Sponsored
Sponsored

Ricerca applicata sulla configurazione dell'ascensore dell'edificio per uffici

Sponsored
Figura 2: Interfaccia di input con parametri di base

Un caso di studio illustra che il metodo dell'algoritmo CMOPSO è migliore del tradizionale metodo di configurazione degli ascensori per migliorare la qualità del servizio degli edifici per uffici.

di Ma Lianzhe, Luo Zhiqun, Huang Shaolun e Wan Jianru

Poiché il numero di edifici per uffici a molti piani aumenta continuamente, è sempre più ovvio che la configurazione degli ascensori è una questione importante.[1] Tuttavia, il metodo tradizionale di configurazione degli ascensori difficilmente può soddisfare i requisiti del moderno sistema di traffico degli ascensori. Per risolvere questo problema è stato stabilito un modello matematico ottimizzato multi-obiettivo della configurazione dell'ascensore chiamato algoritmo "Chaotic Multi-Objective Particle Swarm Optimization (CMOPSO)". Un sistema applicativo di configurazione degli ascensori è stato progettato dalla tecnologia di programmazione ibrida di Visual Basic (VB) e MATLAB.

A causa delle differenze tra gli ascensori e le attrezzature di trasporto orizzontale, è molto difficile aggiungere o modificare gli ascensori dopo la loro installazione e utilizzo. Pertanto, i progettisti devono prestare maggiore attenzione alla configurazione dell'ascensore durante la progettazione dell'edificio. Una configurazione ragionevole del traffico dell'ascensore può sfruttare appieno lo spazio dell'edificio per uffici, allocare il flusso di folla in modo efficace e risparmiare energia. Al contrario, una configurazione irragionevole del traffico degli ascensori non solo aumenta l'affollamento e/o il costo degli ascensori, ma riduce anche l'utilizzo effettivo dello spazio dell'edificio.[2]

Molte variabili di un sistema di ascensore dovrebbero essere considerate nel processo di configurazione dell'ascensore. Il metodo di configurazione dell'ascensore tradizionale di solito applica prove ed errori secondo formule statistiche. Questo metodo richiede troppo tempo (perché richiede iterazioni ripetute) ed è impreciso nel controllo dei costi o nell'accorciamento del tempo medio di attesa. Pertanto, in base ai parametri e ai principi di base della configurazione degli ascensori, il sistema applicativo dell'algoritmo CMOPSO offre una buona espressività dell'interfaccia poiché è stato progettato in VB. Lo schema di configurazione trasferisce il complesso e noioso calcolo iterativo manuale a un'operazione automatica computerizzata, riducendo notevolmente i tempi e gli sforzi operativi; riducendo efficacemente il tempo medio di attesa, sia per l'up-peak che per il down-peak.

Configurazione dell'ascensore

"Configurazione ascensore" si riferisce alla selezione e alle impostazioni degli ascensori negli edifici, inclusa la velocità nominale, la capacità di carico nominale, le dimensioni della cabina e il numero di unità per raggiungere lo scopo di ottenere un rapporto prezzo/prestazioni ottimale del sistema ascensore.

Nel processo di configurazione dell'ascensore, non solo si dovrebbe considerare l'effettivo utilizzo dello spazio dell'edificio, ma anche il risparmio energetico e dei costi. La configurazione dell'ascensore dovrebbe essere ragionevole per migliorare la qualità del servizio di trasporto con ascensore. Pertanto, la configurazione dell'ascensore è un problema di ottimizzazione multi-obiettivo.

Modello di configurazione dell'ascensore ottimizzato per più obiettivi

Variabili indipendenti

Le variabili indipendenti del modello di configurazione dell'ascensore ottimizzato multi-obiettivo includono: Re (carico nominale), V (velocità nominale), N (numero di ascensori), M (regione di servizio dell'ascensore), r (numero di passeggeri in un ciclo) e ae (accelerazione nominale).

