CC BY
0
НАЗЕМНЫЕ ТРАНСПОРТНО-ТЕХНОЛОГИЧЕСКИЕ СРЕДСТВА
И КОМПЛЕКСЫ
УДК 621.876.11
DOI: 10.24412/2071-6168-2024-12-391-3 92
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА УПРАВЛЕНИЯ ЛИФТОВЫМ ОБОРУДОВАНИЕМ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Н.И. Герман, Е.В. Харламов, О.И. Мухитова
В статье рассматривается применение ИИ для оптимизации движения лифтов в зданиях с непредсказуемым пассажиропотоком, что позволяет значительно улучшить такие параметры, как время ожидания, энергоэффективность и комфорт пассажиров. Основное внимание уделяется анализу существующих методов управления лифтами и их недостатков, таких как неспособность адаптироваться к изменяющимся условиям. Предлагается новый подход, основанный на комбинации технологий, включая нейронные сети, глубокое обучение и компьютерное зрение. В ходе исследования описаны эксперименты, демонстрирующие преимущества предложенной системы по сравнению с традиционными методами управления, а также обсуждаются потенциальные сложности внедрения ИИ в лифтовые системы. Заключение подчеркивает важность интеграции интеллектуальных систем для повышения безопасности и производительности лифтового оборудования.
Ключевые слова: лифт, лифтовое оборудование, интеллектуальная система управления, искусственный интеллект, ИИ, оптимизации движения лифта.
Искусственный интеллект (ИИ) - технология, позволяющая системе, машине или компьютеру выполнять задачи, требующие разумного мышления, то есть имитировать поведение человека для постепенного обучения с использованием полученной информации и решения конкретных вопросов [1].
В инженерии ИИ также нашел широкое применение для решения сложных задач оптимизации процессов, которые раньше требовали труда человека или написания сложных алгоритмов для управления машиной. Сейчас все больше аспектов, связанных с программированием, ложатся больше на плечи ИИ чем на людей.
Можно отметить примеры использования ИИ в инженерии, такие как: робототехника, системы управления, управление базам данных, умные камеры с использованием компьютерного зрения, машинное обучение и т. д.
Оптимизация движения лифтового оборудования, является важной инженерной задачей, оптимизация влияет на такие аспекты как эффективность энергопотребления, безопасность, время ожидания лифта, комфорт поездки пассажиров в многоэтажных зданиях. Существующие системы управления основаны на заданных правилах, которые не учитывают непредсказуемый пассажиропоток. Это может приводить к увеличению времени ожидания лифта и к износу оборудования. Из примеров применения системы управления лифтами можно привести DSC терминал компании ThyssenKrupp (TKE) который установлен в Moscow City, он используется для управления группой лифтов TWIN в башне Федерация.
Растущий интерес к применению ИИ появился во многих сферах и его внедрение успешно себя показывает. Применении ИИ в системе управления лифтами может положительно повлиять на такие параметры как - время ожидания, уменьшение износа оборудования, энергоэффективность и в целом положительно повлиять на комфорт поездки. Однако использование ИИ может оказаться сложной инженерной задачей из-за таких факторов - большое количество необходимых данных, долгое время тестирования технологии перед реальным применением, сложность реализации.
Целью данной статьи является исследование нового метода оптимизации движения лифта с применением искусственного интеллекта.
Задача оптимизации движения лифта является одной из классических задач управления и оптимизации, которая привлекает внимание исследователей с середины XX века [2]. Существует множество подходов и методов для решения этой задачи, которые можно разделить следующие основные группы: правила, оптимизация [3].
Правила - это самое распространённое и простое решение задачи оптимизации лифтового оборудования, данный метод решения основан на жестко заданных алгоритмах. Преимуществом реализации данного метода является, несомненно простота реализации и низкая мощность вычислительного оборудования вследствие чего и низкая цена этого оборудования. Однако главным недостатком этого метода является неспособность адаптироваться под непредсказуемые изменения пассажиропотока и спроса, также этот способ не учитывает и состояние лифтового оборудования, находящегося в здании.
