CN110924053B - 人工智能洗衣机及其控制方法 - Google Patents

Abstract

人工智能洗衣机及其控制方法。公开了一种控制洗衣机的方法，该方法包括以下步骤：使用在洗涤桶的加速旋转期间提供给被配置为使所述洗涤桶旋转的电机的电流值作为基于机器学习预训练的人工神经网络的输入层的输入数据，根据所述人工神经网络的输出层的输出来确定所述洗涤桶中所接纳的衣物的状态的第一感测步骤；基于所述衣物的状态，来选择考虑衣物的磨损程度或洗涤强度而分类的多个洗涤模式中的一个；以及根据所选择的洗涤模式执行洗涤的洗涤循环步骤。

Description

人工智能洗衣机及其控制方法

技术领域

本发明涉及洗衣机及其控制方法，更具体地，涉及一种基于机器学习来感测衣物重量和衣物质量的洗衣机及其控制方法。

背景技术

通常，洗衣机是利用水和洗涤剂的化学分解作用以及水和衣物之间的诸如摩擦之类的物理作用，从衣物、被褥等(以下简称为"衣物")去除污渍的设备。

洗衣机主要分为搅拌式洗衣机、波轮式洗衣机或滚筒式洗衣机。滚筒式洗衣机包括用于储存水的储水桶和可旋转地设置在储水桶中用于接纳衣物的洗涤桶。在洗涤桶中形成供水流过的多个通孔。洗涤操作通常分为洗涤循环、漂洗循环和甩干循环。

在洗涤循环期间，利用存储在储水桶中的水与存储在洗涤桶中的衣物之间的摩擦力以及水中所含有的洗涤剂的化学作用从衣物去除污渍。

在漂洗循环期间，将没有溶解洗涤剂的水供应到储水桶中，以漂洗衣物。具体地，去除在洗涤循环期间吸收到衣物中的洗涤剂。在漂洗循环期间，织物柔软剂可以与水一起供应。

在甩干循环期间，洗涤桶高速旋转，以便在漂洗循环完成之后甩干衣物。通常，当甩干循环完成时，洗衣机的整体操作完成。然而，在具有烘干功能的洗衣机的情况下，可以在甩干循环完成之后进一步执行烘干循环。

通常，根据引入到洗涤桶中的衣物的重量(以下也称为"衣物重量")来设置洗涤操作。例如，根据衣物重量设置供水水平、洗涤强度、排水时间和甩干时间。

根据衣物的种类(以下也称为"衣物质量")以及衣物重量，洗涤性能发生变化。因此，在仅考虑衣物重量来设置洗涤操作的情况下，不能期望充分的洗涤性能。

另外，即使当执行相同的洗涤操作时，衣物的损坏程度也根据衣物的种类而变化。因此，在仅考虑衣物重量来设置洗涤操作的情况下，衣物可能被损坏。

基于统计的分类、回归和聚类模型位于传统机器学习的中心。特别地，在分类和回归模型的监督学习中，人们预先定义学习数据的特征和基于该特征区分新数据的学习模型。与此不同的是，深度学习本身就是计算机发现和区分特征的过程。

开源深度学习框架是促进深度学习发展的因素之一。例如，深度学习框架的示例包括来自加拿大蒙特利尔大学的Theano、来自美国纽约大学的Torch、来自美国加州大学伯克利分校的Caffe和来自Google的TensorFlow。

随着深度学习框架的开放，除了深度学习算法之外，学习过程、学习方法以及用于学习的数据的提取和选择对于有效的学习和识别变得更加重要。

此外，对人工智能和机器学习在各种产品和服务中的使用的研究也越来越多。

韩国注册专利No.10-1841248(下文也称为"传统技术")公开了一种使用电机的速度作为基于机器学习预训练的人工神经网络的输入数据来感测衣物重量的控制方法。

然而，在传统技术中，仅感测衣物重量，由此可能使洗涤性能劣化并且可能损坏衣物。

发明内容

本发明的目的是提供一种能够基于机器学习快速且准确地感测衣物重量和/或衣物质量的洗衣机及其控制方法。

本发明的另一目的是提供一种洗衣机及其控制方法，该洗衣机能够有效地处理用于确定衣物重量和/或衣物质量的数据，以减少确定衣物重量和/或衣物质量所需的时间。

本发明的另一目的是提供一种能够基于诸如衣物的柔软度/硬度、衣物的含水量以及干衣物和湿衣物之间的体积差之类的各种标准对衣物进行分类的洗衣机及其控制方法。

本发明的另一目的是提供一种能够考虑到衣物的状态(衣物的材料、硬度、含水量和组成)而减少对衣物的损坏并提高洗涤性能的洗衣机及其控制方法。

本发明的目的不限于上述目的，并且通过下面的描述，对于本领域技术人员来说，上面没有提到的其它目的将变得显而易见。

根据本发明的一个方面，上述和其它目的可以通过提供一种控制洗衣机的方法来实现，该方法包括确定洗涤桶中所接纳的衣物的状态的第一感测步骤。

在第一感测步骤中，可以使用在洗涤桶的加速旋转期间提供给被配置为使所述洗涤桶旋转的电机的电流值作为基于机器学习预训练的人工神经网络的输入层的输入数据，根据所述人工神经网络的输出层的输出来确定所述洗涤桶中所接纳的衣物的状态。

