction The degree δN _i that is the basis of the quantity is calculated from the equation (7.4), and the inference unit correction unit 25-2 and the input / output correction unit 25
Output to -3. Here, D _ef0 is a constant and serves as a criterion for determining whether to correct.

【００６２】また、推論部修正部２５−２では、図６に
示した推論部２１における確かさを修正するループのう
ち、出力部２１−３から記憶部２１−２へのループ、す
なわちマトリックスＷ_xzに限定する。この時、推論部修
正部２５−２は、マトリックスＷ_xzの（ｉ，ｊ）要素ｗ
_ijを、 ｗ_ii＝ｐ_i （ｉ＝１，２，…，ｍ） … （６．１） ｗ_ji＝ｐ_i （ｊ≠ｉ） … （６．２） のように修正する。In the inference unit correction unit 25-2, among the loops for correcting the certainty in the inference unit 21 shown in FIG. 6, the loop from the output unit 21-3 to the storage unit 21-2, that is, the matrix W. Limited to _xz . At this time, the inference unit correction unit 25-2 has the (i, j) element w of the matrix W _xz.
ij is modified as follows: w _ii = p _i (i = 1,2, ..., m) (6.1) w _ji = p _i (j ≠ i) (6.2)

【００６３】ここで、ｐ_i ≧０は、部分システムモデル
ｆ_i （α）に対する記憶の確かさを表わすパラメータで
あり、次式により演算される。 ｐ_i ＝ξ・Ｒ_i （ｋ＋１）＋ζ … （７．１ ） Ｒ_i （ｋ＋１）＝１−ｅｘｐ［−β（Ｎ_i （ｋ＋１）＋γ）］ … （７． ２） Ｎ_i （ｋ＋１）＝Ｎ_i （ｋ）＋δＮ_i … （７ ．３） δＮ_i ＝ｍｉｎ｛１、η・（ａ_i ／Ｒ_i （ｋ））｝ … （ ７．４） ここで、η、β、γ、ξ、ζはそれぞれ定
数、Ｒ_i およびＮ_i はそれぞれ部分システムモデルｆ_i
（α）の習熟度および学習進度である。そして、この学
習進度Ｎ_i （ｋ）は、部分システムモデルｆ_i （α）の
ｋ回学習した後の学習の進み具合を表わしており、活性
度ａ_i に比例し、現在の習熟度Ｒ_i （ｋ）に反比例する
度合δＮ_i （最大１）で変化する。そして、（７．３）
式で計算される新たな学習進度Ｎ_i （ｋ＋１）に対し
て、新たなＲ_i （ｋ＋１）が（７．２）式によって決ま
り、最終的に修正された確かさｐ_i が（７．１）式によ
り求まる。Here, p _i ≧ 0 is a parameter representing the reliability of memory for the partial system model f _i (α), and is calculated by the following equation. p _i = ξ · R _i (k + 1) + ζ (7.1) R _i (k + 1) = 1-exp [−β (N _i (k + 1) + γ)] (7.2) N _i (k + 1) = N _i (k) + δN _i (7.3) δN _i = min {1, η · (a _i / R _i (k))} (7.4) where η, β, γ, ξ, ζ is a constant, R _i and N _i are subsystem system models f _i, respectively.
(Α) is the proficiency level and learning progress. The learning progress N _i (k) represents the progress of learning of the partial system model f _i (α) after learning k times, is proportional to the activity a _i , and is the current learning level R _i. It changes in a degree δN _i (maximum 1) that is inversely proportional to (k). And (7.3)
With respect to the new learning progress N _i (k + 1) calculated by the formula, a new R _i (k + 1) is determined by the formula (7.2), and the finally corrected certainty p _i is (7.1). ) Is obtained by the formula.

【００６４】一方、部分システムモデルｆ_i （α）の修
正は、入出力データ修正部２５−３、入出力データ群２
５−４１〜４ｍ、および部分システムモデル修正部２５
−５にて行う。On the other hand, the correction of the partial system model f _i (α) is performed by the input / output data correction unit 25-3, the input / output data group 2
5-41 to 4 m, and partial system model correction unit 25
Perform at -5.

【００６５】まず、入出力データ修正部２５−３は、修
正度合δＮ_i 、制御パラメータα₀、群管理応答結果ｙ₀
より、各部分システムモデルｆ_i （α）が持つ入出力
データ群２５−４１〜４ｍを書き換える。そして、この
書換えた入出力データ２５−４ｉを教師データとして、
バックプロパゲーション法により追加ないし再学習を部
分システムモデル修正部２５−５で行い、旧部分システ
ムモデルｆ_i と学習後の新部分システムモデルｆ_i とを
入れ替える。First, the input / output data correction unit 25-3 has the correction degree δN _i , the control parameter α ₀ , and the group management response result y _0.
Thus, the input / output data groups 25-41 to 4m included in each partial system model f _i (α) are rewritten. Then, the rewritten input / output data 25-4i is used as teacher data,
The partial system model correction unit 25-5 performs addition or re-learning by the back propagation method, and replaces the old partial system model f _i with the new partial system model f _i after learning.

