智能楼宇中电梯群地控制研究及优化

《智能楼宇中电梯群地控制研究及优化》由会员分享，可在线阅读，更多相关《智能楼宇中电梯群地控制研究及优化（37页珍藏版）》请在装配图网上搜索。

1、word某某大学本科学生毕业设计论文智能楼宇中电梯群的控制研究与优化学 生：赵科学 号：20095154指导教师：杨欣专 业：自动化某某大学自动化学院二0一三年六月Graduation Design(Thesis) of Chongqing UniversityIntelligent buildings Elevator Group Control Research and OptimizationUndergraduate: Zhao KeSupervisor: Yang XinMajor: AutomationSchool of AutomationChongqing University

2、June 201330 / 37摘 要随着社会的快速开展和建造技术的不断提高，城市中的高层建筑和智能化建筑越来越多。而电梯做为最重要的垂直交通运输工具，其作用愈加突出，也得到了极大的重视。为了缩短人们的候梯时间、乘梯时间，并降低能源消耗，就需要使用电梯群控系统EGCS对多台电梯进展统一调度控制。本文首先简要介绍电梯群控系统的根本概念以与国内外的研究现状，并阐述电梯群控系统的结构设计思想，确定大概的研究方向。结构设计主要包含两个方面，即电梯交通模式识别模块和派梯决策模块。交通模式识别用模糊神经网络实现，经过推理计算，得出各种交通流所占的比例，以确定当前的主要交通模式。在此根底上，建立综合评价函数

3、，通过模糊逻辑推理，并根据专家经验分配评价函数的权值，以函数值最大的电梯去响应呼梯信号，完成派梯决策。在计算过程中，主要用到了Matlab中的神经网络工具箱和模糊控制工具箱，大大简化了计算。在文章的最后，运用Matlab对系统进展仿真，并对结果进展分析，以验证电梯群控系统性能的优越性。关键词：电梯群控系统，模糊神经网络，交通模式识别，模糊逻辑ABSTRACTWith the rapid development of society and build technology unceasing enhancement,more and more high buildings and intell

4、igent buildings in the city.But the elevator as one of the most important vertical transportation tools, its increasingly prominent role, also received great attention.In order to cutdown waiting time, reduce energy using, we need put many elevators together andcontrol them together in reason, and t

5、his optimization dispatch systems to all theelevators name elevator group control systems (EGCS).This paper first introduces the basic elevator group control system concepts and research status, and explains the structure of elevator group control system design, determine the approximate research di

6、rections.Structural design mainly includes two aspects, namely, elevator traffic pattern recognition module and dispatching decision module.Traffic Pattern recognition with fuzzy neural network to achieve, to calculate the proportion of various traffic flows to determine the current mode of transpor

7、t. On this basis, the establishment of a prehensive evaluation function, by the fuzzy logic reasoning, and the evaluation function based on expert experience the weight assigned to the maximum value of the function call the elevator to respond to the signal, to plete dispatching decisions.In the cal

8、culation process, mainly used in Matlab neural network toolbox and fuzzy control toolbox, which greatly simplifies the calculations.In the last article, the use of Matlab , the simulation of the system, and the results were analyzed to verify the performance of elevator group control system superior

9、ity.Key Words: elevatorgroupcontrolsystems,fuzzyneuralnetwork, trafficpattern recognition, fuzzy logic目录中文摘要IABSTRACTII1绪论1112342分析研究对象556673电梯交通模式识别8899123.2.3 用模糊神经网络来识别交通模式12134群控算法设计141414151617195仿真结果与分析20202222256总结与展望26致谢28参考文献291 绪论随着城市建设事业的飞速开展，高层建筑的出现和建筑面积的不断扩大，电梯的使用变得尤为重要，人们对电梯的服务质量也提出了越来

10、越高的要求。单台电梯往往已经不能满足建筑物内的交通需求，许多摩天大楼需要几台，甚至几十台、几百台电梯来服务。然而，多台电梯如果仅仅是并列的各自独立操作，不仅会造成过多的空载和不必要的启停次数，使得乘客的候梯时间和乘梯时间过长，降低服务质量，而且还会带来诸如环境污染、能源浪费、运营效率低下等问题。为了更好的完成大楼内的运输任务、缩短人们的候/乘梯时间以与减少能量的损耗，合理调度多台电梯的运行，实现多台电梯的群控，就变得非常必要了。因此，出现了电梯群控系统(Elevator Group Control System，EGCS)，并且获得了迅猛的开展，已经被广泛应用于各种建筑物中。所谓电梯群控系统是

11、指：综合考虑大楼内的交通模式、各时刻的交通流量、各楼层的乘客轿内、外呼梯信号等因素，对一栋楼宇里布置在一起的多台电梯进展统一调度，每个楼层的召唤信号集中由群控主机来控制，采用某种电梯群控算法去调度电梯运行。1.2 群控系统的开展与研究现状电梯群控系统的开展可分为三个阶段1：第l阶段：1949年-1971年，采用继电器顺序控制2，控制方式是时间间隔控制方式和分区控制方式。时间间隔控制，即电梯群控系统根据不同的交通模式以适当的时间间隔从端站发出轿厢，就像公共汽车一样运行，而不依赖于层站的呼梯信号而工作。这种方式可适当解决顶峰期间梯群中的各个轿厢沿井道均布的问题。缺点是：轿厢花费太多的时间在端站候梯