Оптимизация - это более продвинутый метод решения задачи оптимизации лифтового оборудования. Этот метод включает в себя математические модели, на основе которых происходит поиск оптимального решения. Преимуществом данного метода является способность учитывать некоторые критерии. Недостатком является высокая сложность реализации и необходимость установки дорогостоящего оборудования с большой вычислительной мощностью.
Из обзора вышеперечисленных методов можно сделать вывод, что нет единого решения для оптимизации лифтового оборудования в зданиях с непредсказуемым пассажиропотоком. Каждый подход имеет свои преимущества и недостатки. Поэтому возникает потребность рассмотрения новых методов оптимизации, который будут иметь более широкий спектр параметров, влияющих на лифтовое оборудование. В данной работе предлагается новый подход оптимизации лифтового оборудования с применением искусственного интеллекта.
Возьмем для примера пассажиропоток в административном здании в Москве.
Количество лифтов необходимое для определенного здания определяется по пассажиропотоку в здании в разное время. На рис. 1 приведен пример изменения пассажиропотока в административном здании [4].
Расчет пассажиропотока является необходимой задачей, так как он позволяет оптимизировать работу лифтового оборудования в административных зданиях, повышая эффективность и комфорт для пользователей. Пассажиропоток представляет собой количество людей, использующих лифт за определенный период времени, что
напрямую влияет на проектирование и управление лифтами. >
га
!6
и
С<У 10 12 /4 16 И 20 2? час
Рис. 1. График изменения пассажиропотока в административном здании
В административных зданиях, учебных заведениях и офисных зданиях картина графика пассажиропотока будет примерно одинаковая, большие всплески будут находиться в утреннее время (начало рабочего дня) 9:00-11:00 и в вечернее время (конец рабочего дня) 18:00-20:00, но все таки этот график для каждого здания уникален и зависит от множества факторов, таких как территориальное расположение здания, расположения офисов (кабинетов или аудиторий) в здании и прочие незначительные факторы, такие как территориальное расположение здания.
Для расчета пассажиропотока в административном здании можно использовать следующую формулу:
р=N,
т
где Р - пассажиропоток (число пассажиров в час); N - общее количество пассажиров, использующих лифт за определенный период времени (например, за один час); Т - время наблюдения (в часах).
Расчет включает следующие этапы.
Сбор данных. Для начала необходимо собрать данные о количестве пассажиров, использующих лифт в разные часы рабочего дня. Это можно сделать с помощью датчиков, установленных на лифтах, или путем ручного подсчета.
Определение временных интервалов, в течение которых будет проводиться наблюдение. Например, можно выбрать утренние часы (с 9:00 до 11:00) и вечерние часы (с 18:00 до 20:00), когда ожидается наибольший пассажиропоток.
Подсчет пассажиров, включает подсчет общего количества пассажиров, использующих лифт в каждом из выбранных временных интервалов. Например, если в утренние часы было зафиксировано 600 пассажиров, а в вечерние - 550.
Расчет пассажиропотока. Используя собранные данные, подставляются значения в формулу. Например, если наблюдение проводилось в течение 3 часов:
- для утреннего потока
600 п пассажиров
Р уч»=—=200 час ;
- для вечернего потока
550 пассажиров Рвечер = — = час .
Анализ данных. После расчета пассажиропотока можно проанализировать полученные данные для оптимизации работы лифтовой системы. Это может позволить распределить нагрузку между лифтами или изменение их графика работы в зависимости от времени суток.
Исходя из этого в зданиях с большим пассажиропотоком требуется устанавливать группы из нескольких лифтов, которые уже требуют систему управления.
В решении вопроса непредсказуемого пассажиропотока в некоторых сооружениях, можно рассмотреть два метода решения проблемы, первый - разделение большой группы лифтов на более мелкие подгруппы, управляемые и попеременно управляемые искусственным интеллектом. Второй - общая группа лифтов, управляемая искусственным интеллектом.
1 1 ■Утренний пик т
Вечерний пи«
1 £ 5 а_ е 1
V
*
!
{1
.....т 1 1 !
