Ofis Binası Asansör Konfigürasyonu Üzerine Uygulamalı Araştırma

Bir vaka çalışması, CMOPSO algoritma yönteminin, ofis binalarının hizmet kalitesini iyileştirmede geleneksel asansör konfigürasyon yönteminden daha iyi olduğunu göstermektedir.

Ma Lianzhe, Luo Zhiqun, Huang Shaolun ve Wan Jianru tarafından

Yüksek katlı ofis binalarının sayısı sürekli arttıkça, asansör konfigürasyonunun önemli bir konu olduğu giderek daha belirgin hale geliyor.[1] Bununla birlikte, geleneksel asansör konfigürasyon yöntemi, modern asansör trafik sisteminin gereksinimlerini pek karşılayamaz. Bu problemi çözmek için “Kaotik Çok Amaçlı Parçacık Sürü Optimizasyonu (CMOPSO)” algoritması adı verilen çok amaçlı optimize edilmiş bir asansör konfigürasyonu matematiksel modeli kurulmuştur. Bir asansör konfigürasyonu uygulama sistemi, Visual Basic (VB) ve MATLAB'ın hibrit programlama teknolojisi ile tasarlanmıştır.

Asansörlerin yatay taşıma ekipmanlarından farklı olması nedeniyle kurulum ve kullanım sonrasında asansörlerin eklenmesi veya değiştirilmesi oldukça zordur. Bu nedenle tasarımcılar, binayı tasarlarken asansör konfigürasyonuna daha fazla dikkat etmelidir. Makul asansör trafiği konfigürasyonu, ofis binası alanından tam olarak faydalanabilir, kalabalık akışını etkin bir şekilde tahsis edebilir ve enerji tasarrufu sağlayabilir. Buna karşılık, makul olmayan asansör trafiği konfigürasyonu, yalnızca kalabalığı ve/veya asansörlerin maliyetini artırmakla kalmaz, aynı zamanda bina alanının etkin kullanımını da azaltır.[2]

Asansör konfigürasyonu sürecinde bir asansör sisteminin birçok değişkeni dikkate alınmalıdır. Geleneksel asansör konfigürasyon yöntemi, genellikle istatistiksel formüllere göre deneme yanılma uygular. Bu yöntem hem çok fazla zaman alır (çünkü tekrarlanan yineleme gerektirir) hem de maliyetlerin kontrolünde veya ortalama bekleme süresinin kısaltılmasında kesin değildir. Bu nedenle, asansör konfigürasyonunun temel parametrelerine ve ilkelerine dayalı olarak, CMOPSO algoritması uygulama sistemi, VB'de tasarlanmış olması nedeniyle iyi bir arayüz ifadesi sunar. Konfigürasyon şeması, karmaşık ve sıkıcı manuel yinelemeli hesaplamayı bilgisayarlı bir otomatik işleme aktarır, böylece işlem süresini ve çabasını büyük ölçüde azaltır; hem yukarı hem de aşağı tepe için ortalama bekleme süresini etkili bir şekilde azaltırken.

Asansör Yapılandırması

“Asansör konfigürasyonu”, asansör sisteminin optimal fiyat/performans değerini elde etme amacına ulaşmak için, nominal hız, nominal yükleme kapasitesi, kabin boyutu ve ünite sayısı dahil olmak üzere binalardaki asansörlerin seçimini ve ayarlarını ifade eder.

Asansör konfigürasyonu sürecinde sadece bina alanının etkin kullanımı değil, enerji ve maliyet tasarrufu da göz önünde bulundurulmalıdır. Asansör taşımacılığının hizmet kalitesini artırmak için asansör konfigürasyonunun makul olması gerekmektedir. Bu nedenle asansör konfigürasyonu çok amaçlı bir optimizasyon problemidir.

