図面 (/)

技術 エレベータの群管理制御装置

出願人 フジテック株式会社
発明者 中川真実佐々木建次マルコンシャンドル長島一郎緑谷武田辺友晃太田直樹
出願日 1995年2月16日 (25年10ヶ月経過) 出願番号 1995-053383
公開日 1996年9月3日 (24年3ヶ月経過) 公開番号 1996-225256
状態 特許登録済
技術分野 エレベータ制御 フィードバック制御一般
主要キーワード システム状態データ パターン認識機 仮割り当て ファジー理論 判断システム 学習用サンプル 結合重み 当て用
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(1996年9月3日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (5)

構成

乗場呼びが発生するとそのときのエレベータシステム状態データから、仮割り当て手段13により従来方式で仮割り当てを行う。その割り当て結果入力パターン指標の一つとしてシステム状態データと共にニューラルネット15に入力し、その出力パターンから割り当て判定手段17により、割り当て号機を決定する。

効果

従来方式による割り当て結果を入力パターンの指標の一つとしたので、従来の割り当てに用いられていた種々の有効な指標をニューラルネットに多数入力するのと同様な効果があり、高精度の割り当て性能を発揮できるだけでなく、入力パターンに用いる指標の数も必要最小限で済み、ニューラルネットの接続構成の複雑化を防止することができる。

概要

背景

従来、エレベータ群管理制御といえば評価関数を用いた呼び割り当て方式や、ファジー理論を用いたエキスパートシステムによる呼び割り当て制御が主流であったが、最近では生物神経回路モデルにしたニューラルネットを用いて呼びの割り当てを行うという新しい方式が提案されている。

ニューラルネットとは、人間の脳をまねネットワークで、神経細胞モデル(ニューロン)が複数個、複雑に接続され、各ニューロンの動作及びニューロン間接続形態をうまく決めることによって、パターン認識機能や知識処理機能を埋め込むことができるというものであり、例えば「日経エレクトロニクス」1987年8月10日号(No427)のP115〜P124や1989年2月に産業図書株式会社から刊行された図書「PDPモデル」などに開示されており、特にニューロンを階層構造に配置したものは「バックプロパゲーション」と呼ばれる自律学習アルゴリズムを利用できることに特徴がある。

このニューラルネットを用いると、割り当てアルゴリズムを人間が一切考える必要はなく、しかも各種の交通状況に対応して、結果的には最適な割り当てかごを決定する判断システムを自動的に生成できるという優れた効果があり、例えばエレベータの呼び割り当てに用いた例としては、特開平1−275381号「エレベータの群管理制御装置」や、特開平3−31173号「エレベータの群管理制御装置」、特願平5−243817号「エレベータ呼び割当て用ニューラルネットの学習方法」などがある。

ここで呼び割り当て用ニューラルネットの一例を図4に示す。図4に示すように、呼び割り当て用のニューラルネットNNは、入力パターンエレベータシステム状態データ)に対応する入力層NR1 と、出力パターン(割り当て適性)に対応する出力層NR3 と、入力層と出力層の中間に置かれる中間層NR2 のニューロンとで構成される。

入力パターンは、エレベータシステムの状態を表す種々のデータ(乗場呼びの発生階と方向、各号機の位置と運転方向かご呼び、荷重状態等)を、呼びの割り当てに必要なパラメータとして、ニューラルネットに入力できる形に変換したものであり、入力層のニューロンの数はそのパラメータの総数に対応する。

この入力層の各ニューロンに入力データを与えると、出力層に向かって順に信号が伝わり、その結果出力層の各ニューロンからそれぞれ何らかの値が出力される。出力層では、エレベータの台数分のニューロンがあり、さまざまな入力パターンに対して、割り当てに最適である号機に対応するニューロンが「1」(最大値)を、その他のニューロンは「0」を出力するように予め学習されている。

従って、出力パターンの各ニューロンの値の中で、「1」(最大値)に最も近い値を出力したニユーロンが割り当てに最適であることを示すことになり、このニューロンに対応する号機が割り当て号機として選択される。なお、中間層(実施例では一層であるが、複数であってもよい)のニューロンの数は、エレベータの台数やビル性質等に応じて適宜定められる。

