Método de control de grupo de ascensores

Introducción

por Zhu Lin, Jiang Qing, Cao Jie y Wan Jianru

Con el aumento continuo en el número de edificios altos y el rápido desarrollo de edificios inteligentes, se han hecho cada vez más demandas sobre los ascensores en dichos edificios. Con el fin de mejorar su capacidad de transporte y la calidad del servicio, se ha desarrollado rápidamente un nuevo método de control de ascensores en el control de grupos de ascensores. El sistema de control de grupo de ascensores consta de tres o más ascensores que funcionan como un grupo para la gestión del sistema.^{[ 3 ]} Al mismo tiempo, el sistema de control del grupo de ascensores también puede reducir la pérdida de energía en el proceso de funcionamiento del ascensor.

El algoritmo de control de grupo considera principalmente los siguientes tres objetivos de control: baja latencia, bajo porcentaje de espera prolongada y baja pérdida de energía. Con el rápido desarrollo de la tecnología informática y la teoría de la inteligencia artificial, se ha utilizado ampliamente en el campo del control de grupos de ascensores.

Actualmente, muchos expertos proponen muchos algoritmos de control inteligente, como el método de programación basado en el control difuso, el sistema experto, la red neuronal y el algoritmo genético. Además, el flujo de pasajeros de los ascensores es diferente en varios pisos, y la tendencia del flujo de pasajeros es diferente en diferentes intervalos de tiempo. Entonces, se propone un método analizando el edificio, las situaciones de los ascensores y el flujo del tráfico de pasajeros a través de la tecnología informática para buscar la estrategia de programación óptima para el control de los ascensores.

En comparación con la programación de ascensores tradicional, estos estudios han mejorado significativamente el rendimiento del ascensor y han desarrollado en gran medida el método de control del grupo de ascensores. Sin embargo, el análisis de ellos ha descubierto las siguientes deficiencias:

1. La configuración del índice de control para todos los pisos es la misma, sin considerar las características naturales de la propiedad del piso.
2. El conjunto de patrones de tráfico es básicamente fijo, lo que no puede reflejar dinámicamente el cambio de flujo de pasajeros.
3. No se considera la congestión en la cabina del ascensor.

El concepto de “propiedad de piso” se plantea a partir del análisis de los diferentes puntos de tráfico en cada piso. Se utiliza para coordinar la demanda de ascensores de cada piso. Los diferentes patrones de tráfico se reflejan en la prioridad y se consideran objetivamente. El método de expansión del flujo de tráfico se utiliza para convertir los patrones de tráfico. A menudo se considera el estado de congestión de los pasajeros en una cabina de ascensor y el grado de comodidad humana.

Propiedad del piso

Con un rápido desarrollo económico, se están construyendo cada vez más edificios de gran altura. Debido a esta tendencia, los pasajeros pasan más tiempo en los ascensores, lo que puede aumentar sus niveles de ansiedad. Estos niveles difieren cuando los ocupantes están en pisos diferentes y, a medida que el proceso se repite (a veces varias veces en un día), pueden sufrir angustia repetida. Floor property resuelve este problema para reducir el tiempo de viaje de los pasajeros en pisos altos y brindarles un mejor servicio de ascensor.

La propiedad del piso implica establecer una constante mayor que 1 o igual a 1 para diferentes pisos para caracterizar sus propiedades y seleccionar una capa como límite de piso a través del análisis integral de la altura del edificio y el flujo de pasajeros. Esto hace que las propiedades del piso por debajo del límite sean 1, con las propiedades del piso por encima del límite de acuerdo con el principio de incremento. Para facilitar la programación, se utiliza la progresión aritmética para atribuir un valor de propiedad de piso a cada piso. Podemos usar esto para calcular los tiempos de espera y de viaje de los pasajeros utilizando un método de ponderación, obteniendo un tiempo de viaje completo:

dónde i es el número de piso donde están los pasajeros, T_1i es el tiempo de viaje de los pasajeros en la cabina del ascensor, y T_2i es el tiempo de espera. Los valores precisos de T₁ y T₂ se puede obtener mediante la señal de llamada interna y las llamadas asignadas al ascensor. Responder (i) y Llamar (i) son las prioridades de llamar y responder, respectivamente.

η₁ es el factor psicológico del automóvil, que refleja el grado de calma mental de los pasajeros en la cabina del ascensor. El valor es la relación entre el tiempo de “sentir la gente” y el tiempo “práctico”. La mayoría de las personas sienten que el tiempo pasa más lentamente en la cabina de un ascensor y esperan poder llegar a sus destinos lo antes posible. Por ejemplo, haber estado en la cabina de un ascensor durante 30 s. puede sentirse como más de 40 s. En esta situación, el factor psicológico del coche es 40/30 = 1.33. En general, este es un número mayor que 1. A los efectos de la evaluación en este artículo, el valor se establece en 1.1. η_2i es la propiedad del piso del iel piso.