【００６６】次に、入出力データの修正の方法について
説明する。入出力データ修正部２５−３は、所定時間帯
毎の一定期間が終了すると、上記時間帯の応答結果を基
に群管理制御応答結果の演算を行い、上記時間帯での制
御パラメータと共に、入出力データ Ｄ₀ ＝（ｕ₀ ）、 ｕ₀ ＝（Ｃ₀ ＊α₀ ） を生成する。Next, a method of correcting input / output data will be described. The input / output data correction unit 25-3 calculates the group management control response result based on the response result of the time period when the fixed period of each predetermined time period ends, and inputs with the control parameter in the time period. Output data D ₀ = (u ₀ ) and u ₀ = (C ₀ * α ₀ ) are generated.

【００６７】この時、部分システムモデルｆ_i （α）が
持つ入出力データ（Ｄ₁ ，Ｄ₂ ，…，Ｄ_L ）を書き換え
る。入出力データ群２５−４１〜４ｍから全ての入力デ
ータをスキャンし、そのαとα₀ との距離の２乗 ｄα＝｜α−α₀ ｜² … （８．１） を求め、近い（ｄαが小さい）ものから順に２つのデー
タＤ^(1st) 、Ｄ^(2nd) を抽出する。[0067] At this time, part system model f _i (alpha) input and output data having the _{(D 1, D 2, ...} , D L) rewritten. All the input data are scanned from the input / output data groups 25-41 to 4m, the square of the distance between the α and α ₀ is calculated, and dα = | α−α ₀ | ² (8.1) is obtained, and it is close (dα Two data D ^(1st) and D ^(2nd) are extracted in order from the smallest data.

【００６８】ここで、 Ｃ^(1st) ＝Ｃ₀ かつｄ^(1st) α＞０ … （８．１´） の場合には、例外的にＤ₀ を新たに入力データＤ_L+1 と
して追加登録する。When C ^(1st) = C ₀ and d ^(1st) α> 0 (8.1 '), D ₀ is exceptionally additionally registered as new input data D _{L + 1.} To do.

【００６９】また、（８．１´）式が成立しない場合に
は、上記２つのＤ^(1st) 、Ｄ^(2nd)について、そのＣと
Ｃ₀ との距離の２乗 ｄ_c ＝｜Ｃ−Ｃ₀ ｜² … （８．２） を求め、その後、Ｄ^(1st) 、Ｄ^(2nd) を次式によって修
正する。ただし、ｙ´^(1st) 、ｙ´^(2nd) は、修正後の
出力データである。[0069] Also, when (8.1') equation is not satisfied, the two D ^(1st), the D ^(2nd), 2 squared d _c = the distance between the C and C ₀ | C- C ₀ | ² (8.2) is obtained, and then D ^(1st) and D ^(2nd) are corrected by the following equation. However, y ' ^(1st) and y' ^(2nd) are the corrected output data.

【００７０】 ｙ´^(1st) ＝ρ₁ ・ｙ₀ ＋（１−ρ₁ ）・ｙ^(1st) … （８．３） ｙ´^(2nd) ＝−ρ₂ ・ｙ₀ ＋（１−ρ₂ ）・ｙ^(2nd) … （８．４） κ＝１／（γ・Ｄ^(1st) α＋１） … （８．５） ρ₁ ＝δＮ_i ・｛１／（λＤ^(1st) Ｃ＋１）｝ … （８．６） ρ₂ ＝（１−κ）・δＮ_i ×｛１／（λＤ^(2nd) Ｃ＋１）｝ ×｛１／（λＤ^(2nd) α＋１）｝ … （８．７） 上記の（８．３）、（８．４）式により、部分システム
モデルにおける入出力データが書き換えられ、書き換え
後の入出力データを教師データとして、部分システムモ
デル修正部２５−５では、バックプロパゲーション法に
より部分システムモデルの荷重マトリックスの修正を、
以下の手順により行う。Y ′ ^(1st) = ρ ₁ · y ₀ + (1-ρ ₁ ) · y ^(1st) (8.3) y ′ ^(2nd) = −ρ ₂ · y ₀ + (1-ρ ₂ ) ・ Y ^(2nd) … (8.4) κ = 1 / (γ ・ D ^(1st) α + 1)… (8.5) ρ ₁ = δN _i・ {1 / (λD ^(1st) C + 1)}… ( 8.6) ρ ₂ = (1−κ) · δN _i × {1 / (λD ^(2nd) C + 1)} × {1 / (λD ^(2nd) α + 1)} (8.7) The above (8. 3) and (8.4), input / output data in the partial system model is rewritten, and the rewritten input / output data is used as teacher data in the partial system model correction unit 25-5 by the back propagation method. Modify the model load matrix
Perform the following procedure.