また、図示を省略しているが、各ニューロン間にはニューロンの結び付きの強さを表す結合重みシナプスウェイト)が設定されている。この結合重みは、最初は適当な値に設定されているが、その後「バックプロパゲーション」と呼ばれる学習アルゴリズムを用いて、より精度の高い呼び割り当てができるように修正していくことができる。

このバックプロパゲーションについてはよく知られているので詳細な説明は省略するが、予め作成された学習用サンプル(入力パターンと、その入力パターンに対する望ましい出力パターンすなわち教師信号とを対にしたもの)を用い、同一の入力パターンに対する出力パターンと教師信号とを比較し、その誤差を最小化するように結合重みを修正していくアルゴリズムで、まず最初はすべての重みを初期化(例えばランダムな値に設定)しておき、入力層の各ニューロンに学習用サンプルの入力パターンを与える。そしてこのときの出力パターンとその学習用サンプルの出力パターン(教師信号)とを比較し、その差(誤差)を用いて、その差が小さくなるように各結合重みの値を出力層側から順に修正していくのである。

そして、多数の学習用サンプルを用いて誤差が収束するまでこれを繰り返すと、ニューラルネットに教師信号と同レベルの呼び割当機能が自動的に埋め込まれたことになり、学習用の入力パターンだけでなく未知の入力パターンに対しても、教師信号と同レベルの呼び割り当てを行なうことができるようになる。

概要

乗場呼びが発生するとそのときのエレベータシステム状態データから、仮割り当て手段13により従来方式で仮割り当てを行う。その割り当て結果を入力パターンの指標の一つとしてシステム状態データと共にニューラルネット15に入力し、その出力パターンから割り当て判定手段17により、割り当て号機を決定する。

従来方式による割り当て結果を入力パターンの指標の一つとしたので、従来の割り当てに用いられていた種々の有効な指標をニューラルネットに多数入力するのと同様な効果があり、高精度の割り当て性能を発揮できるだけでなく、入力パターンに用いる指標の数も必要最小限で済み、ニューラルネットの接続構成の複雑化を防止することができる。

目的

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

(分野番号表示ON)※整理標準化データをもとに当社作成

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

複数の階床に対し複数台エレベータ就役させ、乗場呼びが発生すると、その時のエレベータシステムの状態を表す種々のシステム状態データを、ニューラルネット入力パターンとして使用できる形に変換して割り当て用のニューラルネットに入力し、その出力パターンから最適なかごを選択して、その乗場呼びに割り当てるようにしたエレベータの群管理制御装置において、前記システム状態データに基づいて従来方式により割り当てを行う仮割り当て手段と、該仮割り当て手段による割り当て結果を入力パターンの指標の一つとし、割り当て適性を出力パターンとするニューラルネットと、該出力パターンから割り当て号機を決定する割り当て判定手段とを備えたことを特徴とするエレベータの群管理制御装置。

請求項2

前記従来方式とは、評価関数を用いた呼び割り当て方式或いはファジー理論を用いたエキスパートシステムによる呼び割り当て方式であることを特徴とする請求項1記載のエレベータの群管理制御装置。

技術分野

0001

本発明は、ニューラルネットを用いて呼びの割り当てを行うエレベータ群管理制御装置の改良に関するものである。

背景技術

0002

従来、エレベータの群管理制御といえば評価関数を用いた呼び割り当て方式や、ファジー理論を用いたエキスパートシステムによる呼び割り当て制御が主流であったが、最近では生物神経回路モデルにしたニューラルネットを用いて呼びの割り当てを行うという新しい方式が提案されている。

