Содержание к диссертации
Введение
ГЛАВА 1. Анализ современных методов и средств автоматизированного управления пассажирскими лифтами 12
1.1 Актуальность задачи автоматизированного управления пассажирскими лифтами 12
1.2 Особенности функционирования автоматизированных систем управления пассажирскими лифтами на основе микроконтроллеров 15
1.3 Анализ возможностей применения сенсорных технологий в АСУПЛ
1.3.1 Гироскопические датчики угловой скорости 24
1.3.2 Датчики линейных ускорений 25
1.3.3 Датчики давления 25
1.3.4 Магнитные, фотоэлектрические и инфракрасные датчики 26
Выводы по главе 1 27
ГЛАВА 2. Методы расчета параметров автоматизированных систем управления пассажирскими лифтами 28
2.1 Представление АСУПЛ в качестве системы массового обслуживания 28
2.2 Аналитический расчет параметров автоматизированной системы управления пассажирскими лифтами 31
2.3 Анализ классических стратегий автоматизированного управления лифтами 37
2.4 Анализ динамических стратегий автоматизированного управления лифтами 40
2.5 Многокритериальная оптимизация в управлении пассажирскими лифтами 48
Выводы по главе 2 52
ГЛАВА 3. Разработка гибридной имитационной модели системы управления пассажирскими лифтами 54
3.1 Структура имитационной модели в среде AnyLogic 55
3.2 Основные классы имитационной модели 58
3.3 Верификация и графическое представление результатов имитационного моделирования 69
3.4 Реализация механизма выбора стратегий управления. 73
Выводы по главе 3 75
ГЛАВА 4. Экспериментальные исследования эффективности гибридной имитационной модели системы управления пассажирскими лифтами 76
4.1 Используемые в имитационной модели потоки заявок 76
4.2 Оценка влияния сенсоров на эффективность алгоритмов управления
4.2.1 Учет направленности вызовов 79
4.2.2 Учет количества пассажиров на этажах 82
4.2.3 Учет суточного ритма 85
Выводы по главе 4 96
Заключение 97
Список литературы 99
- Анализ возможностей применения сенсорных технологий в АСУПЛ
- Аналитический расчет параметров автоматизированной системы управления пассажирскими лифтами
- Верификация и графическое представление результатов имитационного моделирования
- Оценка влияния сенсоров на эффективность алгоритмов управления
Анализ возможностей применения сенсорных технологий в АСУПЛ
Автоматизации управления системами жизнеобеспечения жилых и промышленных помещений посвящены многочисленные исследования. Большинство из них опираются на широкое использование интеллектуальных систем сбора и контроля параметров окружающей среды. В сочетании с мощными вычислительными элементами это создает среду, за которой укрепилось название «умный дом» (clever house) [17]. Разработаны прототипы умных домов, в которых различные датчики с помощью как проводных, так и беспроводных технологий, образуют единую сеть. Информация, получаемая от них, используется для выработки управляющих воздействий на элементы инженерной инфраструктуры домов. В [18] представлен один из таких прототипов, состоящий из нескольких спален, гостиной, ванной комнаты, кухни и подсобных помещений. В каждом помещении установлены видео датчики, которые следят за перемещениями людей. Полученные передвижения наносятся на карту дома и используются для предсказания поведения людей и адаптации под них инженерных систем дома. Этот подход может быть распространен и на внешние по отношению к квартире службы, такие как лифты.
Отметим, что видеорегистраторы являются наиболее популярными, но не единственными типами датчиков в технологии умного дома. Анализ видеоинформации связан со значительными вычислительными затратами, что требует использования в системах управления мощных процессоров. Альтернативой является применение более простых датчиков. Примером иного подхода может служить технология «умного пола», используемая для обнаружения перемещений людей и слежения за ними [19]. Авторы создали систему обнаружения людей по изменению профиля силы давления при взаимодействии их с системой крепления пола. Использование технологии в протяженных коридорах сопряжено со значительными трудностями, что ограничивает возможности ее применения в качестве датчика в управлении лифтами.
В работе [20] описан несколько другой метод создания сенсорного пола, названный авторами «активный пол». Конструктивно такой пол представляет собой сетку или матрицу из обычных плиток, которые крепятся в углах с помощью цилиндрических стоек, позволяющих фиксировать изменение веса, давящего на плитку с точностью до 50 грамм. Получаемая с таких датчиков информация позволяет системе мониторинга предсказывать траекторию движения людей или иных подвижных объектов. Подобный вариант может представлять интерес для новых зданий, но неприемлем для уже эксплуатирующихся объектов.
