Das Potenzial von DD DCS ausschöpfen

Das Doppelstock-Zielsteuerungssystem (DD DCS) kombiniert zwei bekannte Ansätze, um den morgendlichen Aufwärtsverkehr in Bürogebäuden zu steigern und Gebäudekernfläche einzusparen.

Dieser Artikel beschreibt die technischen Prinzipien der Aufzugsdisposition, zu denen Rick Barkers Artikel „Harmonized Elevator Dispatching and Passenger Interfaces“ (ELEVATOR WORLD, November 2018) basiert. Editor

Doppelstockaufzüge mit DCS werden in hohen Gebäuden verwendet, um den von Aufzügen belegten Kernraum zu reduzieren. Allerdings begrenzt die Leistungsfähigkeit des DCS-Mittagessenverkehrs noch immer die potenziellen Platzeinsparungen, was größtenteils auf die sofortige Zuweisung von Passagierrufen zu Aufzügen und Decks zurückzuführen ist. Dieser Artikel stellt zwei Optimierungsmethoden für ein Aufzugsgruppensteuerungssystem vor, um diese Herausforderung zu lösen. Zunächst werden unsichere Passagierankünfte in naher Zukunft durch Szenarien modelliert, die dann die optimalen Aufzugsrouten robust definieren. Zweitens bietet die Neuoptimierung der Rufzuweisungen der Steuerung maximale Flexibilität, um auf neue Passagierankünfte zu reagieren.

Einführung

Das DD DCS kombiniert zwei bekannte Ansätze, um den morgendlichen Aufwärtsverkehr in Bürogebäuden zu steigern und Gebäudekernfläche zu sparen.[6] Ein Doppelstockaufzug besteht aus zwei aneinandergehängten Aufzugskabinen. Dadurch wird die Kabinenkapazität pro Aufzugsschacht verdoppelt. Darüber hinaus erzwingt die Doppellobby die gerade/ungerade Aufteilung, bei der die Passagiere je nach Zielstockwerk auf das Unter- und Oberdeck verteilt werden.[5] In einem DCS geben die Passagiere ihre Zielstockwerke über numerische Tastaturen in den Lobbys an. Basierend auf den zusätzlichen Informationen kann das DCS Passagiere sammeln, die zu denselben Zielen in denselben Aufzügen reisen, was die Haltestellen der Aufzugsanlagen reduziert und die Abfertigungskapazität in Spitzenzeiten erhöht.[13] Auf der anderen Seite arbeiten sowohl die Doppelstockaufzüge als auch das DCS im gemischten Mittagsverkehr noch nicht optimal.[15 & 16]

Für das DD DCS ist der Mittagsverkehr aus mehreren Gründen eine Herausforderung:

  1. Verkehr: Der Mittagsverkehr bietet nicht so viele Möglichkeiten, Fahrgäste in die Aufzüge zu gruppieren wie der Hochverkehrsverkehr, da normalerweise weniger als die Hälfte des Verkehrs ankommt. Der Zwischenetagenverkehr zwischen den oberen Stockwerken unterbricht die gerade/ungerade Aufteilung, was eine effiziente Strategie für eingehenden und ausgehenden Verkehr darstellt.
  2. Signalisation instant: Der aktuelle De-facto-Standard DCS ordnet jedem Ruf einen Aufzug zu und signalisiert diesen sofort nach der Rufregistrierung. Diese Zuordnung kann später nicht mehr geändert werden. Zum Zeitpunkt der endgültigen Zustellung des Anrufs kann die Zuweisung aufgrund von Änderungen des Systemzustands nicht mehr optimal sein.
  3. Fahrgastverhalten: Das DCS geht davon aus, dass jeder Fahrgast genau einen Anruf tätigt. Passagiere reisen jedoch oft in sozial verbundenen Gruppen zu den gleichen Zielen.[11] Normalerweise ruft nur ein Fahrgast in einer Gruppe an, während die anderen in den Aufzug einsteigen. Es wurde auch beobachtet, dass einzelne Passagiere mehrere Anrufe in schneller Folge registrieren, in der Hoffnung, einen Aufzug schneller oder mit mehr Platz zu bekommen.

Die Verkehrsbedingungen können nicht geändert werden. Das Bilevel-Optimierungsmodell (im folgenden Abschnitt) maximiert jedoch die Effizienz von Aufzugsrouten unabhängig vom Oberziel, was zB die Wartezeiten der Passagiere minimiert. Die Signalisierung bestimmt sofort die Zuweisungsrichtlinie, nach der das Aufzugsgruppensteuerungssystem (EGCS) arbeitet. Das aktuelle DD DCS basiert auf einer Direktzuweisungsrichtlinie (IA), auf die sowohl der bedienende Aufzug als auch das Deck sofort fixiert werden. Um das Risiko zu verringern, dass aktuelle Zuweisungen in naher Zukunft suboptimal werden, kann das EGCS die Aufzugsrouten auf robuste Weise optimieren, indem es neue Passagierankünfte vorhersagt und die Anzahl der Passagiere eines Anrufs schätzt (Abschnitt „Predicting Passenger Arrivals with Risk Scenarios“).