Funzioni multi-obiettivo

I tre principi di base della configurazione ottimale dell'ascensore sono:

  1. Il tempo di esecuzione del servizio dell'ascensore, utilizzato per indicare la qualità del servizio dell'ascensore, dovrebbe essere il più breve possibile e il tempo medio di attesa viene utilizzato come indicatore principale delle prestazioni.
  2. Il numero di ascensori è ragionevole.
  3. Risparmio energetico

Gli ascensori dell'edificio per uffici sono divisi in regioni M. Il tempo di funzionamento dell'ascensore (Fk) della k-esima regione (1 ≤ k ≤ M) è rappresentato dal reciproco della velocità di arrivo dei passeggeri in un periodo di 1 s. Supponendo che ci siano ascensori Nk nella k-esima regione:

Applicata-Ricerca-su-Office-Building-Elevator-Configuration-Equation-1
(Equazione 1)

Per ottenere il primo principio, l'equazione 2 dovrebbe produrre un valore minimo.

Applicata-Ricerca-su-Office-Building-Elevator-Configuration-Equation-2
(Equazione 2)

Per raggiungere l'obiettivo di un numero ragionevole di ascensori, anche l'equazione 3 dovrebbe ottenere un valore minimo.

Applicata-Ricerca-su-Office-Building-Elevator-Configuration-Equation-3
(Equazione 3)

Per raggiungere l'obiettivo del risparmio energetico, supponiamo che il coefficiente di equilibrio dell'ascensore sia øk(0.4~0.5), l'efficienza di trasmissione meccanica totale dell'ascensore è ŋ, il tempo di calcolo è T, quindi il consumo energetico degli ascensori nella k-esima regione è:

Applicata-Ricerca-su-Office-Building-Elevator-Configuration-Equation-4
(Equazione 4)

Quindi, la terza funzione obiettivo è:

Applicata-Ricerca-su-Office-Building-Elevator-Configuration-Equation-5
(Equazione 5)

Considerando l'influenza reciproca e la relazione di mutua restrizione tra i tre obiettivi, non funziona solo far ottenere un valore minimo a una funzione obiettivo. Quindi, fare in modo che la funzione obiettivo generale ottenga il minimo è il modo per ottenere lo schema ottimale della configurazione dell'ascensore. Viene introdotto il fattore di ponderazione λi e la funzione multiobiettivo complessiva è mostrata nell'Equazione 6. Si può concludere che lo schema di configurazione ottimale dell'ascensore è stabilito purché si ottenga la soluzione ottima dell'Equazione 6.

Applicata-Ricerca-su-Office-Building-Elevator-Configuration-Equation-6
(Equazione 6)

Equazioni di vincolo

L'intervallo di tempo medio (AIk) del k-esimo set di ascensori dovrebbe soddisfare la seguente equazione di vincolo:

Applicata-Ricerca-su-Office-Building-Elevator-Configuration-Equation-7
(Equazione 7)

Nel processo di configurazione dell'ascensore, purché CE ≥ CEa sia soddisfatto, l'efficienza di trasporto del sistema di traffico dell'ascensore può soddisfare i requisiti. Quindi, viene stabilita la seguente equazione di vincolo (Equazione 8).

Applicata-Ricerca-su-Office-Building-Elevator-Configuration-Equation-8
(Equazione 8)

dove CE rappresenta il tasso di arrivo dei passeggeri entro 5 min., e CEa è il tasso di arrivo dei passeggeri entro 5 min. durante il picco del flusso di passeggeri.

Supponendo che il tempo medio di percorrenza previsto (AP) sia 120 s. al limite e il tempo medio di attesa previsto (AWT) è di 45 s. al limite si stabilisce la seguente equazione di vincolo.

Applicata-Ricerca-su-Office-Building-Elevator-Configuration-Equation-9
(Equazione 9)

dove g1(k), g2(k) e g3(k) sono piccoli numeri positivi (in secondi).

Algoritmi di configurazione ottimale dell'ascensore

MOPSO

L'algoritmo MOPSO (Multi-Objective Particle Swarm Optimization) genera lo sciame iniziale in modo casuale e conduce più iterazioni. In ogni iterazione, ogni particella aggiorna la sua velocità e posizione in base alla soluzione ottimale personale (pbest) e alla soluzione ottimale globale (gbest), la soluzione ottimale trovata dall'intero sciame. Infine, la soluzione ottima del problema di ottimizzazione multi-obiettivo si trova attraverso iterazioni multiple.[3] In MOPSO, ogni particella è una soluzione dello spazio ottimizzato d-dimensionale e la sua qualità è decisa dal valore di fitness della funzione multiobiettivo da ottimizzare.[4]

