Método de controle de grupo de elevadores

Introdução

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

Com o aumento contínuo do número de edifícios altos e o rápido desenvolvimento de edifícios inteligentes, as exigências sobre os elevadores nesses edifícios têm crescido cada vez mais. Para melhorar sua capacidade de transporte e a qualidade do serviço, um novo método de controle de elevadores, o controle em grupo, tem sido desenvolvido rapidamente. O sistema de controle em grupo de elevadores consiste em três ou mais elevadores que operam em conjunto para gerenciamento do sistema. Ao mesmo tempo, o sistema de controle do grupo de elevadores também pode reduzir a perda de energia durante o funcionamento do elevador.

O algoritmo de controle de grupo considera principalmente os seguintes três objetivos de controle: baixa latência, baixa porcentagem de tempo de espera prolongado e baixa perda de energia. Com o rápido desenvolvimento da tecnologia da computação e da teoria da inteligência artificial, ele tem sido amplamente utilizado na área de controle de grupos de elevadores.

Atualmente, muitos especialistas propõem diversos algoritmos de controle inteligente, como métodos de agendamento baseados em lógica fuzzy, sistemas especialistas, redes neurais e algoritmos genéticos. Além disso, o fluxo de passageiros nos elevadores varia de andar para andar, e a tendência desse fluxo também difere em diferentes intervalos de tempo. Portanto, este trabalho propõe um método que utiliza tecnologia computacional para analisar o edifício, as condições dos elevadores e o fluxo de passageiros, buscando a estratégia de agendamento ideal para o controle dos elevadores.

Em comparação com o planejamento tradicional de elevadores, esses estudos melhoraram significativamente o desempenho dos elevadores e desenvolveram consideravelmente o método de controle de grupos de elevadores. No entanto, a análise desses estudos revelou as seguintes deficiências:

1. A definição do índice de controle para todos os andares é a mesma, sem levar em consideração as características naturais do imóvel.
2. O padrão de tráfego é basicamente fixo, não conseguindo refletir dinamicamente a mudança no fluxo de passageiros.
3. A superlotação na cabine do elevador não é considerada.

O conceito de “propriedade do andar” é proposto com base na análise dos diferentes pontos de tráfego em cada andar. Ele é usado para coordenar a demanda por elevadores em cada andar. Diferentes padrões de tráfego são refletidos na prioridade e considerados objetivamente. O método de expansão do fluxo de tráfego é usado para converter os padrões de tráfego. O nível de congestionamento de passageiros na cabine do elevador e o grau de conforto humano são frequentemente levados em consideração.

Propriedade do piso

Com o rápido desenvolvimento econômico, cada vez mais edifícios altos estão sendo construídos. Devido a essa tendência, os passageiros passam mais tempo nos elevadores, o que pode aumentar seus níveis de ansiedade. Esses níveis variam de acordo com o andar em que o ocupante está, e como o processo se repete (às vezes várias vezes ao dia), o desconforto pode aumentar. A propriedade de andares resolve esse problema, reduzindo o tempo de viagem dos passageiros em andares altos e oferecendo-lhes um serviço de elevador melhor.

A propriedade de piso envolve a atribuição de uma constante maior ou igual a 1 a diferentes pisos para caracterizar suas propriedades e a seleção de uma camada como limite do piso por meio de uma análise abrangente da altura do edifício e do fluxo de passageiros. Isso faz com que as propriedades do piso abaixo do limite sejam iguais a 1, enquanto as propriedades do piso acima do limite seguem o princípio do incremento. Para facilitar a programação, utiliza-se uma progressão aritmética para atribuir um valor de propriedade de piso a cada piso. Podemos usar isso para calcular os tempos de espera e de viagem dos passageiros por meio de um método de ponderação, obtendo assim um tempo de viagem total.

onde i é o número do andar onde os passageiros estão, T_1i é o tempo de viagem dos passageiros na cabine do elevador, e T_2i é o tempo de espera. Os valores precisos de T₁ e T₂ Pode ser obtido através do sinal de chamada interno e das chamadas atribuídas ao elevador. Responder(i) e Chamada(i) são as prioridades de ligar e responder, respectivamente.

η₁ é o fator psicológico do elevador, que reflete o grau de tranquilidade mental dos passageiros dentro dele. O valor é a razão entre a “sensação humana” e o tempo “prático”. A maioria das pessoas sente que o tempo passa mais devagar em um elevador e espera chegar ao seu destino o mais rápido possível. Por exemplo, 30 segundos dentro de um elevador podem parecer mais de 40 segundos. Nessa situação, o fator psicológico do elevador é 40/30 = 1.33. Em geral, esse é um número maior que 1. Para fins de avaliação neste artigo, o valor foi definido como 1.1. η_2i é a propriedade do piso do iº andar.