12、等待分配间隔周期，轿厢在端站等候也常常是无用的，且轿厢频繁地在端站楼层无目的地运行也不利于节能。分区控制方式是将电梯群进展分区，使其服务于不同的楼层区域，以达到减少电梯停层和电梯运行时间的目的。由于动态分区的算法比拟复杂，主要还是以静态分区为主。这种群控系统存在线路复杂、可靠性低、故障率高等缺点。第2阶段: 1971年-1975年，采用硬件为集成电路、调度方式为候梯时间的控制方式。当有呼叫信号时，群控系统可以根据交通情况以与各轿厢的状态进展一些逻辑计算，选择适宜的电梯响应服务。使用集成电路，简化了硬件的复杂性，提高了系统的可靠性，是电梯群智能控制的重要根底。但是这一系统对于预测候梯时间所必须的

13、较复杂的数值计算还不完善。第3阶段：1975年至今，计算机广泛应用于电梯群控系统，标志着现代电梯群控阶段的开始。电梯群控系统利用计算机将原来常用的控制算法通过计算机软件程序来实现。由于必然受到算法固有逻辑关系的限制，因此不是最优的方法。呼梯分配系统中增加了综合评价系统，采用了包括候梯时间、乘梯时间、长候梯率与预测误差率等多因素作为评价指标，并参加了对交通系统需求的学习功能，克制了系统对于时变的交通量适应性差等缺点。1988年，人工智能技术开始应用到电梯群控系统中，开展到现在包括：专家系统技术、模糊逻辑技术、神经网络技术、模糊神经网络技术、进化算法(如遗传算法、免疫算法)等技术，使得电梯群控系统

14、的智能化程度进一步提高，系统更加完善，但仍在进一步开展之中。在我国，从90年代开始陆续有学者和专家开始研究电梯群控系统，这相对国外来说起步是比拟晚的。目前，国内一些高校与科研机构也开始参加到对群控系统的研究中，并且取得了一些有理论价值的成果，但仅仅只有理论成果是不够的。当前我国还不能制造出具有自主知识产权的电梯产品，主要还是靠引进国外的产品，如何消化吸收国外的相关成果并在此根底上进展创新形成自己的特色是此后一段时间我国对电梯群控系统研究的主要方向。1.3 多种控制方案的分析比拟目前，国内外广泛采用的控制策略主要包括模糊控制、专家系统、神经网络、遗传算法等人工智能技术。每一种控制策略各有其优点，

15、但受制于本钱等因素，又各有其局限性3：(1) 专家系统是一个或多个专家知识和经验积累起来进展推理和判断的系统，是由知识库、数据库、推理机、解释局部与知识获取局部组成，形成一定的控制规如此存入知识库中，它可以解决许多不能完全用数学作准确描述而要靠经验解决的问题。根据当前输入的数据或信息，利用知识库的知识，按一定的推理策略控制派梯。但对于复杂多变的电梯系统，专家系统有它的不足之处：它主要适用于一些相比照拟简单的、楼层比拟低的建筑物；专家设想的条件要与实际建筑物根本一样，才能获得预期的效果；对于复杂多变的电梯系统，专家的知识和经验存在局限性等；控制规如此数受限制，规如此数多如此显得复杂，难以控制；少

16、如此控制性能下降。(2) 神经网络是依据人类和动物大脑的工作方式建模的，具有并行处理、分布储存、自学习、自组织功能。神经网络学习的主要优势在于它可以通过调整网络连接权来得到近似最优的输入输出映射，适应于难以建模的非线性动态系统，它能识别交通流，当交通流发生变化时，电梯交通配置能随之变动。神经网络还具有自学能力，能改良控制算法并对制定的规如此加以修改，利用非线性和学习方法建立适合的模型进展推理，对电梯交通进展预测，能灵活应付建筑物中变化的交通流，校正误差。但它也有自己的缺点，单纯的神经网络就会使其结构相当庞大，网络的离线学习或者在线学习的时间都会较长，而且也使控制器收敛性能下降，更主要的是结构的

17、合理性也难以验证。(3基于遗传算法的控制算法抽象于生物的进化过程，是通过全面模拟自然选择和遗传机制，而提出的一种自适应概率性的搜索和优化算法。它采用多点的方式并行搜索解空间，能获得最优全局解而不会陷入局部极小，对优化问题的限制很少，不需要确切的系统知识，只要给出一个能评价解的目标函数，可实现在多目标要求下动态优化派梯方案。在有多个呼梯的情况下可搜索到最优派梯方案，实现多目标最优调度；搜索中依靠适应度函数值的大小来区分每个个体的优劣，遗传算法优于传统的最小候梯时间算法。遗传算法的缺点有：遗传算法本身所具有的随机性和概率性，使它的搜索进程效率不高；其优良的搜索结果是以尽可能长的搜索时间为代价的。4

18、基于多目标的模糊控制技术在电梯控制系统中的应用显示了高度的优越性。电梯系统中含有许多模糊、不完整的信息，这些模糊信息通过模糊集来描述。计算机不能承受模糊的回答，但却能用模糊逻辑来推理，它能模仿人脑的推理能力，简化许多复杂问题。模糊控制方法优点明显：它完全是在操作人员控制经验根底上实现对系统的控制，无需建立数学模型，是解决不确定性系统的一种有效途径4；模糊控制具有较强的鲁棒性，被控对象参数的变化对模糊控制的影响不明显，可用于非线性时变时滞系统的控制；它由离线计算得到控制查询表，提高了控制系统的实时性；控制的机理符合人们对过程控制作用的直观描述和思维逻辑；带有模糊逻辑的电梯群控系统平均候梯时间减少