Çok Amaçlı Optimize Edilmiş Asansör Konfigürasyon Modeli

Bağımsız değişkenler

Çok amaçlı optimize edilmiş asansör konfigürasyon modelinin bağımsız değişkenleri şunları içerir: Re (nominal yük), V (nominal hız), N (asansör sayısı), M (asansör servis bölgesi), r (bir çevrimdeki yolcu sayısı) ve ae (nominal ivme).

Çok Amaçlı Fonksiyonlar

Optimum asansör konfigürasyonunun üç temel ilkesi şunlardır:

1. Asansör hizmet kalitesini belirtmek için kullanılan asansör hizmet çalışma süresi mümkün olduğunca kısa olmalı ve ana performans göstergesi olarak ortalama bekleme süresi kullanılmaktadır.
2. Asansör sayısı makul.
3. Enerji tasarrufu

Ofis binasının asansörleri M bölgelerine ayrılmıştır. kth (1 ≤ k ≤ M) bölgesinin asansör çalışma süresi (Fk), 1 s'lik bir süre içinde yolcuların varış hızının tersi ile temsil edilir. kth bölgesinde Nk asansörler olduğunu varsayalım:

İlk ilkeye ulaşmak için Denklem 2, minimum bir değer üretmelidir.

Makul sayıda asansör hedefine ulaşmak için Denklem 3 de minimum bir değer almalıdır.

Enerji tasarrufu hedefine ulaşmak için asansörün denge katsayısının şu şekilde olduğunu varsayalım: øk(0.4~0.5), asansörün toplam mekanik iletim verimliliği ŋ, hesaplama süresi T, bu durumda asansörlerin k. bölgesindeki enerji tüketimi:

O halde üçüncü amaç fonksiyonu:

Üç amaç arasındaki karşılıklı etki ve karşılıklı kısıtlama ilişkisi göz önüne alındığında, yalnızca bir amaç fonksiyonunun minimum değer elde etmesini sağlamak işe yaramaz. Bu nedenle, asansör konfigürasyonunun optimal şemasını elde etmenin yolu, genel amaç fonksiyonunu minimuma getirmektir. Ağırlık faktörü λi tanıtılır ve genel çok amaçlı fonksiyon Denklem 6'da gösterilir. Denklem 6'nın optimal çözümü elde edildiği sürece optimal asansör konfigürasyon şemasının oluşturulduğu sonucuna varılabilir.

Kısıt Denklemleri

k. asansör setinin ortalama aralık süresi (AIk) aşağıdaki kısıt denklemini sağlamalıdır:

Asansör konfigürasyonu sürecinde, CE ≥ CEa karşılandığı sürece, asansör trafik sisteminin taşıma verimliliği gereksinimleri karşılayabilir. Böylece aşağıdaki kısıt denklemi (Denklem 8) kurulur.

burada CE, yolcuların 5 dakika içindeki varış hızını temsil eder ve CEa, yolcuların 5 dakika içindeki varış hızını temsil eder. yolcu akışının zirvesi sırasında.

Beklenen ortalama seyahat süresinin (AP) 120 s olduğunu varsayarsak. sınıra kadar ve beklenen ortalama bekleme süresi (AWT) 45 s'dir. sınıra kadar, aşağıdaki kısıt denklemi kurulur.

burada g1(k), g2(k) ve g3(k) küçük pozitif sayılardır (saniye cinsinden).

Optimum Asansör Yapılandırma Algoritmaları

MOPSO

Çok Amaçlı Parçacık Sürü Optimizasyonu (MOPSO) algoritması, ilk sürüyü rastgele oluşturur ve çoklu yinelemeler gerçekleştirir. Her yinelemede, her parçacık kişisel optimal çözüm (pbest) ve global optimal çözüm (gbest) ile hızını ve konumunu günceller - tüm sürü tarafından bulunan optimal çözüm. Son olarak, çok amaçlı optimizasyon probleminin optimal çözümü, çoklu yinelemeler yoluyla bulunur.[3] MOPSO'da her parçacık, d-boyutlu optimize edilmiş uzayın bir çözümüdür ve kalitesine, optimize edilecek çok amaçlı fonksiyonun uygunluk değeri tarafından karar verilir.[4]

