JPH02163275A - エレベータの群管理制御装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】

［発明の目的］ （産業上の利用分野） この発明は、複数の階床に対して複数のエレベータを就
役させるエレベータの群管理制御装置に関し、特にホー
ル呼びの割当制御に特徴を持つエレベータの群管理制御
装置に関する。 （従来の技術） 近年、複数台のエレベータを並設した場合に、エレベー
タの運転効率向上及びエレベータ利用者へのサービス向
上を図るために、各階床のホール呼びに対して応答する
エレベータをマイクロコンピュータなどの小形コンピュ
ータを用いて合理的かつ速やかに割り当てるようにする
ことが行われている。 すなわち、ホール呼びが発生すると、そのホール呼びに
対しサービスする最適なエレベータを選定して割り当て
ると共に、池のエレベータはそのホール呼びに応答させ
ないようにしている。 このような方式の群管理制御装置において、最近では、
リアルタイムにて各ホール呼びに応答した場合のかご呼
び登録データの測定、乗降中のデータｎ１定など各ビル
毎の階間交通の把握が行われ、前記測定データをもとに
ビル固有の需要を把握し、ホール呼び割当時の予測に利
用している。 このような状況において、エレベータのホール呼び割当
制御は、ホール呼びの発生に対して各エレベータの状態
より前記ビル固有の需要データをもとに、近未来の予測
を行ない、各号機毎のスケジューリングを予測し、予測
到着時間として表わし、群管理性能上の各評価指標を前
記予測到着時間をもとに数式モデルにより予測値を求め
、前記予測値を所定の評価式により評価値に変換して最
適号機を決定している。 （発明が解決しようとする課題） しかしながら、この様な従来のエレベータの群管理制御
装置では、ランダムに発生するホール呼びそれぞれに対
して、その場、その場のタイミングにて各評価指標に対
して最適モデルを用いて評価値を演算しているため、長
期的な見地からでは必ずしも最適な割当制御が行われて
いるとはいえない場合があった。 また、ホール呼びの割当は、ホール呼び発生の時点毎に
近未来の予測による各評価指標の予測値、評価式による
評価値を一定のアルゴリズムに従い演算しているため、
ビル固有の特徴を完全な形で吸収することが出来ず、予
測の狂いによる評価の狂いが生じ、最適な割当制御とな
らない場合が生じていた。 この発明は、このような従来の問題点に鑑みてなされた
もので、割当号機の応答結果に基づき、長期的見地より
割当時の予測評価との間に関係モデルを形成し、予７１
Ｆ！評価を前記関係モデルにより修正することにより各
ビル毎に長期的見地より最適な割当制御を行うことの出
来るエレベータの群管理制御装置を提供することを目的
とする。 〔発明の構成〕 （課題を解決するための手段） この発明は、複数の階床に対して複数台のエレベータを
就役させ、発生した共通のホール呼びに対してそれぞれ
のエレベータの情報に基づき所定の予測評価演算を行な
い、各エレベータ毎の評価を行なって最適な号機に上記
ホール呼びを割当てるエレベータの群管理制御装置にお
いて、ホール呼び発生時の割当処理における予測データ
を格納する手段と、 割当号機が前記ホール呼びに応答した時の実測データに
よる評価演算を実行し、格納する手段と、前記実測デー
タ格納手段からの実測データによる実１１１１＋評価を
教師データとし、前記予測データ格納手段からの予測評
価との間にニューラルネットによる関係を形成し、ホー
ル呼び発生時の予７１？１評価に対して修正を行なう手
段とを備えたものである。 （作用） この発明のエレベータの群管理制御装置では、割当号機
