神经网络和模糊控制在电梯群控中的应用

摘要：针对电梯群控的多目标性、非线性、不确定性，综合考虑了电梯运行的评价标准、神经网络和模糊控制的特性。用神经网络的学习机制为模糊控制器自动提取模糊规则、调整模糊规则提供智能化基础，提高了电梯群控的智能性，使电梯应答更趋合理，防止群控电梯聚堆和忙闲不均情况的发生，大大减少了平均候梯时间和长候梯率。仿真实验及初步应用结果表明这种电梯调度方法是有效的。 关键词：神经网络 模糊控制 电梯群控 1　前言 随着城市中高层建筑的不断发展，作为垂直运输主要工具的电梯得到了越来越广泛的应用。一座大楼往往需要多台电梯才能满足楼内交通的需要。电梯群控系统是指在一座大楼内的数台电梯通过一个或多个控制器（计算机）互联控制。该群控系统可以采集到每台电梯的内召，上、下外召、载重及位置等信号，并可向每台电梯发送控制信号。主控制器对该组电梯进行统一调度管理，使它们合理运行。 群控电梯的控制具有多目标性、非线性、不确定性： （1）乘客的平均候梯时间要尽量短； （2）尽量减少乘客的长候梯率，即尽量避免产生长时间的候梯过程； （3）轿厢到达的预报准确率高，减少乘客的等待时的心理压力； （4）电梯运送乘客的时间要尽量短，并合理分配电梯应答，防止聚堆和忙闲不均； （5）选择能源消耗最省方式，尽量降低能耗。 （6）层站的乘客数不确定。 （7）呼梯者的目的层站不能事先确定。 （8）对同一组呼梯，在不同的时间标度下，轿厢的分配是不同的，轿厢分配的变化是不连续的等。 　　从80年代起，世界上各大电梯公司都将电梯群控系统作为产品升级换代的主要手段之一，投入大量资金进行研究，开发新产品，并已取得很大成绩。如美国奥的斯（otis）公司的“分区控制调度原则”、德国奔克（B+P）公司的“最小距离模式”、瑞士迅达（shindler）公司的“按成本调度原则”和日本日立电梯（Hitachi）公司的“最小最大呼梯号分配逻辑”等等，都已形成了有自身特色的系列产品，投放市场后收到了很好的效益。 2　模糊神经网络 2.1模糊控制（Fuzzy Logical Control） 　　模糊控制器的设计主要不依靠被控对象的模型，但是它却是非常依靠控制专家或操作人员的经验和知识。模糊控制器的结构非常适于表示定性或模糊的经验和知识，这样的经验和知识通常采用IF—THEN的模糊条件句（控制规则）来表示。若缺乏这样的控制经验，很难期望它能获得满意的控制效果。 2.2人工神经网络控制（Artificial Neural Net Control） 　　人工神经网络是介于推理与数值计算之间的一种数学工具。它具有很好的适应能力和学习能力，因此它适于用作智能控制的工具。它是一种不依赖于模型的自适应函数估计器。给定一输入，可以得到一个输出，且它并不需要知道输入与输出之间的数学模型。而通常的函数估计器是依赖于数学模型的。当给定的输入并不是原来训练的输入时，神经元也能给出合适的输出，即它具有插值功能或适应功能。 2.3模糊神经网络（Fuzzy Neural Net） 模糊逻辑与人工神经网络各有其在控制方面的优缺点，下面列举了模糊逻辑与人工神经网络的不同之处： 处理方式 模糊逻辑 神经网络 运算方法 Max—min 积和运算 处理方式 由上而下 由下而上 输入—输出关系 用规则表达因果 用权重表达映射 知识功能 知识逻辑表达 知识学习获取 使用规模 中小规模皆有效果 宜大规模才显智能 擅长处理 非精确定性控制 数据拟合映射 在计算智能中的地位 相当软件编程 相当硬件结构 　　本文结合人工神经网络控制和模糊控制两者的优点，以神经网络引入学习机制，为模糊控制器自动提取模糊规则及模糊隶属函数，使整个系统成为自适应模糊神经网络系统。 　　该抽取模糊规则的模糊神经网络，采用模糊系统的联结主义表达方式构成的多层前馈型人工神经网络。模糊神经网络抽取规则有两个步骤，即结构学习阶段和参数学习阶段。模糊神经网络的结构决定了模糊规则的条数及隶属函数的个数，而参数则决定了每条规则的具体表达及隶属函数的形状。在本文中，模糊神经网络结构已根据群控系统的要求可以事先确定，因而模糊规则抽取主要表现为模糊神经网络的参数学习过程。 3　模糊神经网络的建立与仿真 右图示出模糊神经网络的电梯群控系统结构图，模糊规则及隶属函数是根据建筑物内客流变化情况不断进行调整的。 　　模糊神经网络数据库中存放着几周或是几天内提取的日常交通流量数据。以此为依据对实际系统的各种交通流量实时进行学习和修正，以使每部电梯都能发挥最大的工作效益。 3.1模糊神经网络的建立 3.1构成此模糊系统的基本模块是：模糊化—>模糊推理—>模糊判决，模糊神经网络在输入——输出端口与模糊系统等价，而内部的权值、结构则可以通过学习加以修正。前馈型模糊神经网络可以分为前层、中层、后层。前层完成隶属函数功能以实现模糊化；中层构成联结主义的推理机；后层则完成模糊判决。前、中、后层可由单层或多层节点层构成。其体具体实现如下： 3.1.1定义该模糊控制规则集为： 3.1.7 采用改进反向传播(BP)学习算法，对各层权系数进行训练修正： 3.2 由以上公式的推导可知，该模糊神经网络有以下特点： 3.2.1 它不但在输入输出端口上与基本模糊系统等效，而且内部结构也与模糊系统的模糊化、模糊推理及模糊判决相对应，也即FNN的内部可以用模糊系统有关概念去解释，可以说FNN内部是透明的。 3.2.2 模糊系统的模糊规则及隶属函数的生成与修正，改变为FNN中局部节点或权值的确定和调整。同时，由于权值是局部调整，学习速度也较快。 3.2.3 把电梯群控中随机的、离散的呼梯信号转化为人们便于理解的“IF——THEN”规则。 3.3 系统仿真 　　基于上述构建的模糊神经网络原理，利用德国奔克(B+P)公司WinMOS300软件中的“虚拟井道”技术及相应接口函数，用VC++编制一内嵌群控仿真程序 （图3为本程序在WinMOS300软件中仿真运行时的情况），模拟一周内某一办公楼各层在工作时间内所有呼梯信号。得到修正后的隶属函数（如图1虚部分所示）及学习后的控制系统对实际交通流曲线的拟合情况。仿真结果表明，该模糊神经网络构建的群控仿真程序使得平均候梯时间和长候梯率比WinMOS300软件中自带的“基于最小距离模式”的群控程序分别下降7.6%和3.2%（对比曲线见上页底图。能较好地实现实际群控电梯合理调度，具有良好的自适应性和智能性。