基于神经网络的电梯群控制

合集下载

基于PLC和神经网络的电梯群控最优化方法设计

《智慧工厂》Smart FactoryMay2020基于PLC和神经网络的电梯群控最优化方法设计Design of Elevator Control System Based on PLC■齐鲁工业大学（山东省科学院）电气工程与自动化学院乔元健QiaoYuanjian摘妾：为了节能降耗，减少乘客的候梯时间'提高多层建筑内电梯的运行效率，通常需要将高层建筑内的多台电梯进行统一协调管理。

针对该类问题提出一种基于可编程逻辑控制器(PLC)和神经网络的电梯群控最优化方法，该方法采用以PLC为主的控制设备完成电梯的升降以及电梯门的开关，通过神经网络算法学习电梯运行参数并训练得到电梯群控最优化模型。

实验表明该方法能合理有效调度所有电梯，既满足了乘客的需求又达到了节能降耗的目的。

关键词：PLC神经网络电梯群控Abstract:In order to save energy and reduce consumption,reduce the waiting time of passengers and improve the operating efficiency ofelevators in multi-storey buildings,it is usually necessary to coordinate and manage multiple elevators in high-rise buildings.Aiming at this kindof problem,an optimizati o n method of elevator group control based on programmable logic contra lie r(PLC)and neural network is proposed.This method uses PLC-based control equipment to complete elevator lifting and elevator door opening and closing through neural neiworkThe algorithm learns the elevator operating parameters and trains to obtain an elevator group control optimization model.Experiments showthat this method can dispatch all elevators reasonably and effectively,which not only meets the needs of passengers but also achieves thepurpose of energy saving and con s umption reduction.Key words:PLC neural network elevator group control【中图分类号】TP216【文献标识码】B文章编号1606-5123(2020)05-0041-0031引言电梯作为中高层楼宇建筑中不可或缺的一种交通工具，其控制方法与组成结构经历了漫长的发展过程，由最初简单的独立电梯控制、较为复杂的电梯并联运行控制、智能化的多台电梯联合控制，到现在形成了能够适应不同建筑环境的自适应电梯控制技术如何能够全方位提高电梯的服务质量一直是电梯控制领域的核心研究内容，随着对电梯服务质量需求的不断提高，不仅单梯的控制系统需要进行优化，而且对多组电梯构成电梯群的调度控制研究也变得更加深入冋。

基于模糊神经网络的电梯群控调度算法

，林秀
1袁根据不同的交通模式选取不同的权值袁上尧下行高函数曲线遥
玲
峰交通模式时袁棕1=0.5尧棕2=0.4尧棕3=0.1曰空闲交通模式
渊三冤模糊神经网络结构
：基
时袁棕1=0.2尧棕2=0.1尧棕3=0.7遥
人工神经网络是以数学手段来模拟人脑神经网
于模
渊二冤定义影响因素隶属度函数
络的结构和特征的系统遥利用人工神经元可以构成
糊神
影响
尧尧三个参数的因素主要包括不同拓扑结构的神经网络袁 [12] 其中典型的有多层前
经网
轿厢内乘客人数 N尧轿厢响应呼梯信号时的相对楼向传播网路渊BP 网络冤尧Hopfield 网络尧CMAC 小脑模络
层数 L 及电梯响应呼梯信号过程中所需停站次数型尧SOM 自组织网络等遥由于 BP 网络具有很好的逼
C遥将这三个影响因素模糊化处理得到三个模糊变
Si= 1 +
+
(1)
量袁分别为乘客人数少 X1尧相对距离近 X2尧停站次
式中 Si 为第 i 部电梯响应呼梯信号的可信度袁数少 X3袁并根据实际情况定义三个模糊变量子集的
值越小可信度越高袁可信度高的电梯响应呼梯信号遥隶属度函数
尧
尧
遥三个模糊变量子集
网络结构袁其结构图如图 4 所示遥第一层为输入层袁差冤按连接通路反向计算袁由梯度下降法调整各层神
将三个模糊变量子集的隶属度函数
尧
)尧经元的权值袁使误差信号减小遥
作为输入变量袁三个变量经过模糊化处理之后
神经网络输出与期望输出误差表达式院
王学
实现了数据的归一化处理遥第二层为隐含层袁包含三
智个节点袁隐含层的输入为三个输入变量的加权之和袁

