電梯群控系統(tǒng)交通模式識別

熊新國，田紅彬

XIONG Xin-guo,TIAN Hong-bin

（河南職業(yè)技術(shù)學院 機電系，鄭州 450046）

電梯群控系統(tǒng)交通模式識別

Traffi c pattern recognition of elevator group control system

熊新國，田紅彬

XIONG Xin-guo,TIAN Hong-bin

（河南職業(yè)技術(shù)學院 機電系，鄭州 450046）

為了使電梯服務更優(yōu)，我們應該在一天中根據(jù)不同的交通流狀況，提供不同的群控策略。本文把BP神經(jīng)網(wǎng)絡中的改進L-M算法應用到交通模式識別的網(wǎng)絡結(jié)構(gòu)的確定當中，并且利用MATLAB導出網(wǎng)絡的相關(guān)參數(shù)。試驗結(jié)果表明，根據(jù)此種方法確定的網(wǎng)絡結(jié)構(gòu)可以準確地判別出電梯群控系統(tǒng)(EGCS)的交通模式。

電梯群控系統(tǒng)；交通模式；BP神經(jīng)網(wǎng)絡；改進L-M算法

0 引言

電梯群控系統(tǒng)作為現(xiàn)代化建筑中的主要運輸設備，其服務質(zhì)量直接影響著人們的工作和生活。而交通流又是影響電梯配置及調(diào)度方法的關(guān)鍵，要實現(xiàn)群控電梯的合理調(diào)度，必須根據(jù)交通流的狀態(tài)實時地切換，所以在設計電梯群控系統(tǒng)時對交通流的研究是非常有必要的。

1 電梯群控系統(tǒng)交通模式的劃分

對于生活當中常見的、典型的辦公大樓來說，根據(jù)乘坐電梯的乘客流量劃分成的電梯群控系統(tǒng)交通模式有：

1）上行高峰交通模式(Up-Peak Traffic Pattern)。當主要的(或全部的)客流召喚電梯的方向是上行方向，這種狀況被定義為上行高峰交通模式。

2）下行高峰交通模式(Down-Peak Traffic Pattern)。當主要的(或全部的)客流召喚電梯的方向是下行方向，這種狀況被定義為下行高峰交通模式。

3）層間交通模式(Interfloor Traffic Pattern)。層間交通模式是指一定時間內(nèi)當上行召喚的乘客總數(shù)量和下行召喚的乘客總數(shù)量大致相當，并且一定時間內(nèi)各層的進、出門廳的乘客總數(shù)量基本平衡。這種交通模式是電梯服務時，一天中大部分出現(xiàn)的一種交通狀況。

4）兩路交通模式(Two-Way Traffic Pattern)。兩路交通模式是指絕大部分的客流是朝著某一層而來或從某一層離開，而該層不是基層。

5）四路交通模式(Four-Way Traffic Pattern)。四路交通模式是指主要的客流是朝著某2個樓層而來或從某2個特定的樓層離開，而其中一個樓層有可能是基層。

6）空閑交通模式(Free Traffic Pattern)。空閑交通模式是指大樓的乘客流量非常小，一般出現(xiàn)在上午上班時間之前、下午下班時間之后以及中午休息時間。

在不同的交通模式下，對電梯群控系統(tǒng)的調(diào)度有不同的要求。例如，在上、下行高峰狀態(tài)下，電梯群控系統(tǒng)主要是考慮如何迅速響應完成乘客的呼梯請求，盡可能的提高電梯的運送能力，此兩種模式下疏散客流是最主要的考慮指標。而在層間交通模式下，電梯群控系統(tǒng)主要是合理的調(diào)配電梯，給乘客提供舒適的服務，調(diào)度時對乘客的候梯時間、乘梯時間和轎廂的擁擠度等有綜合的考慮[1,2]。

2 交通模式識別的控制策略選取

近年來，針對群控電梯交通模式識別的算法有很多，有的利用人工免疫算法進行控制[3]，有的則給出了模糊神經(jīng)網(wǎng)絡算法，但是這些算法的邏輯關(guān)系過于復雜，而在實際應用中，現(xiàn)代電梯很多是由中小型PLC進行控制，由于中小型PLC的數(shù)據(jù)處理能力和內(nèi)存的限制，使得現(xiàn)有高效智能控制算法很難在電梯群控中真正實現(xiàn)[4]。根據(jù)以上分析比較，本文針對中高層建筑的電梯群控系統(tǒng)的交通模式識別采用了一種簡單而有效的控制策略—基于BP神經(jīng)網(wǎng)絡的改進Levenberg-Marquardt（L-M）優(yōu)化算法，該算法只要是能夠準確確定輸入和輸出，就完全能夠利用MATLAB進行仿真分析出網(wǎng)絡結(jié)構(gòu)，不需要大量的公式推導，也不需要總結(jié)專家規(guī)則，并且程序?qū)崿F(xiàn)也非常方便。另外，采用改進L-M優(yōu)化算法還可以使網(wǎng)絡學習時間更短，能以很快的速度收斂到所要求的精度，并且不會陷入局部最小點，在實際應用中效果較好[5]。

