DD DCS'nin Potansiyelini Gerçekleştirme

Çift katlı hedef kontrol sistemi (DD DCS), ofis binalarında sabah trafiğini artırmak ve bina çekirdek alanından tasarruf etmek için iyi bilinen iki yaklaşımı birleştirir.

Bu makale, Rick Barker'ın "Uyumlu Asansör Dağıtımı ve Yolcu Arayüzleri" (ELEVATOR WORLD, Kasım 2018) makalesinin dayandığı asansör dağıtımının teknik prensiplerini açıklamaktadır. Editör

DCS'li çift katlı asansörler, asansörlerin kapladığı çekirdek alanı azaltmak için yüksek binalarda kullanılır. Bununla birlikte, DCS öğle yemeği trafiği performansı, büyük ölçüde yolcu çağrılarının asansörlere ve güvertelere anında atanmasından kaynaklanan potansiyel alan tasarrufunu hala sınırlandırmaktadır. Bu makale, bu zorluğu çözmek için bir asansör grubu kontrol sistemi için iki optimizasyon yöntemini tanıtmaktadır. İlk olarak, belirsiz yakın gelecekteki yolcu varışları, daha sonra en uygun asansör rotalarını sağlam bir şekilde tanımlayan senaryolarla modellenir. İkinci olarak, çağrı atamalarının yeniden optimizasyonu, kontrolün yeni yolcu varışlarına tepki vermesi için maksimum esneklik sağlar.

Giriş

DD DCS, ofis binalarında sabah trafiğini artırmak ve bina çekirdek alanından tasarruf etmek için iyi bilinen iki yaklaşımı birleştirir.^[6] Çift katlı bir asansör, birbirine bağlı iki asansör kabininden oluşur. Bu, asansör boşluğu başına kabin kapasitesini iki katına çıkarır. Ek olarak, ikili lobi, yolcuların varış katlarına göre alt ve üst güvertelere dağıtıldığı çift/tek ayrımını zorlar.^[5] Bir DCS'de yolcular, lobilerdeki sayısal tuş takımlarını kullanarak varış yerlerini verirler. Ek bilgilere dayanarak, DCS aynı varış noktalarına seyahat eden yolcuları aynı asansörlerde toplayabilir, bu da asansör duraklarını azaltır ve en yüksek taşıma kapasitesini artırır.^[13] Öte yandan, hem çift katlı asansörler hem de DCS, karışık öğle yemeği trafiği sırasında henüz en iyi performansı göstermiyor.^{[15 & 16]}

DD DCS için öğle yemeği trafiği birkaç nedenden dolayı zorludur:

1. Trafik: Öğle yemeği trafiği, trafiğin yarısından daha azı gelen trafik olduğu için, yolcuları asansörlerde gruplamak için en yoğun trafiğin sağladığı kadar fazla fırsat sağlamaz. Üst katlar arasındaki katlar arası trafik, gelen ve giden trafik için etkili bir strateji olan çift/tek ayrımını kırar.
2. Sinyalizasyon anında: Mevcut fiili standart DCS, her çağrıya bir asansör atar ve bir çağrı kaydedildikten hemen sonra sinyal verir. Bu atama daha sonra değiştirilemez. Çağrıya nihayet hizmet verildiğinde, sistem durumundaki değişiklikler nedeniyle atama artık optimal olmayabilir.
3. Yolcu davranışı: DCS, her yolcunun tam olarak bir çağrı verdiğini varsayar. Bununla birlikte, yolcular genellikle aynı varış noktalarına sosyal olarak bağlı gruplar halinde seyahat ederler.[11] Tipik olarak, bir gruptaki yalnızca bir yolcu çağrıyı verir, diğerleri ise asansörün bagaj kapısındadır. Bireysel yolcuların da daha hızlı veya daha fazla alana sahip bir asansör bulma umuduyla hızlı bir şekilde arka arkaya birkaç çağrı kaydettikleri gözlemlendi.

