电梯速度曲线产生方法与优化控制（2）

3.电梯的优化控制

　　3.1模糊控制

　　模糊控制是模仿人的思维方式和人的控制经验来实现的一种控制。根据有经验的操作员或者专家的经验和知识定出相应的模糊控制规则。对控制规则进行形式化处理后存入计算机,然后再模仿人的模糊逻辑推理过程确定推理方法,控制器根据制定的模糊控制规则和事先确定好的推理方法进行模糊推理,得到模糊输出量,即模糊输出隶属函数。根据模糊推理得到的输出模糊隶属函数,用不同的方法找到一个具有代表性的精确值作为控制量,加到执行器上去实现控制。

　　通逻辑规则进行推理的一些模糊概念(例如乘客侯梯时间的长短,各层客流量的大小、轿厢内乘客人数的多少、电梯响应召唤的快慢等),采用模糊数学中的隶属函数来加以描述和进行综合考虑。这样可以将复杂的、模糊的问题转化为简单的、清晰的问题求解。这种系统的特点是由专家的知识和经验决定隶属函数及模糊控制规则,并由此确定以后的控制行为,即实现对每个派梯方案的评价,以得出在当前系统中符合指标要求的最佳方案。通过这种方式应用专家的知识,控制系统可以更好地处理电梯系统的多样性、随机性和非线性。但是由于隶属函数中的加权系数是确定的,不会根据不同的交通模式而改变,无法进行自学习,使得系统性能受专家的影响很大。

3.2神经网络控制

神经网络就是采用物理上可实现的系统来模拟生物神经细胞的结构和功能的系统。它将很多处理单元有机的连接起来,进行并行的工作。

神经网络的工作原理是先要提供给一个神经网络足够的典型样本,这些样本须能相当完善地描述所希望达到的系统的性能。在神经网络的学习训练阶段,输入样本数据,将网络的实际输出结果与此输入所应得的结果进行比较,如若相符,那么此内部的连接和神经元为正。如果实际输出与应得的结果不相符合,那么就要改变网络内部结构(即各神经元之间的连接权),直到输出和应得结果之间误差的平方和为最小,也就是所有的样本被这个网络学会为止。在一个未知的新的样本输入后,一个训练好的神经网络就能作出正确的响应。与人的神经系统及思维相似,人工神经网络具有非线性、非局限性及动态特性。人工神经网络还具有十分强大的学习功能。

　　由于受到不确定性因素影响非常复杂,因此电梯系统是一个随机的、非线性的动态系统,控制电梯运行的方法必须根据交通流量、电梯及其安装环境等因素的变化而变化。通常,与安装环境相适应的电梯条件等是可观测的或已知的,而交通流量(如乘客数量、乘客出现的起点与终点、乘客数量的变化周期等)是难以预测的,要对它精确的建模是不切实际的。神经网络具有学习功能它可以通过调整网络连接权来得到近似最优的输入---输出映射,因此适应于难以建模的随机非线性动态系统。这就是说,神经网络在电梯群控制系统中有着广阔的应用前景。

3.3神经网络控制应用

3.3.1虽然电梯控制系统具有随机性,但对于任何一部特定的大楼总能找到一个近似的工作周期(一天或两个星期)。在不同周期的同一时间会存在相似的系统状态和系统输入,可以将许多天的交通数据存储起来,以便从中提取系列数据。控系统以一定的采样周期采集信息作为样本,只要周期足够小,就可以有充足的过程系列数据用于学习。对于一个指定的周期(例如,每隔两周)使用系列数据重复地编制神经网络。当神经网络编制结果得到改善时,也就是说得到了适应新的工况的神经网络。

3.3.2在实施范围内,借助于最新编制的神经网络识别出交通模式。

3.3.3根据识别出的交通模式实现相应的有效操作,选出最佳派梯方案。

　　由于以上讨论可见,神经网络控制法须提前将某些类型的神经网络储存起来,并且这种控制系统以从建筑物中实时收集到的交通数据为基础,往往出现重复学习过程。而且由于电梯系统的多状态性,为得到最优的输入一一输出映射,使用单纯的神经网络会使其纣构相当庞大,网络的离线学习和在线学习的时间都会较长,使控制部分的收敛性变差,更主要的是神经网络结构的合理改性难以验证。

3.4模糊神经网络控制

　　模糊逻辑控制的特长在于能够充分利用学科领域的知识,能以一定的规则数来表达知识具有逻辑推理能力,在技能处理上比较擅长。模糊技术不仅能处理精确信息,也能处理模糊信息或其它不明确信息,能实现精确性联想及映射。其缺点是完全依赖专家制定的大量控制规则,不具备学习功能。神经网络具有自学习能力和大规模并行处理能力,在认知处理、模式识别方面有很强的优势,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。

　　模糊神经网络是为发挥各自的优势把神经网络和模糊逻辑有机结合实际。采取神经网络技术来进行模糊信息处理,使得模糊规则的自动提取及模糊隶属函数的自动生成成为可能,进而克服神经网络结构难以确定以及模糊逻辑元自学习功能的缺点,使模糊系统成为一种自适应模糊系统。

　　采用神经网络技术来进行模糊信息处理有多种做法。其中,构造各类模糊神经元及模糊神经网络作为信息处理单元以实现模糊信息的自动处理是最主要的一种。所谓模糊神经元是指可实施模糊信息处理或模糊逻辑运算的人工神经元,而模糊神经网络则是全部或部分采用各类模糊神经元所构成的可处理模糊信息的神经网络系统。通常,整个神经网络的建立和使用分以下几步完成:

3.4.1利用专家的知识粗略地形成模糊模型(包括一些模糊规则和模糊推理方法)。

3.4.2基于这一模糊模型构成模糊神经网络。

3.4.3训练神经网络。采集一些特定的交通状况作为样本,采用相应算法进行学习,调整神经网络必要的权值,以得到优化的模糊规则。

3.4.4网络的应用。神经网络的输入数据是在统计数据和实时数据的基础上进行预测得到的,这就要求实时地采集数据,周期性地统计和存诸数据,预测到神经网络的输入后,经过网络的计算,在较精确地辩识出交通模式之后,对不同的模式采取适合其特点的相应控制算法,选出派梯方案,以达到理想的控制效果。派梯方案是按照多目标控制设计的,例如,通过模糊神经网络选择某个轿厢响应一个召唤信号时,可能会设定由几个量(呼梯者的等待时间、轿厢的行程时间、轿厢内受影响的人数)组成的综合指标来对所选方案进行评价。