改进GA优化BP神经网络的电梯群控策略

用最优个体保存策略，同时采用了交叉率和变异率能够随适应度自动改变的自适应算法，提高
了达到最优解的收敛速度。得出最优派梯方案，实现电梯的多目标优化调度。
［关
键
词］电梯群控；多目标优化；ＢＰ神经网络；遗传算法［文献标识码］Ａ
２０１５年８月
陕西理工学院学报（自然科学版）
ＪｏｕｎａｒｌｏｆＳｈａａｎｘｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）
（营１３理工学院机电工程系，辽宁营口１１５０１４）
［摘
要］在遗传算法优化ＢＰ神经网络的电梯群控系统基础上，利用遗传算法对候梯时间、
乘梯时间、舒适度和运行能耗等评价函数进行搜索具有全局性的进化解，通过ＢＰ神经网络按照进化解权值进行寻优，从而获得全局最优解。为提高遗传算法的效率，在遗传操作过程中采
但ＧＡ在迭代过程中过早收敛，易陷入局部最优等问题，因此采取以下３点提高ＧＡ性能的改进措
施：
① 为了将最优个体保存并遗传到下一代，采用最优保存策略改进地选择算子，在种群迭代过程中，直接复制最优个体，替换经过交叉、变异操作后适度值最低的个体，防止最优的个体在进行选择、交叉、变异等操作时被破坏。

基于模糊BP神经网络的电梯群控系统的仿真

ｚＡＮＧｎ — ｅ．ＨＹｉＺＨ０Ｕｈ — ｍｉＳｕｎ
（．ＤｐｒｅｔｆａｎｏｐｔｒＧｎａｏｍｌｎｅｓｙａｚｏｉｇｉ４００Ｃｉａ１ｅａｍｎｏｔａｄＣｍｕｅ，ａｎｎＮｒａＵｉｒｔ，ＧｎｈｕＪｎｘ３１０，ｈ；ｒＭｈｖｉａｎ
２ｅａｍｅｔｎｏｍｔｎＥｇｎｅｉ；ＥｓＣｉａＩｓｔｔｏｅｈｏｇ，ｕｈｕＪｎｘ３４０，Ｃｉａ．ＤｐｒｎｆｒａｏｎｉｅｒｇａｔｈｎｎｔｕｆｃｎｌｙＦｚｏｉｇｉ４００ｈ）ｔＩｉｎｉｅＴｏａｎ
ｗａｔｎｌｖｔｒａｄｔｎｅｇｏｓｉｇｅｅａｏｎｈｅｅｒｙｃｎｕｍｐｉｎｗｅｅａｈｉｖｄ．Ｔｈｐｉｌｆｎｔｏｆｅｅａｏｏｏｒｌｗａｄｐｔｉｔｏｒｃｅｅｅｏｔｍａｕｃｉｎｏｌｖｔｒｇｕｐｃｎｔｏｓａｏ — ｒｅｄ．Ｔｈｒｕｇｈｙｔｍｈｎｉｆｅｔｏｕｚｅｗｏｋｅｅａｏｏｐｃｎｒｓｖｒｆｄ，ａｄｔｅｐｕｐｏｅｏｏｈｔｅｓｓｅｔｅｒｎｎｇｅｃｆｔｆｚｙｎｔｒｌｖｔｒｇｕｏｔｏｌｕｈｅｒｗａｅｉｉｅｎｈｒｓｆ
ＡＢＳＴＲＡＣＴ：ｉｈａｉｅｅｏｍｅｔｆｔｅＩｔｌｇｎｏｔｌＳｓｍ，ｔｅｔｄｔｎｌｔｏｆｌｖｔｒｃｎｒｌＷｔｔｅｒｐｄｄｖｌｐｎｎｅｌｅｔＣｎｒｙｔｈｏｈｉｏｅｈｒｉｏａｈｄｏｅａｏｏｔａｉｍｅｅｏ