t. sıralı yinelemede sürüde m tane parçacık olduğunu varsayalım. Parçacığın konumu Xi(t) = (Xi1(t), Xi2(t), ... Xid(t)); parçacığın hızı Vi(t) = (Vi1(t), Vi2(t), ... Vid(t)); parçacığın kendisi tarafından bulunan optimal çözüm Pi(t) = (Pi1(t), Pi2(t), . . . Pid(t)); ve global optimal çözüm Pg(t) = (Pg1(t), Pg2(t), . . . Pgd(t)) olarak ifade edilir. t. sıralı yinelemede parçacık, hızını ve konumunu aşağıdaki denklemlere göre günceller:

burada w atalet ağırlığını temsil eder. Grubun arama kabiliyetini dengeleyebilir. c1 ve c2 öğrenme faktörleri ve negatif olmayan sabitlerdir. r1 ve r2, [0,1]'e ait, karşılıklı olarak bağımsız rastgele sayılardır. ben = 1, 2 . . . m. j = 1, 2, . . . NS.

Parçacık sürüsü optimizasyonu (PSO) algoritması, çok amaçlı optimize edilmiş problemlerin çözümünde iyi sonuçlar elde edebilmesine rağmen, parçacıklar, başlatma sürecinde parçacıkların rastgele olması nedeniyle, evrim sürecinde yerel optimuma erken yakınsamaya eğilimlidir. ve evrim. Bu nedenle, bu yazıda, kalitesini artırmak için PSO algoritmasına kaos fikri uygulanmıştır.

Kaotik MOPSO (CMOPSO)

Kaos, doğrusal olmayan sistemlerde genel bir olgudur.[5] Kaos optimizasyon teorisi, kaotik hareketin ergodikliğinden yararlanarak PSO algoritmasına uygulanır. CMOPSO algoritması, PSO algoritmasının eksikliklerinin, yani erken yakınsama ve yerel optimumun üstesinden gelebilir. Bu arada, PSO algoritmasının yakınsama hızını ve doğruluğunu artırabilir.

Kaos fikri ve PSO algoritmasının birleşimini gerçekleştirmek için PSO algoritmasına aşağıdaki lojistik denklem tanıtıldı:

burada μ kontrol değişkenini temsil eder. Diyelim ki μ = 4 ve 0 ≤ z0 ≤ 1 — o zaman sistem tamamen bir kaos halindedir. Belirli bir zaman dizisi (z1, z2, z3...) rastgele başlangıç ​​değeri z0∈[0,1] ile yinelenebilir. Daha sonra, parçacıkların konumu ve hızı kaotik dizi tarafından başlatılır ve mevcut sürüdeki bir parçacığın yerini optimal parçacık (kaotik dizide oluşturulan) alır. Bu nedenle, PSO algoritmasının kolayca yerel optimuma düşme durumu iyileştirilir.

Algoritma Süreci

CMOPSO algoritmasında, her parçacık bir tür asansör konfigürasyon şemasını temsil eder. Çok amaçlı optimize edilmiş asansör konfigürasyon modelinin bağımsız değişkenlerine, çok amaçlı fonksiyonlarına ve kısıt denklemlerine göre, CMOPSO algoritmasına dayalı asansör konfigürasyon programı, parçacıkların optimal konumunu, yani optimal asansör konfigürasyon şeması. Algoritma süreci aşağıdaki adımlarda özetlenmiştir:[6]

Nesnenin amaç fonksiyonlarını ve kısıt denklemlerini belirleyin.

     1) çok amaçlı optimize edilmiş asansör konfigürasyonu.

     2) CMOPSO'nun izin verilen maksimum yineleme sayısını veya uygunluk hatasını, atalet ağırlığını ve öğrenme faktörünü başlatın.

