JPH0853271A - エレベータの群管理制御装置 - Google Patents

Abstract

(57)【要約】 【目的】省力化が図れ、最適な制御パラメータの選定が
可能となり、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装置を得る。 【構成】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み、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、前記教師データにより前記ニューラルネットの再学
習を行い、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ように構成したエレベー
タの群管理制御装置。

Description

【発明の詳細な説明】

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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、

【００３８】

【数１】 と表現される。

【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。

【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。

【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。

【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。

【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。

【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。

【００４５】

【数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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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）。

【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。

【００８３】

【数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。

【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）。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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）。

【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。

【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。

【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）。

【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。

【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。

【図面の簡単な説明】

【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。

【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。

【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。

【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。

【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。

【図６】図１の推論部のシステム構成例を示すブロック
図。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【符号の説明】

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。

Claims (4)

【特許請求の範囲】
1. 【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。
2. 【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。
3. 【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。
4. 【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。