[go: up one dir, main page]

JPH08165063A - Group supervisory operation control device for elevator - Google Patents

Group supervisory operation control device for elevator

Info

Publication number
JPH08165063A
JPH08165063A JP6333140A JP33314094A JPH08165063A JP H08165063 A JPH08165063 A JP H08165063A JP 6333140 A JP6333140 A JP 6333140A JP 33314094 A JP33314094 A JP 33314094A JP H08165063 A JPH08165063 A JP H08165063A
Authority
JP
Japan
Prior art keywords
car
parameters
assigned
call
elevator
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP6333140A
Other languages
Japanese (ja)
Other versions
JP2962174B2 (en
Inventor
Tomoaki Tanabe
友晃 田辺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitec Co Ltd
Original Assignee
Fujitec Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujitec Co Ltd filed Critical Fujitec Co Ltd
Priority to JP6333140A priority Critical patent/JP2962174B2/en
Publication of JPH08165063A publication Critical patent/JPH08165063A/en
Application granted granted Critical
Publication of JP2962174B2 publication Critical patent/JP2962174B2/en
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Landscapes

  • Elevator Control (AREA)

Abstract

PURPOSE: To perform optimum assignment in accordance with a condition even when the condition is temporarily changed, by adding a decision result, whether a car serves as an assigned object or not in each number car, as one parameter of an input pattern. CONSTITUTION: In the case of dislocating an A number car from group supervisory operation control due to a trouble or the like and in the case of setting a landing call generation floor as a non-stop floor of the A number car, the A number car service can not be of service to this landing call, and so a parameter PA1, representing whether the A number car serves as an assigned object or not, becomes null or PA1=0. Reversely in the case of serving as the assigned object, PA1 becomes one or PA1=1. Similarly, in parameters PB1, PC1 representing respectively whether a B/C number car is assigned to an objective service or not, '1' is taken in the case of serving as the object, and '0' is taken in the case of not serving as the object. In this way, of the parameters PA1 to PC1, wrongly assigning a call to a number car of '0' is eliminated. Accordingly, optimum assignment in accordance with a condition can be performed.

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、ニューラルネットを用
いて呼びの割り当てを行うエレベータの群管理制御装置
に係り、特にエレベータ毎に仕様が異なったり、一時的
に状況が変化したような場合でも、常に精度の高い割り
当てを行うことのできる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 supervisory control system for assigning calls using a neural network, and in particular, even when the specifications of each elevator are different or the situation temporarily changes. The present invention relates to an elevator group management control device capable of always performing highly accurate allocation.

【0002】[0002]

【従来の技術】従来、エレベータの群管理制御といえば
評価関数を用いた呼び割当方式が主流であったが、最近
では生物の神経回路をモデルにしたニューラルネットを
用いて呼びの割り当てを行うという新しい方式が提案さ
れている。
2. Description of the Related Art Conventionally, a call assignment method using an evaluation function has been the mainstream of elevator group management control, but recently, call assignment is performed using a neural network that models a neural circuit of a living organism. A new method has been proposed.

【0003】ニューラルネットとは、人間の脳をまねた
ネットワークで、神経細胞モデル(ニューロン)が複数
個、複雑に接続され、各ニューロンの動作及びニューロ
ン間の接続形態をうまく決めることによって、パターン
認識機能や知識処理機能を埋め込むことができるという
ものであり、例えば「日経エレクトロニクス」1987
年8月10日号(No427)のP115〜P124や1
989年2月に産業図書株式会社から刊行された図書
「PDPモデル」などに開示されており、特にニューロ
ンを階層構造に配置したものは「バックプロパゲーショ
ン」と呼ばれる自律的学習アルゴリズムを利用できるこ
とに特徴がある。
A neural network is a network that imitates the human brain. A plurality of nerve cell models (neurons) are connected in a complicated manner, and pattern recognition is performed by deciding the operation of each neuron and the connection form between neurons. Functions and knowledge processing functions can be embedded, for example, "Nikkei Electronics" 1987.
August 115 (No 427) P115-P124 and 1
It is disclosed in the book "PDP model" published by Sangyo Tosho Co., Ltd. in February 989, and in particular, those in which neurons are arranged in a hierarchical structure can use an autonomous learning algorithm called "back propagation". There are features.

【0004】このニューラルネットを用いると、割当ア
ルゴリズムを人間が一切考える必要はなく、しかも各種
の交通状況に対応して、結果的には最適な割当かごを決
定する判断システムを自動的に生成できるという優れた
効果があり、例えばエレベータの呼び割り当てに用いた
例としては、特開平1−275381号「エレベータの
群管理制御装置」や、特開平2−52875号「エレベ
ーターの自動学習管理装置」、実開平3−59971号
「エレベーターの群管理制御装置」などがある。
By using this neural network, it is not necessary for a human to consider the allocation algorithm at all, and in addition, a judgment system for deciding the optimum allocated car can be automatically generated in response to various traffic situations. For example, as an example used for call assignment of elevators, JP-A-1-275381 “Elevator group management control device” and JP-A-2-52875 “Elevator automatic learning management device”, There is "Kaikaihei 3-59971" Elevator group management control device "and the like.

