电梯群控系统(EGCS)采用优化的控制策略来协调多台电梯的运行,以提高电梯的运输效率和服务质量。
由于电梯群控系统控制目标的多样性,同时也由于电梯系统本身所固有的随机性和非线性,仅仅通过传统的控制方法很难提高控制系统的性能。近年来智能控制得到迅速发展,其方法在解决具有此类特点的系统上有独到之处。自从Mistubishi公司首次把模糊逻辑用于电梯系统,采用模糊控制的电梯群控系统数量迅速增加。例如用模糊逼近的方法来确定群控系统呼梯分配中的重要参数棗区域权重,进而得出评价函数的值,实现系统多目标控制[1];利用专家系统来实现电梯群控系统的模糊控制[2]等。但这些方法的判断标准均有不足之处,只考虑了某一类因素,并未考虑到乘客的平均等待时间、能源消耗等因素;同时在做模糊逻辑推理时没有把时间量、进/出人流量等作为输入变量。本文提出了新的最优评价函数,综合考虑乘客的平均等候时间(AWT)、长时等待率(LWP)、能源消耗(RNC)三个主要标准,并根据实际要求给予不同的权重,以此来合理分配电梯。AWT、LWP、RNC三个量可由一定的模糊规则推理而来,通过运用从经验丰富的电梯工程师获得的各种控制规则,比仅仅用严格的补偿函数方法,可以获得更好的效果。但由于单纯的模糊控制缺乏学习功能,存在系统性能受知识的影响、调整确定隶属函数需大量的仿真实验、规则修改不便等缺点。而人工神经网络通过调整连接权来得到近似最优的输入输出映射,因此适用于建立类似电梯群控系统的一类非线性动态系统。两者结合的模糊神经网络(FNN),具有一个表达框架,一方面提供用于解释和推理的可理解的模型结构,另一方面具有知识获取和学习能力。本文把AWT、LWP、RNC的规则映射到神经网络中,利用网络的学习功能来调整改善规则,解决了随机性、非线性等问题。
1 目标函数的选择
对于多个电梯的群控系统,所选的控制策略是,每部电梯处理各自的随机指令,而对于层站召唤信号则由调度算法进行分配。调度算法实际上是一个评价函数。评价函数的确定主要用到以下三个评价标准：
· 平均等候时间(AWT)：所有乘客的候梯时间和乘梯时间的平均量;
· 长时等待率(LWP)：在一定时间内等待时间超过60s的乘客占总乘客数的百分比;
· 运行量(RNC)：在一定时间内电梯的运行次数。由于能源消耗由启/停电梯决定,所以该标准可决定能源消耗的大小。
AWTi棗第i个电梯的AWT值
LWPi棗第i个电梯的LWP值
RNCi棗第i个电梯的RNC值
其中：Si棗评价函数,表示第i个电梯响应某个层站信号的可信度。i=1...n,n表示群控系统的电梯数。
三个评价标准可由一定的模糊规则推理得到。由(1)式可求出各电梯的可信度S1、S2、...Sn。由下面的(2)式可求出最适合响应层站召唤信号的电梯m,它对应着最大的Si。
在(1)式中W的不同选择表明了对三个评价标准的不同侧重。例如在上/下班高峰,选择电梯时以减小乘客等待时间为主要考虑因素而节约能源为辅,故LWP所对应的权重大一些;而在晚上乘客稀少,则以节约能源为主,故RNC所对应权重可大一些,而LWP所对应的权重则小一些。
2 规则的知识表示及推理
2.1 模糊规则的知识表示
在电梯群控系统中运用从经验丰富的电梯工程师获得的各种控制规则,比仅仅用严格的补偿函数方法,可获得更好的效果,它可很好地处理系统中的多样性、随机性和非线性。
层站召唤分配部分把新的层站召唤信号分配给合适的电梯,在分配时要考虑召唤方向和所在楼层、电梯状态以及未来层 站召唤等信息。AWTi、LWPi和RNCi的模糊估计需用到HCWTi、maxHCWTi、CVi和GDi,分别定义如下：
HCWTi-----层站召唤信号从产生到被第i个电梯响应的等待时间
maxHCWTi-----分配给第i个电梯的所有层站召唤信号的最大HCWTi
CVi----第i个电梯响应未来层站召唤信号的能力,与乘客的进出电梯流量有关