第一感测步骤可以包括：在使所述洗涤桶加速的同时使所述洗涤桶旋转的第一加速步骤；获得在所述洗涤桶被加速的同时旋转的第一加速时段中被提供给所述电机的第一电流值；以及使用所述第一电流值作为所述输入数据，根据所述人工神经网络的所述输出层的输出来确定所述衣物的状态。

第一感测步骤可以包括将衣物的状态确定为考虑衣物的硬度而分类的多个衣物质量等级中的一个的步骤。

第一感测步骤可以包括使用电流值作为输入数据，根据人工神经网络的输出层的输出获得洗涤桶中所接纳的衣物的重量的步骤。

该方法还可以包括在第一感测步骤之后使用人工神经网络重新确定洗涤桶中所接纳的衣物的状态的第二感测步骤。

在第二感测步骤中，可以再次加速洗涤桶，并且可以使用提供给使洗涤桶旋转的电机的电流值作为人工神经网络的输入层的输入数据，根据人工神经网络的输出层的输出来确定洗涤桶中所接纳的衣物的状态。

第二感测步骤可以包括：在使洗涤桶加速的同时使洗涤桶旋转的第二加速步骤、获得在洗涤桶在被加速的同时旋转的第二加速时段中提供给电机的第二电流值的步骤、以及使用第二电流值作为人工神经网络的输入数据，根据人工神经网络的输出层的输出来确定衣物的状态的步骤。

第一感测步骤和第二感测步骤中的每一个还可以包括感测洗涤桶的旋转速度的步骤。

第一加速步骤和第二加速步骤中的每一个可以进一步包括使洗涤桶从第一旋转速度加速到比第一旋转速度高的第二旋转速度的步骤。

第二旋转速度可以是衣物与洗涤桶一体地旋转的旋转速度。第二旋转速度可以是洗涤桶中的衣物在附着到洗涤桶的状态下旋转而不从洗涤桶的最高点落下的旋转速度。第二旋转速度可以是由于洗涤桶的旋转而施加到衣物的离心力大于施加到衣物的重力的旋转速度。

第二旋转速度可以是60rpm至80rpm。

第一旋转速度可以是10rpm至20rpm。

使洗涤桶加速的步骤可包括使电机的旋转速度从第一旋转速度到第二旋转速度以均匀加速度来加速的步骤。

第一感测步骤和第二感测步骤中的每一个可以包括从在基于感测到的速度值获得电流值的步骤中所获得的电流值当中选择与洗涤桶的旋转速度从第一旋转速度加速到第二旋转速度的时段相对应的电流值的步骤和使用所选择的电流值作为输入数据的步骤。

第一感测步骤和第二感测步骤中的每一个可以包括使用在洗涤桶4的旋转速度从第一旋转速度加速到比第一旋转速度高的第二旋转速度的时段中提供给电机的电流值作为输入数据的步骤。

该方法还可以包括在第二感测步骤之后，基于作为在第一感测步骤中所确定的衣物的状态的第一衣物质量和作为在第二感测步骤中所确定的衣物的状态的第二衣物质量获得衣物的状态的步骤。

该方法还可包括衣物重量感测步骤，该衣物重量感测步骤在第一感测步骤之前获得洗涤桶中所接纳的衣物的重量。

该方法可包括根据基于衣物的状态构造的洗涤模式来执行洗涤的洗涤循环步骤。

该方法可包括基于衣物的状态选择多个洗涤模式中的一个的步骤和根据所选择的洗涤模式来执行洗涤的洗涤循环步骤。

可以考虑衣物的磨损程度和/或洗涤强度来对洗涤模式进行分类。

选择洗涤模式的步骤可以包括基于在第一衣物质量和第二衣物质量的基础上所获得的衣物的状态来选择洗涤模式的步骤。

在洗涤模式中，可以基于衣物的状态来设置洗涤桶的旋转速度。在洗涤模式中，在衣物的状态更硬的情况下，洗涤桶的旋转速度可被设置为更低。

在洗涤模式中，可以基于衣物的状态和衣物的重量来设置供应到洗涤桶的洗涤水的量。洗涤循环步骤可包括将预定量的洗涤水供应到洗涤桶的供水步骤。在衣物的重量增加的情况下，可以将洗涤水的预定量设置为比参考供水量更大的量。在衣物的状态较硬的情况下，可以将洗涤水的预定量设置为比参考供水量更小的量。

在洗涤模式中，可以基于衣物的状态和衣物的重量来设置洗涤循环时间。在洗涤循环步骤中，可以在预定时间内进行洗涤。在衣物的状态较硬的情况下，可以将洗涤循环时间设置得更长。

