论文部分内容阅读
随着高层建筑的不断发展,人们对电梯服务质量提出越来越高的要求,单台电梯往往不能满足建筑物内的交通需要。为了缩短人们的候梯时间,减少能量损耗,需要合理安装多台电梯并进行集中统一的控制,这种多台电梯群的优化调度系统就是电梯群控系统(EGCS)。交通流量是表明电梯状态的一个概念,是影响电梯群控算法性能的一个重要因素,对其研究非常必要,新的电梯群控系统的普遍发展是能识别交通流量变化。交通流是由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来描述的状态量,它反映电梯群控系统所处的交通状况。由于电梯群控系统具有随机性、非线性,并且难以建立精确的数学模型,运用智能控制的方法成为可能和可行。 模糊逻辑总结和利用人们的操作和控制经验,摆脱建立精确数学模型的束缚,模仿人脑的逻辑推理和决策过程,具有较强的鲁棒性,可以很好的处理系统的多样性、随机性和非线性,已成功地运用到电梯群控系统中,但其基本形式不具备学习功能,而且它完全依赖于专家制定的大量控制规则。而神经网络是以某种拓扑结构广泛互连而构成的动态非线性系统,其学习能力、容错性、泛化能力较强,其主要缺点是结构难以确定,训练样本要求多且准确。训练周期长,而且不能提供一个明确的用于网络知识表达的框架。鉴于二者的优缺点,把这两种方法结合起来,取其长而避其短,形成模糊神经网络(FNN)。它具有一个表达框架,一方面提供用于解释和推理的可理解的模型结构,通过它可以以一种清晰的方式描述知识,另一方面它具有知识获取和学习能力。摘.要 本文提出了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,此方法用两个模糊神经网络分两步进行识别,第一个网络根据单位时间段总客流量、进门厅客流量和出门厅客流量辨识出上高峰、下高峰、空闲和层间交通模式的比例;当层间模式占有较大比例时,第二个网络根据单位时间段最大楼层客流量和次大楼层客流量辨识出两路、4路和平衡的层间交通模式的比例。采用根据专家知识制定的样本,用2步混合学习算法对两个网络进行训练。网络的测试结果表明,用两个模糊神经网络可以很准确地辨识出各种交通模式所占的比例,对电梯群控器根据不同的交通状况采用相应的派梯策略可以起到很好的指导作用,全面提高电梯群控系统的服务性能。