熊新國(guó)，田紅彬

XIONG Xin-guo,TIAN Hong-bin

（河南職業(yè)技術(shù)學(xué)院 機(jī)電系，鄭州 450046）

電梯群控系統(tǒng)交通模式識(shí)別

Traffi c pattern recognition of elevator group control system

熊新國(guó)，田紅彬

XIONG Xin-guo,TIAN Hong-bin

（河南職業(yè)技術(shù)學(xué)院 機(jī)電系，鄭州 450046）

為了使電梯服務(wù)更優(yōu)，我們應(yīng)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(luò)中的改進(jìn)L-M算法應(yīng)用到交通模式識(shí)別的網(wǎng)絡(luò)結(jié)構(gòu)的確定當(dāng)中，并且利用MATLAB導(dǎo)出網(wǎng)絡(luò)的相關(guān)參數(shù)。試驗(yàn)結(jié)果表明，根據(jù)此種方法確定的網(wǎng)絡(luò)結(jié)構(gòu)可以準(zhǔn)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(luò)；改進(jìn)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(yùn)輸設(shè)備，其服務(wù)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(shí)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(shí)時(shí)地切換，所以在設(shè)計(jì)電梯群控系統(tǒng)時(shí)對(duì)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(duì)于生活當(dāng)中常見(jiàn)的、典型的辦公大樓來(lái)說(shuō)，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(dāng)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(dāng)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(shí)間內(nèi)當(dāng)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(dāng)，并且一定時(shí)間內(nèi)各層的進(jìn)、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(wù)時(shí)，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(lái)或從某一層離開(kāi)，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(gè)樓層而來(lái)或從某2個(gè)特定的樓層離開(kāi)，而其中一個(gè)樓層有可能是基層。

6）空閑交通模式(Free Traffic Pattern)?？臻e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(shí)間之前、下午下班時(shí)間之后以及中午休息時(shí)間。

在不同的交通模式下，對(duì)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(yīng)完成乘客的呼梯請(qǐng)求，盡可能的提高電梯的運(yùn)送能力，此兩種模式下疏散客流是最主要的考慮指標(biāo)。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(wù)，調(diào)度時(shí)對(duì)乘客的候梯時(shí)間、乘梯時(shí)間和轎廂的擁擠度等有綜合的考慮[1,2]。

2 交通模式識(shí)別的控制策略選取

近年來(lái)，針對(duì)群控電梯交通模式識(shí)別的算法有很多，有的利用人工免疫算法進(jìn)行控制[3]，有的則給出了模糊神經(jīng)網(wǎng)絡(luò)算法，但是這些算法的邏輯關(guān)系過(guò)于復(fù)雜，而在實(shí)際應(yīng)用中，現(xiàn)代電梯很多是由中小型PLC進(jìn)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(shí)現(xiàn)[4]。根據(jù)以上分析比較，本文針對(duì)中高層建筑的電梯群控系統(tǒng)的交通模式識(shí)別采用了一種簡(jiǎn)單而有效的控制策略—基于BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)Levenberg-Marquardt（L-M）優(yōu)化算法，該算法只要是能夠準(zhǔn)確確定輸入和輸出，就完全能夠利用MATLAB進(jìn)行仿真分析出網(wǎng)絡(luò)結(jié)構(gòu)，不需要大量的公式推導(dǎo)，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(jìn)L-M優(yōu)化算法還可以使網(wǎng)絡(luò)學(xué)習(xí)時(shí)間更短，能以很快的速度收斂到所要求的精度，并且不會(huì)陷入局部最小點(diǎn)，在實(shí)際應(yīng)用中效果較好[5]。

BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)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(duì)權(quán)值微分的雅可比矩陣，e為誤差向量，μ為一個(gè)標(biāo)量，依賴于μ的幅值。

3 利用改進(jìn)L-M法識(shí)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(luò)特征值確定

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

主網(wǎng)絡(luò)的輸入特征值確定為三個(gè)：

1）一定時(shí)間內(nèi)（取7分鐘）總的客流量x1。

2）一定時(shí)間內(nèi)召喚電梯（想進(jìn)門廳）的乘客總量x2。

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

對(duì)以上所說(shuō)的這3個(gè)特征值提取的基礎(chǔ)是對(duì)當(dāng)前交通流進(jìn)行比較準(zhǔn)確的監(jiān)測(cè)，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(cè)或紅外檢測(cè)裝置。3）呼梯信號(hào)統(tǒng)計(jì)設(shè)備。4）計(jì)算機(jī)視覺(jué)設(shè)備。

主網(wǎng)絡(luò)的輸出特征值確定為四個(gè)：

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(dǎo)地位的話，還需要增加一個(gè)附加網(wǎng)絡(luò)來(lái)進(jìn)一步判別，因?yàn)閷娱g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(guò)對(duì)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(duì)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(luò)隱含層層數(shù)和隱含層神經(jīng)元個(gè)數(shù)的確定