【００７１】 δ_y （ｋ）＝ψ´｛ｎｅｔｙ（ｋ）＋θ_y （ｋ）｝＊｛ｙ^* （ｋ）−ｙ（ｋ） ｝ … （９．１ ） δ_h （ｋ）＝ψ´｛ｎｅｔｈ（ｋ）＋θ_h （ｋ）｝＊Ｗ´_yh・δ_y （ｋ） … （９．２ ） ΔＷ_yh（ｋ＋１）＝η_yh（ｋ）・δ_y （ｋ）・ｈ´（ｋ）＋α_yh・ΔＷ_yh（ ｋ） … （９． ３） ΔＷ_hu（ｋ＋１）＝η_hu（ｋ）・δ_h （ｋ）・ｕ´（ｋ）＋α_hu・ΔＷ_hu （ｋ） … （９ ．４） ΔＷ_yu（ｋ＋１）＝η_yu（ｋ）・δ_y （ｋ）・ｕ´（ｋ）＋α_yu・ΔＷ_yu （ｋ） … （ ９．５） Ｗ_yh（ｋ＋１）＝Ｗ_yh（ｋ）＋ΔＷ_yh（ｋ＋１） … （ ９．６） Ｗ_hu（ｋ＋１）＝Ｗ_hu（ｋ）＋ΔＷ_hu（ｋ＋１） … （ ９．７） Ｗ_yu（ｋ＋１）＝Ｗ_yu（ｋ）＋ΔＷ_yu（ｋ＋１） … （ ９．８） ΔＷ_yh（０）＝０、 ΔＷ_hu（０）＝０、 ΔＷ_yu（０）＝０、 Δθ_y （０）＝０、 Δθ_h （０）＝０ ここで、ｙ^* は教師データであり、 （１／２）｜ｙ^* −ｙ｜² ＜ε が全てのｙ^* について成立するまで、ｋをインクリメン
トして繰り返す。Δ _y (k) = ψ ′ {nety (k) + θ _y (k)} * {y ^* (k) −y (k)} (9.1) δ _h (k) = ψ ′ { net (k) + θ _h (k)} * W ′ _yh · δ _y (k) (9.2) ΔW _yh (k + 1) = η _yh (k) · δ _y (k) · h ′ (k) + α _yh · ΔW _yh (k) (9.3) ΔW _hu (k + 1) = η _hu (k) · δ _h (k) · u ′ (k) + α _hu · ΔW _hu (k)… (9.4) ΔW _yu (k + 1) = η _yu (k) · δ _y (k) · u ′ (k) + α _yu · ΔW _yu (k) ... (9.5) W _yh (k + 1) = W _yh (k) + ΔW _yh (K + 1) ... (9.6) W _hu (k + 1) = W _hu (k) + ΔW _hu (k + 1) ... (9.7) W _yu (k + 1) = W _yu (k) + ΔW _yu (k + 1) ... (9) _{.8) ΔW yh (0) =} 0, ΔW hu (0) = 0, ΔW yu (0) = 0, Δ _{y (0) = 0, Δθ} h (0) = 0 here, y ^* is a teacher ^{data, (1/2) | y * -y} | up to ^{2 <ε} is satisfied for all y ^*, k Is incremented and repeated.

【００７２】ここで、Ａ＊Ｂとは、行列ＡおよびＢの要
素毎の積を表わしており、η、αは学習パラメータであ
る。上記の演算により、部分システムモデル修正部２５
−５では、部分システムモデルの荷重マトリックスの修
正を入出力データ修正部２５−３にて、入出力データ群
２５−４１〜４ｍが書き換えられる度に行い、再学習す
る。Here, A * B represents the product of each element of the matrices A and B, and η and α are learning parameters. By the above calculation, the partial system model correction unit 25
In -5, the load matrix of the partial system model is corrected by the input / output data correction unit 25-3 each time the input / output data group 25-41 to 4m is rewritten, and relearning is performed.

【００７３】次に、図９および図１０により、推論結果
評価部２４の詳細な構成とその制御パラメータαの最適
化設定および確かさ修正動作について説明する。図９に
示すように、推論結果評価部２４は、制御パラメータ組
み合わせ生成部２４−１と、交通需要検出部２４−２
と、推論結果評価パラメータ設定部２４−３と、推論結
果評価演算部２４−４と、制御パラメータ設定部２４−
５と、確かさ修正部２４−６とから構成されている。Next, the detailed configuration of the inference result evaluation unit 24, the optimization setting of the control parameter α, and the certainty correction operation will be described with reference to FIGS. 9 and 10. As shown in FIG. 9, the inference result evaluation unit 24 includes a control parameter combination generation unit 24-1 and a traffic demand detection unit 24-2.
An inference result evaluation parameter setting unit 24-3, an inference result evaluation operation unit 24-4, and a control parameter setting unit 24-
5 and a certainty correction unit 24-6.

【００７４】前述のように、学習制御部１−１の推論部
２１、部分モデル部２２、合成部２３により、各ビル毎
の任意の交通需要に対して、制御パラメータと群管理制
御応答推論結果との関係を構成し、（１）式によって群
管理制御応答結果ｙを連想により推定することができ
る。As described above, the inference unit 21, the partial model unit 22 and the synthesizing unit 23 of the learning control unit 1-1 respond to the arbitrary traffic demand of each building with the control parameters and the group management control response inference result. And the group management control response result y can be estimated by association with Equation (1).

【００７５】そこで、推論結果評価部２４では、群管理
制御応答結果ｙを、各ビル用途、客先ニーズに応じて、
各ビルに合った「最適」の基準に対して、制御パラメー
タの最適値設定を行う。Therefore, the inference result evaluation unit 24 determines the group management control response result y according to each building application and customer needs.
Optimal control parameter values are set based on the "optimal" criteria that suit each building.