Более практичное решение основано на встраивании датчиков в рулонное покрытие полов [21], что позволяет следить за движением на большой площади. Технология может быть использована как в общественных, так и жилых зданиях.
В офисных и промышленных помещениях интерес представляет активная система слежения за местонахождением сотрудников с помощью миниатюрных передатчиков, расположенных в их значках [22]. Активный значок периодически передаёт сигналы, которые собираются сетью приемников и используются для слежения за положением людей. Принцип определения координат значка подобен определению местоположения клиента в сетях мобильной связи.
Различные сенсорные системы могут использоваться и для мониторинга окружающей среды, контроля служб жизнеобеспечения в частных и общественных зданиях. Интеллектуальная система управления, основанная на беспроводной сети оптических сенсоров, описана в [23]. Она позволяет значительно уменьшить энергопотребление умного дома и обеспечить комфортную среду его обитателям. Хотя беспроводные технологии и обеспечивают значительное сокращение времени внедрения новых технологий управления, но порождают проблему электромагнитного загрязнения окружающей среды. Оптимизируя расположение датчиков можно уменьшить их число и снизить фон электромагнитного излучения. Один из подходов к решению этой задачи приведен в [24], где она сформулирована как проблема многокритериальной оптимизации. В качестве оптимизируемых параметров выступают стоимость датчиков, качество связи и уровень электромагнитного излучения.
Кроме перемещения, сенсоры могут использоваться и для контроля состава атмосферы. Спроектирована гетерогенная сенсорная сеть, которая в реальном времени собирает информацию от множества датчиков для определения внезапных выбросов токсичных газов в доме [25]. Оригинальная методология проектирования сенсорной системы для защиты дома от опасных внешних загрязнений, основанная на модели потока воздуха внутри помещения, и методика проектирования оптимальной сенсорной сети для защиты дома от критических внутренних загрязнений описаны в [26].
Достижения в области сенсорных технологий позволяют использовать интеллектуальные системы управления для контроля параметров среды обитания человека. Например, с помощью сенсоров в среде умного здания можно собирать различную информацию о температуре, влажности, давлении, освещённости и звуковых сигналов, а затем использовать ее для управления технической инфраструктурой здания. Эта информация позволяет оперативно обнаруживать изменение характеристик окружающей среды и воздействовать на них в зависимости от поведения людей, минимизируя при этом затраты энергии [27]. Объединение в единую систему отопления, вентиляции и кондиционирования воздуха (HVAC) является наглядным примером использования сенсорных технологий.
Владельцы парковок используют сенсорные технологии для определения числа и местоположения свободных мест [28]. Есть примеры применения сенсоров в системах эвакуации для построения оптимального маршрута движения [29]. Бесконтактные сенсорные элементы, основанные на технологии RFID, могут дать информацию о деятельности человека, которую можно использовать в сложных приложениях, связанных с анализом его поведения в различных ситуациях [30]. Наиболее часто такие приложения связаны с вопросами безопасности. Сети термических сенсоров лежат в основе технологий обнаружения лесных пожаров и контроля состояния расплавов в печах [31]. В системах мониторинга интенсивности автомобильного трафика находят применение индуктивные датчики [32]. Широкая палитра сенсоров позволяет говорить о возможности их использования и в системах управления лифтами.
Аналитический расчет параметров автоматизированной системы управления пассажирскими лифтами
Имитационная модель, создаваемая для проведения исследований оптимальности стратегий поведения лифтовой системы, должна иметь возможность численной оценки вариабельности параметров управления [53-56]. Для этого необходимо определить критериальные функции и переменные, отражающие поведение системы. Они должны зависеть от параметров системы управления. В качестве критерия оптимальности АСУПЛ может быть использовано следующее выражение [40]: , (2.4) где . (2.5) Такой подход основан на доминировании интересов пассажиров. Если на первый план поставить снижение затрат на перевозку пассажиров, то это приведет к необходимости выполнения условия: . (2.6) Эти критерии инвариантны по отношению к конструкции лифтов. Учет энергопотребления при движении лифтов в каждом конкретном случае индивидуален, поскольку он тесно связан с особенностями применяемых в системах управления пассажирскими лифтами приводов.
Поскольку эффективность системы управления лифтами оценивается по совокупности противоречивых показателей, к созданию алгоритма или стратегии управления следует подходить, как к задаче многокритериальной оптимизации. Основной характеристикой качества обслуживания пассажиров является среднее время ожидания (2.4), а критерием эффективности использования лифта является коэффициент его загрузки (2.6). В такой постановке система управления должна решать задачу многокритериальной оптимизации – минимизировать время ожидания пассажиров и при этом максимизировать коэффициент загруженности лифта.