Análisis de prioridad

Según las diferencias en el tráfico, los modos de tráfico de control de grupos de ascensores de edificios se dividen de la siguiente manera:

• Modelo de pico alto: la mayor parte del flujo de tráfico es ascendente y la mayoría de los pasajeros esperan en el primer piso, por lo que el ascensor debe responder a una llamada del primer piso lo antes posible. Esto requiere mejorar la prioridad de llamada del primer piso.
• Modelo de pico descendente: la mayor parte del flujo de tráfico es descendente. La mayoría de los pasajeros buscan llegar al primer piso, por lo que el ascensor debería mejorar la prioridad de respuesta del primer piso.
• Modelo aleatorio: el número de pasajeros que suben y bajan es básicamente el mismo, al igual que la demanda de tráfico entre las diferentes capas.
• Modelo bidireccional: el flujo principal de pasajeros se dirige o viene de un piso que no está en el primer nivel: por ejemplo, un restaurante durante la hora del almuerzo.

A través del análisis anterior, se puede encontrar que la prioridad de llamada y respuesta de cada piso debe modificarse a medida que cambia el flujo de pasajeros. Con el fin de garantizar un funcionamiento eficiente del ascensor y lograr un control óptimo de despacho de ascensores, el valor de la prioridad de llamada de cada piso se puede obtener por el número total de personas en la cabina del ascensor (colocadas por el peso w_1i) en un tiempo fijo, T_reparar. Del mismo modo, el valor de la prioridad de respuesta del nivel se puede obtener por el número total de personas en la cabina del ascensor (colocado por el peso w_2i) en T_reparar.

El valor de T_reparar se relaciona con el número de pisos y ascensores, y las características de los cambios de flujo de tráfico, establecido en 5 min. para los propósitos de esta investigación. Debido a que el flujo de pasajeros en los modelos de pico ascendente y descendente cambia rápidamente, la prioridad correspondiente debe tener las características de cambio rápido para satisfacer el flujo de pasajeros que cambia rápidamente. El cambio de flujo de pasajeros está representado por el cambio de peso en la cabina del ascensor. Llamar (i) representa la prioridad de la llamada, y Responder (i) representa la prioridad de responder. Estos valores se definen de la siguiente manera:

Δw_1i y Δw_2i representan el peso total que entra y sale de la cabina del ascensor, respectivamente. λ es el coeficiente de flujo de pasajeros. λe es el múltiplo de ampliación del flujo de pasajeros, que se utiliza para reflejar la probabilidad de que ocurra un gran flujo de pasajeros (establecido como 3 en este artículo).

De las ecuaciones 1 y 2, podemos encontrar que llamar (i) y responder (i) cambiar a medida que cambia el tráfico de ascensores. Para asegurar llamar (i) y responder (i) no son cero cuando el ascensor no funciona, en T_reparar, Cuando llamar (i) y responder (i) son menos de grosor_Llame y grosor_resp., hacer el llamar (i) y responder (i) igual a llamar (i)_reparar y responder (i)_reparar. Al mismo tiempo, para limitar los permisos de llamar (i) y responder (i), cuando sus valores son más que peso'_Llame y peso'_resp., hacer llamar (i) y responder (i) igual a 3.

Según la Ecuación 1, el valor de T_i está relacionado con el valor de llamar (i) y responder (i). El ascensor puede responder a los gritos del piso que tiene mayores valores para llamar (i) y responder (i) más rápidamente, lo que le permite moverse a ese piso más rápidamente.

Función de evaluación del grado de congestión

Un número excesivo de personas en la cabina del ascensor hará que los pasajeros se sientan abarrotados, reduciendo el factor de comodidad. Este artículo toma la reducción del grado de congestión como un objetivo de control del sistema de control del grupo de ascensores. La congestión de la cabina se puede representar por el peso de la cabina del ascensor. Si el peso en un ascensor es relativamente grande cuando se llama a la cabina, el ascensor se considera abarrotado. Entonces, podemos usar la función del peso en una cabina de ascensor para representar el factor de comodidad. Además, considerando que la congestión puede ocurrir en el proceso de conducción, el grado de incomodidad de los pasajeros en el ascensor puede representarse por la función actual del peso en una cabina de ascensor y la función de la dirección del ascensor, que es una función de aumento no lineal. pesar. Cuando el peso es pequeño, el valor de la función cambia un poco; cuando el peso está cerca del límite de la cabina del ascensor, el valor cambia rápidamente. Entonces, la función del grado de malestar se puede expresar como:

dónde f_final es el piso más alejado (la capa más alta cuando el ascensor va hacia arriba y la capa más baja cuando el ascensor va hacia abajo); f_temp es el piso desde el que se origina la señal de llamada; grosor es el peso en la cabina del ascensor; y k es el coeficiente de predicción de la congestión, decidido por el número de piso y la densidad del flujo de pasajeros (entre 0.1 y 0.3^{[ 2 ]}), que es 0.2 en este ejemplo. 