Supponiamo che ci siano m particelle nello sciame, nella t-esima iterazione ordinata. La posizione della particella è espressa come Xi(t) = (Xi1(t), Xi2(t),... Xid(t)); la velocità della particella è espressa come Vi(t) = (Vi1(t), Vi2(t),... Vid(t)); la soluzione ottima trovata dalla particella stessa è espressa come Pi(t) = (Pi1(t), Pi2(t), . . . Pid(t)); e la soluzione ottima globale è espressa come Pg(t) = (Pg1(t), Pg2(t), . . . Pgd(t)). Nella t-esima iterazione ordinata, la particella aggiorna la sua velocità e posizione secondo le seguenti equazioni:

Applicata-Ricerca-su-Office-Building-Elevator-Configuration-Equation-10
(Equazione 10)
Applicata-Ricerca-su-Office-Building-Elevator-Configuration-Equation-11
(Equazione 11)

dove w rappresenta il peso d'inerzia. Può bilanciare la capacità di ricerca del gruppo. c1 e c2 sono fattori di apprendimento e costanti non negative. r1 e r2 sono numeri casuali mutuamente indipendenti che appartengono a [0,1]. io = 1, 2 . . . m. j = 1, 2, . . . D.

Sebbene l'algoritmo di ottimizzazione dello sciame di particelle (PSO) possa ottenere buoni risultati nella risoluzione di problemi di ottimizzazione multi-obiettivo, le particelle tendono a convergere prematuramente all'ottimo locale nel processo di evoluzione, a causa della casualità delle particelle nel processo di inizializzazione ed evoluzione. Pertanto, in questo articolo, l'idea di caos viene applicata all'algoritmo PSO per migliorarne la qualità.

MOPSO caotico (CMOPSO)

Il caos è un fenomeno generale nei sistemi non lineari.[5] La teoria dell'ottimizzazione del caos viene applicata all'algoritmo PSO sfruttando l'ergodicità del movimento caotico. L'algoritmo CMOPSO può superare le carenze dell'algoritmo PSO, vale a dire la convergenza prematura e l'ottimo locale. Nel frattempo, può aumentare la velocità di convergenza e la precisione dell'algoritmo PSO.

La seguente equazione logistica viene introdotta nell'algoritmo PSO per realizzare la combinazione dell'idea del caos e dell'algoritmo PSO:

Applicata-Ricerca-su-Office-Building-Elevator-Configuration-Equation-12
(Equazione 12)

dove μ rappresenta la variabile di controllo. Supponiamo che μ = 4 e 0 ≤ z0 ≤ 1 — allora il sistema è completamente in uno stato di caos. Una certa sequenza temporale (z1, z2, z3. . .) può essere iterata dal valore iniziale casuale z0∈[0,1]. Quindi, la posizione e la velocità delle particelle vengono inizializzate dalla sequenza caotica e una particella nello sciame corrente viene sostituita dalla particella ottimale (generata nella sequenza caotica). Pertanto, la condizione in cui l'algoritmo PSO cade facilmente nell'ottimo locale è migliorata.

Processo di algoritmo

Nell'algoritmo CMOPSO, ogni particella rappresenta una sorta di schema di configurazione dell'ascensore. In base alle variabili indipendenti, alle funzioni multi-obiettivo e alle equazioni di vincolo del modello di configurazione dell'ascensore ottimizzato multi-obiettivo, il programma di configurazione dell'ascensore basato sull'algoritmo CMOPSO è programmato in MATLAB in modo da selezionare la posizione ottimale delle particelle, ovvero il schema di configurazione ottimale dell'ascensore. Il processo dell'algoritmo è delineato nei seguenti passaggi:[6]

Determinare le funzioni obiettivo e le equazioni di vincolo del

     1) Configurazione dell'ascensore ottimizzata multi-obiettivo.

Applicata-Ricerca-su-Office-Building-Elevator-Configuration-Equation-13
(Equazione 13)
Applicata-Ricerca-su-Office-Building-Elevator-Configuration-Equation-14
(Equazione 14)

     2) Inizializzare il numero massimo consentito di iterazioni o errore di fitness, peso di inerzia e fattore di apprendimento di CMOPSO.