Análise de Prioridades

De acordo com as diferenças no tráfego, os modos de controle de tráfego do grupo de elevadores do edifício são divididos da seguinte forma:

• Modelo de pico ascendente: a maior parte do fluxo de tráfego é ascendente e a maioria dos passageiros espera no primeiro andar, portanto o elevador deve atender a uma chamada do primeiro andar o mais rápido possível. Isso exige uma melhoria na prioridade de chamada do primeiro andar.
• Modelo de horário de menor movimento: a maior parte do fluxo de tráfego é descendente. A maioria dos passageiros procura chegar ao térreo, portanto o elevador deve melhorar a prioridade de atendimento do térreo.
• Modelo aleatório: o número de passageiros que sobem e descem é basicamente o mesmo, assim como a demanda de tráfego entre as diferentes camadas.
• Modelo bidirecional: o fluxo principal de passageiros se dirige para ou vem de um andar que não está no primeiro nível: por exemplo, um restaurante na hora do almoço.

Através da análise acima, constatou-se que a prioridade de chamada e resposta de cada andar precisa ser modificada conforme o fluxo de passageiros se altera. Para garantir a operação eficiente dos elevadores e alcançar o controle ideal de despacho, o valor da prioridade de chamada de cada andar pode ser obtido pelo número total de pessoas na cabine do elevador (distribuídas pelo peso). w_1i) em um tempo fixo, T_fixoDa mesma forma, o valor da prioridade de resposta do nível pode ser obtido pelo número total de pessoas na cabine do elevador (posicionadas pelo peso). w_2i) em T_fixo.

O valor de T_fixo Relaciona-se com o número de andares e elevadores, e com as características das mudanças no fluxo de tráfego, definido como 5 minutos para os fins desta pesquisa. Como o fluxo de passageiros nos modelos de pico e despico muda rapidamente, a prioridade correspondente deve ter características de mudança rápida para atender ao fluxo de passageiros em rápida variação. A mudança no fluxo de passageiros é representada pela mudança de peso na cabine do elevador. Chamada(i) representa a prioridade da chamada, e Responder(i) representa a prioridade de resposta. Esses valores são definidos da seguinte forma:

Δw_1i e Δw_2i representam o peso total que entra e sai da cabine do elevador, respectivamente. λ é o coeficiente de fluxo de passageiros. λe é o múltiplo de ampliação do fluxo de passageiros, que é usado para refletir a probabilidade de ocorrência de um grande fluxo de passageiros (definido como 3 neste artigo).

A partir das equações 1 e 2, podemos concluir que chamada(i) e responder(i) mudar conforme o fluxo de usuários do elevador muda. Para garantir chamada(i) e responder(i) não são zero quando o elevador não funciona, em T_fixo, Quando chamada(i) e responder(i) são menores do que peso_chamada e peso_resp, faça o chamada(i) e responder(i) igual a chamada(i)_fixo e responder(i)_fixoAo mesmo tempo, limitar as permissões de chamada(i) e responder(i), quando seus valores são mais que peso'_chamada e peso'_resp, faço chamada(i) e responder(i) igual a 3.

De acordo com a Equação 1, o valor de T_i está relacionado ao valor de chamada(i) e responder(i)O elevador pode responder aos chamados do andar que tiver valores maiores para chamada(i) e responder(i) mais rapidamente, permitindo assim que se desloque para esse andar mais depressa.

Função da avaliação do grau de congestionamento

Um número excessivo de pessoas na cabine do elevador causa sensação de aperto, reduzindo o conforto. Este artigo considera a redução do grau de congestionamento como um objetivo de controle do sistema de controle do grupo de elevadores. O congestionamento da cabine pode ser representado pelo peso dos passageiros. Se o peso em um elevador for relativamente alto no momento da chamada, considera-se que o elevador está lotado. Portanto, podemos usar a função do peso na cabine do elevador para representar o fator de conforto. Além disso, considerando que o congestionamento pode ocorrer durante a viagem, o grau de desconforto dos passageiros no elevador pode ser representado pela função do peso atual na cabine e pela função da direção do elevador, que é uma função crescente não linear em relação ao peso. Quando o peso é pequeno, o valor da função varia pouco; quando o peso se aproxima do limite da cabine do elevador, o valor varia rapidamente. Assim, a função do grau de desconforto pode ser expressa como:

onde f_final é o andar mais distante (o andar mais alto quando o elevador está subindo e o andar mais baixo quando o elevador está descendo); f_temperatura é o andar de onde se origina o sinal de chamada; peso é o peso na cabine do elevador; e k é o coeficiente de previsão de congestionamento, determinado pelo número do andar e pela densidade do fluxo de passageiros (variando de 0.1 a 0.3). ), que é 0.2 neste exemplo. 