19、了，大大优于常规电梯群控系统。但是纯粹的模糊控制不具备学习能力，不能根据新的情况作出适时的调整以提高系统的性能。1.4 研究内容与方法本文的主要研究内容为用模糊神经网络识别电梯交通模式以与用模糊控制实现群控电梯的调度，主要包括以下几个方面：(1) 对电梯群控系统的多目标性、不确定性等因素进展分析，着重研究电梯群控调度中需要重点考虑的几个指标，如乘客平均候梯时间，平均乘梯时间，长时间候梯率，轿厢拥挤度以与能源消耗等，建立电梯调度的综合评价函数。 (2) 将复杂的交通模式进展简单地分类，通常分为4种模式上行顶峰模式，下行顶峰模式，层间交通模式和空闲交通模式，为进展模式的推理和识别建立根底。(3)

20、根据一定时间段(一般定为5min)内交通流的具体信息，如当前的总客流量、进门厅人数、出门厅人数等，运用模糊神经网络进展推理计算，识别出各种交通模式所占的比例，再根据一定的规如此，确定当前占主导地位的交通模式，尽可能提高群控算法的性能。(4) 根据识别出的交通模式选择各指标的权重，并用采集到的输入参数值进展模糊逻辑推理，计算各指标的值，代入到综合评价函数中，选择函数值最大的电梯响应呼梯信号。1.5 本章小结本章首先介绍了电梯群控系统的研究背景、开展与国内外的一些研究现状，概述了其重要性与未来开展的方向。接着比拟了当前比拟流行的几种智能控制方案，分析了各种方案的利弊。最后，介绍了本文研究的主要内容

21、与实现的方法，为下章分析研究对象做了铺垫。2 分析研究对象2.1 电梯群控系统的结构电梯群控系统是一个非常复杂的系统，需要对数百个信号进展收发，处理。目前，电梯群控有多种实现方式，但其控制系统的根本结构大体一样。图2.1为电梯群控系统根本结构框图。由电梯群控器承受轿外呼梯信号，根据派梯策略算法的处理结果将呼梯信号分配给各单梯控制器，单梯控制器根据各电梯状态、分配的轿外呼梯信号、轿内呼梯信号等对电梯进展运行控制。电梯群控控制器是电梯群控系统的核心，负责采集轿外呼梯信号并协调控制各电梯的运行。图2.1 电梯群控系统结构图单梯控制器控制单台电梯，使其能够独立地上下运行、完成电梯的根本功能。在单梯控制

22、器中应设置适宜的电梯加速度和减速度。研究明确5，出于生理需求，电梯的加速度和减速度不能过大，而且加速度的变化率也不能超过一定X围，否如此就会导致乘客体内器官的相对移动，给人不舒适感，如果这种变化超过人体所能承受的极限，就会出现呕吐、恶心等不适症状。电梯群控器是整个电梯群的调度中心。一方面，它可以采集轿外呼梯信号，根据电梯的当前位置、电梯运行方向、轿厢负荷、客流量等各方面因素对轿外呼梯信号做出合理的分配，并将轿外呼梯信号发送给各单梯控制器。另一方面，电梯群控器接收用户指令、设置参数并根据需要增减功能，向外部输出电梯的相关信息，供用户查询与监视，本文就是针对电梯群控器进展研究的。2.2 电梯群控系

23、统的特点电梯群控系统是典型的动态离散事件系统，系统的建模、分析、优化都较为复杂，调度策略所面临的问题是基于当前的状态和历史数据找到一个派梯程序来决定什么时间、地点轿厢应运行、停止或转向。对于办公建筑主要是使乘客平均候梯时间最小，此问题难于处理的原因包括：多轿厢的协同问题，满足轿厢的运动约束、状态信息的不完整和不确定以与时变的交通量。电梯群控系统的随机性、非线性和控制目标多样性，使传统控制方法很难提高系统的性能指标。因此调度算法和评价指标对于电梯群控系统是是至关重要的。电梯群控系统是一个具有多目标因素的系统，共有30多个目标，它们之间的关系错综复杂，这就使我们在设计电梯群控系统时需要折中和综合考

24、虑各个目标。它们主要包括平均候梯时间短、长时间侯梯率低、平均乘梯时间短、系统能耗少、客流输送能力强、轿厢内拥挤度适宜等。上述的几个目标对电梯群控系统提出了不同的要求。电梯群控系统应根据客流需求状况，对这些指标进展调整。由于电梯的客流量会随时间的变化而发生变化。所以，电梯交通系统存在着很大的不确定性，主要表现为每一层站的乘客数的不确定性、乘客的目的层的不确定性、呼梯信号的产生楼层的不确定性、建筑物内存在的与环境因素有关的交通状况的变化的不确定性等6。电梯交通系统中还有很多非线性的因素，必须用智能控制技术来控制它们。2.3 电梯群控系统的性能要求电梯群控系统是对电梯群的控制和调度，电梯作为大楼内的