     3) Inizializzare la posizione e la velocità delle particelle con l'idea del caos. Viene generato casualmente un vettore m-dimensionale e ogni componente è valutato da 0 a 1, ovvero z1 = (z11, z12, . . . z1d). d è il numero delle variabili indipendenti nelle funzioni obiettivo. In questo articolo, d = 6. Secondo il sistema caotico, si ottengono m vettori e ogni componente di zi viene portato all'intervallo di valori corrispondente. Quindi, viene calcolato il valore di fitness dello sciame di particelle e x soluzioni con prestazioni migliori vengono scelte dallo sciame come soluzioni iniziali. Quindi, x velocità iniziali sono generate casualmente.

     4) Se il valore di fitness della particella è superiore alla soluzione ottimale personale, pbest è impostato come posizione migliore.

     5) Se il valore di fitness della particella è superiore alla soluzione ottimale globale, gbest viene impostato come posizione migliore. Quindi, la velocità e la posizione delle particelle vengono aggiornate rispettivamente.

     6) La posizione ottima Pg(t)=(Pg1(t), Pg2(t),… Pgd(t)) è ottimizzata dal caos, quindi si ottiene la soluzione ammissibile che ha le migliori prestazioni (P*).

     7) Sostituire la posizione di qualsiasi particella nello sciame corrente con P*.

     8) Se l'algoritmo CMOPSO soddisfa la condizione di arresto (gli indicatori di prestazione della configurazione dell'ascensore), il sistema di configurazione dell'ascensore interromperà la ricerca e restituirà la soluzione ottimale globale. In caso contrario, tornare al passaggio 4.

Secondo l'algoritmo CMOPSO, il sistema applicativo della configurazione ottimale dell'ascensore è progettato dalla tecnologia di programmazione ibrida di VB e MATLAB.

Interfaccia di configurazione

Interfaccia di input dei parametri di base

Innanzitutto, l'utente può impostare i parametri tramite l'interfaccia di input. Ciò include l'immissione dell'area totale dell'edificio (U), l'area effettiva dell'edificio (S), il numero di persone che ricevono il servizio di ascensore (Q), i livelli di servizio degli ascensori (n), l'altezza dell'edificio (H ) e l'AWT previsto. Quindi, il sistema imposterà automaticamente i parametri dell'ascensore, come la velocità nominale (V) e la capacità di carico nominale Re.

Interfaccia di output dei risultati di configurazione

Il sistema di configurazione dell'ascensore gestisce il programma sullo sfondo dell'interfaccia secondo i principi di configurazione dell'ascensore di cui sopra. Quindi emette i risultati della configurazione dell'ascensore.

Interfaccia di valutazione delle prestazioni

In base ai risultati della configurazione dell'ascensore, questa interfaccia può calcolare ed emettere vari indicatori di prestazione, inclusi AWT, AWT up-peak (AWTu) e AWT down-peak (AWTd). Il tempo medio di attesa viene scelto come principale indicatore di valutazione delle prestazioni. Il processo di progettazione della configurazione dell'ascensore è illustrato nella Figura 1.

Figura 1: Il processo di progettazione della configurazione dell'ascensore: Sa è la distanza di accelerazione, tr è il tempo di volo a un piano, td è il tempo di apertura/chiusura della porta, tp è il tempo di trasferimento dei passeggeri e RTT è il tempo di andata e ritorno .

Caso di studio sulla configurazione dell'ascensore

Prendete un moderno grattacielo per uffici con una superficie totale di 30,000 m2, un'area effettiva di 27,000 m2, 24 strati (piani)/78 m di altezza, 3,000 utenti e un tempo medio di attesa previsto di 45 s. L'interfaccia, dopo aver inserito i parametri di base, è mostrata in Figura 2.

Figura 2: Interfaccia di input con parametri di base

Secondo i parametri di cui sopra, la configurazione dell'ascensore è condotta dallo schema di configurazione basato rispettivamente sull'algoritmo CMOPSO e sullo schema di configurazione tradizionale. I parametri prestazionali degli ascensori configurati da CMOPSO sono la capacità di carico nominale di 1350 kg e la velocità nominale di 2.5 mps (Figura 2). I risultati della configurazione del CMOPSO e degli schemi tradizionali sono mostrati nelle Figure 3 e 4.

