电梯群控系统交通模式识别

熊新国，田红彬

XIONG Xin-guo,TIAN Hong-bin

（河南职业技术学院 机电系，郑州 450046）

电梯群控系统交通模式识别

Traffi c pattern recognition of elevator group control system

熊新国，田红彬

XIONG Xin-guo,TIAN Hong-bin

（河南职业技术学院 机电系，郑州 450046）

为了使电梯服务更优，我们应该在一天中根据不同的交通流状况，提供不同的群控策略。本文把BP神经网络中的改进L-M算法应用到交通模式识别的网络结构的确定当中，并且利用MATLAB导出网络的相关参数。试验结果表明，根据此种方法确定的网络结构可以准确地判别出电梯群控系统(EGCS)的交通模式。

电梯群控系统；交通模式；BP神经网络；改进L-M算法

0 引言

电梯群控系统作为现代化建筑中的主要运输设备，其服务质量直接影响着人们的工作和生活。而交通流又是影响电梯配置及调度方法的关键，要实现群控电梯的合理调度，必须根据交通流的状态实时地切换，所以在设计电梯群控系统时对交通流的研究是非常有必要的。

1 电梯群控系统交通模式的划分

对于生活当中常见的、典型的办公大楼来说，根据乘坐电梯的乘客流量划分成的电梯群控系统交通模式有：

1）上行高峰交通模式(Up-Peak Traffic Pattern)。当主要的(或全部的)客流召唤电梯的方向是上行方向，这种状况被定义为上行高峰交通模式。

2）下行高峰交通模式(Down-Peak Traffic Pattern)。当主要的(或全部的)客流召唤电梯的方向是下行方向，这种状况被定义为下行高峰交通模式。

3）层间交通模式(Interfloor Traffic Pattern)。层间交通模式是指一定时间内当上行召唤的乘客总数量和下行召唤的乘客总数量大致相当，并且一定时间内各层的进、出门厅的乘客总数量基本平衡。这种交通模式是电梯服务时，一天中大部分出现的一种交通状况。

4）两路交通模式(Two-Way Traffic Pattern)。两路交通模式是指绝大部分的客流是朝着某一层而来或从某一层离开，而该层不是基层。

5）四路交通模式(Four-Way Traffic Pattern)。四路交通模式是指主要的客流是朝着某2个楼层而来或从某2个特定的楼层离开，而其中一个楼层有可能是基层。

6）空闲交通模式(Free Traffic Pattern)。空闲交通模式是指大楼的乘客流量非常小，一般出现在上午上班时间之前、下午下班时间之后以及中午休息时间。

在不同的交通模式下，对电梯群控系统的调度有不同的要求。例如，在上、下行高峰状态下，电梯群控系统主要是考虑如何迅速响应完成乘客的呼梯请求，尽可能的提高电梯的运送能力，此两种模式下疏散客流是最主要的考虑指标。而在层间交通模式下，电梯群控系统主要是合理的调配电梯，给乘客提供舒适的服务，调度时对乘客的候梯时间、乘梯时间和轿厢的拥挤度等有综合的考虑[1,2]。

2 交通模式识别的控制策略选取

近年来，针对群控电梯交通模式识别的算法有很多，有的利用人工免疫算法进行控制[3]，有的则给出了模糊神经网络算法，但是这些算法的逻辑关系过于复杂，而在实际应用中，现代电梯很多是由中小型PLC进行控制，由于中小型PLC的数据处理能力和内存的限制，使得现有高效智能控制算法很难在电梯群控中真正实现[4]。根据以上分析比较，本文针对中高层建筑的电梯群控系统的交通模式识别采用了一种简单而有效的控制策略—基于BP神经网络的改进Levenberg-Marquardt（L-M）优化算法，该算法只要是能够准确确定输入和输出，就完全能够利用MATLAB进行仿真分析出网络结构，不需要大量的公式推导，也不需要总结专家规则，并且程序实现也非常方便。另外，采用改进L-M优化算法还可以使网络学习时间更短，能以很快的速度收敛到所要求的精度，并且不会陷入局部最小点，在实际应用中效果较好[5]。