     3) Kaos fikriyle parçacıkların konumunu ve hızını sıfırlayın. Rastgele bir m boyutlu vektör oluşturulur ve her bileşen 0'dan 1'e kadar değerlenir, yani z1 = (z11, z12, . . . z1d). d, amaç fonksiyonlarındaki bağımsız değişkenlerin sayısıdır. Bu makalede, d = 6. Kaotik sisteme göre m vektör elde edilir ve zi'nin her bir bileşeni karşılık gelen değer aralığına taşınır. Daha sonra parçacık sürüsünün uygunluk değeri hesaplanır ve sürüden ilk çözüm olarak daha iyi performansa sahip x çözümler seçilir. Ardından, x başlangıç ​​hızları rastgele oluşturulur.

     4) Parçacığın uygunluk değeri kişisel optimal çözümden üstünse, pbest en iyi konum olarak ayarlanır.

     5) Parçacığın uygunluk değeri global optimal çözümden üstünse, gbest en iyi konum olarak ayarlanır. Ardından parçacıkların hızı ve konumu sırasıyla güncellenir.

     6) Optimum Pg(t)=(Pg1(t), Pg2(t),… Pgd(t)) konumu kaos ile optimize edilir, daha sonra en iyi performansa (P*) sahip uygun çözüm elde edilir.

     7) Mevcut sürüdeki herhangi bir parçacığın konumunu P* ile değiştirin.

     8) CMOPSO algoritması durdurma koşulunu karşılıyorsa (asansör konfigürasyonunun performans göstergeleri), asansör konfigürasyon sistemi aramayı durduracak ve global optimal çözümü verecektir. Aksi takdirde 4. adıma dönün.

CMOPSO algoritmasına göre, optimal asansör konfigürasyonunun uygulama sistemi, VB ve MATLAB'ın hibrit programlama teknolojisi ile tasarlanmıştır.

Yapılandırma Arayüzü

Temel Parametrelerin Giriş Arayüzü

İlk olarak, kullanıcı giriş arayüzü aracılığıyla parametreleri ayarlayabilir. Buna binanın toplam alanı (U), binanın etkin alanı (S), asansör hizmeti alan kişi sayısı (Q), asansörlerin servis katmanları (n), bina yüksekliği (H) girilmesi dahildir. ) ve beklenen AWT. Ardından sistem, nominal hız (V) ve nominal yükleme kapasitesi Re gibi asansör parametrelerini otomatik olarak ayarlayacaktır.

Konfigürasyon Sonuçlarının Çıktı Arayüzü

Asansör konfigürasyon sistemi, programı, asansör konfigürasyonunun yukarıdaki ilkelerine göre arayüzün arka planında çalıştırır. Daha sonra asansör konfigürasyonunun sonuçlarını verir.

Performans Değerlendirme Arayüzü

Asansör konfigürasyonunun sonuçlarına göre, bu arayüz AWT, up-peak AWT (AWTu) ve down-peak AWT (AWTd) dahil olmak üzere çeşitli performans göstergelerini hesaplayabilir ve verebilir. Ana performans-değerlendirme göstergesi olarak ortalama bekleme süresi seçilmiştir. Asansör konfigürasyonunun tasarım süreci Şekil 1'de gösterilmektedir.

Şekil 1: Asansör konfigürasyon tasarım süreci: Sa hızlanma mesafesi, tr tek kat uçuş süresi, td kapı açma/kapama süresi, tp yolcu transfer süresi ve RTT gidiş dönüş süresidir. .

Asansör Konfigürasyonu Vaka Çalışması

Toplam 30,000 m2 alana, 27,000 m2 etkin alana, 24 kat (kat)/78 m yüksekliğe, 3,000 kullanıcıya ve beklenen ortalama bekleme süresi 45 s olan modern bir yüksek katlı ofis binasını ele alalım. Arayüz, temel parametreleri girdikten sonra Şekil 2'de gösterilmektedir.