Para el ascensor I, la función de evaluación del grado de congestión que responde a todas las llamadas de ascensor asignadas se puede expresar como:

w_i1 y w_i2 son el coeficiente de ponderación temporal y el coeficiente del grado de congestión, respectivamente. Entonces, la función de la evaluación del grado de congestión para el esquema actual de envío de ascensores es:

w_i1 + w_i2 = 1 (Ecuación 8)

Una vez que se han identificado varios objetivos, la clave es cómo encontrar el mejor método de asignación. Debido a que la capacidad de optimización del algoritmo genético (GA) es muy fuerte, el artículo utiliza GA para buscar la asignación óptima de la distribución de llamadas. El siguiente ejemplo es de un edificio de oficinas de 30 pisos con cuatro ascensores.

Forma codificada

Usando la longitud de la cadena de genes variable y la codificación en binario, cuatro ascensores se presentan respectivamente con 00, 01, 10 y 11. Por ejemplo, 100100110110 representa que la primera llamada se asigna al ascensor 10, la segunda se asigna al ascensor 01 y el el tercero se asigna al elevador 00. Cuando se realiza una llamada, la cadena de genes tendrá un gen de longitud unitaria. Cuando hay una nueva señal de llamada, hace que la longitud de la cadena de genes sume 1, y mientras la señal se asigna a un elevador, la longitud de la cadena de genes se reducirá 1. La longitud del cromosoma es el número de elevador actual en espera de distribución. Definir la matriz x (i) (i = 1, 2… 2n - 2), donde n es el número del piso, y cada elemento de la matriz representa la señal de llamada de enlace ascendente de 1 al n - 1 piso y la señal de llamada de enlace descendente de n al segundo piso. El último valor es 1 cuando tiene señal de llamada; de lo contrario, es 0. Una longitud de cadena de genes de longitud variable es 1 en los elementos de la matriz, según el piso de la llamada está conectado con el gen.

Cuando haya una nueva convocatoria, se realizará un cálculo de tiempo de búsqueda de la asignación óptima. Esta asignación se importará a Bestgene. El valor inicial es 0 sin señal de llamada. Solo se da una señal de llamada al ascensor a la vez. Cuando la cabina del ascensor llega al piso de donde proviene la señal de llamada, se selecciona una señal de llamada reciente de la cadena de genes y se asigna al ascensor, haciendo que el valor de la matriz de elementos esté dispuesta, que representa el piso en 0 al mismo tiempo. tiempo.

Cada ascensor tomará las llamadas asignadas de Bestgene a su cola. Si Bestgene solo asignó una señal de llamada, se convertirá en un número en la barra de tareas del ascensor. Si se da más de una señal, la señal que se ejecuta en la misma dirección que el ascensor se colocará encima del número de llamada más reciente en la barra de tareas. Establecer el valor de la matriz x (i) que correspondía a la señal de llamada en la barra de tareas a 0. La llamada de la barra de tareas de cada ascensor y la elección interna deciden el esquema de funcionamiento del ascensor (Figura 1).

Figura 1: El proceso de llamada asignada en la cadena genética dinámica

Generación de población inicial

Si se establece de manera experta, el grupo inicial produce buenos individuos que pueden acelerar la búsqueda. Así, parte de la población inicial se genera en base a reglas de expertos y otra parte se produce de forma aleatoria.

Diseño de función de fitness

Los algoritmos genéticos juzgan las ventajas y desventajas en función del valor de la función de aptitud en cada esquema de escalera. Los mayores valores de aptitud de los individuos tienen más posibilidades de reproducir la próxima generación. En la aplicación práctica, la función de fitness debe diseñarse según sí misma. La función de aptitud se expresa como:

Selección

Para garantizar la estabilidad del algoritmo de despacho, utilice el operador de selección, que combina el método proporcional de aptitud y la mejor combinación de métodos individuales. El esquema de despacho que utiliza un algoritmo genético optimizado del mejor método de preservación individual no será menor que el mejor individuo en la población inicial, lo que asegura la estabilidad del algoritmo de despacho.

Cruce y mutación

Utilice el operador de cruce de dos puntos en la operación genética. Utilice las dos operaciones de mutación según condiciones específicas:

Operador de mutación de sitio, utilizado para los individuos de la población cuya aptitud es menor que el promedio.