在洗涤模式中，可以基于衣物的状态来设置供应到洗涤桶的洗涤水的温度。在衣物的状态较硬的情况下，供应到洗涤桶的洗涤水的温度可被设置为更高。

在洗涤模式中，可以基于衣物的状态来设置洗涤的净作用比。洗涤的净作用比可被定义为电机在洗涤循环步骤中运行的时间与洗涤循环时间的比率。

洗涤循环步骤可包括操作被配置为使洗涤水循环的泵，以使得洗涤水通过喷嘴喷射到洗涤桶中的步骤。在洗涤模式中，可基于衣物的状态来设置循环的净作用比。循环的净作用比可被定义为泵在洗涤循环步骤中运行的时间与洗涤循环时间的比率。

根据本发明的另一方面，提供一种被配置为执行所述方法的洗衣机。

洗衣机可包括：洗涤桶，其被配置为接纳衣物并且可旋转；电机，其被配置为使洗涤桶旋转；控制器，其被配置为控制电机以使洗涤桶旋转；以及电流感测单元，其被配置为感测供应到电机的电流。

控制器可被配置为使用在洗涤桶加速旋转期间由电流感测单元感测的电流值作为人工神经网络的输入层的输入数据，根据人工神经网络的输出层的输出获得衣物的重量和衣物的状态。可以基于机器学习来预训练人工神经网络。

控制器可基于从人工神经网络的输出获得的衣物的重量和衣物的状态来执行洗涤循环。

其它实施方式的细节被包括在以下描述和附图中。

附图说明

通过结合附图的以下详细描述，将更清楚地理解本发明的上述和其它目的、特征和其它优点，在附图中：

图1是示出根据本发明的一个实施方式的洗衣机的截面图；

图2是示出图1的洗衣机的主要组件之间的控制关系的框图；

图3是示出基于衣物的状态和负荷重量(衣物重量)提供给电机的电流的模式的视图；

图4是示出根据衣物质量的电流的模式的视图；

图5是示出在使用预定方法控制电机速度的状态下根据负荷的电流的模式的视图；

图6是示出处理由电流感测单元获取的当前电流值作为人工神经网络的输入数据的过程的视图；

图7是示出人工神经网络的示例的简要视图；

图8是示出在被划分为学习过程和识别过程的状态下使用电机的当前电流值来确定衣物重量和衣物质量的过程的简要视图；

图9的(a)是示出由电流感测单元感测到的当前电流值的曲线图，并且图9的(b)是示出通过处理移动平均滤波器所获得的平均值的曲线图；

图10是示出由电流感测单元感测到的电流值的曲线图；

图11是示出对图9所示的曲线图的电流值进行处理而得到的、以便用作人工神经网络的输入数据的值的曲线图；

图12是示出根据本发明的一个实施方式的控制洗衣机的方法的流程图；

图13是示出根据本发明的第一实施方式的控制洗衣机的方法的流程图；

图14是示出根据本发明的第二实施方式的控制洗衣机的方法的流程图；以及

图15是示出在洗涤循环期间可执行的洗涤动作的示意图。

具体实施方式

在下文中，将参照附图描述本发明的实施方式。然而，本发明不限于以下实施方式，并且可以以各种不同的形式来实现。

为了清楚和简要地描述本发明，将从附图中省略与本发明的描述无关的部分。在尽可能的情况下，在整个说明书中将使用相同的附图标记来指代相同或相似的元件。

同时，当在本文中将术语"模块"和"单元"附加到组件的名称时仅为了便于描述，因此它们不应被认为具有特定的含义或作用。因此，术语"模块"和"单元"可以互换使用。

图1是示出根据本发明的一个实施方式的洗衣机的截面图。图2是示出根据本发明的实施方式的洗衣机的主要组件之间的控制关系的框图。

参照图1，根据本发明的实施方式的洗衣机包括限定其外观的壳体1、设置在壳体1中用于存储洗涤水的储水桶3、可旋转地安装在储水桶3中的洗涤桶4、被引入到洗涤桶4中的衣物以及用于使洗涤桶4旋转的电机9。

洗涤桶4包括前盖41、圆柱形滚筒42和后盖43，前盖41中具有用于引入和移除衣物的开口，圆柱形滚筒42大致水平地设置，圆柱形滚筒42的前端联接到前盖41，后盖43联接到滚筒42的后端。电机9的旋转轴可通过储水桶3的后壁连接到后盖43。多个通孔可以形成在滚筒42中，使得水在洗涤桶4和储水桶3之间流动。

升降器20可以设置在滚筒42的内周表面处。升降器20可以形成为从滚筒42的内周表面突出，并且可以沿滚筒42的纵向方向(前后方向)延伸。多个升降器20可以沿滚筒42的周向方向布置成彼此间隔开。当洗涤桶4旋转时，衣物可由升降器20提升。