BP神經(jīng)網(wǎng)絡的改進Levenberg-Marquardt優(yōu)化方法，其權(quán)重和閾值更新公式為[6]：

式(1)中，J為誤差對權(quán)值微分的雅可比矩陣，e為誤差向量，μ為一個標量，依賴于μ的幅值。

3 利用改進L-M法識別電梯交通模式（以某辦公大樓群控電梯為例）

3.1 主網(wǎng)絡特征值確定

根據(jù)專家知識和交通模式的定義可以確定主網(wǎng)絡的輸入特征值和輸出特征值。

主網(wǎng)絡的輸入特征值確定為三個：

1）一定時間內(nèi)（取7分鐘）總的客流量x1。

2）一定時間內(nèi)召喚電梯（想進門廳）的乘客總量x2。

3）一定時間內(nèi)按下所有內(nèi)選按鈕（想出門廳）的乘客總量x3。

對以上所說的這3個特征值提取的基礎是對當前交通流進行比較準確的監(jiān)測，以便從中獲取交通模式的輸入特征值。獲取技術(shù)主要包括：

1）稱重裝置。2）光電檢測或紅外檢測裝置。3）呼梯信號統(tǒng)計設備。4）計算機視覺設備。

主網(wǎng)絡的輸出特征值確定為四個：

1）上行高峰模式y(tǒng)1。2）下行高峰模式y(tǒng)2。3）層間模式y(tǒng)3。4）空閑模式y(tǒng)4。

另外，如果層間模式占據(jù)主導地位的話，還需要增加一個附加網(wǎng)絡來進一步判別，因為層間模式包含有2路模式y(tǒng)5、4路模式y(tǒng)6和平衡的層間模式y(tǒng)7三種情況。

3.2 特征值分析

經(jīng)過對該大樓監(jiān)控資料的分析，得出了159組樣本，樣本特征值曲線如圖1所示。圖1是對該大樓一天從上午7：00到晚上20：00的客流量作為依據(jù)而畫出的。

圖1 樣本曲線圖

3.3 神經(jīng)網(wǎng)絡隱含層層數(shù)和隱含層神經(jīng)元個數(shù)的確定

3.3.1 隱含層層數(shù)確定

對于BP網(wǎng)絡，有一個非常重要的定理，即對于任何在閉區(qū)間內(nèi)的一個連續(xù)函數(shù)都可以用單隱層的BP網(wǎng)絡逼近，因次，為了實現(xiàn)方便，BP網(wǎng)絡的隱含層在這里選一層。

3.3.2 隱含層神經(jīng)元個數(shù)n1的初步確定

隱含層神經(jīng)元個數(shù)的選擇可根據(jù)下面的公式來初步選取[7]。

式(2)中，n1為隱含層神經(jīng)元的個數(shù)；m為輸出神經(jīng)元個數(shù)；n為輸入單元個數(shù)；a為[1, 10]之間的某個值。

由式(2)可初步推斷，隱層神經(jīng)元個數(shù)應該在4～12之間。

3.3.3 確定主網(wǎng)絡隱含層神經(jīng)元的準確個數(shù)和網(wǎng)絡結(jié)構(gòu)

下面采用L-M優(yōu)化算法訓練統(tǒng)計得出的樣本，準確確定隱含層神經(jīng)元個數(shù)和網(wǎng)絡結(jié)構(gòu)。

訓練網(wǎng)絡時，對隱含層采用對數(shù)S型傳遞函數(shù)，函數(shù)數(shù)學表達式為：

wij:輸入層至隱含層的連接權(quán)(i=1,2,……n;j=1,2,……p)

n:輸入層神經(jīng)元數(shù)最大值 p:隱含層神經(jīng)元數(shù)最大值

θj:中間各層輸出閾值 ai:網(wǎng)絡輸入值

對輸出層采用線性傳遞函數(shù)，函數(shù)數(shù)學表達式為：

vjt：隱含層至輸出層的連接權(quán)(j=1,2……p;t=1,2……q)

γt:輸出層各單元的輸出閾值 q:輸出層神經(jīng)元數(shù)最大值

利用MATLAB訓練樣本時，取出分析得出的130組樣本作為訓練樣本，剩下的29組作為測試樣本，并利用MATLAB7來仿真分析，29組樣本測試完后取平均，可得出在隱含層神經(jīng)元個數(shù)不同時的誤差，結(jié)果如表1所示。