Trafik koşulları değiştirilemez. Bununla birlikte, iki seviyeli optimizasyon modeli (aşağıdaki bölümde), örneğin yolcu bekleme sürelerini en aza indiren genel amaçtan bağımsız olarak asansör rotalarının verimliliğini en üst düzeye çıkarır. Sinyalizasyon, asansör grup kontrol sisteminin (EGCS) altında çalıştığı atama politikasını anında belirler. Mevcut DD DCS, hem hizmet veren asansörün hem de güvertenin hemen sabitlendiği acil atama ilkesine (IA) dayanmaktadır. Yakın gelecekte mevcut atamaların yetersiz hale gelmesi riskini azaltmak için EGCS, yeni yolcu varışlarını tahmin ederek ve bir çağrıdaki yolcu sayısını tahmin ederek asansör rotalarını sağlam bir şekilde optimize edebilir (“Risk Senaryolarıyla Yolcu Gelişlerini Tahmin Etme” bölümü).

Gelecekteki sistem durumlarının etkilerini azaltmanın alternatif bir yolu, hizmet veren asansör veya güvertenin nihayet sabitlendiği anı ertelemektir. DD DCS, gecikmeli güverte atama politikasına (DDA) izin verir: alışılmış olduğu gibi, hizmet veren asansöre hala hemen sinyal verilir, ancak EGCS, hizmet veren güverteyi son ana kadar yeniden optimize edebilir. Gecikmeli asansör atama politikası (DEA), hem hizmet veren asansörün hem de güvertenin yeniden optimize edilmesini sağlar. DEA, tek katlı asansörler için de düşünülmüştür.^[9] “Gerçek Zamanlı Optimizasyon için Genetik Algoritma” bölümünde, DDA ve VZA altında iki düzeyli modeli çözmek için gerçek zamanlı bir genetik algoritma tanıtılırken, “Simülasyon Sonuçları” bölümünde bu tekniklerin avantajları simülasyonlarla gösterilmektedir.

Çift Katlı Asansör Sevkiyatının Bilevel Modeli

EGCS'nin ana görevi, her yolcu çağrısına hizmet etmek için bir asansör göndermektir. Sevkiyat kararını vermek için matematiksel yöntemler, özellikle geleneksel kontrol için geniş çapta araştırılmıştır.^[4] Bir yaklaşım, “asansör sevk etme problemi” (EDP) olarak adlandırılan bir anlık görüntü optimizasyon problemini sıklıkla çözmektir.[20] EDP'nin çözümü, asansör grubuna ait her asansörün rotasını tanımlar. E bir dizi yolcu aramasına hizmet etmek için V. Asansörler rotalarının ilk çağrılarına yönlendirilir. DCS'de yolcu çağrıları, bir iniş ve araba çağrısını eşleştirir. Bu nedenle, ayarlayın V ayrıca resmi olarak şu şekilde gösterilen iniş ve araba çağrılarına bölünebilir: S hem de T.

Çift katlı asansör sevk problemi (DD-EDP), her yolcu çağrısına bir asansör ve bir güverte atar ve servis sırasını belirler.^[18] Bu problem, tüm kararların aynı anda global olarak ele alındığı tek seviyeli bir optimizasyon modeli olarak formüle edilebilir. İki seviyeli bir optimizasyon modelinde, asansör atamalarına bir üst seviye problem tarafından karar verilirken, güverte atamaları ve sıralamasına her asansör için ayrı alt seviye problemler tarafından karar verilir.

Tek seviyeli modelin dezavantajı, yolcu bekleme sürelerini en aza indirirken verimsiz asansör rotaları üretebilmesidir. Alt güvertedeki bir yolcunun F1'e doğru seyahat ettiği ve bir başkasının F3'ten F3'ye ulaşımı beklediği Şekil 7'de (solda) böyle bir duruma örnek gösterilmektedir. Yayların yanındaki sayılar, uçuşun ilgili başlangıç ​​ve bitiş katları arasındaki birleşik durma ve uçuş sürelerinin yanı sıra asansörün bitiş katına (parantez içinde) varış zamanını gösterir. Bu örnekte sorun, F3'te bekleyen yolcuyu alt güvertenin mi yoksa üst güvertenin mi alacağına karar vermektir. Açıkça ortada gösterilen üst güverte çözümü bekleme sürelerini en aza indirir, çünkü üst güvertenin F4.8'e ulaşması sadece 3 s alır, alt güverte ise 6.8 s alır. Bununla birlikte, üst güverte çözümü bir durdurma içerir, bu sırada alt güverte