の応答時に実測データにより実測評価値の演算を行ない
、ニューラルネットの教師データとする。そして、ホー
ル呼び割当時のニューラルネットの状態をもとに、前記
教師データによりバックプロパゲーションにより各ニュ
ーロンの重みの修正を行ない、各ビル毎に予測評価と実
測評価の間にニューラルネットによる関係を形成し、学
習により各ニューロンの関係を収束させていき、ビル毎
にニューラルネットの自己組織化を図り、ホール呼び発
生時に長期的見地から最適な割当制御を実施する。 （実施例） 以下、この発明の実施例を図に基づいて詳説する。 第１図はこの発明の一実施例を示しており、１は群管理
制御部であり、この群管理制御部１は各単位エレベータ
の制御を行なう単体制御部２−１〜２−Ｎと第１の伝送
制御部である高速伝送路６を介して接続されている。 この群管理制御部１及び単体制御部２−１〜２−Ｎは、
単数あるいは複数のマイクロコンピュータなどの小形計
算機により構成されており、ソフトウェアの管理化に動
作する。 また、３は各階に設けられたホール呼びボタンであり、
４はホール呼びの入出力を行なうホール呼び入出力制御
部である。そして、群管理制御部１、単体制御部２−１
〜２−Ｎ及び各ホール呼び入出力制御部４は、第２の伝
送制御手段である低速伝送路７を介して接続されている
。 高速伝送路６は、単体制御部２−１〜２−Ｎと群管理制
御部１との間、すなわち、主に機械室の制御計算機間の
伝送を行なう伝送制御系であり、高速で高インテリジェ
ントなネットワークで接続されている。そして、群管理
制御に必要な制御情報を群管理制御部１、各単体制御部
２−１〜２−Ｎの間で高速に授受している。 低速伝送路７は、各ホールのホール呼びボタン３、監視
室の監視盤５など、主に昇降路を介して情報の伝送を行
なう制御系であり、高速伝送路６に比較して低速であり
、長距離のため、光フアイバケーブルなどにより構成さ
れており、群管理制御部１、単体制御部２−１〜２−Ｎ
と接続され、データの授受を行なっている。 群管理制御部１が正常な場合、ホール呼びボタン３は低
速伝送路７を介して群管理制御部１にて制御され、ホー
ル呼びボタン３が押されるとホール呼びゲートを閉じて
登録ランプをセットするとともに、高速伝送路６を介し
て送られてくる単体制御部２−１〜２−Ｎの情報をベー
スに最適号機を決定し、その単体に対して制御指令を行
なう。 そして、制御指令を受けた単体制御部はこの制御指令を
ホール呼び情報として単体制御を行なう。 第２図はこの発明のエレベータの群管理制御装置の実施
例における群管理制御部１と単体制御部２−１〜２−Ｎ
のソフトウェアシステムの一例を示しており、このソフ
トウェアシステムの構成は、オペレーティングシステム
であるリアルタイムＯ８８により単体制御機能タスク９
、群管理制御メイン機能タスク１０、群管理制御サブ機
能タスク１１、伝送制御タスク１２が管理されており、
リアルタイム０３ｇ内のスケジューラにより各タスク９
〜１２が起動されたりホールドされたりしている。 これら各タスク９〜１２の内の単体制御機能タスク９は
、単体制御部２−１〜２−Ｎを動作させるためのタスク
であって、優先順位が高く設定されている。 群管理ｊｕｌＪ御メイン機能タスク１０は、群管理制御
部１の中心になる機能であり、各単体制御部２−１〜２
−Ｎに分散した群管理制御サブ機能タスク１１より各号
機毎の情報データを収集し、比較演算することにより最
適号機を決定し、該当号機に対して制御指令を行なうと
ともに、ホール呼び登録の制御を行なう。 群管理制御サブ機能タスク１１は、群管理制御部１の各
号機単位の情報の処理を行なう機能であり、群管理制御
