资源描述：
《智能多模式电梯群控调度方法的研究与实现》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、系统的安全性。由于目前市场上的楼宇自动系统都是国外产品,在设备选型时,必须充分考虑系统投入运动后的安全问题,包括系统的成套性、产品的技术成熟程度、对方技术交底到底什么程度、运行数据管理甚至包括产品售后服务是否及时等,以确保系统安全、正常地运行。为现代化建筑提供主要运输功能的电梯群控系统,在人们日常生活中起着越来越重要的作用。影响电梯群控算法性能的一个重要因素是交通流,它是以电梯服务系统的乘客数、乘客出现的周期以及乘客的分布情况描述的。交通流的情况主要与建筑的用途有关,对于典型办公大楼,通常可将电梯群控系统的交通流分为以下几种模
2、式:上高峰交通模式,下高峰交通模式,2路交通模式,4路交通模式,平衡的层间交通模式和空闲交通模式等。在不同的交通模式下采用最适合的群控算法,可提高电梯系统的性能,即提高其服务的数量(处理能力)和质量(服务时间)。要实现不同算法根据交通流的状态实时地切换,需要有一个实时的交通分析模块,以辨识当前的交通模式,然后切入到相应的算法。辨别交通模式的准确性将直接影响整个系统的性能。Aebert等提出了用神经网络或模糊推理进行交通模式识别的方法,但用神经网络方法制定样本困难,而且网络训练非常耗时；而用模糊规则方法则无学习功能。为此,本文提
3、出一种用模糊神经网络进行电梯群控系统交通模式识别的方法。智能多模式电梯群控调度方法的研究与实现摘要:电梯群控系统的任务是有效地运送乘客，提高电梯运行效率、改善服务质量。根据大楼不同交通流状况识别不同的交通流模式，并采用最合适的调度方法分派电梯是提高电梯群控性能的关键。本文实现了一种基于模式识别的智能多模式电梯群控调度方法，该方法可以在一天中根据不同的交通流状况，提供不同的群控策略，从而使电梯服务更优，仿真实验表明了这种电梯调度方法是有效的。关键词:电梯群控系统；电梯调度；交通模式识别；模糊神经网络；多模式1、引言电梯群控系统是
4、在建筑物内控制三部或三部以上电梯并实现优化调度从而有效的运送乘客改善服务质量的控制系统。在群控调度算法的研究中，人们发现建筑物内的交通模式在一天的不同时间内是变化的，仅用一种固定不变的派梯算法不能适应所有的交通模式，群控系统必须适应建筑物内交通模式的变化。随着人工智能理论的发展，研究人员提出了多种智能派梯方法，按照交通流模式的不同，有适用于高峰期的群控算法、适用于层间交通的群控算法和适用于空闲模式的群控算法等。对于某一种交通模式，可以设计出适合它的群控算法，并在此交通模式下提高电梯群控系统的服务质量，但这种群控算法假如用于其他
5、交通模式，其性能可能很不理想。如果群控系统能够比较准确地辨别出各种交通模式所占的比例，那就可以按照各种模式比例的大小，采用适合于这种交通模式的群控算法。本文针对上述问题并综合了空闲派梯、随机层间派梯和高峰期派梯等几种智能算法的思想提出了一种基于模式识别的智能多模式电梯群控调度方法，并在虚拟环境下实现了这种调度算法。2、基于交通模式识别的电梯群控系统在群控器中，应有一个交通模式识别模块，实时监测建筑内的交通状况和交通需求，用以调整梯群监控系统的参数或选择不同的控制算法，使梯群监控系统的控制策略能够适应当前的交通状况。采用交通模式
6、识别的电梯群控器结构如图1所示。根据上、下行高峰时电梯上、下停站和呼梯的关系，用神经网络辨别交通模式，采用各时间段为纯粹模式的模拟交通流，利用仿真获得电梯的运行过程，从而根据对仿真过程中的电梯运行记录得到的电梯上行停靠次数、下行停靠次数等信息制定样本训练神经网络，进行交通模式识别。然后根据模式识别的结果进行派梯。2、电梯群控系统的交通模式识别3。1用于交通模式识别的模糊神经网络模型用于交通模式识别的模糊神经网络是基于联结机制的模糊神经网络模型圈，该模糊神经网络采用五层结构，如图2所示。第一层为输人层、其中每一个节点是一个输人节
7、点(语言节点)，它代表输人语言变量。第二层和第四层分别为模糊化层和综合层，它们的节点是模糊子集节点，分别用于表示输人和输出变量的隶属函数。第三层为规则层，其中的节点为规则节点，代表模糊逻辑规则，所有第三层的节点构成了一个模糊规则库。第五层为输出层，其节点代表网络的输出语言变量。3。2交通流模式识别应用模糊神经网络进行交通模式识别需要以下几个步骤。1)交通模式特征的提取。根据对每种交通模式定义的分析，可以确定3个特征值:本时间段的总客流量(总乘客数)，进门厅乘客数，出门厅乘客数，这些特征值基本上可以反映一个时间段的交通特征。2)
8、网络结构的确定。根据总客流量、进门厅人数和出门厅人数三个特征值辨别出上高峰、下高峰、随机层间和空闲四种交通模式的比例。，，归一化后作为网络的输入。网络输出为:，分别表示上高峰、下高峰、层间和空闲四种交通模式所占的比例。3)通过样本训练网络。①确定样本:交通模式识别网络的样本主