25、垂直交通工具，必须保障其安全性和可靠性。因此，群控系统的性能应包括以下要求7：1电梯群控系统需要完成的最核心的任务就是对电梯群的调度控制。电梯群控系统必须要能与电梯群进展通信，获取各电梯的状态信息和呼叫信息，实现对电梯群的调度，这是电梯群控系统的根底。同时，电梯群也需要接收调度电梯群控系统运算出的反响调度指令来控制电梯。因此，电梯群控系统必须要能与电梯群进展通信。2电梯群控系统对电梯群调度的目的就是要提高整个电梯群对乘客的服务质量。要提高电梯群的服务质量，首先必须对乘客的呼叫信号进展集中的管理和统一的分配。这是提高电梯群服务质量的前提。只有对电梯群进展集中、统一、合理的分配，才能更好地提高电梯

26、群的服务效率。3电梯群控系统的主要功能是实现对电梯群的合理调度。但由于电梯群中的电梯可能分布在不同的位置上，而电梯又是封闭在大楼里面，用户很难进展观测到电梯的运行调度情况。因此，电梯群控系统必须提供显示界面，对电梯群的运行调度状况 进展监测。4用户有的时候需要了解各电梯的运行状态和一些硬件参数指标。由于电梯的运行状态是在不停变化的，仅仅通过人为的观测要想同时观测所有电梯的状态，几乎是不可能的。因此，电梯群控系统必须要能满足用户的这些需求，实时显示电梯的运行状态和一些硬件参数指标。5电梯的安全问题一直被人们视为电梯运行最为重要的问题，而电梯故障是影响电梯安全运行最关键的因素，所以显示电梯的故障信

27、息、对电梯故障进展报警和记录，对于用户和维修人员来说都是至关重要的，而且电梯的历史故障记录对于日后电梯故障的诊断和电梯各部件性能的评价都有十分重要的意义。所以，为了保证电梯群控系统能够更加安全的运行，必须对电梯故障进展报警、对电梯故障进展处理后记录下来，这也是群控系统应有的一项重要功能。2.4 本章小结本章重点分析了电梯群控系统的结构、特点与性能要求。整个系统由群控器与单梯控制器2局部组成，本文只针对群控器进展研究。由于系统的非线性、多目标性与随机性，只有采用智能方法才能起到很好的控制作用，提高电梯的服务质量。最后分析了系统的性能要求，这是应用于现实生活中的前提，下一章将研究电梯交通模式的识别

28、。3 电梯交通模式识别影响电梯群控算法性能的一个重要因素是交通流，它是用电梯服务系统的乘客数、乘客出现的周期以与乘客的分布情况来描述的。在不同的交通模式下采用最适合的群控算法，可显著提高系统的性能。3.1 电梯交通模式分类一个大楼内由于各楼层的人员分布在一定时间段内相对稳定，其人员的作息有一定的规律，使得对交通流的分析不仅是可能的，而且也是十分必要的。电梯交通是由大楼内乘客数、乘客出现周期与各楼层乘客分布三局部来描述的。电梯交通具有二重性，即规律性和随机性。电梯交通具有规律性是因为大楼内人群的生活和工作中存在着周期性，而且不同时间段的交通量之间存在着一定的内在联系。电梯交通具有随机性是因为不同

29、工作日的同一时段内交通量是随机的，即每层要求服务的乘客数、乘客的起始楼层和目的楼层是随机的8。电梯交通的随机性大大增强了电梯交通分析的难度，而电梯交通的规律性使得电梯交通分析成为可能。大楼的交通模式一般可简单地分为上行顶峰、下行顶峰、平衡的层间交通和空闲交通四种。不同的模式下，乘客对电梯的要求有很大的差异，因此对交通模式的准确判别，是有效提高电梯运行水平的根底。下面分别对四种交通模式进展简单的介绍9：1上行顶峰模式当主要的(或全部的)客流是上行方向，即全部或大多数乘客从建筑物的门厅进入电梯且上行，分散到大楼的各个楼层，这种情况被定义为上行顶峰交通模式(UPPEAK TRAFFIC CONDIT

30、ION)。上行顶峰交通模式一般发生在早晨上班时刻，上班时刻带来相当大的到达率，乘客进入电梯上行到各个楼层上班。其次，强度稍小的上行顶峰发生在午间休息完毕时刻。2下行顶峰模式当主要的(或全部的)客流是下行方向，即全部或者大多数乘客是从大楼的各层乘电梯下行到门厅离开电梯，这种状况被定义为下行顶峰交通模式(DOWNPEAK TRAFFIC CONDITION)。在一定程度上说，发生在下班时刻的下行顶峰是早晨上行顶峰的反向。在午间休息开始时形成的下行顶峰强度较弱，而傍晚下班时的下行顶峰比早晨的上班顶峰更强烈，此时下行顶峰的强度比上行顶峰要强得多，持续的时间也更长。(3) 层间交通模式层间交通模式是指大

31、楼内没有主导客流，客流只在各楼层间移动，客流量比拟小。这种交通模式是一种根本的交通状况，存在于一天中的大局部时间。层间交通是由于人们在大楼内的正常工作产生的，这种模式也称为平衡的2路交通模式。4空闲交通模式空闲交通模式是指大楼的客流量非常小，一般在上班时间之前和下班时间之后以与中午休息时间比拟大，在交通顶峰期很小，正常工作时间的比例较小。这种模式下主要考虑电梯的节能。3.2 基于模糊神经网络的交通模式识别交通模式识别即根据一定时间段(一般定为5min)内的交通流的具体信息，确定此时间段中的交通模式。交通模式识别的准确性将直接影响整个系统的性能。Aebert等提出了用神经网络或模糊推理的方式进展