メイン機能タスク１０の制御の下に情報の処理を行なう
。すなわち、群管理制御メイン機能タスク１０を有する
コンピュータにより、高速伝送路６を介してタスクの起
動、終結の管理を行なう構成となっており、マスクであ
、るメイン機能タスク１０からの指令により号機単位に
分散処理を行ない、メイン機能タスク１０に対して処理
完了時点でデータを搬送する。 伝送制御タスク１２は、高速伝送路６のデータの授受及
び群管理制御サブ機能タスク１１の起動、終結の制御を
行なう。 第３図は、第１図の高速伝送路６のシステム構成を示す
ブロック図であり、伝送制御はマイクロプロセッサ１３
を用いて行なう構成であるが、例えば１５０（国際標準
化機構）が提唱するＬＡＮネットワークモデル階層のデ
ータリンク階層を制御する部分としてハードウェアで構
成されたデータリンクコントローラ１４及びメディアア
クセスコントローラ１５を用いており、データ伝送を高
インテリジェントにて行なえる構成となっている。 そして、高速伝送制御に対してマイクロプロセッサ１３
が管理する伝送制御ソフトウェアの比率を軽減させる構
成がとられている。 例えば、上記高インテリジェント伝送制御を実現するた
めのコントローラであるデータリンクコントローラ１４
としては、インテル（Ｉ　ＮＴＥ　Ｌ）社のＬＳＩであ
るｔ８２５８６が、またメディアアクセスコントローラ
１５として同じくインテル社の１８２５０１などが実用
化されており、これらを用いることによりＩＯＭビット
／秒というような高速伝送機能をマイクロプロセッサ１
３のサポート比率を軽減した形で比較的容易に行なえる
。 尚、第３図において、１６はシステムバス、１７は制御
ライン、１８はシリアル伝送系である。 上記構成のエレベータの群管理制御装置の動作について
、次に説明する。 第４図はホール呼び割当処理を示す機能ブロック図であ
り、ホール呼びボタン３によるホール呼び発生に対する
各制御処理の流れを表わしている。 そこで、ホール呼びボタン３が登録され、ホール呼び発
生が検知されると（ブロックＢ１）、群管理制御部１よ
り各単体制ｇａ部２−１〜２−Ｎに対して号機単位処理
Ｐ１の起動が要求される。 この号機単位処理Ｐ１は各号機別予測評価演算を行なう
処理であり、各号機エレベータの状態を取り込み（ブロ
ックＢ２）、予測演算により各号機の近未来の予測を行
ない、スケジューリングの予７ＮＰ１を行ない、各階床
への予測到着時間ｔ、（ｉ。 １０を求める（ブロックＢ３）。 ここで、ｋは方向別階床、ｈはホール呼び発生！昔、１
は号機を表わしており、ｈ階のホール呼びをｉ号機に割
り当てた場合の到着時間の予Ａ１１Ｊ値がこの

【、で表
わされることになる。 予ａｌｌ演算によって求まった予測到着時間をもとにし
て、次に評価演算を行なう（ブロックＢ４）。 この評価演算は、一般的に複数の評価指標ｍに対して行
われ、ｉ号機に対するｈ階のホール呼びに対して、 ｇｒ　　（ｉ＋　　ｈ）ｒ　ｇ２　（ｔ＋　ｈ）＋・・
・・・・１ｇｓ　　（ｔ　＊　ｈ）と表わされる。 各評価指標ｊに対して評価値ｇ＋　　ｃｉ、ｈ）は、一
般に前記演算済みの予ａｌｌ値ｔｍ　　（ｉ＋　　ｈ）
の関数であり、例えば、“長持ち防止”という評価指標
を考えた場合、前記予ｎ１値ｔ、（ｉ、ｈ）において、
ｉ号機が既割当てとなっている階及びホール呼び発生階
りの予δ―ｌ未応答時間ｔＱ、ｔｌ、ｔ２、・・・・・
・、ｔ　の最大値が一例として考えられる。 尚ここで、予ｎ１未応答時間とは、前記予測到着時間と
ホール呼びの経過時間との和である。 各評癌指標別評価ｍｇ＋　　（ｔ、ｊ）（ｊ：１〜ｍ）
の演算が完了したところで、各単体制御部２−１〜２−