【0005】図4に示すように、呼び割当用のニューラ
ルネットNは、入力パターンIに対応する入力層と、出
力パターンOに対応する出力層と、入力層と出力層の中
間に置かれる中間層のニューロンとで構成される。
As shown in FIG. 4, a neural network N for call assignment has an input layer corresponding to an input pattern I, an output layer corresponding to an output pattern O, and an intermediate layer placed between the input layer and the output layer. It is composed of layers of neurons.

【0006】入力パターンIは、エレベータシステムの
状態を表す種々のデータ(乗場呼びの発生階と方向、各
号機の位置と運転方向、かご呼び、荷重状態等)を、呼
びの割り当てに必要なパラメータとして、ニューラルネ
ットに入力できる形に変換したもので、例えばn台のエ
レベータで複数個のパラメータmを用いるとすると、入
力パターンIは、次のように入力パラメータPxy(x=1〜
n, y=1〜m)により形成される。
The input pattern I is a parameter necessary for call assignment, which is various data representing the state of the elevator system (floor call generation floor and direction, position and operating direction of each unit, car call, load state, etc.). Assuming that a plurality of parameters m are used for n elevators, the input pattern I is input parameter Pxy (x = 1 to
n, y = 1 to m).

【0007】I={P11,P12,…P1m },{P21,P22,…P2
m },…,{Pn1,Pn2,…Pnm } 入力層では、この入力パターンIのパラメータ総数(パ
ラメータ数m×エレベータ台数n)に対応する数のニュ
ーロンがあり、この入力層の各ニューロンに入力データ
を与えると、出力層に向かって順に信号が伝わり、その
結果出力層の各ニューロンからそれぞれ何らかの値が出
力される。
I = {P11, P12, ... P1m}, {P21, P22, ... P2
m}, ..., {Pn1, Pn2, ... Pnm} In the input layer, there are a number of neurons corresponding to the total number of parameters of this input pattern I (the number of parameters m × the number of elevators n). When data is given, signals are sequentially transmitted to the output layer, and as a result, some value is output from each neuron of the output layer.

【0008】出力層では、エレベータの台数分のニュー
ロンがあり、予めさまざまな入力パターンに対して、割
り当てに最適である号機に対応するニューロンが「1」
を、その他のニューロンは「0」を出力するように学習
されている。従って、出力パターンOの各ニューロンの
値(O1 〜On )の中で、最も大きな値のニユーロンが
最適号機を示すことになり、このニューロンに対応する
号機を割当号機として選択する。
In the output layer, there are as many neurons as the number of elevators, and for various input patterns, the neuron corresponding to the machine that is optimal for allocation is "1".
, And other neurons are learned to output “0”. Therefore, among the values (O1 to On) of each neuron of the output pattern O, the largest value of the neuron indicates the optimum machine, and the machine corresponding to this neuron is selected as the allocated machine.

【0009】なお、中間層(実施例では一層であるが、
複数であってもよい)のニューロンの数は、エレベータ
の台数やビルの性質等に応じて適宜定められる。
Incidentally, the intermediate layer (in the embodiment, one layer,
The number of neurons (may be plural) may be appropriately determined according to the number of elevators, the property of the building, and the like.

【0010】また、図示を省略しているが、各ニューロ
ン間にはニューロンの結び付きの強さを表す結合重み
(シナプスウェイト)が設定されている。この結合重み
は、最初は適当な値に設定されているが、その後「バッ
クプロパゲーション」と呼ばれる学習アルゴリズムを用
いて、より精度の高い呼び割り当てができるように修正
していくことができる。
Although not shown, a connection weight (synapse weight) representing the strength of the connection between neurons is set between the neurons. This connection weight is initially set to an appropriate value, but it can be modified thereafter by using a learning algorithm called "backpropagation" so that more accurate call allocation can be performed.

【0011】このバックプロパゲーションとは、同一の
入力パターンに対して、ニューラルネットの出力パター
ンと予め作成された教師信号の出力目標とを比較し、そ
の誤差を最小化するように結合重みを修正していくアル
ゴリズムで、まず最初はすべての重みを初期化(例えば
ランダムな値に設定)しておき、入力層の各ニューロン
に教師信号の入力パターンを学習用として与える。そし
てこのときの出力パターンと教師信号の出力目標とを比
較し、その差(誤差)を用いて、その差が小さくなるよ
うに各結合重みの値を出力層側から順に修正していく。
In this back propagation, for the same input pattern, the output pattern of the neural network is compared with the output target of the teacher signal created in advance, and the connection weight is corrected so as to minimize the error. First, all weights are initialized (set to random values, for example), and the input pattern of the teacher signal is given to each neuron in the input layer for learning. Then, the output pattern at this time is compared with the output target of the teacher signal, and the difference (error) is used to sequentially correct the value of each connection weight from the output layer side so that the difference becomes small.