0003

ニューラルネットとは、人間の脳をまねネットワークで、神経細胞モデル(ニューロン)が複数個、複雑に接続され、各ニューロンの動作及びニューロン間接続形態をうまく決めることによって、パターン認識機能や知識処理機能を埋め込むことができるというものであり、例えば「日経エレクトロニクス」1987年8月10日号(No427)のP115〜P124や1989年2月に産業図書株式会社から刊行された図書「PDPモデル」などに開示されており、特にニューロンを階層構造に配置したものは「バックプロパゲーション」と呼ばれる自律学習アルゴリズムを利用できることに特徴がある。

0004

このニューラルネットを用いると、割り当てアルゴリズムを人間が一切考える必要はなく、しかも各種の交通状況に対応して、結果的には最適な割り当てかごを決定する判断システムを自動的に生成できるという優れた効果があり、例えばエレベータの呼び割り当てに用いた例としては、特開平1−275381号「エレベータの群管理制御装置」や、特開平3−31173号「エレベータの群管理制御装置」、特願平5−243817号「エレベータ呼び割当て用ニューラルネットの学習方法」などがある。

0005

ここで呼び割り当て用ニューラルネットの一例を図4に示す。図4に示すように、呼び割り当て用のニューラルネットNNは、入力パターンエレベータシステム状態データ)に対応する入力層NR1 と、出力パターン(割り当て適性)に対応する出力層NR3 と、入力層と出力層の中間に置かれる中間層NR2 のニューロンとで構成される。

0006

入力パターンは、エレベータシステムの状態を表す種々のデータ(乗場呼びの発生階と方向、各号機の位置と運転方向かご呼び、荷重状態等)を、呼びの割り当てに必要なパラメータとして、ニューラルネットに入力できる形に変換したものであり、入力層のニューロンの数はそのパラメータの総数に対応する。

0007

この入力層の各ニューロンに入力データを与えると、出力層に向かって順に信号が伝わり、その結果出力層の各ニューロンからそれぞれ何らかの値が出力される。出力層では、エレベータの台数分のニューロンがあり、さまざまな入力パターンに対して、割り当てに最適である号機に対応するニューロンが「1」(最大値)を、その他のニューロンは「0」を出力するように予め学習されている。

0008

従って、出力パターンの各ニューロンの値の中で、「1」(最大値)に最も近い値を出力したニユーロンが割り当てに最適であることを示すことになり、このニューロンに対応する号機が割り当て号機として選択される。なお、中間層(実施例では一層であるが、複数であってもよい)のニューロンの数は、エレベータの台数やビル性質等に応じて適宜定められる。

0009

また、図示を省略しているが、各ニューロン間にはニューロンの結び付きの強さを表す結合重みシナプスウェイト)が設定されている。この結合重みは、最初は適当な値に設定されているが、その後「バックプロパゲーション」と呼ばれる学習アルゴリズムを用いて、より精度の高い呼び割り当てができるように修正していくことができる。

0010

このバックプロパゲーションについてはよく知られているので詳細な説明は省略するが、予め作成された学習用サンプル(入力パターンと、その入力パターンに対する望ましい出力パターンすなわち教師信号とを対にしたもの)を用い、同一の入力パターンに対する出力パターンと教師信号とを比較し、その誤差を最小化するように結合重みを修正していくアルゴリズムで、まず最初はすべての重みを初期化(例えばランダムな値に設定)しておき、入力層の各ニューロンに学習用サンプルの入力パターンを与える。そしてこのときの出力パターンとその学習用サンプルの出力パターン(教師信号)とを比較し、その差(誤差)を用いて、その差が小さくなるように各結合重みの値を出力層側から順に修正していくのである。

0011

そして、多数の学習用サンプルを用いて誤差が収束するまでこれを繰り返すと、ニューラルネットに教師信号と同レベルの呼び割当機能が自動的に埋め込まれたことになり、学習用の入力パターンだけでなく未知の入力パターンに対しても、教師信号と同レベルの呼び割り当てを行なうことができるようになる。

発明が解決しようとする課題

0012

ところで、上記学習の効率や学習完了後の割り当て精度は、ニューラルネットの入力パターンの各データ(指標)として何を選択するか、すなわち新規呼びが発生したときの群全体の状況を表すシステム状態データの中から何を選択し、或いはどのように加工したものをニューラルネットへの入力とするかによって大きく左右される。