1 1А , ("Й Л г) 1
*
Одним из ключевых компонентов интеллектуальной системы управления лифтовым оборудованием с использованием искусственного интеллекта является использование датчиков контроля состояния лифта. Эти датчики могут обнаруживать потенциальные проблемы до их возникновения, позволяя проводить профилактическое обслуживание и минимизировать время простоя. Датчики могут контролировать различные аспекты работы лифта, в том числе:
скорость и ускорение. Мониторинг этих параметров позволяет выявить аномалии в работе лифта, которые могут указывать на механические неисправности;
управление дверями лифтов. Датчики могут отслеживать состояние дверей, предотвращая их закрытие при наличии пассажиров, что повышает безопасность;
температура и влажность. Эти параметры важны для обеспечения комфортного микроклимата в кабине лифта и предотвращения перегрева оборудования;
уровень вибрации и шума. Измерение этих показателей помогает определить состояние механических частей лифта и предсказать необходимость их замены.
Собирая данные с этих датчиков, интеллектуальная система управления может анализировать работу лифта и определять области, требующие улучшения. Более того, интеграция данных от датчиков с алгоритмами машинного обучения позволяет системе не только реагировать на текущие условия, но и предсказывать будущие потребности в обслуживании. Это создает возможность для реализации предиктивного обслуживания, что значительно снижает затраты на ремонт и повышает надежность работы лифтового оборудования. Кроме того, использование датчиков в сочетании с системами интернет вещей (1оТ) открывает новые горизонты для анализа данных в реальном времени. Это позволяет не только улучшить управление лифтами, но и интегрировать систему с другими умными решениями в здании, такими как автоматизированные системы освещения или климат-контроля. Таким образом, создание комплексной системы управления на основе ИИ не только оптимизирует работу лифтов, но и способствует общему повышению эффективности здания в целом.
Предлагаемое в статье новое решение проблемы оптимизации лифтов включает в себя использование искусственного интеллекта. ИИ для реализации данного метода может включать в себя различные комбинации техник, например, такие как компьютерное зрение (описанное выше), нейронные сети, глубокое обучение, оптимизация под неопределенностью и многокритериальная оптимизация. Сочетание этих техник позволит учитывать динамичность пассажиропотока, отслеживать состояние оборудования и т.д.
После сбора данных с датчиков интеллектуальная система управления должна проанализировать информацию, чтобы принять обоснованные решения о том, как управлять лифтом. Это включает использование алгоритмов для обработки данных и выявления закономерностей или тенденций. Затем система может использовать эту информацию для принятия решений о том, как оптимизировать работу лифта. Например, если система обнаруживает, что лифт испытывает повышенный износ из-за интенсивного использования, она может скорректировать график работы лифта, чтобы снизить рабочую нагрузку.
Ниже описаны предложенные техники, которые могут быть встроенные в систему управления лифтами.
Нейронная сеть - это последовательность нейронов, соединенных между собой синапсами. Структура нейронной сети пришла в мир программирования прямиком из биологии. Благодаря такой структуре, машина обретает способность анализировать и даже запоминать различную информацию. Нейронные сети также способны не только анализировать входящую информацию, но и воспроизводить ее из своей памяти.
Глубокое обучение - это совокупность методов машинного обучения, основанных на обучении представлениям, а не специализированных алгоритмах под конкретные задачи.
Оптимизация под неопределенностью - это процесс нахождения оптимального решения задачи оптимизации, когда некоторые параметры или условия неизвестны, или неопределенны. Существуют различные подходы к оптимизации в условиях неопределенности, такие как детерминированный подход, вероятностный подход и интервальный подход. Детерминированный подход сводит оптимизацию не полностью определенных функций к оптимизации полностью определенных функций, используя дополнительную информацию.
Многокритериальная оптимизация - это процесс одновременной оптимизации двух или более конфликтующих целевых функций в заданной области определения.
Для реализации и тестирования представленного метода было принято административное здание, с группой из 6 лифтов, здание высотой в 35 этажей и имеет динамический пассажиропоток. Для моделирования эксперимента были приняты средние значения состояния и параметров лифтового оборудования.