BP神经网络的改进Levenberg-Marquardt优化方法，其权重和阈值更新公式为[6]：

式(1)中，J为误差对权值微分的雅可比矩阵，e为误差向量，µ为一个标量，依赖于µ的幅值。

3 利用改进L-M法识别电梯交通模式（以某办公大楼群控电梯为例）

3.1 主网络特征值确定

根据专家知识和交通模式的定义可以确定主网络的输入特征值和输出特征值。

主网络的输入特征值确定为三个：

1）一定时间内（取7分钟）总的客流量x1。

2）一定时间内召唤电梯（想进门厅）的乘客总量x2。

3）一定时间内按下所有内选按钮（想出门厅）的乘客总量x3。

对以上所说的这3个特征值提取的基础是对当前交通流进行比较准确的监测，以便从中获取交通模式的输入特征值。获取技术主要包括：

1）称重装置。2）光电检测或红外检测装置。3）呼梯信号统计设备。4）计算机视觉设备。

主网络的输出特征值确定为四个：

1）上行高峰模式y1。2）下行高峰模式y2。3）层间模式y3。4）空闲模式y4。

另外，如果层间模式占据主导地位的话，还需要增加一个附加网络来进一步判别，因为层间模式包含有2路模式y5、4路模式y6和平衡的层间模式y7三种情况。

3.2 特征值分析

经过对该大楼监控资料的分析，得出了159组样本，样本特征值曲线如图1所示。图1是对该大楼一天从上午7：00到晚上20：00的客流量作为依据而画出的。

图1 样本曲线图

3.3 神经网络隐含层层数和隐含层神经元个数的确定

3.3.1 隐含层层数确定

对于BP网络，有一个非常重要的定理，即对于任何在闭区间内的一个连续函数都可以用单隐层的BP网络逼近，因次，为了实现方便，BP网络的隐含层在这里选一层。

3.3.2 隐含层神经元个数n1的初步确定

隐含层神经元个数的选择可根据下面的公式来初步选取[7]。

式(2)中，n1为隐含层神经元的个数；m为输出神经元个数；n为输入单元个数；a为[1, 10]之间的某个值。

由式(2)可初步推断，隐层神经元个数应该在4～12之间。

3.3.3 确定主网络隐含层神经元的准确个数和网络结构

下面采用L-M优化算法训练统计得出的样本，准确确定隐含层神经元个数和网络结构。

训练网络时，对隐含层采用对数S型传递函数，函数数学表达式为：

wij:输入层至隐含层的连接权(i=1,2,……n;j=1,2,……p)

n:输入层神经元数最大值 p:隐含层神经元数最大值

θj:中间各层输出阈值 ai:网络输入值

对输出层采用线性传递函数，函数数学表达式为：

vjt：隐含层至输出层的连接权(j=1,2……p;t=1,2……q)

γt:输出层各单元的输出阈值 q:输出层神经元数最大值

利用MATLAB训练样本时，取出分析得出的130组样本作为训练样本，剩下的29组作为测试样本，并利用MATLAB7来仿真分析，29组样本测试完后取平均，可得出在隐含层神经元个数不同时的误差，结果如表1所示。

表1 误差统计表

从表1可以看出，当隐含层数为6或者7时输出误差相对来说是最小的，考虑到实现难易的因素，在这里取隐含层神经元个数为6，此时BP网络模型结构如图2所示。

图2 BP网络模型结构

3.3.4 主网络的网络模型处理

利用确定好的网络结构和训练样本绘制训练曲线和导出相关参数。

1）绘制训练曲线。训练曲线如图3所示。

由训练曲线可看出，500步迭代后，误差接近，完全能达到要求。

2）导出主网络的相关参数

图3 训练曲线图

利用MATLAB导出相关参数方法如下：

1）利用wij=net.iw{1,1}导出输入到隐层权值如表2所示。

表2 输入到隐层权值

2）利用θj=net.b{1}导出隐含层阈值如表3所示。

表3 隐含层阈值

3）利用vjt=net.lw{2,1}导出隐含层到输出层权值如表4所示。

表4 隐含层到输出层权值

4）利用 t=net.b{2}导出输出层阈值如表5所示。

表5 输出层阈值

3.3.5 交通模式附加网络的建立

如果层间模式占据主导地位的话，还需要增加一个附加网络来进一步判别，因为层间模式包含有2路模式、4路模式和平衡的层间模式三种情况，此时需要进行第2步的辨识。附加网络的建立方法和交通模式识别主网络的建立方法类似，不同之处在于特征值的区别。

根据专家知识和交通模式的定义，附加网络的输入特征值确定为：

1）一定时间内（取7分钟）最大楼层内选量x4。 2）一定时间内次大楼层内选量x5。

附加网络的输出特征值确定为：

1）2路交通模式y5。 2）4路交通模式y6。3）平衡的层间交通模式y7。

4 多种判别方案比较

把人工免疫算法、模糊神经网络算法和改进L-M优化算法分别应用到电梯群控系统交通模式识别中，从算法实现难易、实施编程后程序容量大小和最终模式判别的准确度这三方面进行对比，对比结论如表6所示。

表6 对比结论表

5 结束语

根据以上介绍，总结电梯群控系统交通模式识别过程如图4所示，此种推理方法能准确确定当前电梯群控系统所处的交通模式，算法实现也很简单。利用上面介绍的设计方法取出70组样本，采用L-M优化算法对网络进行训练，最后利用S7-200PLC编程该网络，并把程序运用到纵横公司的群控电梯模型中，调度运行结果良好。

图4 交通模式识别过程

[1] 宗群,尚晓光,严明,等.基于模糊神经网络的电梯系统交通模式识别[J].系统工程学报,2001,16(6):418-424.

[2] 赵硕,何鹏,唱江华.基于模糊控制的电梯群控系统的研究与设计[J].微计算机信息,2006,5-1:51-53.

[3] 杨建宁,孙玉昆,成立,等.采用免疫搜索的电网电压非线性模型预测控制[J].江苏大学学报(自然科学版),2008,29(1):56-60.

[4] 朱晓东,曾庆山.基于PLC的电梯最小等候时间的集选控制算法[J].起重运输机械,2006(6):38-39.

[5] 苏高利,邓芳萍.论基于MATLAB语言的BP神经网络的改进算法[J].科技通报,2003,19(2):130-135.

[6] Hagan M T,Menhaj M.Training feed forward networks with the Marquardt algorithm [J].IEEE Transactions on Neural Networks,1994,5(6):989-993.

[7] 孙志强,等.神经网络理论与MATLAB7实现[M].北京:电子工业出版社,2005:1-6.

TP18

A

1009-0134(2010)11(下)-0049-04

10.3969/j.issn.1009-0134.2010.11(下).19

2010-10-14

熊新国（1974 -），男，湖北公安人，讲师，硕士，主要从事机电控制方面的研究。