0013

理屈から言えば、この入力パターンの各指標としては、各エレベータのかご位置や運転方向、呼びの発生状況、かごの荷重状態等の直接的なデータや、或いはこれらを加工した間接的なデータ等、呼びの割り当てに関連していると思われるものであれば、何でもよいと考えられる。そこで、従来方式である評価関数による呼び割り当て制御や、ファジー理論を用いたエキスパートシステムによる呼び割り当て制御に用いた評価指標、例えば乗場呼びの予測待ち時間や、新規呼びを割り当てることによる他の乗場呼びの待ち時間悪化指標等、種々の指標を導入することが考えられるが、指標の数をあまり多くすると入力層のニューロンの数が増え、接続構成が複雑となって学習にも時間がかかるだけでなく、どの指標が有効でどの指標がそれほど有効でないかを見つけ出すのに、多くの時間と労力を必要とするという問題点があった。

課題を解決するための手段

0014

上記目的を達成するため、本発明では、エレベータシステムの状態を表すシステム状態データに基づいて従来方式により割り当てを行う仮割り当て手段と、該仮割り当て手段による割り当て結果を入力パターンの指標の一つとし、割り当て適性を出力パターンとするニューラルネットと、該出力パターンから割り当て号機を決定する割り当て判定手段とを備えたことを特徴とする。

0015

本発明によるエレベータの群管理装置においては、乗場呼びが発生するとまず従来方式により呼びが仮に割り当てられ、その割り当て結果が呼び発生時のシステム状態データと共に入力パターンとしてニューラルネットに入力される。そしてその出力パターンから最適な号機が割り当て号機として決定される。

0016

以下、本発明の実施例について図面を参照しながら説明する。図1は、本発明の全体の構成を示すブロック図で、図中、1は各階床に設けられた乗場呼び釦(1つの階床分のみを図示し、他の階については省略している)、2は乗場呼び信号、A1は1号機の運行を管理する運行制御装置、同様にA2〜Anは2号機〜n号機用の運行制御装置、3は各号機の状態(かご位置や運転方向、走行または停止の別、戸の開閉状態、かご呼び、荷重サービス階、異常等)を表すかご情報信号、10はこの乗場呼び信号2とかご情報信号3からなるエレベータのシステム状態データに基づいて乗場呼びを最適な号機に割り当て、それを割り当て信号4として出力する群管理装置であり、各運行制御装置A1〜Anはこの割り当て信号4で割り当てられた乗場呼びと自号機のかご内で登録されたかご呼びに順次応答するようにかごの運行を制御する。

0017

群管理装置10はマイクロコンピュータ等で構成され、11は入出力インターフェィス、12及び12’はエレベータのシステム状態データ(12の各データと12’の各データとは、それぞれ同一であっても異なるものであってもよい)、13はこのシステム状態データ12’に基づいて従来方式で仮割り当てを行う仮割り当て手段、14は仮割り当て信号、15はこの仮割り当て結果とシステム状態データ12とを入力パターンとして入力し、出力パターンとして割り当て適性16を出力する割り当て用のニューラルネット、17はこの割り当て適性16から割り当て号機を判定する割り当て判定手段、18はニューラルネット15の学習を行う学習手段で、これらの各手段とニューラルネットはマイクロコンピュータ内のソフトウェア上で実現される。

0018

以上の構成において、本発明における割り当ての手順を図2フローチャートに基づいて説明する。

0019

まず、ステップS1において新たに乗場呼びが発生したか否かを判断し、発生していればステップS2でそのときの乗場呼び信号2及びかご情報信号3を読み込み、それをそのまま或いは一部を加工してエレベータのシステム状態データ12及び12’とする。ステップS3では、このシステム状態データ12’に基づいて従来方式、例えばファジー理論を用いた呼び割り当て方式により仮割り当てを行う。このシステム状態データ12’としては、例えばかご位置や呼びの発生階等の他に、従来から使用されている「新規乗場呼びを割り当てることによる、他の乗場呼びの待ち時間の悪化」や、「順方向で新規乗場呼び発生階以遠の乗場呼びの最大待ち時間」、或いは「新規乗場呼びの予測待ち時間」等が考えられる。