表1 誤差統(tǒng)計表

從表1可以看出，當隱含層數(shù)為6或者7時輸出誤差相對來說是最小的，考慮到實現(xiàn)難易的因素，在這里取隱含層神經(jīng)元個數(shù)為6，此時BP網(wǎng)絡模型結(jié)構(gòu)如圖2所示。

圖2 BP網(wǎng)絡模型結(jié)構(gòu)

3.3.4 主網(wǎng)絡的網(wǎng)絡模型處理

利用確定好的網(wǎng)絡結(jié)構(gòu)和訓練樣本繪制訓練曲線和導出相關(guān)參數(shù)。

1）繪制訓練曲線。訓練曲線如圖3所示。

由訓練曲線可看出，500步迭代后，誤差接近，完全能達到要求。

2）導出主網(wǎng)絡的相關(guān)參數(shù)

圖3 訓練曲線圖

利用MATLAB導出相關(guān)參數(shù)方法如下：

1）利用wij=net.iw{1,1}導出輸入到隱層權(quán)值如表2所示。

表2 輸入到隱層權(quán)值

2）利用θj=net.b{1}導出隱含層閾值如表3所示。

表3 隱含層閾值

3）利用vjt=net.lw{2,1}導出隱含層到輸出層權(quán)值如表4所示。

表4 隱含層到輸出層權(quán)值

4）利用 t=net.b{2}導出輸出層閾值如表5所示。

表5 輸出層閾值

3.3.5 交通模式附加網(wǎng)絡的建立

如果層間模式占據(jù)主導地位的話，還需要增加一個附加網(wǎng)絡來進一步判別，因為層間模式包含有2路模式、4路模式和平衡的層間模式三種情況，此時需要進行第2步的辨識。附加網(wǎng)絡的建立方法和交通模式識別主網(wǎng)絡的建立方法類似，不同之處在于特征值的區(qū)別。

根據(jù)專家知識和交通模式的定義，附加網(wǎng)絡的輸入特征值確定為：

1）一定時間內(nèi)（取7分鐘）最大樓層內(nèi)選量x4。 2）一定時間內(nèi)次大樓層內(nèi)選量x5。

附加網(wǎng)絡的輸出特征值確定為：

1）2路交通模式y(tǒng)5。 2）4路交通模式y(tǒng)6。3）平衡的層間交通模式y(tǒng)7。

4 多種判別方案比較

把人工免疫算法、模糊神經(jīng)網(wǎng)絡算法和改進L-M優(yōu)化算法分別應用到電梯群控系統(tǒng)交通模式識別中，從算法實現(xiàn)難易、實施編程后程序容量大小和最終模式判別的準確度這三方面進行對比，對比結(jié)論如表6所示。

表6 對比結(jié)論表

5 結(jié)束語

根據(jù)以上介紹，總結(jié)電梯群控系統(tǒng)交通模式識別過程如圖4所示，此種推理方法能準確確定當前電梯群控系統(tǒng)所處的交通模式，算法實現(xiàn)也很簡單。利用上面介紹的設計方法取出70組樣本，采用L-M優(yōu)化算法對網(wǎng)絡進行訓練，最后利用S7-200PLC編程該網(wǎng)絡，并把程序運用到縱橫公司的群控電梯模型中，調(diào)度運行結(jié)果良好。

圖4 交通模式識別過程

[1] 宗群,尚曉光,嚴明,等.基于模糊神經(jīng)網(wǎng)絡的電梯系統(tǒng)交通模式識別[J].系統(tǒng)工程學報,2001,16(6):418-424.

[2] 趙碩,何鵬,唱江華.基于模糊控制的電梯群控系統(tǒng)的研究與設計[J].微計算機信息,2006,5-1:51-53.

[3] 楊建寧,孫玉昆,成立,等.采用免疫搜索的電網(wǎng)電壓非線性模型預測控制[J].江蘇大學學報(自然科學版),2008,29(1):56-60.

[4] 朱曉東,曾慶山.基于PLC的電梯最小等候時間的集選控制算法[J].起重運輸機械,2006(6):38-39.

[5] 蘇高利,鄧芳萍.論基于MATLAB語言的BP神經(jīng)網(wǎng)絡的改進算法[J].科技通報,2003,19(2):130-135.

[6] Hagan M T,Menhaj M.Training feed forward networks with the Marquardt algorithm [J].IEEE Transactions on Neural Networks,1994,5(6):989-993.

[7] 孫志強,等.神經(jīng)網(wǎng)絡理論與MATLAB7實現(xiàn)[M].北京:電子工業(yè)出版社,2005:1-6.

TP18

A

1009-0134(2010)11(下)-0049-04

10.3969/j.issn.1009-0134.2010.11(下).19

2010-10-14

熊新國（1974 -），男，湖北公安人，講師，碩士，主要從事機電控制方面的研究。