Mutación de intercambio de dos puntos, realizada sobre los individuos cuya aptitud es superior a la media. La tasa de mutación no debe reducirse demasiado para evitar entrar en una asignación local óptima en el proceso de búsqueda de la solución óptima.

Cuando la llamada sea menor, tome el camino del recorrido hacia la optimización de búsqueda si el cálculo de la capacidad puede mantenerse al día. Este artículo selecciona 4 como punto de corte. Cuando el número de clasificación no sea mayor que 4, tome el camino de la optimización de búsqueda transversal. Cuando el número de clasificación es mayor que 4, utilice un algoritmo genético (Figura 2). T es el valor máximo del algoritmo genético.

Análisis de resultados experimentales

La simulación se ejecuta en el sistema de control de grupo con 30 pisos y cuatro ascensores, en el que la velocidad nominal del ascensor es de 2 mps. El restaurante está ubicado en el nivel cinco. Por lo general, en un modelo de este tipo, el tráfico se simula aleatoriamente en un cierto rango y existe una restricción mutua. El piso inicial y terminal se decide por el método de Monte Carlo: al mediodía, suponga que el 35% de las personas en cada piso van al restaurante, el 40% sale, el 15% no cambia de piso y el 10% va al azar a otros pisos. El tráfico de pasajeros se distribuye de acuerdo con el tiempo según una distribución de Poisson.

llamar (1)_reparar = responder (1)_reparar = 2 (Ecuación 10)

llamar (5)_reparar = responder (5)_reparar = 1.5 (Ecuación 11)

llamar (i)_reparar = responder (i)_reparar = 1 (i ≠ 1, 5) (Ecuación 12)

Peso_resp. = Peso_Llame = 300 kg (Ecuación 13)

Peso'_resp. = Peso'_Llame = 1200 kg (Ecuación 14)

La propiedad de cada piso es:

Tabla 1: Resultados de la simulación

Este método reduce la diferencia de costo de transporte de cada piso. La eficiencia del ascensor de cada piso es relativamente alta; junto con el cambio de la demanda de tráfico y el cambio, el ascensor se puede enviar de manera oportuna.

Resumen

Se ha propuesto el concepto de suelo-propiedad. Se ha tomado una consideración exhaustiva para varios pisos para evitar diferencias obvias entre los diferentes pisos, de modo que los pasajeros en edificios altos no sientan que esperan más tiempo para los ascensores que los pasajeros en pisos bajos. El programa de simulación está programado en Visual Basic. Su diagrama de flujo aparece en la Figura 3.

Figura 3: Diagrama de flujo del programa de simulación

Para el modo de transporte, se ha propuesto la prioridad de llamada y respuesta de prioridad (en lugar de un patrón fijo). En el modo de prioridad de llamada y respuesta, la prioridad de cada piso podría cambiarse automáticamente con el cambio de flujo de pasajeros. Para la condición de pico alto y bajo, la prioridad en el período especial se puede cambiar rápidamente para adaptarse a los cambios repentinos en los patrones de tráfico. En el método de elección de programación óptima, se considera la forma por partes. Cuando hay menos llamadas asignadas, se selecciona la forma tradicional. Cuando hay más llamadas asignadas, se utiliza GA. La variación de flujo se considera en este diseño; por lo tanto, es adecuado para varios tipos de edificios, y solo necesita modificar un valor fijo, de acuerdo con la situación real de los diferentes edificios.

Agradecimientos

Esta investigación fue apoyada por AQSIQ Nonprofit Industry Specialized Research Funding (No. 2012104016 y 201310153).

Referencias
[1] DE Goldberg. Algeritmos genéticos en búsqueda, optimización y aprendizaje automático. Nueva York: Addison Wesley, 1989.
[2] Zengchang Li. “Investigación sobre la estrategia de control inteligente para el grupo de ascensores”. Universidad de Tianjin, 2004.
[3] Chang Bum Kim, Young A. Seong, Hyung Lee-Kwang. "Un enfoque difuso del sistema de control de grupos de ascensores". Sistema y Cibernética. 1995, (5): 985-990.
[4] Yu Cai, Wan. "Control de ascensores basado en Fuzzy: lógica y red neuronal". Ascensor de China. 1999.010 (002): 34-38.
[5] Rangen Fang. Simulación por computadora y método de Monte Carlo. Beijing: Prensa del Instituto de Tecnología de Beijing, 1988.
[6] Xiaoping Wang, Liming Cao. Algoritmo genético: teoría, aplicación e implementación de software. Xi'an ： Xi'an Jiao Tong University Press, 2002.