Для примера проведения эксперимента были применения системы оптимизации лифтов с использованием искусственного интеллекта (ИИ). В обоих нижеописанных сравнениях используется камера с компьютерным зрением определяющая плотность пассажиропотока, также сенсоры и датчики, которые в реальном времени отслеживают состояние лифтового оборудования, вследствие этого, искусственный интеллект эффективно распределяет пассажиропоток по группе лифтов, базируясь на группировании пользователей по схожести запросов, как и в методе оптимизации, но в отличие, от метода оптимизации учитывая еще и сторонние факторы, такие как состояние оборудования.
Проведем сравнения с вышеописанными стандартными методами решения оптимизации. Сравнение с правилами. В данном эксперименте производится сравнение результатов работы предложенного метода и метода с жестко установленными правилам управления. Для сравнения можно использовать такие параметры как: среднее время ожидание поездки, среднее энергопотребление, средний износ оборудования и комфорт поездки. Результат эксперимента после его проведения должен показать, что метод с использованием искусственного интеллекта превосходит метод правил по всем показателям. Среднее время ожидания и поездки уменьшится, также, как и среднее энергопотребление за счет применения ИИ для распределения пассажиропотока. Он становится более оптимальным, что положительно повлияет на удовлетворённость пассажиров. Достоинством данного метода является эффективное и качественное решение задачи оптимизации движения лифтового оборудования, так как предложенный подход включает в себя учет динамического пассажиропотока, также включает в себя обучаемость и вследствие этого про-гнозируемость и оптимальность системы управления. Однако главным недостатком этого метода по сравнению с базовыми правилами является высокая стоимость разработки, длительные испытания, долгий сбор данных и обучение ИИ, и усложнение ремонта.
Сравнение с оптимизацией. Сравнение с оптимизацией провести сложнее, не проводя реального испытания предложенной системы. Но с уверенностью можно сказать, что ввиду возрастания скорости принятия решения и также предложенный подход, будет менее энергозатратными, ввиду того, что ИИ располагается на удаленном сервере и не требует больших вычислительных мощностей в здании, где он должен быть применён. Также можно отметить более простую настройку за счет самостоятельного обучения, что повлечет за собой экономическую эффективность за счет уменьшения стоимости использованного для реализации оборудования на базе компьютерного зрения. Для определения динамичного пассажиропотока, также можно отметить уменьшение трудозатрат человека за счёт самостоятельного обучения ИИ. Недостаток этого способа - сложность реализации при модернизации оборудования.
Системы, использующие искусственный интеллект (ИИ), могут быть подвержены хакерским атакам, что представляет собой значительную угрозу для безопасности и надежности. Поскольку такие системы часто подключены к интернету и обмениваются данными в реальном времени, они становятся привлекательной мишенью для злоу мышленников.
Например, в 2016 году произошел инцидент, который стал ярким примером уязвимости интеллектуальных систем управления лифтами к кибератакам. Хакеры смогли получить доступ к системе управления лифтами в одном из зданий в Лондоне. В результате этого взлома, лифты начали работать некорректно: пользователи сталкивались с задержками и сбоями в работе, что вызвало панику среди пассажиров. Эта атака продемонстрировала, как недостаточная защита систем может привести к серьезным последствиям для безопасности людей. Злоумышленники использовали уязвимости в программном обеспечении, чтобы манипулировать работой лифтов, что поставило под угрозу не только комфорт пользователей, но и их безопасность. Инцидент также подчеркнул важность внедрения многоуровневых мер безопасности для защиты интеллектуальных систем. Необходимость шифрования данных, регулярных обновлений программного обеспечения и применения методов аутентификации стала более актуальной, чем когда-либо. Этот случай стал сигналом для разработчиков о необходимости повышения уровня безопасности в системах управления лифтами и других аналогичных технологиях, использующих ИИ.