Bu gözlem, tek seviyeli modelin, üst seviyenin yolcu hizmet kalitesini optimize ettiği ve alt seviye problemlerin her bir asansörün rotasını ayrı ayrı optimize ettiği iki seviyeye ayrıştırılmasına yol açar. İki düzeyli model iki atama değişkenini dikkate alır. Üst düzey problemde, yolcu çağrıları i V asansörlere atanmış e  E ikili karar değişkenleri tarafından x_{e, ben}. Asansörün alt seviye probleminde e, çağrılar i V_e güverteye atandı d {1,2} ikili karar değişkenlerine göre y_{e, d, ben}, V_e ={i     V|x_{e, ben} = 1}. Ek olarak, alt düzey problem, ikili yay değişkenlerini kullanarak çağrıların ziyaret edilme sırasını belirler. z_e,d,i,j, nerede çağrı i V_e çağrıdan önce j V_e if z_e,d,i,j = 1. Amaç fonksiyonları için anahtar değişken, bir çağrı katına asansör/güverte varış zamanıdır, t_{e, d, ben,} yolcu bekleme ve yolculuk sürelerinin yanı sıra toplam asansör güzergah süresini tanımlar. Her arama, arama süresiyle ilişkilendirilir y_i tescil ve talep tarihinden itibaren geçen Diiniş çağrıları için pozitif ve araba çağrıları için negatif olan yolcu sayısının yanı sıra.

İki seviyeli optimizasyon modeli aşağıdaki gibidir (yazarınızın 2017 makalesine bakın, “Bir Asansör Grubu Kontrol Sistemi için Optimizasyon Modelleri ve Sayısal Algoritmalar”^[18] detaylar için):

tabi

nerede  optimal asansör rotaları kümesidir, , bu rota süresini en aza indirir her asansör için e verilen ödevlerle. Amaç fonksiyonu (Eşit 1) toplam yolcu bekleme süresini minimize eder. Araba çağrılarını T dikkate alacak şekilde en içteki toplamları değiştirerek yolcu yolculuk sürelerini en aza indirecek şekilde değiştirmek kolaydır._e iniş çağrıları yerine S_e. D talebi_i tipik olarak bir yolcuya karşılık gelir. Talep, bir girdi veya tahmini bir yolcu grubu boyutu olan daha büyük bir sayı da olabilir. Denk. 2, her çağrının tam olarak bir asansöre atanmasını sağlar.

Denklem'deki alt seviye problem. 3, bir asansörün güzergahını, ziyaret edilecek yerlerin sırası olarak tanımlar. Asansör/güverte varış süreleri, rota boyunca katlar arası uçuş süreleri ve durma süreleri ile toplanır. Alt seviye amaç, son durak için varış zamanına karşılık gelen rota süresini en aza indirmektir. Ayrıca model, her güvertedeki yolcu sayısını da takip ediyor. Sonuç olarak, uygulanabilir bir çözüm kapasite kısıtını karşılar. Ayrıca asansör çalıştırmanın temel kuralları takip edilmektedir.^[3]

Risk Senaryoları ile Yolcu Gelişlerini Tahmin Etme

IA kapsamındaki DCS, yolcular hakkında iki tür tahmin gerektirir: yolcu sayısı ve yeni gelenler. Bireysel yolcu varışları, oranlı bir Poisson süreci olarak modellenebilir.  kişi başına 5 dk.^[1] Modern asansörler, binen ve inen yolcuları doğru bir şekilde sayabilir ve günün 15 dakikalık periyotları için her kattaki varış oranlarını öğrenebilir.^[14] Yolcu toplu varışları, lobilere toplu olarak veya talep patlamaları halinde geldikleri bir bileşik Poisson süreci olarak modellenebilir.^[11] Parti büyüklükleri yolcu sayımlarından doğrudan gözlemlenemez, ancak her bir tek yönlü asansör yolculuğu için tahmin edilebilir.^[12] Parti büyüklükleri, ortalama parti büyüklüğü ile geometrik bir dağılım izliyorsa, βişlem, geometrik Poisson veya Pólya-Aeppli işlemi olarak bilinir. /β 5 dakikada gelen partiler.^[10]

Sağlam DD-EDP, farklı yolcu talepleri olan birden fazla senaryoyu dikkate alır.[19] bir senaryo s risk seviyeleri ile tanımlanır talebi tahmin etmek için kullanılan  ve varış zamanı katta yeni bir yolcunun k. Talep, ayrık rastgele değişkenlerin ters dağılım fonksiyonundan çekilir. olasılık için

nerede F için kümülatif dağılım işlevini belirtir n olaylar.