Şekil 2: Temel parametrelerle giriş arayüzü

Yukarıdaki parametrelere göre, asansör konfigürasyonu, sırasıyla CMOPSO algoritmasına ve geleneksel konfigürasyon şemasına dayalı konfigürasyon şeması ile gerçekleştirilir. CMOPSO tarafından konfigüre edilen asansörlerin performans parametreleri 1350 kg nominal yük kapasitesi ve 2.5 m/sn nominal hızdır (Şekil 2). CMOPSO ve geleneksel şemaların konfigürasyon sonuçları Şekil 3 ve 4'te gösterilmektedir.

Şekil 3: CMOPSO şeması sonuçları

Şekil 4: Geleneksel şema sonuçları

Tablo 1: CMOPSO ve geleneksel şemaların karşılaştırılması

Tablo 1'den, geleneksel asansör konfigürasyon şeması ile karşılaştırıldığında, CMOPSO algoritmasına dayalı asansör konfigürasyon şeması, ortalama, en yüksek ortalama ve en düşük tepe AWT'lerini azaltmıştır. Bunun nedeni, CMOPSO yönteminin hızlı çoklu yinelemeler yoluyla en uygun çözümü bulabilmesi ve bağımsız değişkenleri daha doğru bir şekilde kontrol edebilmesi, böylece daha makul asansör seçimi ve ayarları sağlamasıdır. Sonuç, CMOPSO algoritmasına dayalı asansör konfigürasyon şemasının asansör konfigürasyonunda daha etkili olduğunu göstermektedir.

Sonuç

CMOPSO algoritması ve asansör konfigürasyonu uygulama sistemi sunulmuştur. Örnek olay incelemesi, CMOPSO algoritmasına dayalı asansör konfigürasyon şemasının ortalama, en yüksek ortalama ve en düşük ortalama bekleme süresini etkili bir şekilde azaltabileceğini ve böylece bir ofis binasının hizmet kalitesini iyileştirebileceğini göstermektedir. Böylece, CMOPSO algoritmasına dayalı asansör konfigürasyon şeması, asansör konfigürasyonu için uygun ve etkili bir çözüm sunar.

Teşekkür

Bu araştırma, AQSIQ Kâr Amacı Gütmeyen Endüstriye Özel Araştırma Fonu (No. 201310153) tarafından desteklenmiştir.

• 

• 

• 

• 

Referanslar
[1] Zhu Lin, Jiang Qing, Cao Jie ve Wan Jianru. “Asansör Grubu Kontrol Yöntemi,” ELEVATOR WORLD, 2013, 11:46-54.
[2] Zhang Junli. “Asansör Trafik Dağıtımı ve Yazılım Geliştirme.” Güney Çin Teknoloji Üniversitesi, Guangzhou, Çin, 2012 (Çince).
[3] Qian Huang, Tianwei Li, Zhengyou Li ve Yundong Hang. “Dinamik Kaos Parçacık Sürüsü Optimizasyon Algoritmasına Dayalı Kaotik Gemi Yönlendirmesi için PID Kontrol Tekniği Araştırması.” 10. Dünya Akıllı Kontrol ve Otomasyon Kongresi (WCICA 2012): 1639-43, 2012.
[4] Shen Hong. “UPQC'de Akım Harmonik ve Gerilim Düşüşünün Kompanzasyon Teknolojisi Üzerine Araştırma.” Tianjin Üniversitesi, Tianjin, Çin, 2009 (Çince).
[5] Li Shuang, Wang Zhixin ve Wang Guoqiang. “VSC-HVDC için Geliştirilmiş PSO Tabanlı PID Sinir Ağı Denetleyicisinin Uygulanması.” Proceedings of the CSEE, 2013, 33(3): 14-21 (Çince).
[6] Pan Feng, Li Weixing ve Gao Qi. “Particle Swarm Optimizer ve Multi-Object Optimization.” Beijing Institute of Technology Press, Pekin, Çin, 2013 (Çince).