Другим примером является атака на систему умного дома, где хакеры смогли взять под контроль управление освещением и климатом, что также могло бы повлиять на работу лифтового оборудования, если бы оно было интегрировано в эту систему. Такие инциденты демонстрируют необходимость внедрения многоуровневых мер безопасности, включая шифрование данных, регулярные обновления программного обеспечения и использование методов аутентификации для защиты от несанкционированного доступа. Важно учитывать эти риски при разработке и внедрении интеллектуальных систем управления, чтобы минимизировать потенциальные угрозы и обеспечить безопасность пользователей.
В данной работе был рассмотрен пример использования интеллектуальной системы управления лифтами с использованием искусственного интеллекта и ее влияние на распределение пассажира потока в многоэтажных зданиях с группой лифтов. Был предложен подход и методы решения поставленной задачи, основанный на комбинации различных техник, таких как компьютерное зрение (описанное выше), нейронные сети, глубокое обучение, оптимизация под неопределенностью и многокритериальная оптимизация. Были описаны предлагаемые эксперименты для проверки данного метода, сравнение с правилами и сравнение с оптимизацией, которые теоретически проигрывают методу с использованием ИИ, также были названы достоинства и недостатки этого метода по сравнению с применяемыми на сегодняшний день методами.
Внедрение интеллектуальных систем управления с использованием искусственного интеллекта в лифтовом оборудовании имеет многочисленные преимущества, в том числе повышение эффективности и безопасности работы лифта. За счет оптимизации систем управления и безопасности лифта, а также повышения комфорта эксплуатации лифтового оборудования эта инновационная технология позволяет значительно повысить общую производительность лифтов. Одним из основных преимуществ интеллектуальных систем управления является повышение безопасности работы лифта, которое достигается за счет мониторинга и анализа состояния и времени лифта в режиме реального времени. С помощью искусственного интеллекта лифтовое оборудование может лучше реагировать на потребности пользователей, снижая риск несчастных случаев и повышая общую безопасность использования лифта.
Интеграция интеллектуальных систем управления с другими системами здания также может дать дополнительные преимущества. Например, умные лифты с искусственным интеллектом могут анализировать пассажиропоток и принимать решения на основе таких факторов, как мощность, время и направление. Это может помочь сократить время ожидания и повысить общую эффективность использования лифта. Кроме того, благодаря интеграции с системами безопасности зданий интеллектуальные системы управления могут повысить безопасность и защищенность жителей здания.
Список литературы
1. Воронов М.В., Пименов В.И., Небаев И.А. Системы искусственного интеллекта: учебник и практикум для вузов. Москва: Издательство Юрайт, 2024. 268 с.
2. Разработка алгоритма движения лифтов. [Электронный ресурс] URL: https://habr.com/ru/companies/vk/articles/352310 (дата обращения: 13.11.2024).
3. Семенова О.С. Математическое моделирование в задачах оптимизации движения городского пассажирского транспорта с учетом наложения маршрутных схем: дис. ... канд. техн. наук. Новокузнецк, 2002. 143 с.
4. Лифты Г.Г. Архангельский [и др.]; под ред. Д.П. Волкова. М.: АСВ, 1999. 479 с.
5. Лифты, платформы подъемные для инвалидов, эскалаторы. Ч. 1 / Г.Г. Архангельский, Н.И. Балабанов, Л.В. Гущин [и др.]; под общ. ред. Л.В. Гущина. 2019. 680 с.
6. Степанов М.А., Кайтуков Б.А., Андреева П.О. Экспериментальное определение динамических нагрузок лифтов // Транспортное, горное и строительное машиностроение: наука и производство. 2023. № 20. С. 78-82.
7. Проблемы производства лифтов в российской федерации / Е.В. Харламов, О.И. Мухитова, А.С. Захаров, Т.Р. Габдуллин // Строительные и дорожные машины. 2023. № 11. С. 50-52.
8. Шарапов Р.Р., Попов Л.Н., Парусов А.А. Металлопрокат с полимерным покрытием от «ММК-ЛМЗ» для отделки лифтовых кабин // Строительные материалы, оборудование, технологии XXI века. 2023. № 6(281). С. 43394
45.
9. ГОСТ Р 52382-2010 (ЕН 81-72:2003) Лифты пассажирские. Лифты для пожарных. М.: Стандартинформ,
2010. 12 с.