Ein alternativer Weg, die Auswirkungen zukünftiger Systemzustände zu reduzieren, besteht darin, den Zeitpunkt zu verschieben, an dem der bedienende Aufzug oder das Deck endgültig fixiert ist. Das DD DCS erlaubt die Delayed Deck Assignment Policy (DDA): Der Bedienaufzug wird wie üblich immer noch sofort signalisiert, aber das EGCS kann das Bediendeck bis zum letzten Moment neu optimieren. Die Richtlinie zur verzögerten Aufzugszuweisung (DEA) ermöglicht die Neuoptimierung sowohl des bedienenden Aufzugs als auch des Decks. Die DEA wurde auch für einstöckige Aufzüge in Betracht gezogen.[9] Im Abschnitt „Genetischer Algorithmus zur Echtzeitoptimierung“ wird ein genetischer Echtzeitalgorithmus zur Lösung des Bilevel-Modells unter DDA und DEA vorgestellt, während im Abschnitt „Simulationsergebnisse“ die Vorteile dieser Techniken durch Simulationen demonstriert werden.

Bilevel-Modell der Dispatching von Doppelstockaufzügen

Die Hauptaufgabe des EGCS besteht darin, einen Aufzug zu entsenden, um jeden Passagierruf zu bedienen. Mathematische Methoden, um die Dispatching-Entscheidung zu treffen, wurden umfassend erforscht, insbesondere für die konventionelle Steuerung.[4] Ein Ansatz besteht darin, häufig ein Snapshot-Optimierungsproblem zu lösen, das als „Elevator Dispatching Problem“ (EDP) bezeichnet wird.[20] Die EDV-Lösung definiert die Fahrstrecke jedes Aufzugs der Aufzugsgruppe E um die Menge der Passagieranrufe zu bedienen V. Die Aufzüge werden zu den ersten Rufen ihrer Routen geschickt. Im DCS verbinden Passagierrufe einen Etagen- und einen Kabinenruf. Daher setze V kann weiter in Außen- und Kabinenrufe unterteilt werden, formal bezeichnet mit S und T.

Das Doppeldecker-Aufzugsabfertigungsproblem (DD-EDP) weist jedem Fahrgastruf einen Aufzug und ein Deck zu und bestimmt deren Bedienungsreihenfolge.[18] Dieses Problem lässt sich als einstufiges Optimierungsmodell formulieren, bei dem alle Entscheidungen gleichzeitig global betrachtet werden. In einem zweistufigen Optimierungsmodell werden die Aufzugszuweisungen durch ein Problem der oberen Ebene entschieden, während die Deckzuweisungen und die Reihenfolge durch separate Probleme der unteren Ebene für jeden Aufzug entschieden werden.

Das einstöckige Modell hat den Nachteil, dass es bei der Minimierung der Fahrgastwartezeiten ineffiziente Fahrstuhlwege erzeugen kann. Ein Beispiel für eine solche Situation ist in Abbildung 1 (links) dargestellt, wo ein Passagier im Unterdeck in Richtung F3 fährt und ein anderer auf den Transport von F3 nach F7 wartet. Die Zahlen neben den Bögen zeigen die kombinierten Stopp- und Flugzeiten zwischen den entsprechenden Start- und Endgeschossen des Fluges sowie die Ankunftszeit des Aufzugs im Endgeschoss (in Klammern). In diesem Beispiel besteht das Problem darin zu entscheiden, ob das Unter- oder Oberdeck den wartenden Passagier auf F3 abholt. Die in der Mitte gezeigte Oberdecklösung minimiert die Wartezeiten deutlich, da das Oberdeck nur 4.8 s benötigt, um F3 zu erreichen, im Vergleich zu 6.8 s im Unterdeck. Die Oberdecklösung enthält jedoch einen Stopp, bei dem das Unterdeck