洗涤桶4绕水平轴旋转。这里，"水平状态"并不意味着严格意义上的几何水平状态。即使在洗涤桶4相对于水平状态倾斜预定角度的情况下，如图1所示，洗涤桶4的倾斜度也接近于水平状态而不是垂直状态。因此，在下文中，洗涤桶4将被描述为绕水平轴旋转。

在壳体1的前表面中形成有衣物引入口，并且用于打开和关闭衣物引入口的门2铰接到壳体1。供水阀5、供水管6和供水软管8可以安装在壳体1中。当供水阀5被打开以便供水时，通过供水管6的洗涤水在分配器7中与洗涤剂混合，然后通过供水软管8被供应到储水桶3。

泵11的输入端口经由排放软管10连接到储水桶3，并且泵11的排放端口连接到排放管12。从储水桶3通过排放软管10排出的水通过泵11沿着排放管12驱动，然后被排出洗衣机。

参照图2，根据本发明的实施方式的洗衣机可以包括用于控制洗衣机的整体操作的控制器60以及全部由控制器60控制的输入单元77、电机驱动单元71、输出单元72、通信单元73、速度感测单元74、电流感测单元75和存储器76。

控制器60可控制一系列洗涤过程，诸如洗涤、漂洗、甩干和烘干。控制器60可以通过输入单元77从用户接收诸如洗涤、漂洗、甩干和烘干之类的一系列洗涤过程。控制器60可根据预定算法执行洗涤和漂洗循环。另外，控制器60可以根据算法控制电机驱动单元71。

电机驱动单元71可以响应于来自控制器60的控制信号而控制电机9的驱动。控制信号可以是用于控制电机9的目标速度、加速梯度(或加速度)、驱动时间等的信号。

驱动电机9的电机驱动单元71可包括逆变器(未示出)和逆变器控制器(未示出)。另外，电机驱动单元71可以是还包括用于提供输入到逆变器的直流电力的转换器的概念。

例如，在逆变器控制器(未示出)向逆变器(未示出)输出具有调制(PWM)型开关控制信号的脉冲的情况下，逆变器(未示出)可以执行高速开关操作，以便向电机9供应具有预定频率的交流电力。

速度感测单元74感测洗涤桶4的旋转速度。速度感测单元74可以感测电机9的转子的旋转速度。在设置有为了使洗涤桶4旋转而转换电机9的旋转比的行星齿轮系的情况下，洗涤桶4的旋转速度可以是通过考虑行星齿轮系的减速比或加速比来转换由速度感测单元74感测的转子的旋转速度而获得的值。

控制器60可以控制电机驱动单元71，使得电机使用从速度感测单元74传送的当前速度作为反馈来跟随预定目标速度。

电流感测单元75可以感测提供给电机的电流(下文中称为当前电流)，并且可以将感测到的当前电流发送到控制器60。控制器60可以使用接收到的当前电流作为输入数据来感测衣物重量和衣物质量。此时，作为输入数据的当前电流值包括在电机9被加速到预定目标速度时所获取的值。

在通过基于转矩电流和通量电流的矢量控制来控制电机9的旋转的情况下，当前电流可以是在电机电路中流动的电流的转矩轴(q轴)分量，即，转矩电流Iq。

输出单元72输出洗衣机的操作状态。输出单元72可以是诸如LCD或LED之类的输出可视显示的图像输出装置，或者是诸如扬声器或蜂鸣器之类的输出声音的声音输出装置。输出单元72可在控制器60的控制下输出关于衣物重量或衣物质量的信息。

存储器76可以存储编程的人工神经网络、通过衣物重量和/或通过衣物质量的电流的模式、通过基于电流模式的基于机器学习的训练而构建的数据库(DB)、机器学习算法、由电流感测单元75感测的当前电流值、当前电流值的平均值、通过根据解析规则处理平均值而获取的值以及通过通信单元73发送和接收的数据。

另外，存储器76可以存储用于控制洗衣机的整体操作的各种控制数据、由用户输入的洗涤设置数据、根据洗涤设置所计算的洗涤时间、关于洗涤过程的数据以及用于确定在洗衣机中是否发生错误的数据。

通信单元73可以与连接到网络的服务器通信。通信单元73可以包括诸如互联网模块和移动通信模块之类的一个或更多个通信模块。通信单元73可以从服务器接收诸如学习数据和算法更新之类的各种数据。

控制器60可以对通过通信单元73接收的各种数据进行处理，以便更新存储器76。例如，在通过通信单元73输入的数据是关于预先存储在存储器76中的操作程序的更新数据的情况下，控制器60可以使用该更新数据来更新存储器76。在输入数据是新的操作程序的情况下，控制器60还可以将其存储在存储器76中。

深度学习是基于用于构建人工智能的人工神经网络(ANN)向计算机教授人类的思维方式的方法，并且是使得计算机能够像人类一样自主学习(尽管人类没有教授计算机)的人工智能技术。人工神经网络(ANN)可以以诸如芯片之类的硬件或软件的形式实现。