【００７６】そのために、推論結果評価部２４は、所定
の時間帯において交通需要を検出して所定値を超えてい
た時に、前記需要を推論部２１に出力すると共に、あら
かじめ各ビル毎の用途、客先ニーズにより設定された推
論結果評価パラメータに対して、現時間帯での推論結果
評価パラメータの選定を行う。Therefore, the inference result evaluation unit 24 detects the traffic demand in a predetermined time zone and, when the traffic demand exceeds a predetermined value, outputs the demand to the inference unit 21 and also preliminarily uses each building. The inference result evaluation parameter in the current time zone is selected with respect to the inference result evaluation parameter set according to customer needs.

【００７７】ここで、推論結果評価パラメータとは、群
管理制御応答結果ｙを評価するためのパラメータテーブ
ルであり、各ビル毎に交通需要別に設定されるものであ
る。また、群管理制御応答結果ｙは、群管理制御性能を
表わす指標であり、前述のように、ホール呼び応答時間
の発生率、平均乗合率、平均サービス時間といった評価
基準データである。Here, the inference result evaluation parameter is a parameter table for evaluating the group management control response result y, and is set for each building for each traffic demand. The group management control response result y is an index indicating the group management control performance, and is the evaluation reference data such as the hall call response time occurrence rate, the average multiplication rate, and the average service time as described above.

【００７８】群管理制御性能を評価する場合、上記評価
基準データをベースとして評価を行うが、一般には、上
記評価基準データに対する重み付けは、ビル用途、客先
ニーズ、交通需要によって異なり、例えば一般事務所ビ
ルでは、ホール呼び応答時間、平均サービス時間といっ
た項目の比重が高く、またホテルでは、逆に平均乗合率
を低くするといった項目の比重が高い。同様に、同一用
途のビルでも、時間帯や客先仕様により項目の比重が変
わる。そのため、推論結果評価パラメータは、各ビル毎
の用途に合わせて、交通需要、時間帯を配列要素とし
て、群管理制御応答結果ｙの各指標を評価する重み付け
値として構成する。When the group management control performance is evaluated, the evaluation is performed based on the evaluation standard data. Generally, the weighting for the evaluation standard data differs depending on the building application, customer needs, traffic demand, and for example, general office work. At Tokoro Building, items such as hall call response time and average service time are heavily weighted, and at hotels, on the contrary, items such as low average multiplication rate are heavily weighted. Similarly, even in buildings of the same use, the specific gravity of the items changes depending on the time zone and customer specifications. Therefore, the inference result evaluation parameter is configured as a weighting value for evaluating each index of the group management control response result y with the traffic demand and the time zone as array elements according to the use of each building.

【００７９】このようにして、所定の交通需要Ｃにより
選定された推論結果評価パラメータβは、推論結果評価
演算部２４−２に送出され、ここで合成部２３より出力
されてくる群管理制御応答結果ｙを評価し、その評価結
果である性能評価値ＰＥは制御パラメータ設定部２４−
５に送り出され、最適な制御パラメータα₀ が設定され
る。The inference result evaluation parameter β selected by the predetermined traffic demand C in this manner is sent to the inference result evaluation operation unit 24-2, where the group management control response is output from the combining unit 23. The result y is evaluated, and the performance evaluation value PE which is the evaluation result is the control parameter setting unit 24-
5, the optimum control parameter α ₀ is set.

【００８０】この推論結果評価部２４の動作について、
図１０に示すフローチャートを基に詳しく説明する。ま
ず、交通需要検出部２４−２において、現時間帯の交通
需要パラメータＣを算出する（ステップＳ１）。次に、
需要Ｃが所定値Ｃ_lim を超えているかを判別し（ステッ
プＳ２）、超えているときには、制御パラメータ組み合
わせ生成部２４−１において、制御パラメータαをその
取り得る範囲内で微小変化量Δαずつ変化させ、それぞ
れのαに対して有限個の組み合わせＰ_max を定める（ス
テップＳ３、Ｓ４）。超えていないときには、処理を抜
ける。Regarding the operation of the inference result evaluation unit 24,
A detailed description will be given based on the flowchart shown in FIG. First, the traffic demand detection unit 24-2 calculates the traffic demand parameter C in the current time zone (step S1). next,
It is determined whether or not the demand C exceeds a predetermined value C _lim (step S2). When the demand C exceeds the predetermined value C _lim , the control parameter combination generation unit 24-1 changes the control parameter α by a minute change amount Δα within the possible range. Then, a finite number of combinations P _max are determined for each α (steps S3 and S4). If it does not exceed, the process is exited.

【００８１】次に、この組み合わせＰに対する各制御パ
ラメータＰ（α_1P、α_2P、…、α_iP）に対して、交通需
要検出部２４−２による現時間帯の交通需要パラメータ
Ｃと共に入力ｕ（＝（Ｃ、α） ）を形成し、推論部２
１、部分モデル部２２に入力し、結果として合成部２３
を介して群管理制御応答推論結果ｙ_P を得る（ステップ
Ｓ５）。Next, for each control parameter P (α _1P , α _2P , ..., α _iP ) for this combination P, the traffic demand detection unit 24-2 inputs the traffic demand parameter C in the current time zone u ( = (C, α)), and the inference unit 2
1. Input to the partial model unit 22, and as a result, the combining unit 23
The group management control response inference result y _P is obtained via (step S5).