Diese Beobachtung führt zur Zerlegung des einstufigen Modells in zwei Ebenen, wobei die obere Ebene die Qualität des Fahrgastservice optimiert und die Probleme der unteren Ebene die Route jedes Aufzugs separat optimieren. Das Bilevel-Modell berücksichtigt zwei Zuweisungsvariablen. Im übergeordneten Problem ruft der Passagier an i Symbol E V sind Aufzügen zugeordnet e Symbol E  E durch binäre Entscheidungsvariablen xe, ich. Im untergeordneten Problem des Aufzugs e, Anrufe i Symbol E Ve sind dem Deck zugeordnet d Symbol E {1,2} durch binäre Entscheidungsvariablen ye,d,ich, Ve ={ Symbol E     V|xe, ich = 1}. Darüber hinaus bestimmt das untergeordnete Problem die Reihenfolge, in der die Aufrufe besucht werden, indem binäre Arc-Variablen verwendet werden ze,d,i,j, wo anrufen i Symbol E Ve geht dem Anruf voraus j Symbol E Ve if ze,d,i,j = 1. Die Schlüsselvariable für Zielfunktionen ist die Ankunftszeit des Aufzugs/des Decks in einer Rufetage, te, d, i, die die Warte- und Fahrzeiten der Passagiere sowie die Gesamtfahrzeit des Aufzugs definiert. Jeder Anruf ist einer Anrufzeit zugeordnet yi seit seiner Registrierung und Nachfrage verstrichen Di, sowie die Anzahl der Passagiere, die für Etagenrufe positiv und für Kabinenrufe negativ ist.

Es folgt das zweistufige Optimierungsmodell (siehe den Artikel Ihres Autors aus dem Jahr 2017, „Optimization Models and Numerical Algorithms for an Elevator Group Control System“,[18] für Details):

Das Potenzial der DD DCS-Formel-1 ausschöpfen
(1)

unterliegt

Das Potenzial der DD DCS-Formel-2 ausschöpfen
(2)
Das Potenzial der DD DCS-Formel-3 ausschöpfen
(3)

woher  Das Potenzial der DD DCS-Formel-a . ausschöpfen ist die Menge der optimalen Aufzugsrouten, Das Potenzial der DD DCS-Formel-b ausschöpfen , das minimiert die Routenzeit Das Potenzial der DD DCS-Formel-c ausschöpfen für jeden Aufzug e mit den gegebenen Aufgaben Das Potenzial der DD DCS-Formel-d . ausschöpfen . Die Zielfunktion (Gl. 1) minimiert die gesamte Fahrgastwartezeit. Es ist einfach, es zu ändern, um die Fahrzeiten der Passagiere zu minimieren, indem die innersten Summationen geändert werden, um Kabinenrufe T zu berücksichtigene statt Landerufe Se. Nachfrage Di entspricht typischerweise einem Passagier. Die Nachfrage kann auch eine größere Zahl sein, die entweder ein Input oder eine geschätzte Passagiergruppengröße ist. Gl. 2 sorgt dafür, dass jeder Ruf genau einem Aufzug zugeordnet wird.

Das untergeordnete Problem in Gl. 3 definiert die Fahrstrecke eines Aufzugs als Abfolge von zu besuchenden Orten. Die Ankunftszeiten des Aufzugs/Decks werden entlang der Route durch Flugzeiten zwischen den Stockwerken und Stoppzeiten kumuliert. Das untergeordnete Ziel besteht darin, die Routenzeit zu minimieren, die der Ankunftszeit für den letzten Halt entspricht. Darüber hinaus verfolgt das Modell die Anzahl der Passagiere in jedem Deck. Als Ergebnis erfüllt eine durchführbare Lösung die Kapazitätsbeschränkung. Darüber hinaus werden die Grundregeln des Aufzugsbetriebs beachtet.[3]

Vorhersage von Passagierankünften mit Risikoszenarien

Das DCS erfordert im Rahmen der IA zwei Arten von Vorhersagen über Passagiere: die Anzahl der Passagiere und die Neuankömmlinge. Individuelle Passagierankünfte können als Poisson-Prozess mit Rate modelliert werden Symbol 2  Personen pro 5 Min.[1] Moderne Aufzüge können ein- und aussteigende Passagiere genau zählen und die Ankunftsraten auf jeder Etage für die 15-Minuten-Zeiträume eines Tages ermitteln.[14] Die Ankunft von Passagierchargen kann als zusammengesetzter Poisson-Prozess modelliert werden, bei dem sie in Chargen oder Nachfragespitzen in den Lobbys ankommen.[11] Losgrößen lassen sich aus den Fahrgastzahlen nicht direkt ablesen, können aber für jede einseitige Aufzugsfahrt geschätzt werden.[12] Folgen die Chargengrößen einer geometrischen Verteilung mit der mittleren Chargengröße von β, der Prozess ist als geometrischer Poisson- oder Pólya-Aeppli-Prozess bekannt mit Symbol 2  /β ankommende Chargen pro 5 min.[10]

Das robuste DD-EDP berücksichtigt mehrere Szenarien mit unterschiedlichen Passagieranforderungen.[19] Ein Szenario s wird durch Risikostufen definiert  Das Potenzial von DD DCS-Formula-e ausschöpfen Das Potenzial von DD DCS-Formula-e ausschöpfen , die verwendet werden, um die Nachfrage vorherzusagen Das Potenzial der DD DCS-Formel-f . ausschöpfen Das Potenzial der DD DCS-Formel-f . ausschöpfen  und Ankunftszeit Das Potenzial der DD DCS-Formel-g . ausschöpfen Das Potenzial der DD DCS-Formel-g . ausschöpfen eines neuen Passagiers auf der Etage k. Die Nachfrage ergibt sich aus der inversen Verteilungsfunktion diskreter Zufallsvariablen Das Potenzial der DD DCS-Formel-g . ausschöpfen für Wahrscheinlichkeit Symbol 3

Das Potenzial der DD DCS-Formel-4 ausschöpfen
(4)

woher F bezeichnet die kumulative Verteilungsfunktion für n Veranstaltungen.