Çağrı katındaki talep k çağrının kaydedildiği andaki ilk talep ile zamanla artan talepten oluşur,

nerede G hem de GP sırasıyla geometrik ve geometrik Poisson dağılımını temsil eder. Geometrik dağılımın parametresi 1/β, geometrik Poisson dağılımı, zaman içindeki beklenen parti varış sayısı ile parametrelendirilirken  (yani, aramanın kaydedilmesinden bu yana geçen süre artı asansörün gelmesine kadar kalan süre). Tahmin, bireysel varışlarla sıradan Poisson süreci için de uygulanabilir. Daha sonra ilk talep  bire eşittir ve  ile Poisson dağılımına indirgenir. β = 1.

Çağrısız katlarda, en fazla zamanında yeni bir yolcu geliş olabilir.  olasılıkla , Burada  önceki aramanın katta kaydedilmesinden bu yana geçen süreyi belirtir k. Toplu varışlar arası süreler parametreli üstel bir dağılım izlediğinden , zaman  dağıtım fonksiyonundan kolayca çözülebilir.

Örnek olarak, bu tahmin yöntemleri, bir buçuk kişilik ortalama parti büyüklüğü ile aşağı tepe koşulu altında tek katlı bir asansörde test edilir.[19] Her kat için üç risk seviyesi birleştirilerek yaklaşık 60,000 senaryo oluşturulur. Her senaryoda, yolcular bir EDP örneğinde hem Poisson hem de geometrik Poisson süreci ile tahmin edilir. Şekil 2, tüm senaryolarda asansör güzergahı boyunca taşınan toplam talebin dağılımını göstermektedir. Şekilde ayrıca tahminsiz talebe ve bir simülasyonda gerçekleşen talebe karşılık gelen iki sabit çizgi vardır.

Açıkça görülüyor ki, anlık görüntü EDP'sine yönelik çözüm, gerçekleşen yolcu talebi tahminler olmadan varsayıldığından çok daha yüksek olduğundan, optimal olmama riski taşıyor. Geometrik Poisson süreci ile tahmin, Poisson tahminlerinden daha geniş dağılımlarla sonuçlanır. Bu, çözümün sağlamlığını garanti eder. Ayrıca, gerçekleşen değerler yalnızca geometrik Poisson süreci varsayıldığında aralık içinde kalır. Bu, yolcu tahmininde toplu varış sürecinin kullanılması gerektiğini gösterir.

Gerçek Zamanlı Optimizasyon için Genetik Algoritma

Genetik algoritma, doğal olarak meydana gelen evrimi taklit eden bir optimizasyon yöntemidir.^[7] Algoritma, çaprazlama ve mutasyon gibi genetik operatörler tarafından nesiller boyunca kromozom popülasyonunu manipüle eder. Bir kromozom, bir kromozomun her bir geninin bir karar değişkeninin değerini belirlediği, eldeki bir optimizasyon problemine aday bir çözüm tanımlar. Bir kromozomun uygunluğu, genellikle en aza indirilen optimizasyon probleminin amaç fonksiyonuna karşılık gelir.

Tek katlı asansör sevkine ve daha sonra çift katlı asansörlere genişletilen bir EGCS'nin gerçek zamanlı optimizasyonuna zaten bir genetik algoritma uygulandı.^{[15, 17 & 20]} Algoritma, her yolcu çağrısı için bir gen kurar. Bir genin olası değerleri, tüm asansör/güverte kombinasyonlarını bir dizine benzersiz şekilde eşleyen asansör kabini endekslerinin aralığıdır. Böylece, bir kromozom, bir yolcu çağrısına hem bir asansör hem de bir güverte atar, bu da onu tek seviyeli bir model yapar.