洗衣机可以处理由电流感测单元75感测到的电流值，以便基于机器学习来掌握被引入到洗涤桶4中的衣物的特性(以下称为衣物特性)。衣物特性的示例可包括衣物重量和衣物状态(以下称为"衣物质量")。控制器60可基于机器学习通过衣物重量确定衣物质量。例如，控制器60可获取衣物重量，并且可基于衣物质量确定衣物所属的先前分类的类别之一。衣物状态可基于各种因素来定义，诸如衣物的材料、衣物的柔软度(例如，软衣物/硬衣物)、衣物含水的能力(即，含水量)、干衣物和湿衣物之间的体积差以及衣物的组成(即，软衣物与硬衣物的混合比)。

控制器60可以使用在达到目标速度之前由电流感测单元75感测的当前电流值作为先前通过机器学习训练的人工神经网络的输入数据来感测衣物重量。

图3是示出基于衣物质量和负荷重量(衣物重量)提供给电机的电流的模式的视图。图4是示出根据衣物质量的电流的模式的视图。图5是示出在使用预定方法控制电机速度的状态下根据负荷的电流的模式的视图。

图3中所示的曲线图示出了在洗涤桶4加速到预定目标旋转速度(例如，80rpm)时测量的当前电流。在这些曲线图中，在改变衣物的组成(即，软衣物与硬衣物的混合比)和负荷重量的同时进行测量。也就是说，可以从水平布置的曲线图中掌握取决于负荷重量的模式的变化。例如，在衣物的组成相同的情况下，可以看出，洗涤桶4的初始加速阶段中的当前电流的最大值随着负荷重量的增加而增加。因此，为了确定负荷重量(衣物重量)，可以适当地使用曲线图的初始数据。

可以从垂直布置的曲线图中掌握取决于衣物组成的模式的变化。例如，在相同的负荷重量的情况下，可以看出，电流值随着硬衣物的百分比增大而减小，并且该现象在洗涤桶4的加速的中间阶段和最后阶段、洗涤桶4的旋转的中间阶段/最后阶段、或者在保持目标旋转速度的时段中特别显著。因此，在获取要用于确定衣物重量的数据的时段之后，能够适当地获取用于获取衣物质量所需的数据。

图4示出了根据衣物组成(衣物质量)的当前电流的模式。在图4中，C0.0表示100％的软衣物，C0.25、C0.5和C0.75表示软衣物与硬衣物的比例分别为1:3、1:1和3:1，C1.0表示100％的硬衣物。在每种情况下，包括软衣物和硬衣物的总衣物重量(负荷重量)是一致的。

曲线图显示，在衣物组成改变的情况下，即使负荷重量一致，当前电流的模式也会改变。因此，能够基于电流模式的机器学习来进行根据衣物组成(或衣物重量)的分类。

衣物重量/衣物质量的感测可以重复多次。在该实施方式中，衣物重量/衣物质量的感测被重复三次。然而，本发明不限于此。衣物重量/衣物质量的感测可以在同一步骤中重复多次，并且可以在不同步骤中重复多次。

控制器60可以根据衣物重量/衣物质量的每个感测结果来设置洗涤算法或者可以改变洗涤算法的设置，并且可以根据设置的洗涤算法来控制洗衣机的操作。

图5中所示的曲线P1、P3、P5、P7、P9和P15表示衣物重量分别为1kg、3kg、5kg、7kg、9kg和15kg。每条曲线一般形成为使得当前电流值在洗涤桶4的初始加速阶段突然增加到预定水平，并且在洗涤桶4的最后旋转阶段收敛到一致值。具体地，可以看出，取决于衣物重量的当前电流值的偏差在洗涤桶4初始加速阶段是显著的。

控制器60可包括衣物重量/衣物质量学习模块61和衣物重量/衣物质量识别模块62。衣物重量/衣物质量学习模块61可使用由电流感测单元75感测的当前电流值或通过处理当前电流值而获取的值来执行机器学习。衣物重量/衣物质量学习模块61可通过机器学习来更新存储在存储器76中的数据库。

非监督学习和监督学习中的任何一个可以用作衣物重量/衣物质量学习模块61的学习方法。

衣物重量/衣物质量识别模块62可基于由衣物重量/衣物质量学习模块61训练的数据来确定取决于衣物重量的级别。衣物重量的确定可包括根据重量(负荷)将引入到洗涤桶4中的衣物分类为预定的多个衣物重量级别。

在该实施方式中，衣物重量被分类为五个等级(级别)。下面的表1中示出了对应于每个等级的负荷重量(kg)。另外，表1统计地示出了在具有相应衣物重量的衣物被引入到家庭用洗衣机中的情况下构成家庭的成员的数量。

[表1]