GDi----新的层站召唤信号的产生位置与被第i个电梯响应的所有召唤信号(包括层站召唤和梯内召唤)产生位置之间的最短距离。
CVi说明如下：
其中的in_person表示在将来单位时间内试图进入电梯i的乘客,fail_person表示在单位时间内层站召唤信号没被响应的乘客。可看出CVi越大,响应将来层站召唤信号的能力越强。
HCWTi越小,说明层站召唤信号被响应的时间越短,则乘客的候梯时间小。但因电梯i的启/停频度增加,梯内乘客的乘梯时间相应地变长,结果所有乘客的平均等待时间AWTi一般会增加。
我们把文献中的共性知识和具有丰富实践经验的电梯专家的个性知识加以总结,仔细推敲,归纳了如表1的AWTi、LWPi和RNCi模糊规则,用IF-THEN语句来表示。其中输入变量均为模糊化后的值。
变量的隶属度函数取为高斯型,隶属度函数的中心值a、宽度b要根据实际需要适当调整,以满足减小AWT、LWP、RNC的多项要求。
2.2模糊神经网络的知识存贮及推理
根据前面的模糊规则表,可把这些模糊规则映射到模糊神经网络(FNN)中,从而提高推理的智能性。该网络提供了解释和推理的可理解的模型结构,通过它可以以一种清晰的方式描述知识,模糊规则可用网络的节点对象、连接权对象、连接结构等来翻译解释;同时具有知识获取和学习能力。与上述规则表相对应的模糊神经网络分别如图1a、(b)、(c)所示。
由于该网可通过知识的表达和学习,记忆交通信息,然后用推理方式推出AWT、LWP、RNC三个量,所以是一种智能推理。考虑到输入参数的模糊化和输出参数的去模糊化,该模型总共有5层。其中第1层为输入层,输入参量为标准化后的量,在(0,1)之间;第2层为模糊化层,对输入值分别模糊化为大、中、小三种语言变量;第三层是规则层,其神经元个数由专家知识确定的规则个数决定,该层与第2层的连接完成模糊规则前提条件的匹配,实现撃：呒霐的运算;第4层为结论节点层,将具有相同结论又被激活的规则节点的输出放在一起实现撉蠛蛿运算,得到输出隶属度函数值;第5层为输出层完成去模糊化。各层节点的输入函数和输出函数可选取如下：
其中S、X 分别表示输入、输出函数,W为权值,NI表示第i层的节点数。根据(4)～(8)式及网络结构图即可分别推理出第i个电梯的AWT、LWP和RNC,并带入(1)式求得第i个电梯响应层站召唤信号的可信度,(1)式中W的选择根据交通模式的不同给予不同的权重。以此类推,分别求出其它电梯响应该信号的可信度,并根据(2)式求出最大可信度从而选择最合适的电梯调度。
3 规则的改善
3.1 中心值与宽度的修改
网络中各节点及所有参数均有明显的物理意义,其初值可根据模糊规则来确定。鉴于电梯群控系统的复杂性和一些因素的不确定性,可通过网络的学习不断修改和完善规则,提高调度的准确性。学习一般采用BP算法,如每层的权值均作修改,可以称为全部层学习,其缺点是计算量大。对于模糊规则,中心值、宽度应选择恰当以满足减小AWT、LWP、RNC的要求。针对模糊神经网络的隶属度函数,给出了中心值、宽度学习算法。修正的学习参数采用了动量项方法,它实际上相当于阻尼项,有利于减小学习过程的振荡,改善收敛性3。对于图1的模糊神经网络,第二层为模糊化层,输入隶属度函数有中心值、宽度两个参数,它们是模糊化的关键。在学习样本已知的情况下,可只对网络的中心值、宽度进行学习,同样可减少学习时间和计算量。其算法如下：
设有q组学习样本,期望输出为,实际输出为
x,p=1…q;i=1…N5,N5为第5层的节点个数。
设q组样本的误差函数：
i=1…N2,N2为第2层的节点个数,N3为第3层的节点个数;δ为在第p个样本下反传到第2层的误差;x为在第p个样本下第2层第i个节点(神经元)的输出函数;s为在第p个样本下第2层第i个节点的输入函数;m为第2层第i个节点的隶属度函数中心值;σ为第2层第i个节点的隶属度函数宽度。