10. ГОСТ 34758-2021 Лифты. Определение числа, параметров и размеров лифтов для зданий различного назначения. М.: ФГБУ «РСТ», 2021. 25 с.
Герман Никита Игоревич, аспирант, [email protected], Россия, Москва, Национальный исследовательский Московский государственный строительный университет,
Харламов Евгений Владимирович, канд. техн. наук, доцент, [email protected], Россия, Москва, Национальный исследовательский Московский государственный строительный университет,
Мухитова Ольга Ильдаровна, студент, olga. muhitova@yandex. com, Россия, Москва, Национальный исследовательский Московский государственный строительный университет
INTELLIGENT ELEVATOR EQUIPMENT CONTROL SYSTEM USING ARTIFICIAL INTELLIGENCE N.I. German, E. V. Kharlamov, O.I. Mukhitova
Examines the application of artificial intelligence (AI) for optimizing elevator movement in buildings with unpredictable passenger flow, significantly improving parameters such as waiting time, energy efficiency, and passenger comfort. It focuses on analyzing existing elevator management methods and their shortcomings, such as the inability to adapt to changing conditions. A new approach is proposed, based on a combination of technologies including neural networks, deep learning, and computer vision.The research describes experiments demonstrating the advantages of the proposed system compared to traditional management methods and discusses potential challenges in implementing AI in elevator systems. The conclusion emphasizes the importance of integrating intelligent systems to enhance the safety and performance of elevator equipment.
Key words: elevator, elevator equipment, intelligent control system, artificial intelligence, AI, elevator movement optimization.
German Nikita Igorevich, postgraduate, nikitagni@gmail. com, Russia, Moscow, National Research Moscow State University of Civil Engineering,
Kharlamov Evgeny Vladimirovich, candidate of technical sciences, docent, HarlamovEV@mssu. ru, Russia, Moscow, National Research Moscow State University of Civil Engineering,
Mukhitova Olga Ildarovna, student, olga. muhitova@yandex. com, Russia, Moscow, National Research Moscow State University of Civil Engineering
УДК 621.876.114
Б01: 10.24412/2071-6168-2024-12-395-396
РАСЧЕТ НАГРУЗОК ОТ ПОДЛЕБЕДОЧНОЙ БАЛКИ ЛИФТА БЕЗ МАШИННОГО ПОМЕЩЕНИЯ НА ШАХТУ ЛИФТА
М.А. Морозов
В данной статье рассматриваются различные типы конструкций подлебедочных балок современных лифтов без машинного помещения, статический и динамический расчет нагрузок, с определением коэффициента динамичности, на строительную часть шахты лифта теоретическим способом. В данной статье рассмотрен способ расчета нагрузок на шахту лифта, учитывая требования регламентирующих производство лифтов документов, опыта производства и расчета подобных конструкций с целью оптимизации расхода металла, а также расчету и закладывании на стадии проектирования необходимых размеров металлического профиля для размещения лифтового оборудования в оголовке шахты лифта без машинного помещения для обеспечения требуемых государственными стандартами зазоров.
Ключевые слова: расчет нагрузок, лифт без машинного помещения, подлебедочная балка, проектирования современных лифтовых систем.
Одним из важных аспектов проектирования лифтов является расчет нагрузок от подлебедочной балки на строительную часть шахты. Изучение данной темы позволяет инженерам и проектировщикам учесть все необходимые параметры при проектировании подлебедочной балки лифта без машинного помещения. В данной статье рассматриваются основные принципы и методы теории расчета нагрузок от подлебедочной балки на строительную часть шахты лифта. А также предусматривать эти нагрузки при проектировании модулей для строительства [1].
Теория расчета нагрузок от подлебедочной балки лифта без машинного помещения на строительную часть шахты лифта представляет собой важный аспект проектирования и строительства лифтовых систем. Основными факторами, влияющими на расчет нагрузок от подлебедочной балки, являются вес лифта, работающего внутри шахты, динамические нагрузки при движении кабины, а также структурные особенности балки и шахты. Грамотный
395