【0012】そして、多数の教師信号を用いて誤差が収
束するまでこれを繰り返すと、ニューラルネットに教師
信号と同レベルの呼び割当機能が自動的に埋め込まれた
ことになり、学習用の入力パターンだけでなく未知の入
力パターンに対しても、教師信号と同レベルの呼び割り
当てを行うことができる。
When this is repeated using a large number of teacher signals until the error converges, the call assignment function at the same level as the teacher signals is automatically embedded in the neural network, and the input pattern for learning is input. Not only that, but also for unknown input patterns, call assignment at the same level as the teacher signal can be performed.

【0013】[0013]

【発明が解決しようとする課題】この割当用ニューラル
ネットの学習は、予めシミュレーション等によって求め
たデータ、或いは実際の現場での実測データをもとに行
うが、一般的にエレベータは各号機で対称性を有してい
るため、その対称性を利用して学習の効率UPを図るこ
とができる。
The learning of this neural network for assignment is carried out based on the data previously obtained by simulation or the like, or actually measured data at the actual site. Generally, elevators are symmetrical in each unit. Since it has the property, the efficiency of learning can be improved by utilizing the symmetry.

【0014】すなわち、図5に示すように、学習時には
1台分の大きさのネット(入力層のニューロンの数はパ
ラメータの数と同じm個、出力層のニューロンの数は1
個の大きさのネット)を学習しておき、それをもとに全
台数分の大きさのネットを構成するようにすれば、学習
するネットは小さくて済み、学習に要する時間も短くな
る。
That is, as shown in FIG. 5, at the time of learning, a net of one size (the number of neurons in the input layer is m, which is the same as the number of parameters, and the number of neurons in the output layer is 1)
If the nets of individual size are learned and the nets of all the numbers are constructed based on them, the net to be learned can be small and the time required for learning can be shortened.

【0015】また、全体を一つのニューラルネットで学
習する場合は、1回の状況(1回の割り当て)におい
て、1つの入力パターン(全号機の情報)に対する1つ
の出力パターンしか学習できないが、1台分のネットで
学習する場合には、1回の状況において台数分のパター
ンを学習することができる。従って、1台分のネットで
学習するようにすると収束も早くなり学習を効率的に行
うことができる。
Further, when the whole is learned by one neural network, only one output pattern for one input pattern (information of all machines) can be learned in one situation (one allocation). In the case of learning on the net for the number of vehicles, the pattern for the number of vehicles can be learned in one situation. Therefore, if the learning is performed using one net, the convergence is accelerated and the learning can be performed efficiently.

【0016】このように、各エレベータが対称性を有す
ることを前提にすると、ニューラルネットの学習を効率
よく行うことができるが、実際の現場では必ずしもすべ
ての号機が対称になっているとは限らない。例えば、号
機によってサービス階床が異なっていたり、速度などの
仕様が異なっている場合もある。また、故障やメンテナ
ンス等で一時的にある号機が群管理下からはずれ、その
乗場呼びをサービスできるエレベータの台数が変化する
場合も考えられる。
As described above, on the assumption that each elevator has symmetry, the learning of the neural network can be efficiently performed, but in the actual site, not all the machines are necessarily symmetrical. Absent. For example, service floors may differ depending on the number of units, and specifications such as speed may differ. It is also possible that a certain number of units may be temporarily out of group control due to a failure or maintenance, and the number of elevators that can service the hall call may change.

【0017】このような場合、各号機が対称性を有する
ことを前提に学習を行ったニューラルネットでは適切な
呼び割り当てを行うことができず、例えばその階をサー
ビスしない号機や、故障等で群管理からはずれている号
機に割り当てられる可能性もある。
In such a case, the neural network, which is trained on the assumption that each unit has symmetry, cannot perform appropriate call assignment. For example, a unit that does not service the floor or a group due to a failure or the like. It may be assigned to a machine out of control.

【0018】これを避けるため、出力パターンをその階
のサービス号機パターンでマスクし、その階をサービス
できる号機の中から最大値を選択するという方法が考え
られる。しかし、学習時には最適な号機だけを割当号機
とし、その他の号機には割り当てない(つまり「1」か
「0」のどちらか)という学習を行っており、2番目以
降のかごの割り当てに敵する順番については学習してい
ない。
In order to avoid this, a method of masking the output pattern with the service number pattern of the floor and selecting the maximum value from the number of units that can service the floor can be considered. However, at the time of learning, only the most suitable car is assigned and the other cars are not allocated (that is, either "1" or "0"). I have not learned about the order.