Die Nachfrage nach Call Floor k besteht aus der anfänglichen Nachfrage zum Zeitpunkt der Registrierung des Anrufs und der mit der Zeit steigenden Nachfrage,

Das Potenzial der DD DCS-Formel-5 ausschöpfen
(5)

woher G und GP stehen für die geometrische bzw. die geometrische Poisson-Verteilung. Der Parameter der geometrischen Verteilung ist 1/β, während die geometrische Poisson-Verteilung durch die erwartete Anzahl von Chargeneingängen innerhalb der Zeit parametrisiert wird Das Potenzial der DD DCS-Formel-h . ausschöpfen  (dh die Zeit seit der Rufregistrierung plus die verbleibende Zeit bis zur Ankunft des Aufzugs). Die Vorhersage kann auch für den gewöhnlichen Poisson-Prozess mit einzelnen Ankünften angewendet werden. Dann ist die Anfangsforderung Das Potenzial von DD DCS-Formula-i . ausschöpfen  gleich eins, und Das Potenzial der DD DCS-Formel-j . ausschöpfen  reduziert sich auf die Poisson-Verteilung mit β = 1.

Auf Etagen ohne Rufe kann eine neue Passagierankunft höchstens rechtzeitig erfolgen Das Potenzial der DD DCS-Formel-k . ausschöpfen  mit Wahrscheinlichkeit  Das Potenzial der DD DCS-Formel-L ausschöpfen , Wobei Das Potenzial der DD DCS-Formel-m . ausschöpfen  bezeichnet die Zeit seit der letzten Aufzeichnung auf der Etage k. Da die Batch-Zwischenankunftszeiten einer Exponentialverteilung mit Parameter . folgen Das Potenzial der DD DCS-Formel-n . ausschöpfen , Zeit Das Potenzial von DD DCS-Formula-o . ausschöpfen  lässt sich leicht aus der Verteilungsfunktion lösen.

Als Beispiel werden diese Vorhersagemethoden an einem einstöckigen Aufzug unter der Downpeak-Bedingung mit einer mittleren Losgröße von eineinhalb Personen getestet.[19] Rund 60,000 Szenarien werden durch die Kombination von drei Risikostufen für jede Etage generiert. In jedem Szenario werden Passagiere sowohl mit dem Poisson- als auch mit dem geometrischen Poisson-Prozess in einer Instanz der EDP vorhergesagt. Abbildung 2 zeigt die Verteilung der Gesamtnachfrage entlang der Aufzugsroute über alle Szenarien. Die Figur hat auch zwei konstante Linien, die dem Bedarf ohne Vorhersagen und dem realisierten Bedarf in einer Simulation entsprechen.

Es ist klar, dass die Lösung der Snapshot-EDV das Risiko hat, suboptimal zu werden, da die realisierte Passagiernachfrage viel höher ist als ohne Vorhersagen angenommen. Die Schätzung mit dem geometrischen Poisson-Prozess führt zu breiteren Verteilungen als die Poisson-Schätzungen. Dies garantiert die Robustheit der Lösung. Außerdem bleiben die realisierten Werte nur bei Annahme des geometrischen Poisson-Prozesses im Bereich. Dies weist darauf hin, dass bei der Passagiervorhersage ein Batch-Ankunftsprozess verwendet werden sollte.

Genetischer Algorithmus zur Echtzeitoptimierung

Ein genetischer Algorithmus ist eine Optimierungsmethode, die die natürlich vorkommende Evolution nachahmt.[7] Der Algorithmus manipuliert die Population von Chromosomen über Generationen hinweg durch genetische Operatoren wie Crossover und Mutation. Ein Chromosom definiert einen Lösungskandidaten für ein vorliegendes Optimierungsproblem, bei dem jedes Gen eines Chromosoms den Wert einer Entscheidungsvariablen bestimmt. Die Fitness eines Chromosoms entspricht der Zielfunktion des Optimierungsproblems, die üblicherweise minimiert wird.

Ein genetischer Algorithmus wurde bereits auf die Dispatching von einstöckigen Aufzügen und die Echtzeitoptimierung eines EGCS angewendet, der später auf doppelstöckige Aufzüge ausgeweitet wurde.[15, 17 & 20] Der Algorithmus richtet für jeden Passagierruf ein Gen ein. Die möglichen Werte eines Gens sind der Bereich der Aufzugskabinenindizes, die alle Aufzugs-/Deckkombinationen eindeutig auf einen Index abbilden. So weist ein Chromosom einem Fahrgastruf sowohl einen Aufzug als auch ein Deck zu, was es zu einem einstufigen Modell macht.