Para o elevador, IA função de avaliação do grau de congestionamento que responde a todas as chamadas de elevador atribuídas pode ser expressa como:

w_i1 e w_i2 são o coeficiente de ponderação temporal e o coeficiente de grau de congestionamento, respectivamente. Portanto, a função de avaliação do grau de congestionamento para o esquema atual de envio de elevadores é:

w_i1 + w_i2 = 1 (Equação 8)

Após a identificação de vários alvos, a busca pelo melhor método de alocação torna-se crucial. Devido à grande capacidade de otimização do algoritmo genético (AG), este artigo utiliza o AG para buscar a alocação ótima da distribuição de chamadas. O exemplo a seguir refere-se a um prédio de escritórios de 30 andares com quatro elevadores.

Formulário codificado

Utilizando o comprimento variável da cadeia gênica e codificação binária, quatro elevadores são representados respectivamente por 00, 01, 10 e 11. Por exemplo, 100100110110 representa que a primeira chamada é atribuída ao elevador 10, a segunda ao elevador 01 e a terceira ao elevador 00. Quando uma chamada é feita, a cadeia gênica terá um gene de comprimento unitário. Quando há um novo sinal de chamada, o comprimento da cadeia gênica aumenta em 1 e, enquanto o sinal é atribuído a um elevador, o comprimento da cadeia gênica diminui em 1. O comprimento do cromossomo é o número do elevador atual aguardando distribuição. Defina o array. x(i) (i = 1, 2… 2n - 2), onde n é o número do andar, e cada elemento da matriz representa o sinal de chamada de uplink de 1 para o n - 1º andar e o sinal de chamada de downlink de n até o segundo andar. Este último valor é 1 quando há um sinal de chamada; caso contrário, é 0. O comprimento de uma cadeia gênica de comprimento variável é 1 nos elementos da matriz, de acordo com o andar ao qual a chamada está conectada ao gene.

Quando houver uma nova chamada, será realizado um cálculo de tempo para encontrar a alocação ideal. Essa alocação será importada para o Bestgene. O valor inicial é 0, sem sinal de chamada. Apenas um sinal de chamada é emitido para o elevador por vez. Quando a cabine do elevador chega ao andar de onde veio o sinal de chamada, um sinal de chamada recente é selecionado da cadeia de genes e atribuído ao elevador, fazendo com que o valor do array de elementos que representam o andar seja 0 nesse instante.

Cada elevador receberá chamadas atribuídas pela Bestgene em sua fila. Se a Bestgene atribuir apenas um sinal de chamada, este será numerado na barra de tarefas do elevador. Se mais de um sinal for emitido, o sinal que estiver na mesma direção do elevador será exibido acima do número da chamada mais recente na barra de tarefas. Defina o valor da matriz. x(i) que correspondeu ao sinal de chamada na barra de tarefas para 0. A chamada na barra de tarefas de cada elevador e a escolha interna decidem o esquema de operação do elevador (Figura 1).

Figura 1: O processo de atribuição de chamadas na cadeia gênica dinâmica

Geração da população inicial

Se estabelecido por especialistas, o grupo inicial produz bons indivíduos que podem acelerar a busca. Assim, parte da população inicial é gerada com base em regras de especialistas, e outra parte é produzida aleatoriamente.

Design da função de condicionamento físico

Os algoritmos genéticos avaliam vantagens e desvantagens com base no valor da função de aptidão em cada esquema de escada. Indivíduos com valores de aptidão mais altos têm maior probabilidade de se reproduzir na próxima geração. Na prática, a função de aptidão precisa ser projetada de acordo com as necessidades específicas. A função de aptidão é expressa como:

Seleção

Para garantir a estabilidade do algoritmo de despacho, utiliza-se o operador de seleção, que combina o método proporcional à aptidão com a melhor combinação de métodos individuais. O esquema de despacho que utiliza um algoritmo genético otimizado pelo melhor método de preservação individual não será inferior ao melhor indivíduo na população inicial, o que garante a estabilidade do algoritmo de despacho.