【００８２】この推論結果ｙ_P に基づいて、群管理制御
性能評価を示す目的関数として性能評価値ＰＥを数式モ
デルとしてモデル化し、性能評価を数値化する（ステッ
プＳ６）。制御パラメータ組み合わせＰに対する評価値
をＰＥ_P として推論結果を評価すると、次のようにな
る。Based on this inference result y _P , the performance evaluation value PE is modeled as a mathematical model as an objective function indicating the group management control performance evaluation, and the performance evaluation is digitized (step S6). The evaluation result for the control parameter combination P is PE _P , and the inference result is evaluated as follows.

【００８３】[0083]

【数３】 (Equation 3)

【００８４】ここで、β（＝（β₁ 、β₂ 、…、β
_n ））は推論結果評価パラメータであり、各ビル用途、
客先仕様に応じて、交通需要、時間帯毎にあらかじめ設
定されたデータ配列である。Here, β (= (β ₁ , β ₂ , ..., β
_n )) is an inference result evaluation parameter,
It is a data array that is set in advance for each traffic demand and time zone according to customer specifications.

【００８５】全ての組み合わせＰに対して、性能評価値
ＰＥ_P ：（Ｐ＝０〜Ｐ_max ）が演算されたところで（ス
テップＳ７）、このＰＥ_P が最小となる組み合わせＰを
Ｐ₀とし、この組み合わせＰ₀ に対応する制御パラメー
タＰ₀ （α_1P0 、α_2P0 、…、α_iP0 ）を最適制御パラ
メータに設定し、群管理制御部１に対して送信する（ス
テップＳ８）。When the performance evaluation value PE _P : (P = 0 to P _max ) is calculated for all the combinations P (step S7), the combination P having the smallest PE _P is set to P _0, and The control parameter P ₀ (α _1P0 , α _2P0 , ..., α _iP0 ) corresponding to the combination P ₀ is set as the optimum control parameter and transmitted to the group management control unit 1 (step S8).

【００８６】以上に詳述したように、本実施例のエレベ
ータの群管理制御装置においては、システム稼働状態に
合わせて、従来の学習開始を保守員が日数を決めて行っ
ていたものを、ニューラルネットの入力となる交通需要
が所定値を超えたときを条件として、自動的に開始する
ようにできるため、省力化が図れると共に定常状態とな
った交通需要に応じた最適な制御パラメータの選定がで
き、正常な教師データのみによってオンライン学習が可
能となる。As described above in detail, in the elevator group supervisory control apparatus of this embodiment, the conventional learning start is performed by the maintenance staff by deciding the number of days according to the system operating state. It can be automatically started on condition that the traffic demand, which is input to the net, exceeds a predetermined value, so it is possible to save labor and select the optimal control parameters according to the steady traffic demand. Yes, online learning is possible only with normal teacher data.

【００８７】＜第２実施例＞第１実施例では、実使用状
態にて得られた結果データを教師データとして抽出した
り、ニューラルネットの学習機能を開始する条件を交通
需要が所定値を超えた場合としていた。<Second Embodiment> In the first embodiment, the traffic demand exceeds a predetermined value as a condition for extracting the result data obtained in the actual use state as teacher data or starting the learning function of the neural network. If you had

【００８８】第２実施例では、実使用状態にて得られた
結果データを教師データとして抽出したり、ニューラル
ネットの学習機能を開始する条件を過去の交通需要と現
在の交通需要の差が所定値を超えた場合としたものであ
る。その他の教師データの抽出処理、ニューラルネット
の学習処理などは第１実施例と同等であるので、ここで
は、推論結果評価部２４の処理動作について図１２のフ
ローチャートを基に説明する。In the second embodiment, the result data obtained in the actual use state is extracted as teacher data, and the condition for starting the learning function of the neural network is set such that the difference between the past traffic demand and the current traffic demand is predetermined. This is the case when the value is exceeded. Since the other teacher data extraction processing, neural network learning processing, etc. are the same as in the first embodiment, the processing operation of the inference result evaluation unit 24 will be described here with reference to the flowchart of FIG.

【００８９】まず、交通需要検出部２４−２において、
現時間帯の交通需要パラメータＣを算出する（ステップ
Ｓ１１）。次に過去の同一時間帯の交通需要パラメータ
Ｃ´と現時間帯の交通需要パラメータＣとの差が所定値
Ｃ_lim 以下か否かを判別し（ステップＳ１２）、以下で
あるときには制御パラメータ組合せ生成部２４−１にお
いて、制御パラメータαをその取り得る範囲内で微小変
化量Δαずつ変化させ、それぞれのαに対して有限個の
組み合わせＰ_max を定める（ステップＳ１３、Ｓ１
４）。超えているときには、処理を抜ける。ステップＳ
１４以降の処理の内容は第１実施例と同様であるため説
明は割愛する。First, in the traffic demand detecting section 24-2,
The traffic demand parameter C in the current time zone is calculated (step S11). Next, it is determined whether or not the difference between the traffic demand parameter C ′ in the same time zone in the past and the traffic demand parameter C in the current time zone is less than or equal to a predetermined value C _lim (step S12). In the unit 24-1, the control parameter α is changed by a minute change amount Δα within the range that can be taken, and a finite number of combinations P _max is determined for each α (steps S13 and S1).
4). If it is over, exit the process. Step S
Since the contents of the processing after 14 are the same as those in the first embodiment, the description will be omitted.

