JPH0331173A - 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】 〔産業上の利用分野〕 この発明は、複数台のエレベータが並設されている場合
において、乗場呼びを最適なエレベータに割当てるのに
有効なエレベータの群管理制御装置の改良に関するもの
である。

〔従来の技術〕

現在のエレベータにおいて、群管理制御の主流をなすの
は評価関数を使用した割当て制御である。

これは、例えば乗場呼びが発生ずるごとにその呼びをど
のかごを割当てるのが最適であるかを、予測待時間等の
種々の評価指標に対する所定の評価関数を用いて各かご
毎に数値計算し、その値の最も大きいかごまたは最も小
さいかごに割当てるもので、評価指標を適切に選び評価
関数を工夫することで高度な制御を行うことができる。

一方、最近ではより高度な制御を行うため、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当て制御
が提案されている。

これは種々の評価指標をファジー量としてとらえ、適切
な割当方法をＩ　Ｆ　−Ｔ　Ｉ（Ｅ　Ｎ形式で記述した
ルール群を用いて、そのルール群に対する適合度から最
適なかごを選択し割当てる方法で、これによるとエキス
パートの知識を制御に組み込むことが容易となり、ビル
の特徴に合わせたきめごまかな制御を実現することがで
きる。

更にまた、ニューラル・ネットにューロコンピュータ）
を利用することにより、最適な割当てかごを決定する判
断システムを、実際の運転例により自動的に学習し生成
することのできる、従来とは全く異なる新しいエレベー
タの群管理制御装置が提案されており　（例えば特願昭
６３−・１０５６３３号「エレベータの群管理制御装置
」）、これについて第３図〜第７図によりその概要を説
明する。まずニューラル・ネットについて簡単に説明す
る。

ニューラル・ネットとは、人間の脳を真似たネットワー
クで、脳のニューロン（神経細胞）に対応したユニット
が複数個、複雑に接続し合ったもので、各ユニソ１−の
動作及びユニット間の接続形態をうまく決めることで、
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
、例えば、「日経エレクトロニクスｊ１９８７年８月１
０日号（ｍ、　４２７）のＰ１１５〜Ｐ１２４などに紹
介されている。

まずニューロンをモデル化したユニットの構造を第３図
に示ず。ユニットＵ８は他のユニットからの入力ＱＪの
総和を一定の規則で変換し、Ｑ。

とするが、他のユニットとの結合部にはそれぞれ可変の
重みＷ８．が付いている。この重みは各ユニット間の結
合の強さを表わすだめのもので、この値を変えると接続
を変えなくても実質的にネットワークの構造が変わるこ
とになる。後述のネットワークの学習とはこの値を変え
ることであって、重みＷ　ｉ　ｊは正、ゼロ、負の値を
とる。ゼロは結合のないことを表わす。

あるユニットが複数ユニットから人力を受けた場合、そ
の入力の総和をＮＥＴで表わすとすると、ユニットｕｔ
　の入力の総和は、 ＮＩＥＴ、　　−ＺＷ、ＩＱＪ である。

各ユニットはこの人力の総和ＮＥＴを関数ｒに適用し、
次式に示すように出力Ｑ、に変換する。

Ｑｉ　　＝　　　ｆｃ　　ＮＥＴｉ　　）−ｆ（ΣＷｉ
、ＱＪ　） この関数ｆは各ユニソＩ・ごとに違ってよいが、一般に
は第４図（ａｌに示したしきい値開数又は第４図（ｂｌ
に示したｓｉｇｍｏｉｄ関数を使う。

このｓｉＢｍｏｉｄ関数は、微分可能な疑似線形関数で
、 で表せる。値域は０〜１で、人力値が大きくなるにつれ
１に、小さくなるにつれＯに近づく。入力が０のときは
０．５となる。しきい値θ　（バイアス）を加えて、 とする場合もある。

第５図は、ネットワークの構造の−・例を示す図で、ユ
ニット間の結合部の重みは図示を省略している。

ニューラル・ネットは、ネットワークの構造からパター
ン連想型と自動連想型に分類されるが、ここではパター
ン連想型を用いて説明する。パターン連想型とは、入力
パターンをある出カバターンに変換するネソ１−ワーク
で、第５図のように各ユニットを入力層、中間層、出力
層に階層化している。各ユニットは人力層から出力層に
向けて接続されるが、各層内のユニット同士は接続しな
い。