【0019】従ってこの方法では、マスクされた号機が
最適なかごであった場合、残りのかごの中で次に適切な
かごはどれかということを判断できない。なお、各号機
に対応する出力パターンの各値は、1と0だけでなく、
実際にはその中間のさまざまな値を出力することもある
が、その値は必ずしも各号機の割当適性に比例するとは
限らないので、やはりこの方法では適切な割り当てを行
うことはできない。
Therefore, in this method, when the masked car is the optimum car, it cannot be judged which of the remaining cars is the next most suitable car. In addition, each value of the output pattern corresponding to each machine is not only 1 and 0,
Actually, various values in between may be output, but since the value is not always proportional to the allocation suitability of each machine, appropriate allocation cannot be performed by this method.

【0020】このため、ニューラルネットの学習時に、
各号機のサービス階床が異なる場合や、故障やメンテナ
ンス等である号機が群管理からはずれる場合など、考え
られるすべてのケースについて予め学習しておくことも
考えられるが、そのようにするためには膨大な数の学習
データが必要となり、学習に長時間を要するといった問
題がある。
Therefore, when learning the neural network,
It is also possible to learn in advance about all possible cases, such as when the service floor of each unit is different, or when the unit that is out of order or out of order due to breakdown or maintenance, etc., but to do so, There is a problem that a huge amount of learning data is required and it takes a long time for learning.

【0021】本発明はこのような問題点に鑑みてなされ
たもので、各号機の仕様が異なったり、一時的に状況が
変化したような場合でも、その状況に応じた最適な割り
当てを行うことができ、しかも学習効率を悪化させるこ
とのない群管理システムを提供することを目的とする。
The present invention has been made in view of such a problem, and even when the specifications of each machine are different or the situation is temporarily changed, optimal allocation according to the situation is performed. It is an object of the present invention to provide a group management system capable of performing a learning process and without deteriorating learning efficiency.

【0022】[0022]

【課題を解決するための手段】上記目的を達成するた
め、本発明では、各号機について乗場呼びの発生時にそ
の呼びの割当対象とするか否かを判定する判定手段を備
え、各号機毎の当該判定結果を割当用ニューラルネット
への入力パターンのパラメータの一つとして付加するよ
うにしたことを特徴とする。
In order to achieve the above object, the present invention is provided with a judging means for judging whether or not a hall call is to be assigned to each car when the car calls are generated. It is characterized in that the judgment result is added as one of the parameters of the input pattern to the allocation neural network.

【0023】また、割当ての対象となるエレベータの台
数が異なれば、群管理システムにとっては交通状態が異
なることになり、その情報がニューラルネットに正しく
与えられないと最適な割当てができない可能性があるた
め、パラメータの計算にエレベータの台数を用いている
場合には、現在割当ての対象になっている号機だけを対
象にして計算を行うようにする。
Further, if the number of elevators to be assigned is different, the traffic condition will be different for the group management system, and if the information is not correctly given to the neural network, optimal assignment may not be possible. Therefore, when the number of elevators is used for the parameter calculation, the calculation is performed only for the number of the machines currently assigned.

【0024】[0024]

【作用】本発明によるエレベータの群管理装置において
は、乗場呼びが発生するとそのときのエレベータシステ
ムの状態を表す種々のデータを数値化し、これを入力パ
ターンとしてニューラルネットに入力する。このとき同
時に各号機について割り当ての対象とするか否かを判定
するが、その結果は入力パターンのパラメータの1つと
なっている。
In the elevator group management system according to the present invention, when a hall call occurs, various data representing the state of the elevator system at that time are digitized and input to the neural network as an input pattern. At this time, it is determined at the same time whether or not each of the units is to be assigned, and the result is one of the parameters of the input pattern.

【0025】もし、その階が不停止階に設定されていた
り、何らかの原因で群管理からはずされているなどして
その階にサービスできない号機があれば、その号機の上
記パラメータは「0」となり、他の号機の上記パラメー
タは「1」となる。ニューラルネットでは、そのパラメ
ータが0である号機には割り当てないように予め学習を
しているので、そのパラメータが1の号機だけを対象に
した割り当てが行われる。
If the floor is set as a non-stop floor or is removed from the group management for some reason, and there is a machine that cannot be serviced on that floor, the above parameter of the machine becomes "0". , The above parameters of other units are “1”. In the neural network, learning is performed in advance so as not to assign it to the machine whose parameter is 0. Therefore, allocation is performed only for the machine whose parameter is 1.

【0026】[0026]

【実施例】図1は、本発明の全体の構成を示すブロック
図で、ここでは説明の便宜上、制御対象エレベータがA
〜C号機の3台の場合について説明するが、勿論エレベ
ータの台数に拘わらず本発明を適用することができる。
DESCRIPTION OF THE PREFERRED EMBODIMENTS FIG. 1 is a block diagram showing the overall construction of the present invention.
The case of three units, No. C to C will be described, but the present invention can be applied regardless of the number of elevators.