Das zweistufige DD-EDP-Problem ordnet einem Fahrgastruf auf der oberen Ebene nur einen Aufzug zu. Der genetische Algorithmus wird leicht modifiziert, um das Bilevel-Modell zu lösen: Ein Genwert repräsentiert einen Aufzugsindex. Somit entspricht ein Chromosom einer Lösung des übergeordneten Problems. Abbildung 3 beschreibt das Prinzip anhand eines Beispiels, bei dem auf Deck A1 ein Passagier nach F3 reist und drei Passagiere auf den Etagen F4, F5 und F6 darauf warten, abgeholt und zur Hauptlobby transportiert zu werden. Die Aufgabe besteht darin, diesen drei Fahrgastrufen einen Aufzug und ein Deck zuzuordnen. Die abgehenden Passagiere können von beiden Decks bedient und je nach optimaler Lösung in die untere oder die obere Lobbyebene transportiert werden. Von der oberen Lobby gelangen die Passagiere über die Rolltreppe zum Ausgang im Erdgeschoss. Das auf der linken Seite der Abbildung gezeigte Chromosom weist den Ruf auf F4 dem Aufzug A und die Rufe auf F5 und F6 dem Aufzug B zu die Figur. Somit nutzt die optimale Lösung gleichzeitige Anrufe auf F3 und F4 (gleichzeitige Zustellung und Abholung) sowie auf F5 und F6 (zwei gleichzeitige Abholungen).

Das frühere einstufige Modell erlaubt schlechte Deckzuordnungen im Suchraum des genetischen Algorithmus. Deck A1 könnte beispielsweise die Etage F4 bedienen; Deck B1, Stockwerk F6; und Deck B2, Etage F5, was nicht zusammenfallende Stopps sowie die Wartezeiten und Fahrzeiten der Passagiere maximieren würde. Schlechte Lösungskandidaten werden schließlich vom genetischen Algorithmus verworfen, müssen aber zuerst evaluiert werden. Dies verschwendet andererseits die knappen Rechenressourcen eines EGCS. Das Bilevel-Modell verwirft solche irrelevanten Deckzuweisungen von der höchsten Optimierungsebene, was die Suche nach dem globalen Optimum erleichtert.

Natürlich muss das Bilevel-Modell auch diese schlechten Deckzuweisungen berücksichtigen, aber sie werden an die weniger komplexen Probleme der unteren Ebene delegiert, stören die Optimierung auf hoher Ebene nicht und können durch effiziente Heuristiken gehandhabt werden.[18]

Die Zuweisungsrichtlinie bestimmt den Zeitpunkt, an dem der bedienende Aufzug und/oder das Deck eines Passagierrufs endgültig repariert werden müssen. Mit anderen Worten, ein Passagierruf kann einem anderen Aufzug und/oder Deck neu zugewiesen werden, bis er behoben ist; zB am Verzögerungspunkt. Dies wiederum steht in direktem Zusammenhang mit der Größe des Suchraums im genetischen Algorithmus: Der Suchraum wächst exponentiell mit der Anzahl der neu registrierten Anrufe Das Potenzial der DD DCS-Formel-p . ausschöpfen und die Anzahl der Anrufe, die auf die Abholung warten Erfüllen des Potenzials von DD DCS-Formel-q  (Tabelle 1). In der Regel,   Das Potenzial der DD DCS-Formel-p . ausschöpfen ist klein (entweder eins oder zwei), aber Erfüllen des Potenzials von DD DCS-Formel-q kann groß sein.

Die bemerkenswerteste Beobachtung der Tabelle ist, dass das Bilevel-Modell die gleiche Größe des Suchraums sowohl für den IA als auch für den DDA hat. Dies bedeutet, dass die DDA die (hohe) Rechenkomplexität der IA mit dem Bilevel-Modell nicht erhöht. Im früheren einstufigen Modell wächst der Suchraum exponentiell in Bezug auf Erfüllen des Potenzials von DD DCS-Formel-q , was den erforderlichen Rechenaufwand der DDA über die praktische Grenze eines EGCS hinaus erhöht. Die hohe Komplexität des Bilevel-Modells hängt nicht von der Anzahl der Decks ab, was diesen Ansatz auch für Mehrdeckeraufzüge und andere Mehrkabinensysteme effizient macht.