32、交通模式识别的方法10，但是用神经网络方法制定样本困难，而且网络训练非常耗时，易陷于局部最小；而用模糊规如此方法又无学习功能。因此，本文采用模糊推理和神经网络相结合的方法，即模糊神经网络进展交通模式识别。3.2.1 模糊神经网络的根本结构图3.1为模糊神经网络结构图。如下列图，模糊神经网络共有5层，第l层为输入层，每个节点代表一个输入变量，第2层和第4层的节点是模糊子集节点，分别用于表示输入和输出变量的隶属函数；第3层为规如此层，每个节点代表一条规如此，它与第2层和第4层节点的连接代表模糊规如此的特定组成；第5层的节点代表由网络输出的变量。对于每个神经元来说，都有一个综合函数f(*)用来组合来

33、自其他神经元的信息，并有一个激活函数a(*)来输出一个激活值。图3.1 模糊神经网络结构图现对网络的各层说明如下11：第1层 输入层，其神经元个数NN1为输入变量的个数,这一层直接把输入值传递到下一层，3.1其中是第k个输入变量的值,本层的连接权值为单位1。第2层 模糊化层，其神经元的个数NN2和输入变量个数NN1以与每个输入变量的模糊子集个数有关,如果选择每个输入变量的模糊子集个数一样,如此,每个神经元代表一个模糊子集,如果选择高斯型函数做为隶属函数,如此3.2其中和分别为第i个输入变量的第j个模糊子集隶属函数的中心和宽度,可作为本层的两组连接权值。此处i ,j和k的关系为(其中/ 表示整除

34、，% 表示取余) 3.3第3层 规如此层，其神经元的个数NN3等于规如此数,最大的规如此数为,这一层的连接用来执行模糊逻辑规如此前提条件的匹配,因此规如此节点具有“与的运算功能3.4其中表示第k个节点的第j个输入,这一层的连接权值是单位1。第4层 综合层，其神经元个数NN4等于输出变量的所有模糊子集个数，类似第2层，,其中NN5是网络输出变量个数，N5是每个输出变量的模糊子集个数，这一层的各节点执行模糊“或运算以合成有同样结果的规如此3.5其中等于和这一层第k个节点相连的输入的个数,表示第k个节点的第j个输入,这一层的权值是单位1。第5层 输出层，又称反模糊化层，其神经元个数等于输出变量的个数

35、NN5，这一层根据每个输出变量的各模糊子集隶属度求得其清晰值3.63.7其中和分别是第k个输出的第j个模糊子集隶属度函数的中心和宽度，可作为本层的2组权值。3.2.2 模糊神经网络的学习算法对于给定的输入输出训练数据集合，采用3阶段的混合学习算法调整模糊神经网络，即获取隶属度函数、抽取模糊规如此和优化调整隶属度函数。获取隶属函数阶段的主要目的是在输入和输出空间中发现隶属函数。在此阶段，首先设定每个输入与输出变量的模糊子集个数，采用自组织学习方法通过样本数据确定各个隶属函数的初始中心与宽度。采用的学习算法是自组织特征映射算法。抽取模糊规如此阶段利用上一阶段获取的输入变量和输出变量的初始隶属函数，

36、从样本中抽取模糊规如此。在此阶段采用最大匹配因子算法进展规如此的抽取12。优化隶属函数阶段采用改良的误差反传BP算法对网络进展训练，对输入、输出变量的隶属函数作进一步的优化调整13。学习的目标是使误差函数最小 ，3.8其中分别表示第个样本的期望输出向量和实际输出向量，n为样本的个数。对于每个训练数据集合,从输入节点开始,使用前向传播的方法计算网络中所有节点的激活度,然后从输出层节点开始,使用反向传播的方法计算每层的,假定是本层的可调参数,学习规如此是3.9其中是学习速率，是动量因子，表示上一次的权值变化对本次权值更新的影响程度。3.2.3 用模糊神经网络来识别交通模式对于交通模式识别，网络的输

37、入应该是反映交通模式的特征值。为使问题简单，在可能的情况下应使特征值的数量尽可能少。根据对每种交通模式定义的分析，可以确定3个特征值：总客流量x1,进门厅乘客数x2,出门厅乘客数x3。对于时间段长度的选取，一般选取5min作为交通统计和模式识别的时间间隔。根据这3个特征值，辨识出上顶峰、下顶峰、层间和空闲4种交通模式的比例，具体的输入量是 ，其中是单位时间段总客流量的最大值，即把3个特征值进展归一化后作为网络的输入。网络的输出为分别表示4种交通模式所占的比例。确定了网络的输入和输出变量，即确定了它们的输入和输出节点的个数。其他层的节点个数还和各输入和输出变量的模糊子集个数有关，这些参数并非一开