【0027】図1において、1は各階床に設けられた乗
場呼び釦(1つの階床分のみを図示し、他の階について
は省略している)、2は乗場呼び信号、3A〜3Cはそ
れぞれA〜C号機の運行を管理する運行制御装置、4は
各号機の状態(かご位置や運転方向、走行または停止の
別、戸の開閉状態、かご呼び、荷重、サービス階、異常
等)を表すかご情報信号である。
In FIG. 1, 1 is a hall call button provided on each floor (only one floor is shown and other floors are omitted), 2 is a hall call signal, and 3A to 3C are An operation control device for managing the operation of each of the A to C units, 4 indicates the state of each unit (car position and driving direction, whether it is running or stopped, door open / closed state, car call, load, service floor, abnormality, etc.). It is a car information signal to represent.

【0028】5は群管理装置としての機能を果たすマイ
クロコンピュータで、入出力インターフェィス6を介し
て読み込まれた乗場呼び信号2及びかご情報信号4のデ
ータに基づいて、各階の乗場呼びを登録する手段7とし
ての機能と、各号機を割り当ての対象とするか否かを判
定する判定手段8としての機能と、エレベータシステム
の状態を表す種々のデータを数値化してニューラルネッ
トへ入力できる形に変換する入力パターン演算手段9と
しての機能と、ニューラルネットをソフトウェアで実現
するためのニューラルネット演算手段10としての機能
と、ニューラルネットの出力パターンの中から最適と思
われる号機を選択して乗場呼びに割り当てる割当手段1
1としての機能とを備えており、その割当結果を割当信
号12として出力する。
Reference numeral 5 denotes a microcomputer which functions as a group management device, and means for registering a hall call for each floor based on the data of the hall call signal 2 and the car information signal 4 read through the input / output interface 6. 7 and a function as a determination means 8 for determining whether or not each unit is to be assigned, and various data representing the state of the elevator system are digitized and converted into a form that can be input to the neural network. The function as the input pattern calculating means 9, the function as the neural network calculating means 10 for realizing the neural network by software, and the most suitable number from the output patterns of the neural network are selected and assigned to the hall call. Allocation means 1
1 and outputs the allocation result as an allocation signal 12.

【0029】各運行制御装置3A〜3Cは、この割当信
号12によって割り当てられた乗場呼びと、自号機に登
録されたかご呼びに順次応答するようにかごの運行を制
御する。
Each of the operation control devices 3A to 3C controls the operation of the car so as to sequentially respond to the hall call assigned by the assignment signal 12 and the car call registered in its own machine.

【0030】図2に入力パターンの各パラメータについ
ての一例を示す。図2に示すように、入力パターンの各
パラメータは、乗場呼びの情報や各号機のかご情報信号
等、エレベータシステムの状態を表す種々のデータに基
づいて、入力パターン演算手段9により演算される。
FIG. 2 shows an example of each parameter of the input pattern. As shown in FIG. 2, each parameter of the input pattern is calculated by the input pattern calculation means 9 on the basis of various data representing the state of the elevator system, such as information on hall calls and car information signals of each car.

【0031】図において、PA1はA号機が割当ての対象
となるか否かを表すパラメータで、例えばA号機が故障
等で群管理制御から外されている場合や、乗場呼び発生
階がA号機の不停止階として設定されている場合には、
その乗場呼びに対してはA号機がサービスすることは不
可能なのでPA1=0となり、その逆に割当ての対象とす
る場合にはPA1=1となる。
In the figure, PA1 is a parameter indicating whether or not the number A is subject to allocation. For example, when the number A is out of the group management control due to a failure or the like, or when the hall call generation floor is number A. If it is set as a nonstop floor,
Since it is impossible for Unit A to service the hall call, PA1 = 0, and conversely, PA1 = 1 when it is targeted for allocation.

【0032】同様に、PB1,PC1は、それぞれB号機と
C号機を割当ての対象とするか否かを表すパラメータ
で、やはり対象とする場合には「1」、対象としない場
合には「0」となる。
Similarly, PB1 and PC1 are parameters indicating whether or not to assign the number B and the number C, respectively, and "1" when they are also the targets and "0" when they are not the targets. It will be.