论神经网络技术在电梯故障诊断中的应用

论神经网络技术在电梯故障诊断中的应用神经网络技术是一种模拟人脑神经元网络的计算模型，具有自学习、自适应、并行处理等特点，近年来被广泛应用于各个领域。

在电梯故障诊断中，神经网络技术能够通过对电梯运行过程中的数据进行学习和分析，实现对各种故障的自动诊断和预测，提高电梯的安全性和可靠性。

本文将探讨神经网络技术在电梯故障诊断中的应用，并分析其在提高电梯运行效率和安全性方面的优势。

1. 数据采集和处理神经网络技术的应用首先需要对电梯运行过程中的数据进行采集和处理。

包括电梯轿厢的运行速度、加速度、位置、负载等信息，以及电梯控制系统的运行状态、故障代码等数据。

这些数据经过采集和预处理后，可以形成神经网络的训练集和测试集，用于神经网络模型的训练和验证。

2. 模型训练和优化通过神经网络技术，可以构建电梯故障诊断的模型，实现对电梯运行状态和故障的自动判断和预测。

模型训练的过程就是通过将训练集输入神经网络中，调整网络的连接权值和阈值，使网络能够学习和记忆数据的规律和特征，从而实现对未知数据的预测和分类。

3. 故障诊断和预测利用训练好的神经网络模型，可以对电梯运行过程中发生的各种故障进行自动诊断和预测。

通过对实时采集的数据输入到神经网络模型中，可以快速准确地判断电梯是否存在故障，以及故障的类型和程度。

神经网络模型还能够根据历史数据对未来可能发生的故障进行预测，提前采取相应的维护措施，避免故障的发生和扩大。

1. 自学习和自适应神经网络技术具有自学习和自适应能力，能够通过不断地接受新的数据和信息进行更新和调整，逐步完善自身的模型和预测能力。

这样就能够适应不同类型的电梯和不同环境下的运行特点，提高电梯故障诊断的准确性和稳定性。

2. 并行处理和快速响应神经网络技术采用并行处理结构，能够同时处理多个输入信息，并在短时间内给出响应和判断结果。

这对于电梯运行过程中出现的紧急情况和故障有着重要的意义，能够及时做出相应的应对和处理，确保乘客的安全和电梯的正常运行。

模糊神经网络技术在电梯群控系统中的应用研究

物交通主要以下行离开建筑物为主，其主要发生时刻为下午下班后； “ 间模式 ”是指上下行进出建筑物的流量较小，客流层以建筑物中不同楼层运行为主的情况，其主要发生在上班期间；而 “ 合模式 ”是指三种交通构成中有两种适中，而另外混种较小的状况，其主要发生在中午。第四层，综合层。和第二层类似，该层的节点的个数与输出变量的模糊子集个数有关。由于输出层每个节点取值为Ｏ或１，所以可以用大和小两个模糊集来表示。第四层的节点个数为
２模糊神经网络的模式识别．
（）确定模式特征１Ｂ算法的学习过程是由正向传播和反向传播组成，在正向Ｐ传播过程中，输入信号从输入层经隐层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将输出信号的误差沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小。输出误差评价函数为：
１ＮＮ５＾ｌ２
ＥＴ（—ｋ１，（式）＝￣ＹＹ公１ｋ）
一Ｋ＝１
舰则层
．
，
其中式，期望输出向量和实
，
图１模糊神经网络
际输出向量，Ｎ５样本的个数，Ｎ为即神经元的个数。学习过程如

基于神经网络的电梯群控制

II
基于神经网络或 MATLAB 的电梯群控制
1 绪论
1.1 电梯群控系统的发展和现状
自从世界上第一台电梯于问建筑的重要组成部分。随着高层建筑的不断发展，楼层的高度越来越高，建筑规模也越来越大，需要合理安装多台电梯并进行集中统一的控制，这种多台电梯群的优化调度系统就是电梯群控系统(EGCS)。
3 电梯群神经网络与仿真 .......................................................................... 7
3.1BP 神经网络的构造............................................................................... 7 3.2 评价函数 BP 神经网络的设计 ............................................................. 8
电梯群控派梯调度目录摘要11电梯群控系统的发展和现状12电梯群控系统概述21神经元模型22生物神经元221神经元结构222神经元功能23mp模型24其他作用函数241非对称型sigmoid函数242对称型sigmoid函数243对称型阶跃函数25几种典型的学习规则251无监督hebb规则252有监督的delta学习规则253有监督的hebb学习规则31bp神经网络的构造32评价函数bp神经网络的设计321输入层的设计322输出层的设323隐含层即中间层的设计33神经网络的训练自动化2010级综合实践34仿真系统总体设计14谢辞15参考文献16ii基于神经网络或matlab的电梯群控制绪论11电梯群控系统的发展和现状自从世界上第一台电梯于问世以来电梯已经成为人类高层建筑交通中不可缺少的工具是当今高层建筑的重要组成部分

基于模糊神经网络的电梯群控系统

提高电梯服务系统的性能，出了电梯群控系统提（ＧＣ）１，运用人工智能控制技术来提高系统ＥＳ［而］的运行效率逐渐成为电梯群控技术的主流。
准之间的函数关系为：
Ｓ＝Ｗ。・ＡＷＴ＋Ｗ２・ＡＴＰ＋Ｗ・ＲＮＧ＋
ＳＯＮＧｎ，ＨＡＯｏ— ｕＷＡＮＧＷｅＨａＺＧｕｊｎ・ｎ—ｌｎｉｇａ（ｅｉｎｉｅｓｔｆＴｅｈｏｏｙＨａｇｈｕ３０Ｃｈｎ）ＺｈｊｇＵｎｖｒｉｏｃｎｌｇ．ｎｚｏ０４．ｉａａｙ１１
ＡＴ糊推理Ｗ模
ｔｒｇｏｐｏｔｏｃｅｕｉｇｌｏｉｍａｅｎｏｒｕｃｎｒｌｓｈｄｌａｇｒｔｎｈｂｓｄｏ
ｆｚｕｒｌｎｅｗｏｋ．ｕｚｙｎｅａｔｒＡｎｄｉｒａｉｅｈｅｓｂｉｉｙｔｅｌｚｓｔｅｆａｉｌｔｏｆｔｉｒｐｃｎｔｏｌｓｓｅｂｙｓｍｕｌｔｏｈｓｇｏｕｏｒｙｔｍｉａｉｎ．Ｋｅｒｓ：ｌｖａｏｏｏｎｒｌｆｚｅａｙｗｏｄｅｅｔｒｇｒｕｐｃｔｏ；ｕｚｙｎｕｒｌｎｔｅｗｏｒｅｅａｏｃｅｌｋ；ｌｖｔｒｓｈｄｕｅ
Ｗ４・ＣＲＤｆ（）２
１模糊神经网络（ＮＮ）能控制Ｆ智
模糊神经网络是把神经网络与模糊逻辑相结合，吸取各自的优点，服了人工神经网络结构难以克