Betrachten Sie als Beispiel einen groß angelegten Fall, in dem 32 Passagieranrufe auf die Abholung warten. Eine Gruppe von fünf Doppeldeckeraufzügen bedient alle Etagen. Ein Anruf ist neu registriert, 31 warten auf Abholung. Bei Anwendung des Bilevel-Modells auf dieses Problem beträgt die Anzahl der zulässigen Lösungen also fünf für IA und DDA, aber 532 > 1022 für die DEA. Selbst wenn die Evaluierung einer Lösung 1 µs dauern würde, würde die Evaluierung aller realisierbaren Lösungen im Fall der DEA 108 Jahre dauern. Der genetische Algorithmus wertet jedoch nur etwa 3,000 Kandidatenlösungen aus, bevor er in weniger als 100 ms zum wahrscheinlichen Optimum konvergiert, was schnell genug für eine Echtzeitoptimierung ist.[18] Die schnelle Konvergenz des genetischen Algorithmus wird in Abbildung 4 gezeigt, die die Entwicklung der Populationsfitness über die Generationen hinweg zeigt. In der Ausgangspopulation sind die minimalen (besten), maximalen und durchschnittlichen Fitnesswerte alle hoch. Sie sinken jedoch innerhalb von etwa 15 Generationen stark auf ein solches Niveau, dass keine großen Verbesserungen mehr gefunden werden. Die beste Lösung wird während der 24. Generation gefunden, während der Algorithmus bis zur 64. Generation weiter nach besseren Lösungen sucht.

Simulationsergebnisse

Eine Fallstudie eines Bürogebäudes mit 18 Obergeschossen und zwei Eingangsgeschossen wird durchgeführt, um die Auswirkungen der Zuweisungspolitik auf die Qualität des Fahrgastservices zu demonstrieren. Jede Etage hat eine Bevölkerung von 100. Die Abstände von Etage zu Etage betragen 4.15 m. Eine doppelstöckige Aufzugsgruppe mit fünf identischen Aufzügen mit einer Nenngeschwindigkeit von 4 m/s, einer Beschleunigung von 1 m/s2 und ein Ruck von 1.6 m/s3 bedient alle Stockwerke des Gebäudes. Die Endgeschosse werden nur von einem Deck bedient: das untere Stockwerk vom Unterdeck und das oberste Stockwerk vom Oberdeck. Jedes Deck bietet Platz für 17 Passagiere.

Die Türöffnungs- und -schließzeiten betragen 1.4 bzw. 3.1 s, wobei keine Türvoröffnung verwendet wird. Zusätzlich gibt es eine Anlaufverzögerung von 0.7 s und eine Türschließverzögerung von 0.9 s; dh die Verzögerung nach der Fahrgastfreigabe vor dem Schließen der Tür. Der Mittagsverkehr, bestehend aus 40 % eingehendem, 40 % ausgehendem und 20 % Zwischenflurverkehr, wird mit dem KONE Building Traffic Simulator (BTS™) simuliert.[21] In diesen Simulationen minimiert die Zielfunktion der DD-EDP die Fahrzeiten ankommender Fahrgäste und die Wartezeiten anderer Fahrgäste. Es wird eine Reihe von Simulationen mit steigendem Passagierbedarf von 4% auf 15% der Bevölkerung pro 5 Minuten durchgeführt.[8] Jeder Fahrgastbedarf wird 120 min lang simuliert, danach wird die Simulation für den nächsten Bedarf zurückgesetzt. Die ersten 15 und letzten 5 Minuten werden aus den Ergebnissen verworfen. Die durchschnittliche Warte- und Transitzeit der Passagiere sowie die Zeit bis zum Zielort sind für jede Ankunftsrate in den Abbildungen 5-7 dargestellt.[2] In dieser Studie stellen die Ergebnisse der Sofortzuweisung (IA) die erste Doppelstockzielkontrolle dar.[17]

Die Richtlinien für die verzögerte Zuteilung verbessern die Qualität der Passagierdienste erwartungsgemäß erheblich. Die durchschnittlichen Wartezeiten beim DDA sind bis zu 5 s kürzer als beim IA. Im Durchschnitt beträgt die Verbesserung etwa 10 %, aber bis zu 15 % unter der intensivsten Passagiernachfrage. Die DEA hingegen zeigt eine drastische Verkürzung der durchschnittlichen Wartezeit von bis zu 15 s oder 30 %.

Die Richtlinien für verspätete Zuweisungen verkürzen auch die Transitzeiten der Passagiere. Etwas überraschend werden beim DDA die kürzesten Laufzeiten beobachtet, da die Mittelwerte bis zu 5 s bzw. 5-7% kürzer sind als beim IA. In dieser Hinsicht verbessert die DEA die IA nicht, abgesehen von den geringen Passagieranforderungen. Die gute Performance des DDA ist auf die reduzierte Haltestellenzahl zurückzuführen, da die Herkunfts- und Zielorte der Zwischenstockpassagiere zwischen den anderen Haltestellen der Aufzugsrouten besser optimiert werden können. Auf der anderen Seite scheint die DEA Wartezeiten mehr zu wiegen, wenn sie die Möglichkeit hat, Aufzüge optimal zu belegen.