【0033】PA2〜PC2は、乗場呼びの発生階・方向と
各号機のかご位置・運転方向とからその階床差を求め、
それを各号機から乗場呼び発生階までの距離として表し
たパラメータ、、PA3〜PC3はそれぞれ各号機の荷重状
態を表すパラメータ、PA4〜PC4はそれぞれ各号機の位
置の分散状況を表すパラメータ、PA5〜PC5はそれぞれ
各号機が受け持っている呼びの数を表すパラメータであ
り、その他にも、呼びの割当てに必要と思われるパラメ
ータを適宜用いて入力パターンを作成する。
For PA2 to PC2, the floor difference is obtained from the floor / direction at which the hall call is generated and the car position / operating direction of each unit,
Parameters that represent it as the distance from each unit to the floor call generation floor, PA3 to PC3 are parameters that represent the load status of each unit, PA4 to PC4 are parameters that represent the distribution of the positions of each unit, and PA5 to PC5 is a parameter indicating the number of calls each of which is in charge of, and the input pattern is created by appropriately using other parameters that are considered necessary for call allocation.

【0034】これらのパラメータは、それぞれ0〜1の
範囲に正規化されるが、この正規化は、例えばPA2であ
れば、 PA2=階床差/2(全階床数−1) また、PA3であれば、 PA3=現時点の荷重/定格積載 というように、現時点の値を取りうる最大値で割ること
によって求めることができるが、この正規化の処理は必
ずしも必要なものではない。
Each of these parameters is normalized to a range of 0 to 1, and if this normalization is PA2, for example, PA2 = floor difference / 2 (total floor number-1) and PA3 If so, PA3 = current load / rated load can be obtained by dividing the current value by the maximum possible value, but this normalization process is not always necessary.

【0035】なお、割当ての対象となるエレベータの台
数が異なれば群管理システムにとっては交通状態が異な
ることになり、この情報がニユーラルネットに正しく与
えられないと、最適な割当てが出来ない可能性があるた
め、上記のパラメータの算出において、エレベータの台
数を用いている場合には、現在割当ての対象となってい
る台数を用いて計算する。
If the number of elevators subject to allocation is different, the traffic condition will be different for the group management system. If this information is not correctly given to the neural network, optimal allocation may not be possible. Therefore, if the number of elevators is used in the calculation of the above parameters, the number of elevators currently being assigned is used for the calculation.

【0036】例えば、エレベータの分散状況のパラメー
タを計算する場合は、各号機間の距離(実質的な距離、
あるいは走行時間等で表す時間的な長さ)によって分散
値を求めるが、その際上記のパラメータPA1〜PC1によ
り現在割当ての対象となっている号機だけを対象にして
計算を行う。同様に、エレベータ台数そのものを入力パ
ラメータの一つとしている場合には、割当ての対象とな
っているエレベータの台数そのものが入力パラメータと
なる。このように、パラメータPA1〜PC1により現時点
で割当ての対象となる号機を常時監視しておくことによ
り、その台数を入力パラメータの計算の際に使用するこ
とができる。
For example, in the case of calculating the parameters of the distribution of elevators, the distance between the units (substantial distance,
Alternatively, the variance value is obtained by the time length represented by the running time or the like), and at this time, the calculation is performed only for the number of the machine currently assigned by the above parameters PA1 to PC1. Similarly, when the number of elevators per se is one of the input parameters, the number of elevators to be allocated per se becomes the input parameter. In this way, by constantly monitoring the number of machines to be assigned at the present time by the parameters PA1 to PC1, the number of the machines can be used when calculating the input parameters.

【0037】図3は、本発明による割当ての処理手順を
示したフローチャートである。図3において、まずステ
ップS1で新たに発生した乗場呼びがあるか否かを判断
し、あればステップS2へと進む。ステップS2では、
各号機の状態(位置、運転方向他)や乗場呼びの階・方
向等の情報を読み込む。
FIG. 3 is a flow chart showing the procedure of allocation according to the present invention. In FIG. 3, first, in step S1, it is determined whether or not there is a new hall call, and if there is, a flow proceeds to step S2. In step S2,
Information such as the status of each unit (position, driving direction, etc.) and floor / direction of hall calls are read.

【0038】ステップS3では、乗場呼びと各号機の状
態のデータから、各号機についてその乗場呼びにサービ
ス可能か否かすなわち割当対象外の号機の有無を判定
し、もしあればステップS4で前述のパラメータすなわ
ちPA1〜PC1のうち、該当号機のパラメータを「0」と
し、該当しない号機のパラメータは「1」とする。も
し、該当する号機がなければ、パラメータPA1〜PC1は
すべて「1」となる。
In step S3, it is determined from the data of the hall call and the state of each car whether or not each car can be serviced by the hall call, that is, the presence or absence of a car not to be assigned, and if there is, the above-mentioned in step S4. Of the parameters, that is, PA1 to PC1, the parameter of the corresponding car is set to "0", and the parameter of the other car is set to "1". If there is no corresponding machine, the parameters PA1 to PC1 are all "1".