智能控制技术在电梯群控系统中的应用

智能控制技术在电梯群控系统中的应用摘要：随着社会的发展与进步，重视智能控制技术在电梯群控系统中的应用对于现实生活中具有重要的意义。

本文主要介绍智能控制技术在电梯群控系统中的应用的有关内容。

关键词智能；控制；电梯；群控；系统；技术；应用；引言随着高层楼宇的增加，电梯越来越多的走进了人们的生活，对人们生活的影响越来越大。

为了让电梯更好地服务人们，各种电梯新技术不断地发展起来。

电梯的智能群控技术就是近几十年来发展起来的一项新技术。

电梯群控指的是将布置在一栋楼宇里相邻的几部电梯统一调度，将每个楼层的召唤信号集中用群控主机来控制，群控主机根据电梯运行情况和客流情况将召唤信号分配到合适的电梯，调度电梯运行。

群控改变了各台电梯互不协调、独自运行的局面，可以提高整个电梯系统的运行效率，减少乘客的候梯时间和乘梯时间，提高电梯系统的服务质量。

电梯的智能群控指的是将智能控制技术运用到电梯群控中，并将人工智能技术运用到电梯的调度策略中，使得电梯的群控系统能够适应于不同的电梯配置以及楼宇内的不同时刻的交通变化，具有一定的“智能”。

一、早期的电梯群控技术随着高层建筑的出现和建筑面积的扩大,需要并排设置几台电梯,以完成大楼内的垂直运输任务这样便存在着电梯相互联接的问题。

安装在一起的多台电梯要求单梯的控制系统相互联接，且装有监控系统。

在这样的系统中，厅层召唤按钮对所有并联电梯来说是共有的，监控系统确定梯群中哪一台电梯去应答厅层召唤信号。

这样就形成了电梯群控系统，统一分配呼梯信号，统一调度电梯。

最早的电梯群控系统使用继电接触控制.称为“自动力一式选择系统”。

它通过在上行、下行高峰以及、平峰、双向时选择运行命令来工作。

这是群控的最简单形式，称为力一向预选控制。

它适用于两台或二台电梯组成的梯群，每台电梯靠力一向预选控制来操作。

这种系统需要中一的厅层召唤系统，每个厅层设有一个上行和一个下行按钮。

控制系统有效地把建筑物内的电梯分开，以提供均匀服务并在指定的停梯层停靠一台或多台电梯。

基于NetLinx网络的电梯群控系统的设计与实现

块（７６一ＮＴ和１５１５ＥＢ７６一ＣＢ）ＮＴ连接两层网络，实
作为设备层网络使用，Ｃｎｏｅ和ＥｈｒｔＩ而ｏｔｌｔｒＮｔｎ／Ｐｅｅ通常作为控制层网络使用。ＮｔｉｅｎＬｘ三层网络实现
ｔｅｏｅａｏｅｃｂｄＴｅｅｓｆａｅｉｄｓｎｄｂｓｄｏｕｔ—ｏｊｃｖｏｔｌｌｏｉｍｏｈｐｒｔｎｉｄｓｒｅ．ｈｎｔｏｗｒｓｅｉｅａｅｎａｍｌｉｓｉｈｔｇｉｂｅｔｅｃｎｒｇｒｈｆｉｏａｔ
０引言
电梯群控系统是一个分布式控制系统，制点控
了控制功能的下放，提高了系统的可靠性；通信线路
采用双向的数字信号，数据传输速度快，抗干扰能力强；并且设备即插即用，有非常大的灵活性，具这
些特点使得基于ＮｔｉｅｎＬｘ电梯群控系统实时性高，
２Ｎｒｅｓｒ矗．ｏｔａｔｎｈｅ
ａｉｈｎｄｏＨｂｉｉｕｎｄｏ０６０，ｈｎ）ｔｎｎｇａ，ｅｅＱｎａｇａ６０４ＣｉａＱａｈ
ＡｂｔａｔＩｅｐｏｓｏｔｅｒｑｅｔｏｇｔｂｌｔｎｅｌ—ｔｍｅｆｒｅｅａｏｒｕｏｔｏｙ — ｓｒｃ：ｎｒｓｎｅｔｈｅｕｓｆｈｉｈｓａｉｉａｄｒａｙｉｏｌｖｔｒｇｏｐｃｎｒｌｓｓ
ＹＵＣｉＬｏｇｈａＧＵＤｙｎｕｌ，ＩＺｎｓｕｉ，ｅｉｇｉ