Ｎより群管理制御部１に対して高速伝送路６を介して演
算結果である予測評価値が返送される。 次に、群管理制御部１の群管理制御メイン機能タスク１
０において、ニューラルネットによる予測評価値ｇ＋　
　（ｔ、ｈ）の修正を行なう（ブロックＢ５）。 このニューラルネットは、第５図の群管理割当評価ニュ
ーラルネット構成図に詳しく示されているように、人力
としてブロックＢ４による各評価指標別予測評価値ｇ＋
　　（ｉ、ｈ）及びブロックＢ６のエレベータシステム
状態をとり、出力として各評価別割当評価値ｇ＋　　　
（ｉ、ｈ）をとる構成をなし、各入出力間は、入力層、
出力層の間に中間層を持つニューロンの集合からできて
いる。 第５図中の信号伝送過程、すなわち順方向の信号の流れ
により補正後の最終評価値となるｉ号機の評価別割当評
価値 ｇｒ　　　ｃｉ、ｈ）、ｇ２”　　（ｉ、ｈ）。 ・・・・・・−ｇｍ　　　（ｔ、ｈ） を全号機について求める。 尚、ニューラルネットの動作については、後はど第６図
及び第７図に基づいて説明する。 こうして求まった各号機別割当評価値について、選択機
能により総合評価値 Ｅ＋　　（Ｉｌｌ　　　ｃｔ、ｈ）、ｇ２”　　（ｉ、
ｈ）。 ・・・・・・１ｇ＋ｍ　　　（１，ｈ））を求め（ブロ
ックＢ７）、最小評価値をもつ号機にｈ階のホール呼び
の割当を行なう（ブロックＢ８）。 ここで、総合評価値は、各評価別割当評価値ｇｃｉ、ｈ
）の関数であり、重み付は加算を例にとると、ｉ号機の
総合評価値Ｅ１は、Ｅ＋−Σα、・ｇｒ　　（ｉ、、ｊ
） と表わされる。ここで、α、は各評価指標ｊにおける重
み付は値を意味する。 次に、群管理割当評価ニューラルネットの構成を示す第
５図、ニューロンの構成を示す第６図、及びニューロン
の入出力特性を示す第７図に基づいてニューラルネット
の動作を説明する。 ニューラルネットは第５図より入力層１９、中間層２０
、出力層２１より構成され、各層には第６図のユニット
Ｕｌとなる多数のニューロンによりネットワークを組ん
だ構成をとり、人力層−中間層−出力層の方向に結合し
ている。 前記第４図におけるブロックＢ５の群管理割当評価ニュ
ーラルネットにおいては、入力としてブロックＢ４の各
評価指標別評価値、及びブロックＢ５のエレベータシス
テム状態をとり、出力として各評価別割当評価値をとり
、第５図においてそれぞれｉＩ、ｉ２．・・・、　　ｉ
ｓ　：　ｌｓ＋Ｉ　＋　・・・、ｉ、；０１．０２．・
・・、ｏｌにて表わされる。 各ニューロンは第６図に示す構成をなし、他のユニット
から入力’Ｉ＋　　０２＋　・・・、ｏ、を受けると、
これらの入力を一定の規則で変換して結果〇を出す。 他のユニットとの結合部は、それぞれ可変の重み　Ｗｌ
ｌ”を付ける。これはシナプスと呼ばれ、結合の強さを
表わすためのものであり、この値を変えることでネット
ワークの骨造が変わる。そしてネットワークの学習は、
この値を変更することにより行なえる。 ユニットＵ＋が複数のユニットより入力。１ｏ２．・・
・、ｏ、を受けた場合の出力０．は、以下の式（１）に
より与えられる。 ｆ＋　　（ｎｅ　ｔ＋　）　　　　　　　　　　−（１
）ここで、 ｎｅｔ＋−ΣＷＩＩＯＩ 盪 １＋　ｅ　−’−彎１１４１目 ここで、ｆ、は一般に上記のように第７図に示す入出力
特性を有しており、ｓ　ｉ　ｇｍｏ　ｉ　ｄ関数によっ
て表わされる。 この様に、各ユニットは非線形な人出力特性を持つので
ある。 次に、各ニューロンの結合の強さを変化させながらある
一定値に収束されるパックプロパゲーションについて説
明する。 第５図における出力層２１から入力層１９への学習過程
がパックプロパゲーションであり、群管理割当評価ニュ
ーラルネットにおいては、割当号機が割当階に応答した