Рассмотрим несколько примеров, иллюстрирующих использование методов многокритериальной оптимизации в АСУПЛ. Zhenshan Yang и Zhang Yunli в работе [76] исследуют эффективность использования усовершенствованного PSO алгоритма многокритериальной оптимизации в системе управления группой лифтов (Elevator Group Control System, EGCS). Показано, что для повышения эффективности EGCS, следует учитывать некоторые динамические показатели качества, в том числе: - среднее время ожидания ( ), - среднее время поездки ( ), - среднее время обслуживания ( ), - среднее количество остановок ( ), - средний процент длительного ожидания (ALWP).
В качестве метода многокритериальной оптимизации авторы используют алгоритм оптимизации множества частиц (IPSO). Сама задача оптимизации сведена ими к модифицированной задаче коммивояжера, которую можно решить, находя кратчайшие гамильтоновские циклы. Результаты моделирования показывают обоснованность предложенного метода. Проведенное моделирование подтверждает, что при использовании алгоритма IPSO все показатели качества ( , , , и ALWP) получаются лучше, чем для алгоритма GAS при трех основных схемах движения. В таблице 2.1 показано [77], что при пиковом движении вверх, улучшается на 26.05%, на 13.29%, ALWP на 37.29%; при движении между этажами, снижается до 25.28%, изменяется до 14.85%, ALWP изменяется до 57.06%; при пиковом движении вниз, улучшается на 20.94%, на 14.57%, ALWP на 38.34%. Параметры и также являются важными параметрами, определяющими эффективность алгоритмов управления, поскольку при их возрастании резко растет недовольство пассажиров. Очевидно, что снижение ALWP вызывает сокращение и, соответственно, уменьшением . Снижение значений этих параметров доказывает эффективность предложенного метода. Основной расход энергии лифтом с электроприводом производится при запуске или остановке. Следовательно, количество остановок играет значительную роль в потреблении энергии и затратах на эксплуатацию здания. В табл. 2.1 показано, что уменьшается при всех трех схемах движения. Оно улучшается на 28% при пиковом движении вверх, на 12,5% при движении между этажами, и на 8,33% при пиковом движении вниз, что доказывает эффективность алгоритма и по критерию энергосбережения.
Алгоритм IPSO обычно сохраняет и использует информацию о положении и скорости лифта, в то время как алгоритм GAS сохраняет информацию о местоположении только в эволюционном процессе. Оба алгоритма развиваются по функции подгонки во всех поколениях от первоначальной популяции, но глобальный оптимум IPSO может найти только благодаря текущему лучшему решению, не рассматривая мутации, как в GAs, которые занимают много времени. Используя взвешенную линейную свертку, проблема многокритериальной оптимизации трансформируется в простую одноцелевую форму. Упрощение целевой функции уменьшает временную сложность алгоритма IPSO по сравнению с GAS. Результаты моделирования подтверждаются и в работе исследованиям Э. Elbeltagi [78].
Таким образом, предлагаемый метод может быть использован для оптимального планирования работы группы лифтов.
Некоторые исследователи формулируют проблему управления группой лифтов, как проблему динамической оптимизации в большом пространстве, уменьшая его с помощью методов аппроксимации. Hiller и Klug в [79] представляют метод повторной оптимизации, переопределяя команды управления каждый раз, когда прибывает новый пассажир и снижая пространство поиска с помощью методов ветвей и границ. Zhao и Liu в [80] используют для снижения пространства поиска генетические методы.
Верификация и графическое представление результатов имитационного моделирования
Модель описывает пассажиров как агентов, которые мигрируют с одного этажа здания на другой. Стейтчарт определяет их поведение в процессе такой миграции, т.е. условия переходов из одного состояния в другое. В среде моделирования могут использоваться разные виды условий срабатывания переходов, входящих в состав стейтчарта.
Переход из состояния AppearInFloor в состояние MovingToElevator, происходит тогда, когда агент появляется на этаже и ему нужно подойти к лифту. Это используется для визуализации движений пассажиров. Параметр Destination определяет, в какую очередь попадает агент.