衣物质量的确定用于基于预定标准对引入到洗涤桶4中的衣物进行分类。该标准可包括衣物的材料、衣物的柔软度或硬度、衣物的含水量以及干衣物和湿衣物之间的体积差。

衣物重量/衣物质量识别模块62可确定引入到洗涤桶4中的衣物所对应的衣物重量等级中的一个，并且基于从电流感测单元75获取的当前电流值来确定衣物所对应的衣物质量等级中的一个(即，根据衣物重量的衣物质量)。

在该实施方式中，衣物质量被分类为五个等级(级别)。下面的表2中示出了与各等级相对应的衣物的种类。参照表2，柔软且不耐用的衣物可被确定为1级(第一衣物质量等级)，比1级衣物更耐用的衣物可被确定为3级(第三衣物质量等级)，比3级衣物更耐用且较硬的衣物可被确定为5级(第五衣物质量等级)，1级衣物和3级衣物的混合物可被确定为2级(第二衣物质量等级)，并且3级衣物和5级衣物的混合物可被确定为4级(第四衣物质量等级)。

[表2]

衣物重量/衣物质量识别模块62可配备有基于机器学习预先训练的人工神经网络(ANN)。人工神经网络可以由衣物重量/衣物质量学习模块61更新。

衣物重量/衣物质量识别模块62可基于人工神经网络确定衣物重量和衣物质量。在衣物重量被分类为五个等级的情况下，如在本实施方式中，衣物重量/衣物质量识别模块62可以确定衣物重量所属的等级，并且还可以使用由电流感测单元75感测的当前电流值作为人工神经网络(ANN)的输入数据来确定衣物质量所属的等级。

衣物重量/衣物质量识别模块62可包括被训练成基于预定标准对衣物重量和衣物质量进行分类的人工神经网络(ANN)。例如，衣物重量/衣物质量识别模块62可包括基于深度学习训练的诸如卷积神经网络(CNN)、递归神经网络(RNN)和深度信任网络(DBN)之类的深度神经网络(DNN)。

递归神经网络(RNN)可以具有人工神经网络结构，该人工神经网络结构在自然语言处理等中被频繁使用并且对于处理随时间变化的时间序列数据是有效的，并且通过在每个实例中建立层来形成。

深度信任网络(DBN)具有通过堆叠多层受限玻尔兹曼机(RBM)所形成的深度学习结构，这是一种深度学习技术。深度信任网络(DBN)可以具有通过重复受限玻尔兹曼机(RBM)学习而形成的预定数量的层。

卷积神经网络(CNN)是模仿人脑功能的模型，其建立在当人识别对象时，大脑提取对象的基本特征并且基于大脑中复杂处理的结果识别对象的假设上。

同时，可以通过调整节点之间的连接权重(如果必要，还调整偏置值)来训练人工神经网络，以便根据给定输入产生期望的输出。人工神经网络可以通过学习来连续地更新权重值。诸如反向传播之类的方法可以用于训练人工神经网络。

衣物重量/衣物质量识别模块62可使用当前电流值作为输入数据并基于包括在深度神经网络(DNN)中的节点之间的权重，根据输出层的输出来确定引入到洗涤桶4中的衣物的衣物重量和衣物质量中的至少一个。

图7是示出人工神经网络的示例的简要视图。图8是示出在被划分为学习过程和识别过程的状态下，使用电机的当前电流值来确定衣物重量和衣物质量的过程的简要视图。

在下文中，将参照图7和图8给出描述。作为机器学习的一个子领域的深度学习是通过多层实现基于数据的学习。

深度学习可以展示通过隐藏层序列从多个数据提取核心数据的机器学习算法的集合。

深度学习结构可以包括人工神经网络(ANN)。例如，深度学习结构可以包括诸如卷积神经网络(CNN)、递归神经网络(RNN)和深度信任网络(DBN)之类的深度神经网络(DNN)。

参照图7，人工神经网络(ANN)可以包括输入层、隐藏层和输出层。深度神经网络(DNN)包括多个隐藏层。每个层包括多个节点，并且每个层与下一层相关。节点可以在具有权重的同时彼此连接。

来自属于第一隐藏层(隐藏层1)的任意节点的输出变为属于第二隐藏层(隐藏层2)的至少一个节点的输入。此时，到每个节点的输入可以是通过向前一层的节点的输出应用权重而获得的值。权重可以表示节点之间的连接强度。深度学习过程可以是发现适当权重的过程。

将描述公知的面部识别过程以更好地理解深度学习。计算机可以根据像素的亮度来区分亮像素和暗像素，可以区分诸如轮廓和边缘之类的简单形式，并且可以区分来自输入图像的复杂形式和对象。最后，计算机可以掌握指定的人面部的形式。最终通过多个隐藏层从输出层获得这种特征(指定的人的面部形式)的实体化。

存储器76可以存储用于感测衣物重量的输入数据和训练深度神经网络(DNN)所需的数据。存储器76可以存储由速度感测单元74获取的电机速度数据和/或在预定时段添加或处理的状态下的速度数据。另外，存储器76可以存储构成深度神经网络(DNN)结构的权重和偏差。