3.3.1 隱含層層數(shù)確定

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

3.3.2 隱含層神經(jīng)元個(gè)數(shù)n1的初步確定

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

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

由式(2)可初步推斷，隱層神經(jīng)元個(gè)數(shù)應(yīng)該在4～12之間。

3.3.3 確定主網(wǎng)絡(luò)隱含層神經(jīng)元的準(zhǔn)確個(gè)數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)

下面采用L-M優(yōu)化算法訓(xùn)練統(tǒng)計(jì)得出的樣本，準(zhǔn)確確定隱含層神經(jīng)元個(gè)數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)。

訓(xùn)練網(wǎng)絡(luò)時(shí)，對(duì)隱含層采用對(duì)數(shù)S型傳遞函數(shù)，函數(shù)數(shù)學(xué)表達(dá)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(luò)輸入值

對(duì)輸出層采用線性傳遞函數(shù)，函數(shù)數(shù)學(xué)表達(dá)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(xùn)練樣本時(shí)，取出分析得出的130組樣本作為訓(xùn)練樣本，剩下的29組作為測(cè)試樣本，并利用MATLAB7來(lái)仿真分析，29組樣本測(cè)試完后取平均，可得出在隱含層神經(jīng)元個(gè)數(shù)不同時(shí)的誤差，結(jié)果如表1所示。

表1 誤差統(tǒng)計(jì)表

從表1可以看出，當(dāng)隱含層數(shù)為6或者7時(shí)輸出誤差相對(duì)來(lái)說(shuō)是最小的，考慮到實(shí)現(xiàn)難易的因素，在這里取隱含層神經(jīng)元個(gè)數(shù)為6，此時(shí)BP網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2所示。

圖2 BP網(wǎng)絡(luò)模型結(jié)構(gòu)

3.3.4 主網(wǎng)絡(luò)的網(wǎng)絡(luò)模型處理

利用確定好的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練樣本繪制訓(xùn)練曲線和導(dǎo)出相關(guān)參數(shù)。

1）繪制訓(xùn)練曲線。訓(xùn)練曲線如圖3所示。

由訓(xùn)練曲線可看出，500步迭代后，誤差接近，完全能達(dá)到要求。

2）導(dǎo)出主網(wǎng)絡(luò)的相關(guān)參數(shù)

圖3 訓(xùn)練曲線圖

利用MATLAB導(dǎo)出相關(guān)參數(shù)方法如下：

1）利用wij=net.iw{1,1}導(dǎo)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(dǎo)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(dǎo)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(dǎo)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(luò)的建立

如果層間模式占據(jù)主導(dǎo)地位的話，還需要增加一個(gè)附加網(wǎng)絡(luò)來(lái)進(jìn)一步判別，因?yàn)閷娱g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(shí)需要進(jìn)行第2步的辨識(shí)。附加網(wǎng)絡(luò)的建立方法和交通模式識(shí)別主網(wǎng)絡(luò)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(shí)和交通模式的定義，附加網(wǎng)絡(luò)的輸入特征值確定為：

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

附加網(wǎng)絡(luò)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(luò)算法和改進(jìn)L-M優(yōu)化算法分別應(yīng)用到電梯群控系統(tǒng)交通模式識(shí)別中，從算法實(shí)現(xiàn)難易、實(shí)施編程后程序容量大小和最終模式判別的準(zhǔn)確度這三方面進(jìn)行對(duì)比，對(duì)比結(jié)論如表6所示。

表6 對(duì)比結(jié)論表

5 結(jié)束語(yǔ)

根據(jù)以上介紹，總結(jié)電梯群控系統(tǒng)交通模式識(shí)別過(guò)程如圖4所示，此種推理方法能準(zhǔn)確確定當(dāng)前電梯群控系統(tǒng)所處的交通模式，算法實(shí)現(xiàn)也很簡(jiǎn)單。利用上面介紹的設(shè)計(jì)方法取出70組樣本，采用L-M優(yōu)化算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最后利用S7-200PLC編程該網(wǎng)絡(luò)，并把程序運(yùn)用到縱橫公司的群控電梯模型中，調(diào)度運(yùn)行結(jié)果良好。

圖4 交通模式識(shí)別過(guò)程

[1] 宗群,尚曉光,嚴(yán)明,等.基于模糊神經(jīng)網(wǎng)絡(luò)的電梯系統(tǒng)交通模式識(shí)別[J].系統(tǒng)工程學(xué)報(bào),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(shè)計(jì)[J].微計(jì)算機(jī)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(yù)測(cè)控制[J].江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版),2008,29(1):56-60.

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

[5] 蘇高利,鄧芳萍.論基于MATLAB語(yǔ)言的BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法[J].科技通報(bào),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(qiáng),等.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)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(guó)（1974 -），男，湖北公安人，講師，碩士，主要從事機(jī)電控制方面的研究。