İki seviyeli DD-EDP sorunu, yalnızca üst kattaki bir yolcu çağrısına bir asansör atar. Genetik algoritma, iki seviyeli modeli çözmek için biraz değiştirilir: bir gen değeri, bir asansör indeksini temsil eder. Böylece, bir kromozom üst düzey problemin çözümüne karşılık gelir. Şekil 3, ilkeyi, A1 güvertesinde F3'e seyahat eden bir yolcunun olduğu ve F4, F5 ve F6 katlarındaki üç yolcunun alınmayı ve ana lobiye taşınmayı beklediği bir örnek üzerinden açıklamaktadır. Görev, bu üç yolcu çağrısına bir asansör ve bir güverte atamaktır. Giden yolculara her iki güverteden de hizmet verilebilir ve optimum çözüme göre alt veya üst lobi katına taşınabilir. Yolcular, üst lobiden zemin kat çıkışına gitmek için yürüyen merdiveni kullanabilirler. Şeklin sol tarafında gösterilen kromozom, F4 üzerindeki çağrıyı A asansörüne ve F5 ve F6 üzerindeki çağrıları B asansörüne atar. figür. Bu nedenle, optimal çözüm, F3 ve F4'teki (eşzamanlı teslimat ve başlatma) ve ayrıca F5 ve F6'daki (iki eşzamanlı başlatma) çakışan çağrılardan yararlanır.

Daha önceki tek seviyeli model, genetik algoritmanın arama uzayında zayıf güverte atamalarına izin verir. Örneğin, güverte A1 F4 katına hizmet edebilir; güverte B1, kat F6; ve tesadüfi olmayan durakların yanı sıra yolcu bekleme ve yolculuk sürelerini en üst düzeye çıkaracak olan güverte B2, kat F5. Zayıf aday çözümler sonunda genetik algoritma tarafından atılır, ancak önce değerlendirilmeleri gerekir. Öte yandan bu, bir EGCS'nin kıt hesaplama kaynaklarını boşa harcar. İki seviyeli model, küresel optimumun aranmasını kolaylaştıran en yüksek optimizasyon seviyesinden bu tür alakasız güverte atamalarını atar.

Doğal olarak, iki seviyeli modelin de bu zayıf güverte atamalarını dikkate alması gerekir, ancak bunlar daha az karmaşık alt seviye problemlere devredilir, üst seviye optimizasyonu bozmaz ve verimli buluşsal yöntemlerle ele alınabilir.^[18]

Atama politikası, bir yolcu çağrısının hizmet veren asansörünün ve/veya güvertesinin nihai olarak ne zaman sabitlenmesi gerektiğini belirler. Başka bir deyişle, bir yolcu çağrısı sabitlenene kadar başka bir asansöre ve/veya güverteye atanabilir; örneğin, yavaşlama noktasında. Bu, diğer yandan, genetik algoritmadaki arama uzayının büyüklüğü ile doğrudan ilişkilidir: arama uzayı, yeni kaydedilen çağrıların sayısına göre katlanarak büyür. ve alınmayı bekleyen aramaların sayısı  (Tablo 1). Genellikle,   küçüktür (bir veya iki), ancak büyük olabilir.

Tablonun en dikkat çekici gözlemi, iki düzeyli modelin hem IA hem de DDA için aynı boyutta arama alanına sahip olmasıdır. Bu, DDA'nın iki düzeyli modelle IA'dan (yüksek düzeyli) hesaplama karmaşıklığını artırmadığı anlamına gelir. Daha önceki tek seviyeli modelde, arama uzayı aşağıdakilere göre katlanarak büyür.Bu, DDA'nın gerekli hesaplama çabasını bir EGCS'nin pratik sınırının ötesine yükseltir. İki seviyeli modelin üst düzey karmaşıklığı, güverte sayısına bağlı değildir, bu da bu yaklaşımı çok katlı asansörler ve diğer çok arabalı sistemler için verimli hale getirir.