時点で得られた前記ブロックＢ３の予測演算に対する実
測データ、すなわち実ＪＰＩ到着時間を基にして求まっ
た実測評価値を教師信号として呼び、割当時の予測評価
値との差を減らすように重み“Ｗｌｌ”の結合の強さを
変更することを意味している。 学習アルゴリズムは、一般的には第６図のユニットＵ、
において、ある入カバターンが与えられた時、実際の出
力ｏ、と、望ましい出力を−との差、 Ｅ　ｐ＝　　　　　　（ｔ　　ｌ　　Ｏ＋　　）　　２
−　　（２）り を減らすように重み　Ｗｌｌ’を変化させていく。 各学習プロセスにおける人力信号に対して、それに対応
する望ましい教師信号を与え、重み結合を変化させるバ
ックプロパゲーション゛プロセスの重み結合“Ｗ、ｌ“
の変化量ΔｗｌＩは以下の（３）式により与えられる。 ６ｗ　１（ｎ　　＋　　１　） 一ηδ１０１＋αΔｗ　ｚ　（ｎ　）　−（’３　）こ
こで、０４は、ユニットＵ、からユニットＵへの人力値
であり、δ１は学習法則を決める学習信号であり、以下
の式により演算される。 δ ＝（ｔ＋　　　　ｏ＋）’ｆ−１（ｎｅｔ＋）−−ｉが
出カニニットの場合 δ ｆ （ｎｅｔ霞Σδｋｗ、。 ｍ−１が中間ユニットの場合 ただし、ｆ−＋はｆｌの微分値である。 上記より学習信号δ、は、再帰関数となり、出力層２１
の出力及び教師データを初期値として出力層２１から入
力層１９に向かって順次学習信号が計算される。 上記（３）式において、ηは学習定数、αは安定化定数
、ｎは学習の回数を表わしている。 この（３）式の定性的な意味は、ある入力が与えられる
と、重み　Ｗ、“の変化量Δｗ、１（ｎ＋１）は、前記
入力による各ニューロンの状態と教師データとより各ユ
ニットの学習信号δを再帰的に求め、前回までの変化】
Δｗ、１（ｎ）に安定化定数を掛けた値と、今回の変化
量ηδｌＯ＋との和により求まる。 従って、重み“Ｗｌｌ　　は、ニューラルネットの人出
力関係により変化量ΔＷ　１　Ｈが減少していき、出力
値と望ましい出力値との差がなくなるような重み値に収
束していく。 次に、第８図に示す群管理割当評価ニューラルネットの
学習アルゴリズム処理のフローチャートに基づき、群管
理制御におけるパックプロパゲーション動作についてて
説明する。 割当号機のホール呼び応答時の実測データ、すなわち予
測ではなく実測された到着時間データに基づいて割当時
と同様のアルゴリズムによる評価演算を行ない、実−ｐ
１評価値 Ｇ＋　　（ｉ、ｈ）、Ｇ２　　（ｉ、ｈ）。 ・・・・・・、Ｇ−ａ　　（ｔ　、ｈ）を求める（ステ
ップＳｌ）。 ここで、各評価指標別実測評価値Ｇ＋（ｉ、ｈ）は、前
述のホール呼び割当時の各評価指標利子ｆｌｌｌｌ評価
値ｇｒ　　（ｉ、ｈ）に対応し、相違は予４１１演算に
よる予測到着時間ｔｉ（ｉ、ｈ）の関数ではなく、実測
により求まった到着時間Ｔ、（ｉ’、ｈ）の関数となる
ることであり、各評価指標の演算モデルは同一である。 ホール呼び割当時のニューラルネットへの予測評価値入
力 ｇ＋　　　（ｉ、　　ｈ）、　　ｇ２　　ｃｔ、　　ｈ
）。 ・・・・・・＋　　ｇｗｎ　　（ｌ、　ｈ）と、エレベ
ータシステム状態入力及び二二一うルネットから得られ
た割当評価値出力 ｇ＋　　　　（ｉ、　　ｈ）、　　ｇ２”　　（ｉ、　
　ｈ）。 ・・・・・・、ｇ、　　　　（ｉ、ｈ）及び各ニューロ
ンの状態より、前記実測評価値”Ｉ　（ｔ＋　　ｈ）ｒ
　　０２　　（ｉ＋　　ｈ）ｒ・・・・・・、Ｇ−ｉ　
　（ｔ、ｈ） を教師データとして、各評価指標ｊにおける出力値ｇ＋
　　　（ｉ＋　　ｈ）と望ましい出力値Ｇ１　　（ｉ。 ｈ）との差を減らすように各重みＷの結合の強さを変え