论神经网络技术在电梯故障诊断中的应用

论神经网络技术在电梯故障诊断中的应用【摘要】神经网络技术在电梯故障诊断中具有重要意义。

本文首先介绍了电梯故障诊断的挑战性，随后探讨了神经网络技术在该领域的优势，包括高效的数据处理能力和较高的诊断准确度。

接着列举了神经网络技术在电梯故障诊断中的应用案例，并与传统方法进行了比较。

虽然神经网络技术有诸多优点，但也存在一定的局限性，如需要大量的训练数据和计算资源。

本文展望了神经网络技术在电梯故障诊断中的应用前景，并提出了未来研究方向。

神经网络技术有望成为电梯故障诊断领域的重要工具，但仍需不断优化和改进。

【关键词】关键词：神经网络技术、电梯、故障诊断、应用、挑战、优势、比较、案例、局限性、前景、研究方向、总结。

1. 引言1.1 背景介绍电梯作为现代建筑中不可或缺的交通工具，承载着大量人员的运输任务。

电梯也难免会出现各种故障，给人们的生活和工作带来诸多不便。

传统的电梯故障诊断方法往往需要专业的维修人员进行现场检查，费时费力且容易出现误判。

如何提高电梯故障的诊断效率和准确性成为当前亟待解决的问题。

随着人工智能技术的不断发展，神经网络技术作为人工智能的重要分支之一，逐渐应用于电梯故障诊断领域。

神经网络技术具有强大的学习和自适应能力，能够通过大量的数据学习电梯故障的规律和模式，实现对电梯故障的准确诊断。

将神经网络技术应用于电梯故障诊断中，有望提高诊断效率、准确性和可靠性，为电梯的正常运行保驾护航。

本文将重点探讨神经网络技术在电梯故障诊断中的应用，分析其优势、应用案例以及与传统方法的比较，旨在为未来电梯故障诊断技术的发展提供参考和借鉴。

神经网络技术的不断创新和发展，将为电梯行业带来更多可能性和机遇。

1.2 研究意义电梯在现代社会中扮演着重要的角色，对于人们的生活和工作起着至关重要的作用。

电梯的故障给人们的生活带来了不便，甚至会对人们的安全造成威胁。

对电梯故障进行及时准确的诊断和维修至关重要。

神经网络技术作为人工智能领域的重要分支之一，在电梯故障诊断中的应用具有重要的意义。

1基于NN 网络的电梯群控系统设计

基于N:N网络的电梯群控系统设计胡健刘玉宾（黄河水利职业技术学院自动化工程系，河南开封 475004）摘要：本文在分析群梯控制技术和N:N网络技术的基础上，提出了基于N:N网络的电梯群控系统（EGCS）设计方案，对3-8部电梯组成的梯群实施统一管理与监控。

为了验证设计的可行性，在实验室内搭建了3部模型电梯，经试验测试，在数字量和开关量两种模式下都可以满足群梯控制的要求，并实现了群梯系统的计算机监控。

关键词： N:N网络；可编程序控制器（PLC）；电梯群控系统；监控系统中图分类号：TP273.5 文献标识码：AThe Design of elevator group Control Systems Based on N:N networkHu jian（Dept. of Automation Engineering. YRCTI, HENAN, KAIFENG 475004）Abstract：This article is on the basis of group elevators control and the N:N network technology. It proposes the design plan of elevator group-control system based on the N:N network, which uniformly manages and monitors the elevator group composed of 3-8 elevators. In order to confirm the feasibility of the design, 3 model elevators has been built in the laboratory, after the experimental test, they all can satisfy the request of group elevators controlling under the digital and switch pattern, and has realized computer monitoring on the group ladders system.Key Words：N:N network；Programmable Logic Controller (PLC)；Elevator Group Control System；Monitoring System1 引言近年来，随着建筑业的蓬勃发展，高层建筑和智能化建筑的不断涌现，人们对电梯提出了越来越高的要求，单部电梯往往不能满足建筑物内垂直交通的需要，这就需要合理安装多部电梯来缓解电梯运行的压力，因此出现了电梯群控系统（EGCS）。