Переход из состояния MovingToElevator в состояние Arrival_state происходит по прибытии агента в лифтовой зал. Если в лифтовом зале уже есть другие агенты, пассажир занимает место в очереди и переходит в состояние Waiting_state. В случае отсутствия очереди переход агента из состояния Arrival_state в состояние Waiting_state происходит в момент нажатия кнопки вызова лифта. Когда лифт приходит на этаж, на котором находятся агенты, в зависимости от вместимости и загруженности лифта все или часть ожидающих пассажиров заходят в лифт. Те, кто вошел в лифт, переходят из состояния Waiting_state в состояние Enter_state. У них необходимо зафиксировать окончание времени ожидания. Для этого в класс Passenger включаются различные Java функции. Ниже приведен фрагмент кода, реализующий алгоритм вычисления времени ожидания пассажиров. EnterTime=time(); Condition[4]=true; get_Home().DelayTimeOfPassenger.add(EnterTime-StartWait); get_Home().TimeMean.setText(get_Home().DelayTimeOfPassenger. mean()); WaitingTime=EnterTime-StartWait; get_Home().AverageTimeAndDispersion(WaitingTime); После того, как пассажиры вошли в лифт, он начинает двигаться на нужный этаж, а вошедшие на этаже пассажиры переходят из состояния Enter_state в состояние Ride_state. Когда лифт останавливается на нужном для пассажира этаже, он выходит из лифта и переходит в состояние Out_state. Для нахождения среднего времени ожидания в модели используется следующее выражение: (3.1) где – время ожидания лифта i-м пассажиром.
Если во время движения лифт совершает остановки на промежуточных этажах, реальное время перемещения пассажиров между этажами отличается от идеального. Идеальное или минимально возможное время перемещения пассажира может быть найдено по формуле [56,86]: Ниже приведен фрагмент кода, реализующий алгоритм вычисления времени поездки пассажиров и его отличие от минимально возможного времени движения . OutTime=time(); jumpTo(get_Home().line4.getX(),get_Home().elevator.PointsOfF loors[WFloor]); Condition[7]=true; TimeMoving_Real=OutTime-EnterTime; TimeMoving_Ideal=abs(abs(MyFloor)-abs(WFloor)) 3; TimeMoving=TimeMoving_Ideal/TimeMoving_Real; get_Home().TimeMoving.add(TimeMoving); get_Home().elevator.Check_PassengerEnterOrOutFromFloor=1 В классе производится и подсчет ненужных остановок. Остановка лифта на этаже считается ненужной, если в лифт не зашло или из него не вышло ни одного пассажира. Класс «Elevator» В классе Elevator создан стейтчарт, реализованы на Java функции, используются библиотечные элементы - линии, прямоугольник, введены переменные параметры. Диаграмма состояний класса Elevator представлена на рис. 3.6. Регулирование потоков пассажиров производится с помощью эффективного кода на языке программирования Java и средств инструментальной среды AnyLogic [56, 90,91].
При дискретно-событийном моделировании каждое отправление и прибытие лифта является событием, инициирующим изменение состояния агентов. Стейтчарт играет роль регулятора движения лифта. Реализуя заданный алгоритм работы, он определяет движение лифта, моменты посадки и высадки пассажиров. Стейтчарт класса включает следующие состояния: Elevator_Stop – это начальное состояние, лифт стоит на одном из этажей здания; Elevator_Going – лифт движется между этажами; Stop_Enter – лифт останавливается на этаже для посадки или высадки пассажиров. Рассмотрим условия срабатывания переходов стейтчарта.
В начальный момент сформированный объект находится в состоянии Elevator_Stop на первом этаже здания. В общем случае мы можем изменить начальное положение лифта, что необходимо в случае продолжения прерванного эксперимента. Если система управления получает команду внешнего вызова, то лифт переходит в состояние Elevator_Going и начинает движение.
Диаграмма состояний класса Elevator В состоянии стейтчарта Elevator_Going выполняются две функции: выбирается стратегия управления и формируются команды движения лифта. Если при движении лифт приходит на нужный для пассажиров этаж, лифт остановится для обеспечения их посадки или высадки. Остановка лифта приводит к его переходу из состояния Elevator_Going в состояние Stop_Enter. При дискретно-событийном подходе, остановка лифта является событием, порождающим действия зависимых от него агентов. В состоянии Stop_Enter пассажиры, находящиеся в лифте и достигшие нужного этажа, должны выйти из лифта, а пассажиры, стоящие в очереди на этаже, смогут войти в лифт, если в нем есть свободные места и направление движения совпадает с их запросом.