Örnek olarak, 32 yolcu çağrısının alınmayı beklediği büyük ölçekli bir örneği düşünün. Beş çift katlı asansör grubu tüm katlara hizmet vermektedir. Bir arama yeni kaydedilirken, 31 arama cevaplanmayı bekliyor. Bu nedenle, bu probleme iki düzeyli modeli uygularken, uygulanabilir çözümlerin sayısı IA ve DDA için beşe, ancak 5'e eşittir.³² > 10²² DEA için. Bir çözümün değerlendirilmesi 1 µs sürse bile, VZA durumunda tüm uygulanabilir çözümlerin değerlendirilmesi 108 yıl alacaktır. Ancak genetik algoritma, gerçek zamanlı optimizasyon için yeterince hızlı olan 3,000 ms'den daha kısa bir sürede olası optimuma yakınsamadan önce yalnızca yaklaşık 100 aday çözümü değerlendirir.^[18] Genetik algoritmanın hızlı yakınsaması, nesiller boyunca popülasyon uygunluğunun evrimini gösteren Şekil 4'te gösterilmektedir. Başlangıç ​​popülasyonunda minimum (en iyi), maksimum ve ortalama uygunluk değerlerinin tümü yüksektir. Bununla birlikte, yaklaşık 15 nesil içinde, artık büyük gelişmelerin bulunmadığı bir düzeye keskin bir şekilde düşüyorlar. En iyi çözüm 24. nesilde bulunurken, algoritma 64. nesile kadar daha iyi çözümler aramaya devam ediyor.

Simulasyon sonuçları

Görevlendirme politikalarının yolcu hizmet kalitesi üzerindeki etkisini göstermek için 18 üst kat ve iki giriş katı olan bir ofis binasının vaka çalışması yapılmıştır. Her katın nüfusu 100'dür. Katlar arası mesafeler 4.15 m'dir. Anma hızı 4 m/s, ivmesi 1 m/s olan beş özdeş asansöre sahip çift katlı asansör grubu² 1.6 m/s3'lük bir sarsıntı ise binanın tüm katlarına hizmet etmektedir. Son katlara sadece bir güverte hizmet vermektedir: alt kat alt güverte ve üst kat üst güverte tarafından. Her güverte 17 yolcu kapasitelidir.

Kapı açılma ve kapanma süreleri sırasıyla 1.4 ve 3.1 s'dir, kapı ön açma kullanılmaz. Ayrıca, 0.7 s'lik bir başlama gecikmesi ve 0.9 s'lik kapı kapanma gecikmesi vardır; yani, kapı kapanmadan önce yolcu geçişinden sonraki gecikme. %40 gelen, %40 giden ve %20 katlar arası trafikten oluşan öğle yemeği trafiği, KONE Building Traffic Simulator (BTS™) kullanılarak simüle edilir.^[21] Bu simülasyonlarda, DD-EDP'nin amaç fonksiyonu, gelen yolcuların yolculuk sürelerini ve diğer yolcuların bekleme sürelerini en aza indirmektedir. Her 4 dakikada nüfusun %15'ünden %5'ine artan yolcu talepleri ile bir dizi simülasyon çalıştırılır.^[8] Her yolcu talebi 120 dakika simüle edilir, ardından simülasyon bir sonraki talep için sıfırlanır. İlk 15 ve son 5 dakika sonuçlardan atılır. Ortalama yolcu bekleme ve transit süresi ile varış noktasına kadar geçen süre, Şekil 5-7'de her bir varış oranı için gösterilmektedir.^[2] Bu çalışmada, acil atamanın (IA) sonuçları, ilk çift katlı hedef kontrolünü temsil etmektedir.^[17]

Gecikmeli atama politikaları, beklendiği gibi yolcu hizmet kalitesini önemli ölçüde artırır. DDA ile ortalama bekleme süreleri, IA'ya göre 5 saniyeye kadar daha kısadır. Ortalama olarak, iyileşme yaklaşık %10'dur ancak en yoğun yolcu talebi altında %15'e kadar çıkmaktadır. Öte yandan DEA, ortalama bekleme süresinde 15 saniyeye veya %30'a varan çarpıcı bir azalma gösterir.