电梯群控制论文

基于模糊BP神经网络的自适应电梯群控仿真系统摘要：本文基于对电梯运行的行为认知，以及对电梯运行效能和服务质量的理解，对平均乘梯时间、平均侯梯时间等概念的给出以及对电梯交通模式更为合理和符合现实的定义。

我们设计利用模糊BP神经网络算法来对三个满意度进行计算，采用最优函数对电梯群进行控制。

我们先用MATLAB对单个信号进行计算并且得到了合理的调度结果。

然后利用JA V A进行仿真，设计了相应的仿真界面，完全对电梯的工作状态进行模拟，得到了满意的仿真效果。

关键词：电梯群控模糊BP神经网络JA V A仿真调度Abstract：This paper is based on the cognitive behavior of elevator run, the understanding of the elevator’s running effectiveness and quality of service, the given concepts of the average taking time and average waiting time of the elevator, as well as the more reasonable and realistic definition of the elevator traffic modes. We design using fuzzy BP neural network algorithm to calculate the three satisfactions, and adopting the best function to control the elevator group. First we use the MATLAB to calculate the single signal and get the reasonable scheduling results, then we use the JAVA to simulate, and design the simulation interface to simulate the working states of elevator completely, and finally we get the satisfied results of the simulation.Keywords：elevator group control, fuzzy BP neural network, JAVA simulation, scheduling前言随着城市中高层建筑的不断发展, 作为垂直运输主要工具的电梯得到了越来越广泛的应用。

基于C-NET的电梯群空系统

号以及上位机的控制指令，控制变频器和门控制装置实现电梯的上下
行、开关门；并通过显示电路部分
部电梯采用单独运行控制，则存在不能实现就近响应，运行效率低等问题。如何实现两部或多部电梯协调运行，提高电梯的运行效率，即
止状态计算响应该信号运行的距离
Ｎｕ２：（）比较Ｎｕ１和Ｎｕｍ４ｍｍ２的大小以决定哪部电梯进行响应。
运行状态，分别计算每部电梯响
上位机程序设计流程如图３所示。
应该外呼信号所运行的距离，响应
网络称为Ｃ— Ｔ网络。ＮＥ
电梯工业
ｈｐ．ｉｌｔｅＩ５ｔ：ｃｎ．ｔ１ｔｈａｉｎｆ
维普资讯
（）－Ｅ网络的构成１ＣＮＴ
作为一个１：Ｎ通讯链接，计算机通过Ｃ—ＮＥＴ适配器与ＦＰ相连，而且每一个ＰＣ都连有一Ｌ
际运行稳定可靠。系统的实现也比
▲ ▲
．
，ｕ
ｕ
ｕ
Ｆ一ｌ有Ｐ－呼号１，舌亏
即有人在某一
层上按下外呼按键时，（）１
较容易，这也可为其它类似系统的控制提供借鉴作用。
并由采集的外呼信号，以及两部电

基于CMAC网络强化学习的电梯群控调度

GAO Yang ,HU Jing2kai ,WANG Ben2nian ,WANG Dong2li
( National Laboratory for Novel Software Technology , Nanjing University , Nanjing , Jiangsu 210093 , China)
考虑到电梯面临的实际环境是未知的、不确定的 ,而调度
是针对顾客到达模型的在线优化. 因此 Crites 等人提出将强化学习 (Reinforcement learning) 技术应用到电梯群控调度中 ,通过仿真实验表明其方法与目前已有算法相比 ,能够获得较小的顾客平均等待时间[6] . 在 Crites 等人的方法中 ,采用 BP 神经网络逼近连续状态空间的值函数 ,但由于 BP 神经网络在增量、在线学习中收敛并不稳定. 而 CMAC 神经网络具有较好的在线增量学习能力 ,因此在本文中设计了基于 CMAC 神经网络的强化学习算法 , 对电梯群控调度进行优化. 将基于 CMAC 网络函数估计的强化学习算法应用于在下行高峰模式中 ,实验表明基于 CMAC 网络函数估计的强化学习算法能有效地减少乘客平均等待时间 ,提高电梯调度的性能 ,并相比基于 BP 神经网络的强化学习电梯调度算法具有更优的性能.
作使环境状态转移到 s′获得的瞬时代价值 ;记 Psas′为系统在状态 s 采用 a 动作使环境状态转移到 s′的概率.
马氏决策问题的目标是发现优化策略 (即在每个状态时
的动作选择) ,以使累计的代价和最小. 根据 Bellman 最优策略
公式 ,在最优策略π3 下系统在 s 状态下的值函数由式 (1) 定
Albus 于 1975 年首次提出小脑模型关节控制器 (Cerebellar Model Articulation Controller ,CMAC) ,其本质上是一个非线性映射[10] . CMAC 网络包含 3 个映射 ,分别是输入层的非线性映射 ;中间层的内部映射 ;以及输出层的线性映射. 以下结合图 2 说明 CMAC 网络的运行过程[10] .