38、始就必须确定下来，可以取几组参数分别进展训练，选取性能较好的一组。在将网络应用于交通模式识别之前，应对它们进展训练，使其在可以承受的误差X围内，给定特征量输入，产生令人满意的模式比例输出。要经过以下几个步骤：1确定样本：交通模式识别网络的样本主要根据专家经验来制定。网络的输入取值X围为0,1，令每个输入在取值X围内以一个较小的间隔取样，所得到的每种组合作为一个样本的输入，用专家经验来制定这个样本的输出值。网络各输入之间应满足条件，即进门厅的客流量与出门厅的客流量之和不超过总客流量。令取样间隔为0.2，便可以得到56个训练样本集，详见第5章。2训练网络：用三步混合训练方法对网络进展训练。将网络的

39、输入与输出模糊子集个数均取6，网络的结构和训练情况见表3.1:网络的结构和训练记录输入个数输出个数输入模糊子集数输出模糊子集数各层节点数最大规如此数34663-18-216-24-4216学习率动量因子抽取规如此数误差反传训练次数训练误差/126115/3.3 本章小结本章研究了电梯交通模式的识别，将交通模式简单的分为4类，为设计识别算法打下根底。采用模糊神经网络做模式识别，对网络的结构、学习算法、训练方法做了重点研究，训练结果明确，模糊神经网络能够准确的识别交通模式，能够极大的提高群控系统的性能，紧接着将对调度算法进展研究。4 群控算法设计人工智能的运用, 给电梯控制提供了一个广阔的前景。模

40、糊控制技术自应用于电梯群控系统以来,取得了良好的效果。然而, 由于模糊控制方法在解决多输入-单输出问题时存在许多困难, 致使以往的模糊控制所基于的目标参数较少, 这就制约了电梯的控制性能。因此, 本文采用了一种基于模糊控制的多目标电梯群控算法。在这个控制算法中,有4个控制目标：平均候梯时间AWT、平均乘梯时间(ART)、长时间候梯率(LWP)和系统能耗(RPC)。按不同的交通模式，根据专家经验给4个控制目标分配不同的权重值, 从而使控制性能达到最优。4.1 构造综合评价函数电梯群控系统的优化目标主要有减少乘客平均候梯时间( AWT)、减少乘客平均乘梯时间(ART)、减小长时间候梯率(LWP)以

41、与降低系统能耗(RPC)。构造一个基于模糊控制的电梯调度算法综合评价函数14, 其公式为4.1式中：Wi为根据交通模式确定的权重系数，且。一般说来，不同的电梯运行环境各权重系数是不一样的，而在不同环境下的权系数一般由专家或专业技术人员提供。为评价函数值，表示第i台电梯响应楼层召唤信号的可信度，其值越大表示第i台电梯响应信号的可能性越大；为平均侯梯时间短的隶属度，其值越大说明侯梯时间短的可能性越大；为平均乘梯时间短的隶属度，其值越大说明乘梯时间短的可能性越大；为长时间侯梯率低的隶属度，值越大说明长时间侯梯的可能性越小；为能耗低的隶属度，其值越大说明电梯耗能低的可能性越大。4.1.1 权重系数确实

42、定4个权重系数的取值应根据具体的电梯群运行环境设定。一般来说，交通强度的变化对能耗少的权重系数影响较大；而交通类型的变化如此对平均候梯时间和平均乘梯时间的权重系数影响较大。如在上行、下行客流顶峰时，乘客的候梯时间、乘梯时间优先，将乘客候梯时间、乘梯时间的权重系数W1、W2变大；当处于空闲模式时，选择电梯应以降低能耗作为主要考虑因素，如此将评价函数中能源消耗的权重系数W4变大。权重系数W1、W2、W3、W4的选取主要是根据专家经验以与对电梯运行过程的观察得出。Wi的取值越大说明相应因素的重视程度越高。根据不同交通模式选取的权重值如表4.1所示：不同交通模式下的权重值W1W2W3W4上行顶峰下行顶

43、峰层间模式空闲模式4.1.2 计算模糊输入量由于电梯群控系统的不确定性、非线性与扰动性，4个控制目标很难用准确的数学公式获得。因此提出通过模糊控制的方法将厅层响应召唤等待时间HCWT、最长响应时间LWT)、电梯轿厢的总利用率UR、电梯运行时的集中度GD与电梯的拥挤度CV作为输入量，经模糊推理后得到较为准确的群控评价标准参数，从而提高电梯群的运行效率。HCWTi：厅层召唤产生后，第i台电梯到达该楼层前乘客的等待时间，包括电梯轿箱的运行时间和停止时间两局部。LWTi：电梯i完成的所有响应的最长时间。URi：在上行或下行方向上电梯轿箱的总利用率。在客流总量一样的情况下，UR越大，能耗RPC就越小，但

44、乘客平均乘梯时间ART、平均候梯时间AWT会相应的增加。UR的计算公式为：4.2式中，NF为建筑物总层数,为电梯轿箱额定容量，为第i次厅层召唤的人数，为第i次召唤口的楼层与起始楼层的层数差，n为该次运行电梯响应同方向召唤的总次数，并取80%的轿箱额定容量。GDi：新产生的召唤信号层站位置与已被响应信号层站间的集中程度。GDi是反响能耗的重要指标，计算公式为：4.3式中d为各呼梯层站与轿箱可能停靠层站的最小距离,h为建筑物的单层高度。CVi:电梯i在响应新呼梯后，其对未来呼梯的剩余容量。其值越大如此电梯响应新召唤的能力越强，其值与乘客进出电梯的流量有关。在计算时其值取轿厢额定容量的80%。4.1