【００９０】以上のように第２実施例の実使用状態にて
得られた結果データからの教師データの抽出、ニューラ
ルネットの学習機能処理において、現在の交通需要と過
去の交通需要の差が所定値以下であること、すなわち時
間帯やビル固有の交通需要が定常となった状態にて処理
を開始するため、適切な制御パラメータの選定とより正
常な教師データによるオンライン学習が可能である。As described above, in the extraction of teacher data from the result data obtained in the actual use state of the second embodiment and the learning function processing of the neural network, the difference between the current traffic demand and the past traffic demand is predetermined. Since the processing is started when the value is less than the value, that is, when the traffic demand peculiar to the time period and the building becomes steady, it is possible to select appropriate control parameters and perform online learning with more normal teacher data.

【００９１】第１、第２実施例では、ニューラルネット
の入力となる交通需要の状態で教師データの抽出および
ニューラルネットの学習を開始する方法について説明し
たが、第３実施例では、ニューラルネットの出力の累積
値にてニューラルネットの再学習を開始する方法を、第
４実施例では教師データの個数によってニューラルネッ
トの再学習を開始する方法について詳述する。In the first and second embodiments, the method of starting the extraction of the teacher data and the learning of the neural network in the traffic demand state which is the input of the neural network has been described. In the fourth embodiment, a method of starting retraining of the neural network with the cumulative value of the output will be described in detail in accordance with the number of teacher data.

【００９２】＜第３実施例＞第３実施例ではシステム調
整部２５にてニューラルネットの出力の累積からニュー
ラルネットの再学習を行っており、他の部分の処理は第
１実施例と同様であるため、再学習を行う過程を図１３
に示すフローチャートを基に説明する。<Third Embodiment> In the third embodiment, the system adjusting unit 25 re-learns the neural network from the accumulation of the outputs of the neural network, and the other processing is the same as in the first embodiment. Therefore, the process of re-learning is shown in FIG.
It will be described based on the flowchart shown in FIG.

【００９３】差異検出部２５−１には、ある時間帯の交
通需要における部分システムモデル２２−ｉへの活性度
ａｉが入力され、その度に活性度ａｉを順次累積する
（ステップＳ２１、Ｓ２２）。次に活性度の累積値Ａｉ
が所定値Ａ_lim を超えているか否かをチェックし（ステ
ップＳ２３）、超えている場合には入出力データ修正部
２５−３に群管理制御推論結果ｙと群管理制御部１から
の応答結果の差異を出力すると共に部分システムモデル
２２−ｉを入出力データｉに基づいて再学習するように
部分システムモデル修正部２５−５に対して指令を出力
する（ステップＳ２４）。To the difference detecting section 25-1, the activity ai for the partial system model 22-i in the traffic demand in a certain time zone is input, and the activity ai is sequentially accumulated each time (steps S21 and S22). . Next, the cumulative value of activity Ai
There is checked whether it exceeds a predetermined value A _lim (step S23), the response result from the group management control inference result y and the group management control unit 1 to the input-output data correction unit 25-3 if it exceeds And outputs a command to the partial system model correction unit 25-5 to relearn the partial system model 22-i based on the input / output data i (step S24).

【００９４】以上のように第３実施例のニューラルネッ
トの再学習処理において、推論部２１からの出力である
活性度ａの累積値が所定値を超えたことを開始条件とす
ることで、適度な頻度にてニューラルネットの更新が可
能となり、より適切な制御パラメータの選定が可能とな
る。As described above, in the re-learning process of the neural network of the third embodiment, the start condition is that the cumulative value of the activity a as the output from the inference unit 21 exceeds the predetermined value. The neural network can be updated at any frequency, and more appropriate control parameters can be selected.

【００９５】＜第４実施例＞第４実施例ではシステム調
整部２５にて教師データの個数のカウントからニューラ
ルネットの再学習を行っており、他の部分の処理は第１
実施例と同様であるため、再学習を行う過程を図１４に
示すフローチャートを基に説明する。<Fourth Embodiment> In the fourth embodiment, the system adjusting unit 25 re-learns the neural network from the count of the number of teacher data, and the other processes are the first.
Since it is similar to the embodiment, the process of re-learning will be described based on the flowchart shown in FIG.