【0039】ステップS6ではその他のパラメータにつ
いても演算し、入力パターンを作成する。ニューラルネ
ットの各ユニット間の結合の度合いを表す重みの値は、
学習によって予め設定されているので、入力パターンが
決まると順次各層の出力を演算によって求めることがで
き、この処理をステップS7で行う。そして、出力パタ
ーンの値からステップS8で最適な号機を選択し、これ
を乗場呼びに割当てる。
In step S6, other parameters are also calculated to create an input pattern. The value of the weight that indicates the degree of connection between the units of the neural network is
Since it is set in advance by learning, the output of each layer can be sequentially obtained by calculation when the input pattern is determined, and this processing is performed in step S7. Then, in step S8, the optimum car number is selected from the values of the output pattern and assigned to the hall call.

【0040】なお、ここで学習は、入力パターンの中の
PA1〜PC1、すなわち割当て対象とするか否かを表すパ
ラメータが「0」のときには、他のパラメータの値に拘
わらず出力パターンの値を必ず「0」とした教師信号を
作成し、このパラメータが「1」のときには、従来通り
他のパラメータの値によって割当てが決定されるように
教師信号を作成して、予め学習を行うようにする。
Here, in learning, when PA1 to PC1 in the input pattern, that is, a parameter indicating whether or not to be an allocation target is "0", the value of the output pattern is set regardless of the values of other parameters. A teacher signal that is always "0" is created, and when this parameter is "1", a teacher signal is created so that the assignment is determined by the values of other parameters as before, and learning is performed in advance. .

【0041】このようにすると、パラメータPA1〜PC1
のうちそれが「0」の号機、すなわち理由の如何にかか
わらず割当ての不可能な号機の出力は常に「0」とな
り、そのような号機に呼が誤って割当てられることがな
くなる。しかもパラメータは1つ増えるだけなので、従
来と同様に、1台分に相当するニューラルネットだけを
用い、エレベータの対称性を利用した効率的な学習を行
うことができる。
In this way, the parameters PA1 to PC1
Among them, the output of the machine whose number is "0", that is, the machine which cannot be assigned regardless of the reason, is always "0", and the call is not mistakenly assigned to such a machine. Moreover, since the number of parameters is increased by one, it is possible to perform efficient learning using the symmetry of the elevator by using only the neural net corresponding to one vehicle as in the conventional case.

【0042】[0042]

【発明の効果】本発明によれば、ある階が不停止階に設
定されたり、ある号機が故障や或いはメンテナンスによ
り一時的に群管理から外される場合等、さまざまな理由
で呼にサービスが不可能な場合をすべて一つのパラメー
タに集約するようにしたので、そのパラメータが「0」
に対応する号機には呼を割当てないようにする簡単な学
習を追加するだけで、さまざまな理由でサービスが不可
能な号機に呼びを割り当てることを防止することができ
る。
According to the present invention, a call service is provided for various reasons such as when a certain floor is set as a non-stop floor, when a certain number of units are out of order or temporarily removed from group management due to maintenance. All possible cases are summarized in one parameter, so that parameter is "0".
It is possible to prevent a call from being assigned to a machine that cannot be serviced for various reasons simply by adding a simple learning so that the call is not assigned to the machine corresponding to.

【0043】しかもパラメータを一つ追加するだけであ
り、学習の内容も簡単なので、従来の学習効率をほとん
ど損なうことがない。
Moreover, since only one parameter is added and the content of learning is simple, there is almost no loss of conventional learning efficiency.

【0044】[0044]

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

【図1】本発明の全体の構成を示すブロック図である。FIG. 1 is a block diagram showing an overall configuration of the present invention.

【図2】本発明における入力パターンの各パラメータの
一例を示す図である。
FIG. 2 is a diagram showing an example of each parameter of an input pattern in the present invention.

【図3】本発明における割当ての手順の一例を示すフロ
ーチャートである。
FIG. 3 is a flowchart showing an example of an allocation procedure according to the present invention.

【図4】呼び割当て用ニューラルネットの一例を示す図
である。
FIG. 4 is a diagram showing an example of a call assignment neural network.

【図5】学習時のニューラルネットの構成の一例を示す
図である。
FIG. 5 is a diagram showing an example of a configuration of a neural network during learning.

【符号の説明】[Explanation of symbols]

1 乗場呼び釦 3A〜3C A〜C号機の運行制御装置 4 かご情報信号 5 マイクロコンピュータ 6 入出力インターフェイス 7 乗場呼び登録手段 8 判定手段 9 入力パターン演算手段 10 ニューラルネット演算手段 11 割当手段 1 Landing Call Buttons 3A to 3C Operation Control Device for Units A to C 4 Car Information Signals 5 Microcomputer 6 Input / Output Interface 7 Landing Call Registration Means 8 Judging Means 9 Input Pattern Calculating Means 10 Neural Network Computing Means 11 Allocating Means

Claims (2)