45、.3 模糊化输入变量各输入变量必须经过模糊化之后才能进展模糊推理，其模糊化主要是根据专家提供的经验而构造的隶属函数来实现的。下面分别是各变量的隶属函数15：1HCWT的模糊化厅层召唤响应时间(HCWT)的长短是衡量群控系统性能优劣的一个重要指标，其直接影响着电梯的平均候梯时间AWT指标。当响应时间在20s之内时为优；20-40s时为一般；当超过40s时该响应时间就太长了，就将导致乘客情绪烦躁。其隶属函数如图4.1所示：2LWT的模糊化在电梯群控系统中，某台电梯的最长响应时间不能太长，否如此将导致长时间候梯的发生。当电梯最长响应时间在30s以下时效果为最优；当超过30s但在60s以下时效果一般；

46、当超过60s时效果将变得很差。其隶属度函数如图4.2所示：图4.2 LWT的隶属度函数3UR的模糊化UR为轿厢总利用率，当其值小于0.2时认为轿厢的利用率是较低的；而其值大于0.6时我们认为是比拟高的。UR的隶属函数如图4.3所示：4GD、CV的模糊化GD是新产生的召唤信号层站位置与已被响应信号层站间的集中程度。当GD小于0.2时，电梯的能耗是很小的；当在0.3-0.6之间时，这时的电梯能耗可以看成是正常的；但当GD的值大于0.6后，电梯的能耗就将变得很大。CV是单梯在响应新呼梯后，其对未来呼梯的剩余容量。当轿箱载客人数小于额定容量的20%时，轿箱内非常宽松、舒适；当达到30%到60%时，此时

47、显得较拥挤；当超过60%甚至达到80%时，乘客会感到拥挤、压抑。从上面的分析可以看出，GD、CV的隶属度函数形状是一样的，其隶属度函数如图4.4所示：图4.4GD、CV的隶属度函数4.2 模糊推理的规如此构成通过对输入变量HCWT、CV与UR的优化来获得较好的AWT的性能；通过对CV和UR的优化来影响ART的性能；通过对LWT和CV的优化来影响LWP的性能：通过对LWT、GD和UR的优化来影响RPC的性能。将AWT、ART、LWP与RPC四个量用隶属度函数来表示，其逻辑值用五个模糊变量“很小VS、小S、中等M、大L与很大VL来表示，其隶属函数如图4.5所示:图4.5 AWT、ART、LWP、R

48、PC的隶属度函数AWT、ART、LWP与RPC的模糊推理规如此如下：1AWT的推理规如此将电梯的平均候梯时间AWT的推理规如此用表格的形式列出：3个输入变量，1个输出变量，而每个输入变量都有3个模糊逻辑值，所以有27条模糊规如此，如表4.2所示：AWT的模糊规如此表HCWTSSSSSSSSSMMMMMCVSSSMMMLLLSSSMMURSMLSMLSMLSMLSMSAWTLLMVLMSVLVLMMSVSLMHCWTMMMMLLLLLLLLLCVMLLLSSSMMMLLLURLSMLSMLSMLSMLSAWTSVLLSSVSVSMSVSLMS2ART的推理规如此平均乘梯时间ART由UR和CV两个

49、模糊输入变量推理所得，其共有9条模糊规如此，如表4.3所示：ART的模糊规如此表URSSSMMMLLLCVSMLSMLSMLSARTMLVLSMLVSSM3LWP的推理规如此长时间候梯率LWP由LWT和CV两个模糊输入变量推理所得，其共有9条模糊规如此，如表4.4所示：LWP的模糊规如此表CVSSSMMMLLLLWTSMLSMLSMLSLWPMSVSLMSVLLM(4)RPC的推理规如此电梯能源消耗RPC由LWT、GD与UR三个模糊输入变量推理所得，其共有27条模糊规如此，如表4.5所示： RPC的模糊规如此表LWTSSSSSSSSSMMMMMGDSSSMMMLLLSSSMMURSMLSMLS

50、MLSMLSMSRPCVLVLLVLLMLMSVLLMLMLWTMMMMLLLLLLLLLGDMLLLSSSMMMLLLURLSMLSMLSMLSMLSRPCSMSVSLMSMSVSMSVS本章重点研究了群控电梯调度算法，建立了综合评价函数，选取了5个量做为输入变量，并对它们进展了计算和模糊化，建立了输入、输出变量的隶属度函数。根据需要优化的目标变量，制定了模糊推理规如此，接下来将对结果进展仿真实现。5 仿真结果与分析5.1 交通模式识别的仿真实现利用matlab中的神经网络工具箱，搭建交通模式识别网络，将训练样本集输入网络进展训练，抽取出隶属度函数和模糊规如此，训练过程如下所示16：1搭建模

51、糊神经网络，初步提取隶属度函数，本阶段采用的学习算法是自组织特征映射算法self-organizing feature map，SOMF，搭建的网络如图5.1、5.2所示：图5.2 自组织特征映射网络2对组建的网络进展训练和仿真，由于神经网络工具箱提供了非常方便的可视化操作界面，因此大大减少了工作量，训练结果如图5.3所示：图5.3 网络训练结果17：模糊神经网络的训练样本集X11X12X13Y11Y12Y13Y14X11X12X13Y11Y12Y13Y14000000000000000001000100000000000000000100010000010000100010000100010