Crossover e Mutação

Utilize o operador de cruzamento de dois pontos na operação genética. Utilize as duas operações de mutação de acordo com as condições específicas:

Operador de mutação de sítio, usado para indivíduos na população cuja aptidão é menor que a média.

A mutação por troca de dois pontos é realizada nos indivíduos cuja aptidão é maior que a média. A taxa de mutação não deve ser muito baixa para evitar a convergência para um ótimo local durante a busca pela solução ótima.

Quando o número de chamadas for baixo, utilize a otimização por busca em travessia, desde que o cálculo da capacidade seja suficiente. Este artigo define 4 como ponto de corte. Quando o número de chamadas for inferior a 4, utilize a otimização por busca em travessia. Quando o número de chamadas for superior a 4, utilize o algoritmo genético (Figura 2). T é o valor máximo do algoritmo genético.

Análise dos resultados experimentais

A simulação é executada em um sistema de controle de grupo com 30 andares e quatro elevadores, cuja velocidade nominal é de 2 m/s. O restaurante está localizado no quinto andar. Normalmente, em um modelo como este, o fluxo de passageiros é simulado aleatoriamente dentro de um determinado intervalo, com restrições mútuas. Os andares de partida e chegada são definidos pelo método de Monte Carlo: ao meio-dia, assume-se que 35% das pessoas em cada andar se dirigem ao restaurante, 40% saem, 15% não mudam de andar e 10% se deslocam aleatoriamente para outros andares. O fluxo de passageiros é distribuído ao longo do tempo segundo uma distribuição de Poisson.

chamada(1)_fixo = responder(1)_fixo = 2 (Equação 10)

chamada(5)_fixo = responder(5)_fixo = 1.5 (Equação 11)

chamada(i)_fixo = responder(i)_fixo = 1 (i ≠ 1, 5) (Equação 12)

Peso_resp = Peso_chamada = 300 kg (Equação 13)

Peso'_resp = Peso'_chamada = 1200 kg (Equação 14)

As características de cada andar são:

Tabela 1: Resultados da simulação

Este método reduz a diferença de custo de transporte em cada andar. A eficiência do elevador em cada andar é relativamente alta; acompanhando a variação da demanda de tráfego, o elevador pode ser acionado de forma oportuna.

Resumo

O conceito de propriedade por andar foi proposto. Consideração abrangente para os diversos andares foi levada em conta para evitar diferenças óbvias entre eles, de modo que os passageiros em prédios altos não tenham a sensação de esperar mais tempo pelos elevadores do que os passageiros em prédios baixos. O programa de simulação foi programado em Visual Basic. Seu fluxograma aparece na Figura 3.

Figura 3: Fluxograma do programa de simulação

Para o modo de transporte, propõe-se a priorização de chamadas e respostas (em vez de um padrão fixo). Nesse modo, a prioridade de cada andar pode ser alterada automaticamente conforme a variação do fluxo de passageiros. Em períodos de pico e de baixa demanda, a prioridade pode ser ajustada rapidamente para se adaptar às mudanças repentinas no padrão de tráfego. No método de otimização do agendamento, considera-se a abordagem segmentada. Quando há menos chamadas atribuídas, o método tradicional é selecionado. Quando há mais chamadas atribuídas, utiliza-se o algoritmo genético (GA). A variação do fluxo é considerada nesse projeto; portanto, ele é adequado para diversos tipos de edifícios, bastando modificar um valor fixo de acordo com a situação específica de cada edifício.

Agradecimentos

Esta pesquisa foi financiada pelo programa AQSIQ Nonprofit Industry Specialized Research Funding (nº 2012104016 e 201310153).

Referências
[1] DE Goldberg. Algoritmos genéticos em busca, otimização e aprendizado de máquina. Nova York: Addison Wesley, 1989.
[2] Zengchang Li. “Pesquisa sobre estratégia de controle inteligente para grupo de elevadores.” Universidade de Tianjin, 2004.
[3] Chang Bum Kim, Young A. Seong, Hyung Lee-Kwang. “Uma abordagem Fuzzy para o sistema de controle de grupo de elevadores.” Sistema e Cibernética. 1995,(5): 985-990.
[4] Yu Cai, Wan. “Controle de elevador baseado em lógica fuzzy e rede neural.” China Elevator. 1999.010(002): 34-38.
[5] Rangen Fang. Simulação Computacional e Método de Monte Carlo. Pequim: Editora do Instituto de Tecnologia de Pequim, 1988.
[6] Xiaoping Wang, Liming Cao. Algoritmo Genético: Teoria, Aplicação e Implementação de Software. Xi'an: Editora da Universidade Jiao Tong de Xi'an, 2002.