0020

ステップS4では、この仮割り当て結果とシステム状態データ12とをニューラルネットに入力できる形に変換し、入力パターンとしてニューラルネットに入力する。

0021

ニューラルネットの各ニューロン間の結合重みは、後述の手順で学習により予め設定されているので、入力パターンが決まると順次各層の出力を演算によって求めることができ、この処理をステップS5で行う。そしてその出力パターンの値からステップS6で最適と思われる号機を選択し、ステップS7でこれを割り当て信号として出力する。以後は上記の手順を繰り返すことにより、乗場呼びが順次割り当てられることになる。

0022

なお、ニューラルネットは予め学習を行っておく必要があり、シミュレーションにより或いは実際の現場でエレベータの稼働中に学習用サンプルを作成し、そのサンプルを用いて学習を行う手順について図3のフローチャートにより説明する。

0023

まず、ステップS11で新たな乗場呼びが発生したか否かを判定し、呼びが発生するとステップS12で、その呼びの発生時点におけるエレベータシステム状態データを一時記憶する。ステップS13では、この呼びをファジー群管理等の従来方式の呼び割り当て制御で割り当て、ステップS14でこの割り当て結果とシステム状態データとをニューラルネットの入力パターンに変換する。

0024

ステップS15では、この呼びがサービスされたか否かを確認し、サービスされるとステップS16で、そのサービスした号機を割り当て号機としてニューラルネットの出力パターンに変換する。このとき、割り当て変更或いは再割り当て等により、当初割り当てられた号機と実際に割り当てられた号機とが異なる場合、すなわち当初の割り当てが結果的に最善でなかった場合(但し専用運転切り換えられたためにサービスできなかったような場合は除く)は、実際にサービスした号機を割り当て号機として出力パターンに変換する。

0025

そしてステップS17で、上記の入力パターンと出力パターンとを対にして学習用サンプルとして記憶する。更にステップS18を経て、学習用サンプルが所定数に達するまで上記の手順を繰り返し実行し、ステップS19でその収集した学習用サンプルを用いてニューラルネットの学習を実施する。

0026

このようにして学習を終了すると、以後は従来方式の割り当て結果を入力パターンの指標の一つとして入力することにより、それを上回る割り当て性能の出力パターンが得られることになる。

発明の効果

0027

従来のファジー群管理や評価関数による呼び割り当て方式の割り当て結果は、有効性が実証されている種々の指標値集約した結果であり、本発明ではこれを入力パターンの指標の一つとしてニューラルネットに入力するようにしたので、従来の割り当てに用いられていた種々の有効な指標をニューラルネットに多数入力するのと同様な効果があり、高精度の割り当てを実現できるだけでなく、入力パターンに用いる指標の数も必要最小限に留めることができ、ニューラルネットの接続構成の複雑化を防止することができると共に、有効な指標を開発するのに要する時間と労力をも軽減することができる。

0028

また、従来方式の割り当て結果を入力パターンの指標の一つとし、実際に応答した号機を出力パターンとして学習するようにしたので、従来方式を上回る割り当て性能を期待することができる。

図面の簡単な説明

0029

図1本発明の全体の構成を示すブロック図である。
図2本発明における割り当ての手順を示すフローチャートである。
図3本発明におけるニューラルネットの学習手順を示すフローチャートである。
図4呼び割当て用ニューラルネットの一例を示す図である。

--

0030

A1〜An 1〜n号機の運行制御装置
1乗場呼び釦
2 乗場呼び信号
3かご情報信号
4割り当て信号
10群管理装置
11入出力インターフェイス
12システム状態データ
13仮割り当て手段
14 仮割り当て信号
15ニューラルネット
16 割り当て適性
17 割り当て判定手段
18 学習手段

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

該当するデータがありません

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

該当するデータがありません

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