ていく　（ステップＳ２）。 重み変更アルゴリズムは、前記（３）式により重み変化
量ΔＷを第５図に示すニューラルネットにおける各ニュ
ーロンの重みＷに対して求め、ニューラルネットの構造
を変更していく　（ステップ５３）。 尚ここで、（２）式における実際の出力０１が各割当評
価値出力ｇ＋　　　（ｉ、ｈ）に対応し、望ましい出力
ｔ、が各実測評価値Ｇ＋（ｉ、ｈ）に対応する。 このようにして、ビル稼動後も第８図に示す動作に従っ
て、第５図に示すニューラルネットの構造を変更してい
き、各ビル毎の特徴を捕らえたニューラルネットが自動
的に形成でき、自己組織化を図ることができ、ビル固有
の特徴を完全な形で吸収することが可能となる。 また、割当号機の応答結果に基づき、長期的見地より割
当時と応答時との間に関係モデルを形成しているため、
長期的見地より最適な割当制御を実現できるのである。 尚、この発明は上記の実施例に限定されるものではなく
、例えば群管理割当ニューラルネットの構成を、その人
力として予測評価値とエレベータシステム状態をとり、
出力として実？ＶＰＩ評価値とする構成をとったが、応
答後の実測データを教師データとして利用する構成とす
る限り、入出力制御パラメータを他、の項目による構成
としても可能である。 ［発明の効果コ 以上のようにこの発明によれば、割当号機の応答後の実
測データをもとにして割当時の予測評価値の自動修正を
行なうようにしているため、各ビル固有の特徴を完全な
形で吸収することができ、ホール呼びによる割当制御の
精度向上が図れ、群管理制御性能が向上する。 さらに長期的見地より割当時と応答時に関係モデルを用
いているため、長期的見地からの最適な割当制御が実現
できる。

【図面の簡単な説明】

第１図はこの発明の一実施例のブロック図、第２図は上
記実施例の群管理制御部及び単体制御部のソフトウェア
システムの構成図、第３図は上記実施例の高速伝送路の
システム構成図、第４図は上記実施例のホール呼び割当
処理ブロック図、第５図は上記実施例の群管理割当評価
ニューラルネット構成図、第６図は上記実施例のニュー
ロンの構成図、第７図は上記ニューロンの入出力特性を
示すｓ　ｉ　ｇｍｏ　ｉ　ｄ関数グラフ、第８図は上記
実施例の群管理割当評価ニューラルネットの学習アルゴ
リズム動作を示すフローチャートである。 １・・・群管理制御部 ２−１〜２−Ｎ・・・単体制御部 ３・・・ホール呼びボタン ４・・・ホール呼び入出力制御部 ５・・・監視ｆｆｉ　　　　　　　６・・・高速伝送路
７・・・低速伝送路　　　　８・・・リアルタイムｏｓ
９・・・単体制御機能タスク １０・・・群管理制御メイン機能タスク１１・・・群管
理制御サブ機能タスク １２・・・伝送制御タスク １３・・・マイクロプロセッサ １４・・・データリンクコントローラ

Claims (1)

1. 【特許請求の範囲】 複数の階床に対して複数台のエレベータを就役させ、発
   生した共通のホール呼びに対してそれぞれのエレベータ
   の情報に基づき所定の予測評価演算を行ない、各エレベ
   ータ毎の評価を行なって最適な号機に上記ホール呼びを
   割当てるエレベータの群管理制御装置において、 ホール呼び発生時の割当処理における予測データを格納
   する手段と、 割当号機が前記ホール呼びに応答した時の実測データに
   よる評価演算を実行し、格納する手段と、前記実測デー
   タ格納手段からの実測データによる実測評価を教師デー
   タとし、前記予測データ格納手段からの予測評価との間
   にニューラルネットによる関係を形成し、ホール呼び発
   生時の予測評価に対して修正を行なう手段とを備えて成
   るエレベータの群管理制御装置。