【００９６】入出力データ修正部２５−３にて入出力デ
ータ群２５−４１〜４ｉが書き換えられる度に、入出力
データ１〜ｍでは自己が持つ入出力データ数をカウント
し（ステップＳ３１）、カウントＣｉが所定値Ｃ_lim を
超えたとき部分システムモデル２２−ｉを入出力データ
ｉに基づいて再学習するように部分システムモデル修正
部２５−５に対して指令を出力する（ステップＳ３２、
Ｓ３３）。Each time the input / output data correction unit 25-3 rewrites the input / output data groups 25-41 to 4i, the number of input / output data held by itself is counted in the input / output data 1 to m (step S31). When the count Ci exceeds the predetermined value C _lim , a command is output to the partial system model correction unit 25-5 to relearn the partial system model 22-i based on the input / output data i (step S32,
S33).

【００９７】以上のように第４実施例のニューラルネッ
トの再学習処理において、ニューラルネットの教師デー
タの個数が所定値を超えたことを開始条件とすること
で、常に決まった有効個数の教師データによる再学習が
可能となり、より適切な制御パラメータの選定が可能と
なる。As described above, in the re-learning process of the neural network of the fourth embodiment, the start condition is that the number of the training data of the neural network exceeds the predetermined value, so that the effective number of the training data is always fixed. It is possible to re-learn by using, and more appropriate control parameters can be selected.

【００９８】[0098]

【発明の効果】本発明のエレベータの群管理制御装置に
よれば、自動的に教師データに抽出またはニューラルネ
ットの学習機能が開始できるため省力化が図れ、また、
定常状態となった交通需要にて教師データの抽出または
ニューラルネットの学習機能を開始するため、最適な制
御パラメータの選定が可能となり、更にニューラルネッ
トの再学習を適度に行うことによって、ビル固有の交通
需要変動に対してもより最適な制御パラメータの選定が
可能となる。According to the elevator group management control device of the present invention, labor can be saved because the learning function of the neural network can be automatically extracted or the learning function can be started.
The extraction of teacher data or the learning function of the neural network is started when the traffic demand becomes a steady state, so it becomes possible to select the optimum control parameters. Furthermore, by retraining the neural network appropriately, the building-specific It is possible to select more optimal control parameters even for changes in traffic demand.

【図面の簡単な説明】[Brief description of drawings]

【図１】本発明によるエレベータの群管理制御装置の第
１の実施例を示すブロック図。FIG. 1 is a block diagram showing a first embodiment of an elevator group management control device according to the present invention.

【図２】図１における群管理制御部および単体制御部の
ソフトウェアシステムの構成例を示すブロック図。FIG. 2 is a block diagram showing a configuration example of a software system of a group management control unit and a single unit control unit in FIG.

【図３】図１における高速伝送路のシステム構成例を示
すブロック図。3 is a block diagram showing a system configuration example of a high-speed transmission line in FIG.

【図４】図１における学習制御部の入出力信号の流れを
示す機能ブロック図。FIG. 4 is a functional block diagram showing the flow of input / output signals of the learning control unit in FIG.

【図５】図１における学習制御部のシステム構成例を示
すブロック図。5 is a block diagram showing a system configuration example of a learning control unit in FIG.

【図６】図１の推論部のシステム構成例を示すブロック
図。6 is a block diagram showing a system configuration example of an inference unit in FIG.

【図７】図５の部分モデル部のシステム構成例を示すブ
ロック図。7 is a block diagram showing a system configuration example of a partial model unit in FIG.

【図８】図５の部分モデル部の各部分システムモデルの
構成例を示す概要図。8 is a schematic diagram showing a configuration example of each partial system model of the partial model section in FIG.

【図９】図５の推論結果評価部のシステム構成例を示す
ブロック図。9 is a block diagram showing a system configuration example of an inference result evaluation unit in FIG.

【図１０】図５の推論結果評価部の動作を説明するため
のフローチャート。10 is a flowchart for explaining the operation of the inference result evaluation unit in FIG.

【図１１】図５のシステム調整部のシステム構成例を示
すブロック図。11 is a block diagram showing a system configuration example of a system adjustment unit in FIG.

【図１２】図５の推論結果評価部の動作を説明するため
のフローチヤート。12 is a flow chart for explaining the operation of the inference result evaluation unit in FIG.

【図１３】ニューラルネットの再学習を説明するための
フローチャート。FIG. 13 is a flowchart for explaining re-learning of a neural network.

【図１４】ニューラルネットの再学習を説明するための
フローチャート。FIG. 14 is a flowchart for explaining re-learning of a neural network.

【符号の説明】[Explanation of symbols]

１ …群管理制御部、 １−１ … 学習
制御部、２ … エレベータ群システム、 ２−１
〜２−Ｎ … 単体制御部、３ … ホール呼びボタ
ン、 ４ … ホール呼び入出力制御部、５
… 監視盤、 ６ … 高速伝送
路、７ … 低速伝送路、 ２１ …
推論部、２２ … 部分モデル部、 ２３
… 合成部、２４ … 推論結果評価部、 ２
５ …システム調整部。DESCRIPTION OF SYMBOLS 1 ... Group management control part, 1-1 ... Learning control part, 2 ... Elevator group system, 2-1
~ 2-N ... Single control unit, 3 ... Hall call button, 4 ... Hall call input / output control unit, 5
... Monitoring board, 6 ... High-speed transmission line, 7 ... Low-speed transmission line, 21 ...
Inference part, 22 ... Partial model part, 23
... Synthesis part, 24 ... Inference result evaluation part, 2
5 ... System adjustment unit.