【特許請求の範囲】[Claims] 【請求項1】 複数の階床に対し複数台のエレベータを
就役させ、乗場呼びが発生すると、その時のエレベータ
システムの状態を表す種々のデータを、ニューラルネッ
トの入力パターンとして使用できる形に変換して割当用
のニューラルネットに入力し、その出力パターンから最
適なかごを選択して、その乗場呼びに割り当てるように
したエレベータの群管理制御装置において、 エレベータの各号機について、乗場呼び発生時にその呼
びの割当対象とするか否かを判定する判定手段と、各号
機毎の当該判定結果を前記入力パターンのパラメータの
一つとして付加するようにしたことを特徴とするエレベ
ータの群管理制御装置。
1. When a plurality of elevators are activated on a plurality of floors and a hall call occurs, various data representing the state of the elevator system at that time are converted into a form that can be used as an input pattern of a neural network. In the elevator group management control device, the optimal car is selected from the output patterns and assigned to the hall call, and each elevator machine is called when the hall call occurs. And a determination means for determining whether or not the target is assigned, and the determination result for each car is added as one of the parameters of the input pattern.
【請求項2】 前記入力パターンの種々のパラメータの
うち、エレベータの台数を用いて計算するパラメータに
ついては、前記判定手段により割り当ての対象としたエ
レベータの台数を用いるようにしたことを特徴とする請
求項1記載のエレベータの群管理制御装置。
2. Among the various parameters of the input pattern, for the parameter calculated using the number of elevators, the number of elevators targeted for allocation by the determining means is used. Item 1. An elevator group management control device according to Item 1.
JP6333140A 1994-12-13 1994-12-13 Elevator group control device Expired - Fee Related JP2962174B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP6333140A JP2962174B2 (en) 1994-12-13 1994-12-13 Elevator group control device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP6333140A JP2962174B2 (en) 1994-12-13 1994-12-13 Elevator group control device

Publications (2)

Publication Number Publication Date
JPH08165063A true JPH08165063A (en) 1996-06-25
JP2962174B2 JP2962174B2 (en) 1999-10-12

Family

ID=18262745

Family Applications (1)

Application Number Title Priority Date Filing Date
JP6333140A Expired - Fee Related JP2962174B2 (en) 1994-12-13 1994-12-13 Elevator group control device

Country Status (1)

Country Link
JP (1) JP2962174B2 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108545556A (en) * 2018-05-02 2018-09-18 中国科学院计算技术研究所 Information processing unit based on neural network and method
CN108639882A (en) * 2018-05-03 2018-10-12 中国科学院计算技术研究所 Processing chip based on LSTM network models and the arithmetic unit comprising it

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108545556A (en) * 2018-05-02 2018-09-18 中国科学院计算技术研究所 Information processing unit based on neural network and method
CN108639882A (en) * 2018-05-03 2018-10-12 中国科学院计算技术研究所 Processing chip based on LSTM network models and the arithmetic unit comprising it

Also Published As

Publication number Publication date
JP2962174B2 (en) 1999-10-12

Similar Documents

Publication Publication Date Title
JP4870863B2 (en) Elevator group optimum management method and optimum management system
JP3734287B2 (en) Intelligent distributed controller for elevators.
JPH075235B2 (en) Elevator group management control device
US6619436B1 (en) Elevator group management and control apparatus using rule-based operation control
JP2962174B2 (en) Elevator group control device
JPH0331173A (en) Group management control device for elevator
JP2867849B2 (en) Learning method of neural network for elevator call assignment
JP2959425B2 (en) Elevator group control device
JP2979993B2 (en) Learning method of neural network for elevator call assignment
JP2956516B2 (en) Elevator group control device
JP2500407B2 (en) Elevator group management control device construction method
JP3052768B2 (en) Elevator group control device
JP2964907B2 (en) Elevator group control device
JP2988312B2 (en) Elevator group control device
JP2998589B2 (en) Elevator group control device
JP3215001B2 (en) Learning method of neural network for elevator call assignment
JP2962182B2 (en) Elevator group control device
JPH0742055B2 (en) Elevator group management control method
JP2991077B2 (en) Elevator group control device
JP3106908B2 (en) Learning method of neural network for waiting time prediction
JP2988306B2 (en) Elevator group control device
JP3407660B2 (en) Elevator group control device
JP2964902B2 (en) Learning method of neural network for elevator call assignment
JP3060879B2 (en) Construction of a Neural Network for Call Assignment and Its Learning Method
JP2964908B2 (en) Elevator group control device

Legal Events

Date Code Title Description
S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20080806

Year of fee payment: 9

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20090806

Year of fee payment: 10

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20090806

Year of fee payment: 10

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20100806

Year of fee payment: 11

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20100806

Year of fee payment: 11

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20110806

Year of fee payment: 12

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20110806

Year of fee payment: 12

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20120806

Year of fee payment: 13

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20130806

Year of fee payment: 14

LAPS Cancellation because of no payment of annual fees