电梯群控系统（EGCS, elevator group control system）的一个研究方向是如何采用优化的控制策略来协调多台电梯的运行,提高电梯的运行效率和服务质量。运行效率的提高同时也意味着减少乘客的等待时间和能源的消耗,直接影响着服务质量的好坏。这必然会考虑乘坐舒适性的问题。研究发现,影响乘坐舒适性的因素是多方面的:启动/停止时的加速度及其变化,轿箱的振动,候梯时间,运行时间,轿箱内拥挤度,在到达目的楼层期间停车开车的次数,以及轿厢内的灯光、装饰等,而候梯时间、运行时间、拥挤度和运行中停车次数是由群控调度算法所决定的,因此,在电梯群控调度策略中如何来提高乘坐舒适性是本研究的一个主要问题。
自从三菱公司首次将模糊逻辑运用于电梯系统,智能控制方法已成为电梯群控系统中研究最多的调度算法:如采用模糊神经网络电梯调度方法,能充分利用神经网络的学习能力和信息处理能力,通过学习不断调整网络参数,实现最优控制;基于遗传算法的调度方法,根据客户要求确定控制目标并用遗传算法根据预测到的呼梯产生及分布等数据优化调度评价函数的参数[ 2～3 ] 。但这些方法仅仅考虑了技术因素,忽略了乘坐舒适性,此外,由于缺少对乘客数量的了解,当某一楼层候梯人数较多以至于一部电梯无法承受时,只有该部电梯运送部分乘客离开后,才会分配下部电梯,延长了等待时间,而且会导致多部电梯处于空闲状态,而乘客又无法得到足够的电梯。为解决上述问题,从以下两个方面来进行设计:通过配置多个传感器以获取更多的乘客信息,同时从乘坐舒适性出发,采用基于模糊推理的任务分配算法,降低拥挤度,缩短等待时间,减少停车次数。
2 电梯控制系统的结构设计
改进的电梯控制系统结构如图1所示。包括电梯调度控制器,主控制器,轿厢控制器,指令板和召唤板5大部分。主控制器主要实现电梯的运行控制,开关门控制及指令处理等功能。首先,在学习状态下,主控制器通过记录旋转编码器和各层感应器输入的脉冲来获取井道的高度信息和电梯的位置信息,学习完成后的运行状态下,主控制器参照记录的数据向变频器发出控制信号来控制电梯的运行,并响应用户的指令和召唤。轿厢控制器接收指令板指令和轿厢内各传感器发送的信号,并根据主控制器和用户的指令,控制轿厢中的设备。电梯调度控制器则用于接收召唤板发送的呼梯信号和乘客信息。指令板和召唤板用于接收用户的指令,同时将电梯的状态信息反馈给用户,实现人机对话。
在系统中,通信信号和控制信号均采用数字方式实现,提高了控制精度,同时简化了软件设计。各控制器之间采用CAN总线进行多主式通信,快速稳定且接口简单。
3 电梯群控系统的传感器
可将门厅中的外呼按钮和轿厢中的内呼按钮看作两个传感器,用于接收门厅中乘客的呼梯请求和轿厢中乘客的目的指令,然后将这两部分信息发送给电梯调度控制器,作为调度单元的两个输入信号。
位于每一层门厅中的图像传感器用于测算该层等候使用电梯的人数。图像传感器由摄像头和与之相连的微处理器组成。为降低计算量,减少无用信息的干扰,只有当该层门厅中的召唤按钮被按下时,图像传感器才开始工作,计算候梯人数。当只有向上或向下按钮被按下时,该图像传感器所计算出的候梯人数为向上或向下的乘客数量;若两个方向的按钮都被按下,则根据该楼层相对于整栋楼的位置来估算向上和向下的乘客人数,即:假设一栋大楼的总层数为N,第M 层门厅中的电梯上下召唤按钮均被按下, 此时该层中的图像传感器计算出候梯人数为X ,那么,可假设向上的乘客人数为
其中, floor （ x）为不大于x的最大整数。
通过增加该传感器的设置,位于井道中的重量传感器通过称重来判断轿厢中乘客的人数,取乘客的平均体重并保留一定裕量为70 d /每人,若轿厢中乘客的总重为W ,则轿厢中的乘客人数为
n = W /70
并可由此来计算轿厢还能承受乘客数量,作为该部电梯是否响应乘客外呼的依据。
速度传感器测量每部电梯的当前运行速度,因为电梯的速度指令曲线在减速至平层时常采用距离原则设计,以保证电梯的舒适感、平层准确度及方便现场调整。同时,电梯轿厢的位置由位置传感器通过计算脉冲编码器产生的移动脉冲来确定,并根据存储在存储器中的层楼高度来计算同步层。由此,电梯调度控制器根据此速度和位置来判断电梯能响应的最近召唤楼层。图2为电梯群控系统的传感器配置。
4 任务分配算法设计通过各传感器获取的数据,选择以下控制数:
①等待时间（WT） :乘客从按下召唤按钮到进入电梯的时间;
②乘梯时间（RT） :乘客从进入电梯到到达目的楼层的时间;
③乘客数量（RN） :轿厢中的乘客数量,即拥挤度;
④候梯乘客数量（WN） :门厅中等待电梯的乘客数量;
⑤停站次数（SN） :乘客从进入电梯至到达目的楼层的停站次数;
⑥相对距离（RD） :电梯从当前楼层到达目的楼层所通过的楼层数目。
然后,电梯调度控制器计算每部电梯响应某一召唤的控制参数。因为电梯召唤请求的响应是一个多输入—单输出的过程。考虑到多输入—单输出处理困难,及系统中存在的诸多不确定性,笔者采用了一种多规则加权的模糊算法来处理,针对系统的每个输入与输出,将模糊推理规则在一维空间中建立。通过求所有规则输出的加权和来得出最终的输出。这种形式能很好地建立与修改模糊规则,比传统的模糊推理方法有更大的灵活性。