Gecikmeli atama politikaları, yolcu geçiş sürelerini de azaltır. Şaşırtıcı bir şekilde, ortalamalar IA'dan 5 s'ye kadar veya %5-7 daha kısa olduğundan, en kısa geçiş süreleri DDA ile gözlemlenir. Bu bakımdan, VZA, düşük yolcu talepleri dışında, IA'da iyileştirme yapmamaktadır. DDA'nın iyi performansı, durak sayısının azalmasına bağlanabilir, çünkü katlar arası yolcuların kalkış ve varış noktaları, asansör rotalarının diğer durakları arasında daha iyi optimize edilebilir. Öte yandan, DEA, asansörleri en uygun şekilde yeniden atama şansına sahip olduğunda bekleme sürelerini daha fazla tartıyor gibi görünüyor.

Gecikmeli atama politikalarının varış noktalarına zamanında yaptığı iyileştirmeler, bekleme ve transit süreleriyle ilgili gözlemleri birleştirir. DDA ile ortalama geçiş süreleri, hem bekleme hem de geçiş sürelerindeki azalmanın bir sonucu olarak, IA'ya göre 8 s'ye kadar veya %7-8'e kadar daha kısadır. VZA'nın ortalama varış süresinde sağladığı iyileştirme, ortalama bekleme süresindeki iyileşmeye bağlanabilir. Azalma 15 saniyeye kadardır ancak farklı yolcu talepleri için %10 ile %15 arasında değişmektedir. Sonuç olarak, DDA ve VZA, varış yerine kadar olan ortalama süre açısından birbirine oldukça yakındır (5 s içinde).

Ancak, DEA açıkça en iyi hizmet kalitesini sağlar. Asansör planlaması ile karşılaştırıldığında, yukarıdaki sonuçların önemi açıktır. Tipik olarak, her 11 dakikada nüfusun %12'i veya %5'si olan yolcu talebi, öğle yemeği trafiği için gerekli taşıma kapasitesi olarak kabul edilir. Böyle yüksek bir talep için yolcu bekleme süresi genellikle DD DCS için belirleyici tasarım parametresidir. Tipik olarak, ortalama 40 s'den daha az bir süre gereklidir. Şekil 5'te gösterildiği gibi, IA ile ortalama bekleme süresi, %40 ve %11 talep ile 12 saniyeden biraz fazladır.

Bu taleplerle DDA, ortalama bekleme süresini tatmin edici bir düzeye çekerken, VZA iyi hizmet kalitesi sağlayabilir. Böylece, önerilen

asansör grubu IA ile reddedilmelidir ancak DDA ve DEA için kabul edilebilir. Diğer bir yaklaşım, asansör grubunun tatmin edici bir şekilde karşılayabileceği maksimum yolcu talebini aramaktır.

Şekil 5'e göre, VZA her 15 dakikada nüfusun en az %16'ini (ve muhtemelen %5'sını) idare edebilir. Bu, DEA'nın IA veya DDA'dan en az %30 daha fazla nüfusu işleyebileceğini gösterir.

Sonuç

Bu makale, nihai olarak öğle trafiği sorununu çözmeyi ve DD DCS'nin potansiyelini gerçekleştirmeyi amaçlayan bir asansör grubu kontrol sistemi için gelişmiş matematiksel modeller ve algoritmalar tanıtmıştır. Açıklanan yöntemler, binalarda daha fazla doluluk, asansörün hizmet dışı kalması durumunda makul yolcu hizmet kalitesi veya asansör sayısında daha fazla azalma sağlar.