基于改进模糊神经网络优化的电梯群控系统

基于改进模糊神经网络优化的电梯群控系统发布时间：2021-12-02T07:56:14.031Z 来源：《中国电业》2021年19期作者：李少芝1，杨凯1，张泽辰2[导读] 针对电梯群控系统（elevator group control system,EGCS）存在的非线性、不确定性和滞后性，采用基于模糊神经网络优化的群控系统，改进电梯的运输能力，提高电梯的运输效率。

根据电梯运输需求，设计目标评价函数，利用粒子群算法对适应度进行判断，提高算法的收敛速度。

结论，本文提出的算法能满足电梯运输需求。

李少芝1，杨凯1，张泽辰21.马鞍山市特种设备监督检验中心；2.安徽工业大学摘要：针对电梯群控系统（elevator group control system,EGCS）存在的非线性、不确定性和滞后性，采用基于模糊神经网络优化的群控系统，改进电梯的运输能力，提高电梯的运输效率。

根据电梯运输需求，设计目标评价函数，利用粒子群算法对适应度进行判断，提高算法的收敛速度。

结论，本文提出的算法能满足电梯运输需求。

1.前言电梯群控系统是一类具有非线性和滞后性的高不确定度问题。

电梯群控系统大部分采用集中调度控制策略,由群控调度器发送请求信号，轿厢内传感器接受信号，按照调度器指令工作。

但是群控器采用的传统控制策略承担的优化功能，目前制约电梯群控系统的高效运行。

电梯群控系统的优化控制策略是根据群控系统的目标评价函数与平均乘梯时间、平均侯梯时间和系统能耗有关，因此设计一种基于模糊神经网络优化的电梯群控系统，实现改善群控系统高不确定度的问题[1]。

2.电梯群控模型的特性电梯系统的特性包括非线性多目标性以及不完备性等，使得简单的群控算法很难再改善系统的整体性能[2]。

传统的群控算法会在客流高峰出现电梯扎堆等现象，难以适应现代智能建筑的需求。

主要问题包括：无法准确识别轿厢内人数，在传统群控系统中，只能识别轿厢是否超重，当轿厢内拥挤程度很高但没有达到超重状态时，继续响应后续外呼信号但乘客无法进入，增加了轿厢内乘客的滞留时间和能源不必要的浪费；无人停靠，群控系统多梯控制出现纰漏，可能存在延时或者协调性问题，先前轿厢已将乘客接走，但输入信号没有消除，其他轿厢继续响应这个输入信号，导致不必要的能源消耗和乘客时间的损失，降低了梯群的运载效率；不能应对客流突变，由于特殊时间段内可能出现人流爆发性增长，会极大延长平均候梯时间和长候梯概率两项指标；由于电梯群控系统的多目标性，针对不同客流模式调度控制不够精细，各类客流模式控制要求各不相同，如何平衡载客效率和系统能耗相互矛盾的评价指标，是今后群控系统改进的方向[3]。

基于神经网络的电梯调度重规划

基于神经网络的电梯调度重规划电梯调度是一项旨在提高电梯效率的关键任务。

现有的电梯调度算法通常基于一些规则或直觉，它们虽然提供了良好的电梯调度方案，但是却无法满足用户的实际需求。

因此，深度学习技术在电梯调度领域中开始得到广泛关注，尤其是基于神经网络的电梯调度方案开始受到人们的重视。

基于神经网络的电梯调度算法需要解决许多挑战和问题。

例如，如何有效地建模电梯调度问题，如何选择合适的网络结构来解决问题，如何训练模型以提高性能等等。

在这篇文章中，我们将介绍如何基于神经网络调度电梯，并解决电梯调度问题。

首先，我们需要确定如何有效地建模电梯调度问题。

电梯调度问题涉及到许多变量和决策，如电梯的位置，乘客的目的地，电梯的运行速度等等。

我们可以将这些变量表示为一个向量，然后将向量输入一个神经网络中，以获得电梯调度方案。

这个向量将包含电梯的实时位置，目标楼层，等待时间，负载等信息。

其次，我们需要选择合适的神经网络结构来解决电梯调度问题。

一般来说，我们可以选择卷积神经网络或循环神经网络来进行电梯调度。

不同的网络结构具有不同的特点和优势，我们需要根据具体情况来选择最合适的网络结构。

最后，我们需要训练模型以提高性能。

训练数据可以采集来自实际电梯系统的数据。

这些数据可以用于训练模型，以便模型能够学习如何更好地调度电梯，以提高电梯效率和用户体验。

需要注意的问题：由于电梯调度的问题本身就具有很强的不确定性和复杂性，因此，单一的神经网络模型可能无法满足所有情况的调度要求，需要通过不断地优化和改进，才能使其更加智能化和准确化。