另选地，在一些实施方式中，构成深度神经网络结构的权重和偏差可以存储在嵌入在衣物权重/衣物质量识别模块62中的存储器中。

同时，衣物重量/衣物质量学习模块61可以使用由电流感测单元75感测的当前电流值作为训练数据来执行学习。也就是说，每当识别或确定衣物重量和/或衣物质量时，衣物重量/衣物质量学习模块61可将确定结果添加到数据库，以便更新深度神经网络(DNN)结构，诸如权重或偏差。另选地，在获得预定次数的训练数据之后，可以使用所获得的训练数据来执行学习过程，以便更新深度神经网络(DNN)结构，诸如权重。

根据本发明的实施方式的洗衣机可以通过通信单元73将由电流感测单元75获取的关于当前电流的数据发送到与通信网络连接的服务器(未示出)，并且可以从服务器接收与机器学习有关的数据。在这种情况下，洗衣机可以基于从服务器接收的与机器学习相关的数据来更新人工神经网络。

图9的(a)是示出由电流感测单元感测到的当前电流值的曲线图，并且图9的(b)是示出通过处理移动平均滤波器获得的平均值的曲线图。图10是示出由电流感测单元感测的电流值的曲线图。图11是示出通过处理图9所示的曲线图的电流值而获得的、用作人工神经网络的输入数据的值的曲线图。图12是示出根据本发明的实施方式的控制洗衣机的方法的流程图。在下文中，将参照图9至图12描述确定衣物重量和衣物质量的方法。

控制器60进行控制，以使得电机9以预定的目标旋转速度旋转(S1、S2、S3、S4和S5)。在电机9旋转期间，由速度感测单元74感测洗涤桶4(或电机9)的旋转速度(S2)。

目标旋转速度可以被设置为当洗涤桶4在保持目标旋转速度的同时沿一个方向连续旋转一圈或更多圈时，能够保持衣物附着到滚筒42的状态的洗涤桶4的旋转速度。也就是说，目标旋转速度可以被设置为洗涤桶4的可使衣物与滚筒42一体地旋转的旋转速度。当洗涤桶4以目标旋转速度旋转时，由于洗涤桶4的旋转而施加到衣物的离心力可大于施加到衣物的重力。

目标旋转速度可以为60rpm至80rpm，优选为80rpm。优选地，在洗涤桶4的旋转速度达到目标旋转速度之前的状态下，衣物在滚筒42中移动。也就是说，衣物被升高到预定高度，然后通过滚筒42的旋转落下。

同时，可基于水被供应到储水桶3中并由此使洗涤桶4的一部分浸没在水中的状态来设定目标旋转速度。也就是说，在洗涤桶4的一部分浸没在水中的状态下，当洗涤桶4以目标旋转速度旋转时，衣物可移动。换句话说，在洗涤桶4旋转期间，衣物并不总是附着在滚筒42上，而是可以被升高到预定高度然后落下。

用于确定衣物重量和衣物质量的当前电流值包括在洗涤桶4旋转期间衣物移动的时段中所采用的值。也就是说，控制器60可以采用基于由速度感测单元74感测的洗涤桶4的旋转速度(或电机9的旋转速度)所需的当前电流值。

具体地，控制器60命令电机驱动单元71使电机9加速，并且当由速度感测单元74感测到的旋转速度达到预定的第一旋转速度V1时，控制器60可以将从该时起的当前电流值存储在存储器76中(S3和S4)。

在电机9的加速时段的初始阶段，除了衣物重量和衣物质量之外，诸如衣物在洗涤桶4中的位置之类的各种因素可能被过度地反映在施加到电机9的电流值中。

因此，优选地，排除将加速时段中的初始电流值作为用于确定衣物重量和衣物质量的输入数据。也就是说，在电机9的旋转速度V达到第一旋转速度V1之前的电流值可以不用作输入数据，而在电机9的旋转速度V达到第一旋转速度V1之后感测的电流值可以用作输入数据。

第一旋转速度V1可以低于第二旋转速度V2，并且可以是衣物在洗涤桶4中移动的旋转速度。第一旋转速度V1可以是10rpm至20rpm。

当洗涤桶4的旋转速度V达到预定第二旋转速度V2时，控制器60可以不再存储当前电流值，并且可以处理当前电流值(S5和S6)。这里，第二旋转速度V2是目标旋转速度。

同时，从第一旋转速度V1到第二旋转速度V2的加速时段中的加速梯度可以是一致的。优选地，加速梯度保持一致，以便提高感测电流模式变化的可靠性。

加速梯度不能太高，以使得衣物在洗涤桶4中的运动的变化被清楚地呈现出来。加速梯度优选为1.5rpm/s至2.5rpm/s，更优选为2.0rpm/s。然而，本发明不限于此。加速梯度可以具有在可由控制器60控制的范围内的最小可能值。