Die Verbesserungen durch verzögerte Zuweisungsrichtlinien in Zeiten zu Zielen kombinieren die Beobachtungen zu Warte- und Transitzeiten. Mit dem DDA sind die durchschnittlichen Transitzeiten um bis zu 8 s oder 7-8% kürzer als mit dem IA, was auf die Verkürzung sowohl der Warte- als auch der Transitzeiten zurückzuführen ist. Die Verbesserung der durchschnittlichen Zeit bis zum Zielort durch die DEA ist auf die Verbesserung der durchschnittlichen Wartezeit zurückzuführen. Die Reduzierung beträgt bis zu 15 s, variiert jedoch zwischen 10 und 15 % für unterschiedliche Passagieranforderungen. Infolgedessen liegen DDA und DEA in Bezug auf die durchschnittliche Zeit bis zum Ziel ziemlich nahe beieinander (innerhalb von 5 s).

Die DEA bietet jedoch eindeutig die beste Servicequalität. Die Bedeutung der obigen Ergebnisse wird deutlich, wenn man sie der Aufzugsplanung gegenüberstellt. Als erforderliche Abfertigungskapazität für den Mittagsverkehr wird typischerweise eine Fahrgastnachfrage von 11 % bzw. 12 % der Bevölkerung pro 5 min angenommen. Bei einer so hohen Nachfrage ist die Fahrgastwartezeit in der Regel der bestimmende Auslegungsparameter für das DD DCS. Typischerweise werden im Durchschnitt weniger als 40 s benötigt. Wie in Abbildung 5 dargestellt, liegt die durchschnittliche Wartezeit bei der IA bei 40% und 11% Nachfrage etwas über 12 s.

Mit diesen Anforderungen drückt die DDA die durchschnittliche Wartezeit auf ein zufriedenstellendes Niveau, während die DEA eine gute Servicequalität bieten kann. Somit ist die vorgeschlagene

Aufzugsgruppe sollte mit der IA abgelehnt werden, ist aber für die DDA und DEA akzeptabel. Ein anderer Ansatz besteht darin, nach der maximalen Passagiernachfrage zu suchen, die die Aufzugsgruppe zufriedenstellend bewältigen kann.

Basierend auf Abbildung 5 kann die DEA mindestens 15 % (und wahrscheinlich 16 %) der Bevölkerung pro 5 min behandeln. Dies weist darauf hin, dass die DEA mindestens 30 % mehr Bevölkerung behandeln kann als die IA oder DDA.

Fazit

In diesem Beitrag wurden fortgeschrittene mathematische Modelle und Algorithmen für ein Aufzugsgruppensteuerungssystem vorgestellt, das letztendlich darauf abzielt, die Herausforderung des Mittagsverkehrs zu lösen und das Potenzial des DD DCS auszuschöpfen. Die beschriebenen Verfahren ermöglichen eine höhere Belegung in Gebäuden, eine angemessene Fahrgastservicequalität bei Ausfall eines Aufzugs oder eine weitere Reduzierung der Anzahl der Aufzüge.