Figura 3: Risultati dello schema CMOPSO

Figura 4: Risultati dello schema tradizionale

Tabella 1: Confronto tra CMOPSO e schemi tradizionali

Dalla Tabella 1, rispetto allo schema di configurazione dell'ascensore tradizionale, lo schema di configurazione dell'ascensore basato sull'algoritmo CMOPSO ha ridotto gli AWT medi, di picco medio e di picco. Questo perché il metodo CMOPSO può trovare la soluzione ottimale attraverso iterazioni multiple veloci e controllare le variabili indipendenti in modo più accurato, fornendo così una selezione e impostazioni dell'ascensore più ragionevoli. Il risultato mostra che lo schema di configurazione dell'ascensore basato sull'algoritmo CMOPSO è più efficace nella configurazione dell'ascensore.

Conclusione

Sono stati presentati l'algoritmo CMOPSO e un sistema applicativo di configurazione degli ascensori. Il caso di studio mostra che lo schema di configurazione dell'ascensore basato sull'algoritmo CMOPSO può ridurre efficacemente il tempo di attesa medio, medio di picco e di picco medio, migliorando così la qualità del servizio di un edificio per uffici. Pertanto, lo schema di configurazione dell'ascensore basato sull'algoritmo CMOPSO fornisce una soluzione fattibile ed efficace per la configurazione dell'ascensore.

Riconoscimento

Questa ricerca è stata supportata da AQSIQ Nonprofit Industry Specialized Research Funding (n. 201310153).

Referenze
[1] Zhu Lin, Jiang Qing, Cao Jie e Wan Jianru. "Metodo di controllo del gruppo ascensore", ELEVATOR WORLD, 2013, 11:46-54.
[2] Zhang Junli. "Dispacciamento del traffico degli ascensori e relativo sviluppo del software". South China University of Technology, Guangzhou, Cina, 2012 (in cinese).
[3] Qian Huang, Tianwei Li, Zhengyou Li e Yundong Hang. "Ricerca sulla tecnica di controllo PID per il governo caotico della nave basata sull'algoritmo di ottimizzazione dello sciame di particelle del caos dinamico". 10° Congresso mondiale sul controllo intelligente e l'automazione (WCICA 2012): 1639-43, 2012.
[4] Shen Hong. "Ricerca sulla tecnologia di compensazione dell'armonica di corrente e dell'abbassamento di tensione in UPQC." Università di Tianjin, Tianjin, Cina, 2009 (in cinese).
[5] Li Shuang, Wang Zhixin e Wang Guoqiang. "Applicazione di un controller di rete neurale PID basato su PSO migliorato per VSC-HVDC." Atti del CSEE, 2013, 33(3): 14-21 (in cinese).
[6] Pan Feng, Li Weixing e Gao Qi. "Ottimizzatore dello sciame di particelle e ottimizzazione di più oggetti". Beijing Institute of Technology Press, Pechino, Cina, 2013 (in cinese).
Tag correlati
Sponsored
Sponsored
Ma Lianzhe, Luo Zhiqun, Huang Shaolun e Wan Jianru

Ma Lianzhe, Luo Zhiqun, Huang Shaolun e Wan Jianru

Ma Lianzhe è una studentessa laureata all'Università di Tianjin a Tianjin, in Cina. Il suo campo di interesse speciale include l'elettronica di potenza.

Luo Zhiqun è un ingegnere senior presso il Guangdong Institute of Special Equipment Inspection and Research a Guangdong, in Cina. Il suo campo di interesse speciale include il rilevamento degli ascensori.

Huang Shaolun è un ingegnere presso il Guangdong Institute of Special Equipment Inspection and Research. Il suo campo di interesse speciale include il rilevamento degli ascensori.

Wan Jianru è professore all'Università di Tianjin. I suoi campi di interesse speciali includono l'elettronica di potenza, gli azionamenti elettrici e la tecnologia degli ascensori.

Mondo Ascensore | Copertina di giugno 2015

flipbook

Sponsored

Mondo Ascensore | Copertina di giugno 2015

flipbook

Sponsored