52、000000100000100000101010000100100000101000100010000100001000100000100010000100000100010010000100010011010005.2 电梯调度的仿真实现根据识别出的交通模式，为综合评价函数分配权值，在当前模式下，假设客流与呼梯情况，计算出各个量的适应度，代入综合函数中，得到评价函数值，取函数值最大的电梯响应呼梯信号。5.3 空闲模式的仿真假设建筑物有20层，系统有四台电梯同时运行，分别标号1，2，3，4，每台电梯额定载客数为15人，当前时刻各台电梯载客数分别为：1号电梯5人，2号电梯3人，3号电梯4人，4号

53、电梯0人。四台当前时刻位置分别为：1号在第10层上行，2号在第3层下行，3号在第15层下行，4号停在13层。为了简单描述问题，一台电梯通过单位楼层的平均时间为2s，每次停站平均耗时2s，单层楼高4m。各台电梯的状态信息如表5.2所示：电梯的状态信息电梯号1号2号3号4号装载人数/人5340当前楼层与运行方向10层，上行3层，下行15层，下行13层，停止停靠层站12、14、17、19113、10、5/假设当前经过交通流模式识别得到交通模式为空闲模式，所以其权值为W1=0.25，W2=0.15，W3=0.2，W4=0.4，假设当前第8层有上行呼梯信号，如此电梯群控系统依次对每一台电梯计算其AWT,

54、ART,LWP,RPC的可信度，计算方法就是计算出每台电梯的HCWT、LWT、UR、GD、CV作为模糊逻辑的输入，计算的结果为：HCWT1=50s, HCWT2=22s ,HCWT3=34s ,HCWT4=12sLWT1=26s, LWT2=6s, LWT3=26s, LWT4=0sGD1=0.25, GD2=0.14, GD3=0.5, GD4根据约定，各台电梯的CV均取0.2，UR均取0.8，通过matlab的模糊逻辑工具箱，进展计算仿真，过程如下18：1调用模糊逻辑工具箱，设置根本的推理规如此以与反模糊化方法，如逻辑“与取小、逻辑“或取大，反模糊化采用重心法等，界面如图5.4所示：2将输

55、入、输出的隶属度函数以与推理规如此输进仿真系统中，建立起推理关系，以AWT适应度小为例，界面如图5.5所示：3进展计算仿真，观察输出结果，既可以观察结果的三维立体图像，又可以给出特定输入，观察推理规如此与输出值，分别如图5.6、图5.7所示：图5.6 输出结果的三维立体图依照上面的仿真步骤，得到的输出结果为,，将结果代入评价函数中得S1S2S3S4综上所述，对于当前状况下第8层的上行呼梯信号，应该使用第4台电梯对其进展响应。从实际情况来分析，第4台电梯无论从乘客数量还是响应时间也都更有优势。5.4 本章小结本章通过matlab对算法进展了仿真，得到了很好的效果。通过假设客流情况和呼梯信号，计算

56、综合评价函数值，并根据函数值进展派梯决策，得到了预期的结果，验证了算法的正确性。6 总结与展望本文分析了电梯群控系统的多目标性、随机性和不确定性等系统特性，对办公大楼的交通模式、各变量与系统控制目标的关系与相应的控制策略进展了研究设计，在此根底上设计了基于模糊神经网络的交通模式识别算法与其对应的基于模糊控制的多目标的电梯群控算法，并用matlab进展了仿真。在研究和设计中，主要完成的工作包括：1电梯交通模型的研究。通过查阅相关资料对系统的特性进展了分析，确定了根本的控制模型与研究方向，为后面的工作打下了根底。2进展了电梯交通模式的识别。通过分析不同交通流对电梯群控系统性能的影响，决定对交通模式

57、进展简单的分类，由于客流的随机性和多样性，并且多种交通模式通常是并存的，采用常规的方法就很难准确识别，因此提出了模糊神经网络的方法，收到了很好的效果，极大的提高了系统的性能。3电梯群控算法的研究。关于电梯调度所考虑的因素是多种多样的，需要对系统进展认真研究，提取出需要控制的目标变量。通过模糊控制的方法，建立综合评价函数，优化各目标变量，并且根据专家经验给出了针对不同交通模式下的权重值。该算法可以灵活地适应多种具体的实际情况。4完成了设计算法的仿真。通过matlab对模式识别算法和电梯调度算法进展了仿真，并对结果进展了比拟和分析，验证了电梯群控系统确实具有很大的优越性。电梯群控系统的研究是一个跨

58、多个知识领域、多个学科的复杂课题，由于本人知识X围与论文时间有限，所研究的内容在很多地方需要进一步深化、补充和完善。主要有以下几个方面：1通过对大楼乘客数据的记录与统计，可以建立大楼中人员的分布模型。通过对客流的跟踪，应用人工智能技术分析，识别召唤产生的特征，建立召唤产生的模型。应用这两个模型，可以较准确地预测召唤的产生。群控系统利用预测结果将能更好地调配电梯，提高电梯的运送能力与服务水平。2结合多种智能控制技术将电梯群控系统的派梯策略进一步优化。将智能控制中的专家系统、模糊控制、神经网络等有机的结合起来，应用到电梯控制中去。3由于电梯群控系统应用于各种不同的场合，各种场所的客流模式也会相差很大，因而有必要对电梯群控系统进展全时段仿真，分析不同模式下不同