总之，基于神经网络的电梯调度算法可以有效提高电梯调度的效率和用户体验。

随着深度学习技术的不断发展和改进，我们相信，这种算法将会变得更加准确和智能化，为用户提供更加舒适的出行体验。

一种递归神经网络的学习型电梯群控派梯算法

一种递归神经网络的学习型电梯群控派梯算法利用递归神经网络表示学习型电梯群控派梯算法：1.1 学习型电梯群控派梯算法介绍学习型电梯群控派梯算法是一种利用递归神经网络的优化方法，可以让电梯的性能演化至最优。

该算法采用空间和时间双角度：用空间角度表达每个电梯的位置，用时间角度表达电梯移动历史数据，然后把从新输入的几组数据进行辅助，从而可以依据历史数据和当前电梯状态来确定最优的派梯路线。

1.2 递归神经网络介绍递归神经网络（RNN）是一种深度学习技术，具有记忆机制，可以识别时间序列的模式。

其基本结构是一种递归神经网络架构的基础：层次网络形式结构中，每层网络后面又接一个层网络，具有记忆机制，可以将前面时间步传递下来作为当前层步输出的一部分信号。

二、原理2.1 递归神经网络分析递归神经网络是一种深度学习方法，是一种时间序列分析方法，可以将时间序列上的数据进行分析、发现非线性模式、发现时间信息等。

它的基本原理是将前一个时间的输出作为当前时间的输入，学习用以捕捉神经网络中长期依赖关系的权重累加,维持记忆数据,像动物的记忆。

2.2 电梯群控派梯算法分析基于递归神经网络的学习型电梯群控派梯算法，首先在电梯层级中，每层网络具有输入单元、隐藏层、输出层。

每层网络在训练过程中，输入层受到全部输入信号，包括电梯的位置数据和历史移动数据；隐藏层确定电梯的未来移动；输出层输出最优的派梯结果。

三、优势3.1 动态调整递归神经网络支持算法内部迭代，可以根据实际环境要求进行调整，使得算法更具有针对性。

在电梯群控派梯中，当电梯数量发生变化时，算法可以根据这些变化自动调整，自动更新因素，保证计算准确性和有效性。

3.2 智能监控递归神经网络技术可以实现实时监控，可以记录电梯的实时状态，以及用户的出行规律，从而实现智能调度，及时处理堵暖和状态，解决网络优化问题。

3.3 综合优化利用递归神经网络的学习型电梯群控派梯算法，可以实现有效的整体优化。

基于模糊神经网络的电梯群控算法研究

基于模糊神经网络的电梯群控算法研究作者：王清霞金曦来源：《中国新技术新产品》2015年第17期摘要：本文对常见的电梯智能群控算法进行了分析比较，重点研究了模糊神经网络算法。

本文首先对大厦客流的特征进行长期统计分析，进而对电梯群交通模式进行分类，利用模糊神经网络对电梯群的交通模式进行了识别。

根据系统的识别结果判定电梯群当前处于的交通模式。

然后再次利用模糊神经网络对派梯算法中各电梯响应呼梯信号的可信度进行计算，选取可信度最大的电梯响应呼梯信号，最终完成派梯。

关键词：电梯群控；模糊神经网络；交通模式；派梯算法中图分类号：TP183 文献标识码：A1 概述随着人类社会的不断发展进步，高层建筑的数量逐渐成为城市发展繁荣的标志之一，而电梯是高层建筑中不可或缺的组成部分，因此电梯技术也随之得到了飞速发展。

电梯在控制技术方面逐步从一部电梯发展为多部电梯的集中控制。

这样将多部电梯集中起来并统一进行协调和优化的调度系统，就是电梯群控系统（EGCS）。

在电梯群控系统中，智能算法是整个系统的核心，目前常见的算法主要有：专家系统、模糊控制、遗传算法、人工神经网络和模糊神经网络等。

本文采用的是模糊神经网络算法。

本文首先分析大厦客流，对电梯群的交通模式进行分类，利用模糊神经网络对电梯群的交通模式进行了识别，根据系统的识别结果判定电梯群当前处于的交通模式。

然后再次利用模糊神经网络对派梯算法中各电梯响应呼梯信号的可信度进行计算，选取可信度最大的电梯响应呼梯信号，最终完成派梯。

图1为电梯群控系统从呼梯信号产生到完成派梯的系统框图。

2 交通模式的分类与识别2.1 交通模式的分类建筑的功能不同，其乘坐电梯的人群也不同，因此往往具有不同的交通客流，每一栋大厦都有自己独特的交通客流特征。

以一栋办公高层写字楼为例，一天之中交通客流会随着时间的变化而变化。

由于上班人群具有严格的作息规律，因此交通客流变化也有一定规律可循。

对于大楼而言，交通客流主要分为三类：进入客流、层间客流和离开客流。