Claims (4)

【特許請求の範囲】[Claims] 【請求項１】 複数の階床に対して複数台のエレベータ
を就役させ、発生した共通のホール呼びに対して所定の
評価演算により最適な号機を割当てるにあたり、少なく
とも交通需要を入力としたニューラルネットの学習機能
を割当制御に応用し、ビル稼働後の実使用状態に応じて
前記ニューラルネットの結合状態を修正するものを含む
エレベータの群管理制御装置において、 実使用状態にて得られた結果データを教師データとして
抽出する手段と、 前記教師データにより前記ニューラルネットの再学習を
行う手段と、 前記結果データの一部である交通需要が所定値を超えた
ときに教師データの抽出または前記ニューラルネットの
学習機能を開始する手段とを備えてなるエレベータの群
管理制御装置。1. A neural network in which at least traffic demand is input when a plurality of elevators are activated for a plurality of floors and a common hall call generated is assigned an optimum number by a predetermined evaluation calculation. The result data obtained in the actual use state in the elevator group supervisory control device including the one in which the learning function of is applied to the allocation control and the connection state of the neural network is corrected according to the actual use state after the building is operated. As teacher data, means for re-learning the neural network with the teacher data, extraction of the teacher data when the traffic demand that is a part of the result data exceeds a predetermined value, or the neural network And a means for starting the learning function of the elevator. 【請求項２】 複数の階床に対して複数台のエレベータ
を就役させ、発生した共通のホール呼びに対して所定の
評価演算により最適な号機を割当てるにあたり、少なく
とも交通需要を入力としたニューラルネットの学習機能
を割当制御に応用し、ビル稼働後の実使用状態に応じて
前記ニューラルネットの結合状態を修正するものを含む
エレベータの群管理制御装置において、 実使用状態にて得られた結果データを教師データとして
抽出する手段と、 前記教師データにより前記ニューラルネットの再学習を
行う手段と、 収集した前記結果データの一部である交通需要の過去と
現在との差が所定値を超えたときに教師データの抽出ま
たは前記ニューラルネットの学習機能を開始する手段と
を備えてなるエレベータの群管理制御装置。2. A neural network in which at least traffic demand is input when allocating an optimum number of elevators to a plurality of floors by activating a plurality of elevators and performing a predetermined evaluation calculation for a common hall call that has occurred. The result data obtained in the actual use state in the elevator group supervisory control device including the one in which the learning function of is applied to the allocation control and the connection state of the neural network is corrected according to the actual use state after the building is operated. When the difference between the past and the present of the traffic demand, which is a part of the collected result data, exceeds a predetermined value. An elevator group supervisory control device comprising: means for extracting teacher data or starting a learning function of the neural network. 【請求項３】 複数の階床に対して複数台のエレベータ
を就役させ、発生した共通のホール呼びに対して所定の
評価演算により最適な号機を割当てるにあたり、少なく
とも交通需要を入力としたニューラルネットの学習機能
を割当制御に応用し、ビル稼働後の実使用状態に応じて
前記ニューラルネットの結合状態を修正するものを含む
エレベータの群管理制御装置において、 実使用状態にて得られた結果データを教師データとして
抽出する手段と、 前記教師データにより前記ニューラルネットの再学習を
行う手段と、 前記ニューラルネットの出力の累積値が所定値を超えた
ときに前記再学習を開始する手段とを備えてなるエレベ
ータの群管理制御装置。3. A neural network in which at least traffic demand is input when allocating an optimum number of elevators to a plurality of floors by activating a plurality of elevators and performing a predetermined evaluation calculation for common hall calls that have occurred. The result data obtained in the actual use state in the elevator group supervisory control device including the one in which the learning function of is applied to the allocation control and the connection state of the neural network is corrected according to the actual use state after the building is operated. Is extracted as teacher data, means for re-learning the neural network with the teacher data, and means for starting the re-learning when the cumulative value of the output of the neural network exceeds a predetermined value. Elevator group management control device. 【請求項４】 複数の階床に対して複数台のエレベータ
を就役させ、発生した共通のホール呼びに対して所定の
評価演算により最適な号機を割当てるにあたり、少なく
とも交通需要を入力としたニューラルネットの学習機能
を割当制御に応用し、ビル稼働後の実使用状態に応じて
前記ニューラルネットの結合状態を修正するものを含む
エレベータの群管理制御装置において、 実使用状態にて得られた結果データを教師データとして
抽出する手段と、 前記教師データにより前記ニューラルネットの再学習を
行う手段と、 教師データの個数が所定値を超えたときに前記再学習を
開始する手段とを備えてなるエレベータの群管理制御装
置。4. A neural network in which at least traffic demand is input when assigning an optimum number of elevators to a plurality of floors by activating a plurality of elevators and performing a predetermined evaluation calculation for a common hall call that has occurred. The result data obtained in the actual use state in the elevator group supervisory control device including the one in which the learning function of is applied to the allocation control and the connection state of the neural network is corrected according to the actual use state after the building is operated. Of the elevator as a teacher data, a means for re-learning the neural network with the teacher data, and a means for starting the re-learning when the number of teacher data exceeds a predetermined value. Group management control device.