また、入カニニットと出カニニットは独立している。

このようなニューラル・ネットにおいて、入力層の各ユ
ニットに入力データを与えるとこの信号は各ユニットで
変換され、中間層に伝わり、最後に出力層から出てくる
が、望ましい出力を得るためには各ユニット間の結合の
強弱すなわち重みを適切な値に設定する必要がある、こ
の重みの設定は、ネットワークを次のように学習させる
ことによって行う。

まず最初は、すべての重みをランダムに設定しておき、
入力層の各ユニットに学習用の入力デタ（予め望ましい
出力の分っているデータ）を与える。そしてこのとき出
力層の各ユニットから出てきた出力値と望ましい出力値
を比べ、その差（誤差）を減らすように各重みの値を修
正する。

そしてこれを多数の学習データを用いて誤差が収束する
まで繰り返す。この誤差の値から各重みの値を修正する
学習アルゴリズムについては後述する。

こうして学習を終了すると、ニューラル・ネット内に知
識処理機能が自動的に埋め込まれたことになり、学習用
のデータだけでなく未知の人力データに対しても常に望
ましい出力が得られるようになる。

なお、このニューラル・ネットは各ユニットを増幅器や
抵抗を用いて構成しＬＳＩ化することも可能であるが、
ソフトウェアで仮想的なニューラル・ネットを構成して
すべて演算で処理することもでき、マイクロコンピュー
タで実現することが可能である。

第６図は、ごのニューラル・ネ・７１をエレベータの割
当て制御に利用した場合の全体の構成の一実施例を示す
図で、ここでは説明の便宜上、制御対象エレベータが１
号機と２号機の２台のみとするが、勿論何台の場合でも
同様に構成することができる。

第６図において、Ｉは各階に設けられた乗場呼び釦（１
つの階床のみを図示し、他は省略している）、２は乗場
呼び信号、３Ａは１号機の運行を管理する運行制御装置
、同様に３Ｂは２号機の運行を管理する運行制御装置、
４は各かごの状態（かご位置、方向、停止２走行１戸開
閉状態、かご呼び、荷重等）を表わすかご情報信号、５
は群管理装置として割当ての機能を果たすだめのマイク
ロコンピュータで、入出力インターフェイス６を介して
読込んだ乗場呼び信号２やかご情報信号４の各データ６
ａを基に、ニューラル・ネットへの入力となる各人カバ
ターン要素７ａを演算する入力パターン演算手段７と、
ニューラル・ネット８と、ニューラル・ネット８の出力
８ａからどの号機が最適であるかを判定する割当て判定
手段９とを備え、その割当て結果を入出力インターフェ
イス６を介し、割当て信号１０として出力する。各運行
制御装置３Ａ及び３Ｂは、この割当て信号１０によって
割当てられた乗場呼びと、自号機に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。

第７図は、ニューラル・ネットへ入力される各入力パタ
ーン要素の一例を示ず図で、ａ、〜ｄ１はそれぞれ１号
機の状況を表わす入力パターン要素、ａ２〜ｄ２はそれ
ぞれ２号機の状況を表わす入力パターン要素であり、ａ
ｔ（ａｚ）は、新規乗場呼びの発生した階と１（２）号
機の現在階との階床差、ｂｌ（ｂ２）は１（２）号機が
現在階と新規乗場呼びの発生階との間に受は持っている
呼びの数、Ｃ（Ｃ２）は新規乗場呼びの発生階以遠に１
（２）号機に割当てられている乗場呼びの数、ｄｌ（ｄ
２）は１（２）号機の現在の乗車人数を表わしている。

なお、これらの各人カパターン要素は、すべて第６図に
示した入力パターン演算手段によって演算される。第７
図のニューラル・ネット８は、図示を省略しているが、
各入力パターン要素ａ１〜ｄ及びａ２〜ｄ２のそれぞれ
に対応するユニットからなる入力層と、適当な数のユニ
ットからなる中間層（１層に限らない）と、出力Ａ、及
びＡ２に対応するユニットからなる出力層で構成される
。ここでＡ、は１号機の割当適性を表わす出力信号、Ａ
２は２号機の割当通性を表わす出力信号で、このＡとＡ
２が第６図の割当て判定手段９に人力され、割当て信号
１０が出力される。