Referenzen
[1] Alexandris, NA „Statistische Modelle in Aufzugssystemen“, Ph.D. Dissertation, Victoria University of Manchester, Institute of Science and Technology (1977).
Universität Manchester, Institut für Wissenschaft und Technologie.
[2] Barney, G. „Auf dem Weg zu vereinbarten Definitionen des Verkehrsdesigns“, ELEVATOR WORLD, Bd. 53 (2), p. 108 (2005).
[3] Closs, G. Die Computersteuerung des Personenverkehrs in großen Aufzugssystemen, Ph.D. Dissertation, Victoria University of Manchester, Institute of Science and Technology (1970).
[4] Fernández, J. und Cortés, P. „Ein Überblick über Aufzugsgruppensteuerungssysteme für den vertikalen Transport: Ein Blick auf die aktuelle Literatur. IEEE-Steuerungssysteme, Vol. 35, No. 4 (38), s. 55-2015 (XNUMX).
[5] Fortune, J. „Modern Double-Deck Elevator Applications and Theory“, EW. 44 (8), s. 63-68 (1996).
[6] Fortune, J. „Predestination Hall Call Selection for Double-Deck Lifts (3-D Encoding).“ EW, Bd. 53 (8), s. 126-133 (2005).
[7] Goldberg, DE Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley, Boston (1989).
[8] Hakonen, H. und Siikonen, ML. „Fahrstuhlverkehrssimulationsverfahren“, EW, Vol. 57, No. 9 (180), s. 190-2009 (XNUMX).
[9] Hiller, B., Klug, T. und Tuchscherer, A. „An Exact Reoptimization Algorithm for the Scheduling of Elevor Groups“, Flexible Services and Manufacturing Journal, Vol. 26, No. 4 (585), s. 608-2014 (XNUMX).
[10] Johnson, N., Kemp, A. und Kotz, S. Univariate Discrete Distributions, 3. Auflage, John Wiley & Sons Inc., Hoboken, New Jersey (2005).
[11] Kuusinen, JM., Sorsa, J., Siikonen, ML. und Ehtamo, H. „Eine Studie über den Ankunftsprozess von Aufzugspassagieren in einem mehrstöckigen Bürogebäude“, Building Services Engineering Research and Technology, Vol. 33, No. 4 (437), s. 449-2012 (XNUMX).
[12] Kuusinen, JM., Sorsa, J. und Siikonen, ML. „Das Problem der Schätzung der Ursprungs-Ziel-Matrix der Aufzugsfahrt“, Transportation Science, Vol. 49, No. 3 (XNUMX),
S. 559-576 (2015).
[13] Schröder, J. „Advanced Dispatching – Destination Hall Calls + Instant Car-to-Call-Zuordnung: ‚M-10'“ EW, Vol. 38, No. 3 (XNUMX), s.
40-46 (1990).
[14] Siikonen, ML. Planungs- und Steuerungsmodelle für Aufzüge in Hochhäusern, Ph.D. Dissertation, Technische Universität Helsinki, Labor für Systemanalyse (1997).
[15] Sorsa, J., Siikonen, ML. und Ehtamo, H. „Optimal Control of Double-Deck Elevator Group Using Genetic Algorithm“, International Transactions in Operational Research, Vol.10 (2), p. 103-114 (2003).
[16] Sorsa, J., Hakonen, H. und Siikonen, ML. „Aufzugauswahl mit Zielsteuerungssystem“, EW, Vol. 54, No. 1 (148), s. 155-2006 (XNUMX).
[17] Sorsa, J. und Siikonen, ML. „Doppeldecker-Zielsteuerungssystem“, Elevatori, Bd. 37 (5), s. 42-56 (2008).
[18] Sorsa, J. Optimization Models and Numerical Algorithms for an Elevator Group Control System, Ph.D. Dissertation, Aalto University School of Science, Labor für Systemanalyse (2017).
[19] Sorsa, J., Ehtamo, H., Kuusinen, JM., Ruokokoski, M. und Siikonen, ML. „Modellierung unsicherer Passagierankünfte im Aufzugsdispatching-Problem mit Zielsteuerung“, Optimization Letters, Vol. 12 (1), s. 171-185 (2018).
[20] Tyni, T. und Ylinen, J. „Genetic Algorithms in Elevator Car Routing Problem“, Proceedings of the Genetic and Evolutionary Computation Conference (GECCO-2001),
L. Spector et al. (Hrsg.), Morgan Kaufman Publishers, San Francisco, S. 1413-1422 (2001).
[21] Siikonen, ML., Susi, T. und Hakonen, H. „Passenger Traffic Flow Simulation in Tall Buildings“, EW, Vol. 49, No. 8, (117), p. 123-2001 (XNUMX).
Dr. Janne Sorsa

Dr. Janne Sorsa

Leiter der Personalflussplanung bei KONE Großprojekten in Finnland. Er erwarb den Abschluss D.Sc. (Tech.) in angewandter Mathematik im Jahr 2017 von der Aalto University School of Science in Finnland. Er hat Optimierungsmodelle und numerische Algorithmen für Aufzugsgruppensteuerungssysteme entwickelt. Seine Forschungsinteressen umfassen alle Aspekte der Modellierung von Verkehrsflüssen in Gebäuden, einschließlich Verkehrsplanung, Simulation, Verhalten, Human Factors und Evakuierung.

Holen Sie sich mehr von Elevator World. Melden Sie sich für unseren kostenlosen E-Newsletter an.

Bitte geben Sie eine gültige E-Mail-Adresse.
Etwas ist schief gelaufen. Bitte überprüfen Sie Ihre Eingaben und versuchen Sie es erneut.
Elevator-World---Fallback-Image

„Oyez! Oyez!"

Branchenveteran-verehrt-bei-einem-Golfturnier-Aufzug-Unternehmen-hält-anderes

Branchenveteran bei einem Golfturnier geehrt; Aufzugsunternehmen hält eine andere.

TEI-Feiert 30-Jahre

TEI feiert 30 Jahre

Qualität durch Design

Qualität durch Design

Kreative Lösungen

Kreative Lösungen

Vollgas voraus

Vollgas voraus

Großprojekte-auf-dem-Weg-für-Shanghai-Kunming

Große Projekte auf dem Weg für Shanghai, Kunming.

Schindler-bekommt-eine-neue-Führungskraft-Otis-und-Hitachi-Win-Verträge

Schindler bekommt einen neuen Anführer; Otis und Hitachi gewinnen Verträge.