基于模糊神经网络的电梯群控系统的智能调度
首页供应商新闻产品技术应用下载研讨代理商采购供求集成商维修培训教程博客论坛论文人才市场研究展会杂志工控TV工控WAP工控观察工控MP
输入关键词综合PLC DCS PAC PC-BASED CPCI/PXI嵌入式系统专用控制器
SCADA自动化软件人机界面工业以太网现场总线无线通讯
低压变频器高压变频器运动控制机械传动机器视觉传感器
现场仪表显示控制仪表分析测试仪表执行机构工业安全低压电器 电源
纺织机械包装机械塑料机械橡胶机械印刷机械
烟草机械起重机械工程机械物流仓储电梯机床
冶金汽车电子建材造纸矿业水业
石化电力风电太阳能节能铁路轨道交通首页工控论坛专业论文方案与应用海外文摘使用维修资料下载在线教程自动化培训技术研讨会有奖征文专业图书当前位置：首页 >> 技术中心 >> 专业论文
基于模糊神经网络的电梯群控系统的智能调度
作者：张苗苗 张学军 谢剑英 来源:电子技术应用出处：阅读：发布时间：2008-1-31 12:00:00供稿：中国工控网
摘 要 提出一种新的电梯群控系统（EGCS）的评价函数,综合考虑电梯运行的评价标准并建立了相应的模糊规则。同时把这些规则映射到模糊神经网络中进行学习,提高了调度的智能性。为保证神经网络每层权值的物理意义和改善规则间的重要性,提出了部分层学习算法,并推导了中心值、宽度学习算法。最后利用面向对象的方法实现了电梯群控系统的仿真软件,结果表明此调度策略的优越合理性。
关键词 电梯群控系统 模糊规则 模糊神经网络 调度
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１ ａ 、（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。
（２）宽度修改的推导同前,有：
３．２ 部分层修改
对于ＦＮＮ,某一层的权值根据实际物理意义可能为一确定值,即使交通信息的训练样本变化也不希望对该层权值进行修正,若启动全部层学习将使该层权值改变,失去了实际的物理意义,并有可能使学习不收剑,发生振荡。为此利用部分层学习,此算法可根据实际的需要对网络的某一层或某几层进行学习。仍采用误差反传的原则,当前馈到某一层时,如该层需要学习,则对该层的权值进行修改。否则,不需要修改,但该层的误差需通过网络的内部连接传到上一层。该算法可节省学习时间,减少计算量。对图１的网络,一般第四层的权值是学习的主要参数,为此可只对该层权值进行学习。修正该层权值的目的是改善交通规则间的相对重要性,使重要规则的作用得以加强,提高电梯调度的智能性。
３．３电梯的调度
根据以上介绍,总结电梯调度过程如图２,此种电梯调度方法很好的解决了层站召唤信号的随机性、不确定性给电梯调度所带来的问题。而隶属度函数和规则的修改使神经网络模型能适应变化着的交通状况,有利于提高调度的智能性。
４ 仿真结果
根据以上的交通模式判别策略和调度算法,我们用ＶＢ编制了电梯仿真软件系统[4][5][6],该系统具有电梯参数设置、仿
真、性能统计、交通模式判别、系统帮助等功能。考虑到系统的开放性、可扩充性、柔性等特点,采用了面向对象的分析
用户注册| 用户反馈
中国工控网
? Copyright By China Industrial Control Net