以上の構成において、実際に割当てを行うにはまずニュ
ーラル・ネットの特性を、各ユニット間の重みを設定す
ることによって決定する必要がある。この重みの設定は
、一般的な設定方法として知られているバックプロパゲ
ーションによる学習を利用する。この学習は次のように
して行う。

まず最初は、各ユニット間の重みは適当な値に無作為に
設定しておく。一方、実際の運転例等から学習用サンプ
ルを多数作成する。この学習用サンプルは、例えば新規
乗場呼びとその時の１号機及び２号機の状態の組合せを
一つ想定し、この状態では何分機に割当てるのが最適か
を専門家の判断により或いはシミュレーション等を用い
て判断し、もし１号機が最適であればそのときの各入力
パターン要素に対して１号機に対応する出力への出力目
標を１に、２号機に対応する出力Ａｔの出力目標を０と
して作成したものである。そしてまず最初の学習用サン
プルにより、１号機と２号機の状態から新規乗場呼び発
生時の各入力パターン要素ａ１〜ｄ、及びａ２〜ｄ２を
演算し、ニューラル・ネットの入力層の各ユニットに入
力する。この入力データは入力層から出力層へ向けて順
次処理され、各ユニットは第４図に示した入出力特性で
あるので、その結果出力Ａ１及びＡ２は必ず０〜１の値
となるが前述のように最初は重みが無作為に設定されて
いるので、この出力Ａ、及びＡ２の値は出力目標とは違
った値となる。そこでこの出力目標と実際の出力との差
を誤差とし、この誤差を用いて重みの修正を、出力層か
ら入力層に同番ノて行っていく。この重みの修正の４１
算は周知であるのでここでは説明を省略する。

こうして各ユ二ノ１−間の重みの修正を終了すると、次
に２番目の学習用サンプルにより、各入力パターン要素
を演算して入力し、そのときの出力目標と実際の出力と
の誤差から再度各ユニット間の重みを修正する。こうし
て多数の学習用サンプルを用いて上記と同様の手順を繰
返すと、上記誤差が十分小さくなり、やがて収束する。

学習を完了すると各重みはそれぞれ固有の値に収束して
いるので、それを固定化すると実際の運転に用いるニュ
ーラル・ネットの各ユニット間の重みがそれぞれ設定さ
れたことになる。

以後はこれを実際の割当てに用いる。すなわち新規乗場
呼びが発生ずると、その時点における１号機と２号機の
状況から各入力パターン要素ａ１〜ｄ、及びａ２〜ｄ２
が入力パターン演算手段７で演算され、ニューラル・ネ
ット８へ入力される。

ニューラル・ネット８では、各入力パターン要素が人力
層から出力層へ向けて順次処理され、その出力Ａ１及び
Ａ２が割当て判定手段９に入力される。

そして割当て判定手段９はこの出力Ａ、とＡ２を比１ 較し、その値が１に近い方の号機に割当信号１０を出力
するのであるが、このときニューラル・ネット８の各重
みは学習用サンプルを用いて学習し、収束した値にそれ
ぞれ設定されているので、学習用サンプルの場合と同じ
判断基準で割当てが行われることになる。

このように、ニューラル・ネ７　ｌ・を用いると、学習
用のサンプルを多数作成し学習を繰返すだけで、各種の
交通状況に対応して最適な割当てかごを決定する判断シ
ステムを自動的に作成することができ、きわめて高度な
割当て制御を行うことが可能となる。

〔発明が解決しようとする課題〕

ところで、実際にエレベータが設置されるビルの性質や
交通状況を事前に正確に把握することは極めて困難であ
り、このため上記何れの方法においても、割当ての判断
基準となる評価式や評価ルール或いは学習用サンプルは
、設計者の経験や開発時のシミュレーション、或いは既
に稼働中のエレベータの実測データ等を利用し作成され
る。従　２− って作成された割当てアルゴリズム（評価式や評価ルー
ル）が、実際に設置されるビルにとって最適であるとは
限らず、あとで修正を必要とする場合もしばしば生じる
。