Оценка влияния сенсоров на эффективность алгоритмов управления
Вариант В точно совпадает с моделируемым потоком, а варианты D – G имеют различный временной сдвиг по отношению к характеристикам потока заявок. Вариант С использует однократное переключение режимов работы, не связанное по времени с положением пиков нагрузки. Величину времени ожидания пассажиров для всех модификаций можно оценить, используя приведенные выше соотношения. Таблица 4.8 показывает рассчитанное значение для суточного цикла планирования всех модификаций. Используя эти данные и величину интенсивности потока заявок, можно оценить среднесуточное значение . Разработанная модель позволяет варьировать величину интервала времени между соседними заявками на обслуживание - IBP (Interval Between Passengers) для изменения нагрузки на систему обслуживания.
При проведении моделирования были использованы следующие параметры потока пассажиров: IBPpick = 30 сек, IBPnormal = 210 сек; пик потока нисходящих заявок приходится на интервал с 7 до 9 часов утра, а пик потока восходящих заявок на интервал времени с 18 до 20 часов вечера. Вне интервалов пиковой нагрузки вероятности нисходящего и восходящего потока заявок равны.
В таблице 4.9 представлены результаты вычисления средней величины задержки времени обслуживания для двух вариантов потока заявок: (1) высокое значение пиковой нагрузки (I BPpick = 30 сек, IBPnormal = 210 сек) и (2) низкое значение пиковой нагрузки (I BPpick = 30 сек, IBPnormal = 90 сек).
Заметим, что лучшие результаты получаются для вариантов В и С. В последнем случае это можно объяснить тем, что вариант С половину дня использует модификацию «вверх», а при этом выигрыш для восходящего потока превосходит проигрыш для нисходящего.
В таблице 4.10 представлены результаты моделирования вариантов В и С для различных значений вместимости кабины лифта (столбец ).
Отметим, что результаты моделирования в целом согласуются с расчетными значениями. Выигрыш во времени ожидания для пассажиров, который дает модификация стратегии U1D, варьируется от 20 до 35%. Однако, необходимо отметить, что при этом происходит снижение эффективности использования лифта на величину порядка 20%. В этом проявляется многокритериальность и противоречивость задачи оптимального управления пассажирскими лифтами – улучшение одного критерия достигается за счет ухудшения другого.
Полученные данные показывают, что во всех случаях вариант В (время переключения точно синхронизировано с пиками нагрузки) дает лучшие результаты. В целом можно считать, что стратегия U1D чувствительна к точности определения пиков. Это значит, что применение статистических методов прогнозирования пиковых интервалов не даст нужного эффекта. В качестве сенсоров, фиксирующих наступление пиковых периодов, можно использовать интервалы между соседними вызовами. Их уменьшение за некоторый период времени может служить сигналом для переключения режимов стратегии.
Необходимо добавить, что если величина изменяется в таблице 4.11 более чем на 10%, то значение EE практически не зависит от точности фиксации пиков нагрузки. Это значит, что ошибки переключения режимов стратегии U1D сильнее влияют на качество обслуживания пассажиров, нежели на эффективность использования лифта.
Потоки пассажиров в офисах имеют более сложный характер, чем в жилых зданиях. Их труднее прогнозировать, но если использовать косвенные признаки наступления пика, то и в офисах можно использовать модификации стратегий управления. В табл. 4.12 представлены результаты моделирования для 4-х стратегий. В течение дня было реализовано 4 интервала с пиковой нагрузкой. Модификация стратегий заключалась в использовании описанных выше правил. Для всех стратегий переключение в моменты пиковой нагрузки положительно сказывается на эффективности управления. Выигрыш составляет 10-20%. Представленные выше результаты исследований отражают влияние на эффективность управления только одного дополнительного сенсора, однако в реальные системы могут быть имплементированы группы различных датчиков [93-95]. В этом случае аналитический расчет становится практически невозможным, и только моделирование может дать ответ о целесообразности таких модернизаций. Разработанная модель позволяет проводить и подобные исследования. Необходимо учесть, что анализ результатов будет более сложен, как и нахождение оптимальных параметров. Ниже представлен пример исследования системы управления с двумя сенсорами.
Приведенные в таблице 4.13 результаты наглядно демонстрируют возможность значительного улучшения эксплуатационных параметров объекта управления. Изменение стратегий в сочетании с имплементацией в систему сенсоров снижает время ожидания пассажиров почти на 50% и, что очень важно, без снижения загруженности кабины. Проведенные симуляции подтверждают функциональность и эффективность разработанной модели, возможность ее практического использования при проектировании аппаратно-программных управляющих комплексов.