Referanslar

[1] Alexandris, NA “Asansör Sistemlerinde İstatistiksel Modeller,” Ph.D. tez, The Victoria University of Manchester, Institute of Science and Technology (1977).
Manchester Üniversitesi, Bilim ve Teknoloji Enstitüsü.
[2] Barney, G. “Anlaşılmış Trafik Tasarım Tanımlarına Doğru”, ELEVATOR WORLD, Cilt 53 (2), s. 108 (2005).
[3] Clos, G. Büyük Asansör Sistemlerinde Yolcu Trafiğinin Bilgisayarla Kontrolü, Ph.D. tez, The Victoria University of Manchester, Institute of Science and Technology (1970).
[4] Fernández, J. ve Cortés, P. “Dikey Taşıma için Asansör Grubu Kontrol Sistemlerine İlişkin Bir Araştırma: Son Literatüre Bir Bakış. IEEE Kontrol Sistemleri, Cilt. 35 (4), s. 38-55 (2015).
[5] Fortune, J. “Modern Çift Katlı Asansör Uygulamaları ve Teorisi,” EW, Cilt. 44 (8), s. 63-68 (1996).
[6] Fortune, J. “Çift Katlı Asansörler için Önceden Belirleme Salonu Çağrı Seçimi (3-D Kodlama).” EW, Cilt. 53 (8), s. 126-133 (2005).
[7] Goldberg, DE Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley, Boston (1989).
[8] Hakonen, H. ve Siikonen, ML. “Asansör Trafik Simülasyon Prosedürü,” EW, Cilt. 57 (9), s. 180-190 (2009).
[9] Hiller, B., Klug, T. ve Tuchscherer, A. “Asansör Gruplarının Planlanması için Kesin Yeniden Optimizasyon Algoritması,” Esnek Hizmetler ve İmalat Dergisi, Cilt. 26 (4), s. 585-608 (2014).
[10] Johnson, N., Kemp, A. ve Kotz, S. Tek Değişkenli Ayrık Dağılımlar, 3. Baskı, John Wiley & Sons Inc, Hoboken, New Jersey (2005).
[11] Kuusinen, JM., Sorsa, J., Siikonen, ML. ve Ehtamo, H. “Çok Katlı Bir Ofis Binasında Asansör Yolcularının Geliş Süreci Üzerine Bir Araştırma,” Building Services Engineering Research and Technology, Cilt. 33 (4), s. 437-449 (2012).
[12] Kuusinen, JM., Sorsa, J. ve Siikonen, ML. “Asansör Gezisi Başlangıç-Varış Matrisi Tahmin Problemi,” Ulaştırma Bilimi, Cilt. 49 (3),
s.559-576 (2015).
[13] Schröder, J. “Gelişmiş Sevkiyat — Varış Noktası Çağrıları + Anında Araba-Arama ataması: 'M-10,'” EW, Cilt. 38 (3), s.
40-46 (1990).
[14] Siikonen, ML. Yüksek Binalardaki Asansörler için Planlama ve Kontrol Modelleri, Ph.D. tez, Helsinki Teknoloji Üniversitesi, Sistem Analizi Laboratuvarı (1997).
[15] Sorsa, J., Siikonen, ML. ve Ehtamo, H. “Genetik Algoritmayı Kullanarak Çift Katlı Asansör Grubunun Optimal Kontrolü”, Uluslararası İşlemler Yöneylem Araştırması, Cilt.10 (2), s. 103-114 (2003).
[16] Sorsa, J., Hakonen, H. ve Siikonen, ML. “Hedef Kontrol Sistemi ile Asansör Seçimi,” EW, Cilt. 54 (1), s. 148-155 (2006).
[17] Sorsa, J. ve Siikonen, ML. “Çift Güverte Varış Noktası Kontrol Sistemi,” Elevatori, Vol. 37 (5), s. 42-56 (2008).
[18] Sorsa, J. Bir Asansör Grubu Kontrol Sistemi için Optimizasyon Modelleri ve Sayısal Algoritmalar, Ph.D. tez, Aalto Üniversitesi Fen Bilimleri Fakültesi, Sistem Analizi Laboratuvarı (2017).
[19] Sorsa, J., Ehtamo, H., Kuusinen, JM., Ruokokoski, M. ve Siikonen, ML. “Asansörde Belirsiz Yolcu Gelişlerinin Varış Noktası Kontrolü İle Sevkiyat Sorununun Modellenmesi,” Optimizasyon Mektupları, Cilt. 12 (1), s. 171-185 (2018).
[20] Tyni, T. ve Ylinen, J. “Asansör Araba Yönlendirme Probleminde Genetik Algoritmalar,” Proceedings of the Genetic and Evolutionary Computation Conference (GECCO-2001),
L. Spector, et al. (Ed.), Morgan Kaufman Publishers, San Francisco, s. 1413-1422 (2001).
[21] Siikonen, ML., Susi, T. ve Hakonen, H. “Yüksek Binalarda Yolcu Trafik Akışı Simülasyonu,” EW, Cilt. 49, (8), s. 117-123 (2001).