一方、運転中のエレベータにおいて、交通パターンにつ
いての統計的な情報を自動的に収集、学習し、その結果
を割当時に利用することも行われている。例えば、アッ
プピークやダウンピークなどの交通パターンと、各交通
パターンに対応する割当ルール群や割当制御パラメータ
を予め用意しておき、検出された交通パターンに応じて
ルールやパラメータを切り換える方法などである。

しかしこの場合もやはりビルの性質は個々に異なるため
、同じような交通パターンであっても同じルールやパラ
メータを通用することが必ずしも適切であるとは限らな
い。

すなわち、成るビルにとって最適な割当てアルゴリズム
を得るためには、汎用的なものとして作成することは不
可能であり、最終的には個々のビルの性質に合わせて独
自のアルゴリズムを生成する必要がある。

本発明は上記の点に鑑み、ニューラル・ネットにューロ
コンピュータ）を用いたパターン認識型の群管理割当方
式において、割当てアルゴリズムをそのビルの交通状況
に応じて自動的に生成、或いは修正ができるようにした
ものである。

本発明の特徴とするところは、新規に発生した乗場呼び
に対して、その時点の群の状況を表わす種々のパラメー
タを人カバターン要素として割当て用のニューラル・ネ
ットに入力し、その出力により最適なかごを選択して割
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
、前記入力パターン要素とそれに対して選択されたかご
とを対にして学習用サンプルとし、該学習用サンプルが
所定条件を満足しているか否かを判断する手段と、所定
条件を満足している学習用サンプルを記憶する手段と、
この記憶された学習用サンプルに基いて前記ニューラル
・ネットの学習を行う手段とを備えたことにある。

〔実施例〕

以下、本発明の一実施例を第１図及び第２図により説明
する。

第１図は、本発明によるエレベータの群管理制御装置の
主要部の構成を示す図で、第６図と同一のものは同一符
号にて示している。

第１図において、１１は乗場呼びが割当てられたとき、
各入力パターン要素７ａと割当て信号１０とを対にして
、すなわち割当て時点における群の状況パターンとそれ
に対する割当て号機番号とを対とし、それを学習用サン
プルとして一時的に保持し、さらにその呼びがサービス
されたとき、かご情報信号等の各データ６ａによりその
割当てが適切であったか否かを判断し、適切な学習用サ
ンプルのみを出力する学習用サンプル評価手段、１２は
学習用サンプルを記憶する記憶手段、１３は学習の必要
な時点になると学習用サンプルを順次読み出し、ニュー
ラル・ネットの学習を行う学習制御手段である。

以上の構成において、本発明の動作を第２図の１５ フローチャートに基づいて説明する。

ここでニューラル・ネット８の各重みの値は、予め汎用
的な学習用サンプル等により学習し、既に設定済みであ
るものとする。

まず、新たに乗場呼びが発生し、割当てが行われると、
学習用サンプル評価手段１１において、そのときの各入
力パターン要素７ａと割当信号１０とを対とし、それを
学習用サンプルとして一時的に保持する（手順Ｍ２１．
　Ｍ２２）。例えば、エレベータが２台で、人カバター
ン要素が第７図で説明したａ、〜ｄ１及びａ２〜ｄ２で
あるとすると、それらの各値と、割当てられた号機の番
号を対とし、それを学習用サンプルとする。学習用サン
プル評価手段１１では、更にかご情報信号等の各データ
６ａによって、その乗場呼びに対する各号機の状況を監
視しく手順Ｍ２３）、その乗場呼びがサービスされると
、その割当てが適切であったが否が、すなわち所定条件
を満足しているか否かを評価する（手順Ｍ２４．　Ｍ２
Ｓ）。

ここで、割当てが適切であったか否かの判断を６ 行うための所定条件としては、例えば ■割当て号機より、他号機が先着した場合■乗場の待時
間が所定値より長くなった場合■割当て号機が満貫通過
した場合 ■積み残し客が発生した場合 ■エレベータが団子状態になった場合 などが考えられる。

すなわち、乗場呼びがサービスされたとき、上記の条件
の一つでも該当すれば、その割当ては適切ではなかった
と判断し、その学習用サンプルは消去する（手順Ｍ２７
）。

一方、割当てが適切であったと判断された場合は、その
学習用サンプルを記憶手段１２に記憶する（手順Ｍ２６
）。ここで例えば記憶手順１２は、可変サンプル領域と
固定サンプル領域とで構成され、上記の学習用サンプル
は、可変サンプル領域にＦＩ　Ｆ　Ｏ（Ｆｉｒｓｔ　Ｉ
ｎ　Ｆｉｒｓｔ　Ｏｕｔ待行列）式に登録される。一方
、固定サンプル領域には、例えば割当ての最小限の水準
を保証するための、一般的な仕様に裁づいた汎用的な固
定サンプル等を予め記憶させておく。

学習制御手段１３では学習を行う時期を決定し、例えば
一定時間毎に学習を行うものとすると、その間、手順Ｍ
２１〜Ｍ２８を繰り返し°ζ学習用り゛ンプルを多数記
憶する。そして一定時間経過すると、学習用サンプルを
記憶手段１２より順次読み出し、この学習用サンプルに
よりニューラル・ネットの学習を前述した方法で行い、
重みを自動的に修正する（手順Ｍ２９）。なお、この学
習は一定時間毎に限らず、夜間等の閑散時に行うように
してもよい。

また、上記の実施例では、割当てが適切でなかったと判
断した学習用サンプルは消去するようにしたが、割当て
が適切でなかった場合、例えば、■割当かごより先着し
たかご ■呼びがザービスされるまでにその階を通過し、他に長
待ち呼びを待っていないかご ■割当てかごより負担が軽いかご などのかごがあれば、そのかごを新たな割当てかごとし
て学習用サンプルを修正し、その修正後の学習用サンプ
ルを記憶するようにしてもよい。

〔発明の効果〕

本発明によれば、個々の現場の性質、状況に応じて、自
動的にその現場に最適な割当制御判断システムを生成す
ることができ、エレベータシステム全体の効率が大きく
向上する。

また、現場への適応が自動的に行われるため、群管理制
御の専門家による現場での調整が不要となり、特に、テ
ナントの変更等によりエレベータの設置後に交通状況が
大幅に変わったような場合でも自動的に対応することが
できるため、メンテンスコストの低減と迅速化を図るこ
とができる。

また、工場からの出荷時にも必要最小限の割当機能を持
たせておけばよ（、設計段階で現場の仕様に合わセで調
整する必要がないので、標準化が極めて容易となり、設
計、生産のコストの低減を図ることができる。

【図面の簡単な説明】

第１図は本発明によるエレベータの群管理制御装置の主
要部の構成を示す図、第２図は本発明の９ ０ 処理手順を示すフローチャート、第３図はニューロンを
モデル化したユニットの構造を示す図、第４図（ａ）　
（ｂｌはユニットの入出力特性の一例を示す図、第５図
は一般的なニューラル・ネットの構造を示す図、第６図
はニューラル・ネットを割当て制御に利用した場合の全
体の構成の一実施例を示す図、第７図はニューラル・ネ
ットと入力パターン要素との関係を示す図である。 １・・・乗場呼び釦 ３Ａ、３Ｂ　　・・・各号機の運行制御装置５・・・マ
イクロコンピュータ ７・・・人カバターン演算手段 ８・・・ニューラル・ネット ９・・・割当て判定手段 １０・・・割当て信号 １１・・・学習用サンプル評価手段 １２・・・記憶手段 １３・・・学習制御手段

Claims (1)

1. 【特許請求の範囲】 複数の階床に対し複数台のエレベータを就役させ、新規
   に発生した乗場呼びに対して、その時点の群の状況を表
   わす種々のパラメータを入力パターン要素として割当て
   用のニューラル・ネットに入力し、その出力により最適
   なかごを選択して割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、 前記入力パターン要素とそれに対して選択されたかごと
   を対にして学習用サンプルとし、該学習用サンプルが所
   定条件を満足したか否かを判断する手段と、所定条件を
   満足した学習用サンプルを記憶する手段と、この記憶さ
   れた学習用サンプルに基いて前記ニューラル・ネットの
   学習をエレベータの稼働中に行う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。