如图6所示，当前电流值的处理是根据预定算法来处理在预定时间点获得的当前电流值Iq，以便生成人工神经网络的输入层的输入数据In1、In2、In3、In4的过程(S6)。

该过程可以包括获得当前电流值Iq的平均值的步骤和根据预定解析规则来处理所获得的平均值以便生成人工神经网络的输入数据的步骤。具体地，根据解析规则处理的输入数据的数量小于平均值的数量。

参照图8，控制器60可以通过电流感测单元75以预定时间间隔获取电流值。在本实施方式中，在洗涤桶4的旋转速度从第一旋转速度V1加速到第二旋转速度V2的时段中，以预定时间间隔获得总共545个当前电流值。

控制器60可以对在每个预定时间段中由此获得的当前电流值求平均。此时，控制器60可以使用移动平均滤波器。移动平均是在改变时段以使得可以看到变化的同时获得平均值。例如，假设当前电流值在时间系列序列中是Iq1、Iq2、Iq3...Iqn，对Iq1至Iql(l<n)求平均以获得M1，并且对Iqm(m>l)至Iqm+s-l(s是用于获得每个移动平均值的Iq的数量)求平均以获得M2。以这种方式，可以在连续改变时段的同时获得移动平均值。

在适当地设置获得移动平均值的时间段的情况下，移动平均值M1、M2...的数量可以小于总的当前电流值Iq的数量。然而，随着时间段(窗口)的长度增加，当前电流变化的分辨率降低。因此，需要适当地选择时间段的长度。在该实施方式中，控制器60使用移动平均滤波器从545个当前电流值Iq获得50个移动平均值。

控制器60可以根据预定解析规则来处理当前电流值和移动平均值，以便生成输入数据In1、In2、In3、In4...。解析规则可以被配置为选择其中获得最终输入数据以使得要获得的特征(衣物重量/衣物质量)被很好地呈现的时段。

参照图10，在本发明的实施方式中，产生总共14个输入数据，并且输入数据包括在电机9的初始加速阶段获得的9个当前电流值DATA1至DATA9(第16个至第24个当前电流值)和在根据预定条件划分的后续时段中的5个平均值DATA10至DATA14。具体地，基于先前获得的移动平均值来获得五个平均值，由此可以比将各个时段中的当前电流值相加更快地处理操作。同时，由此获得的输入数据In1、In2、In3、In4...In14变为输入层的各个节点的输入值。

通过机器学习来设置分配给构成人工神经网络的节点的权重和偏差。这种机器学习基于电流模式或当前电流值来重复。另外，如上所述，由于关于衣物重量和/或衣物质量的特性被反映在电流模式(或当前电流值)中，因此可以对通过洗衣机的操作预先存储或添加的数据执行机器学习，直到导出精确的结果(即，引入到洗涤桶4中的衣物的精确的衣物重量和衣物质量)，由此可以设置改进的或精确的重量和偏差。

在如上所述构造的人工智能网络中，衣物重量-衣物质量信息可以被反映在输出层的输出中，并且控制器60可以基于输出层的节点当中的输出最大值的节点来确定衣物重量和/或衣物质量。

控制器60可以将在步骤S6生成的输入数据输入到人工神经网络中，以便根据输出层的输出来获得衣物重量和/或衣物质量(S7)。随后，控制器60可以基于在步骤S7获得的衣物重量和/或衣物质量来设置洗涤算法，并且可以根据设置的洗涤算法来控制洗衣机的操作(S8)。洗涤算法可以包括每个循环中的供水水平、洗涤时间、上升时间、甩干时间和烘干时间以及电机驱动模式(例如，旋转速度、旋转时间、加速度和制动)。

图13是示出根据本发明的第一实施方式的控制洗衣机的方法的流程图。图14是示出根据本发明的第二实施方式的控制洗衣机的方法的流程图。图15是示出根据本发明的实施方式的洗衣机的洗涤循环期间可执行的洗涤动作的示意图。

根据本发明的实施方式的控制洗衣机的方法包括使用人工神经网络获得衣物的状态的步骤。衣物的状态可基于衣物的材料和衣物的组成(即，软衣物与硬衣物的混合比)来定义。

衣物的材料可被定义为包括衣物的若干特性，诸如衣物的硬度(例如，软衣物/硬衣物)、衣物含水的能力(即，含水量)以及干衣物和湿衣物之间的体积差。

另外，衣物的特性是彼此相关的。诸如蓝色牛仔裤和外套之类的衣物可以相对较硬，可以具有低的含水量，并且可在干衣物和湿衣物之间具有小的体积差。相反，由丝质和棉制成衣物可相对柔软，可具有高的含水量，并且可在干衣物和湿衣物之间具有大的体积差。也就是说，较硬的衣物可具有较低的水含量，并且可在干衣物和湿衣物之间具有较小的体积差。

另外，较硬的衣物可较少地被洗涤损坏，而较软的衣物可较多地被洗涤损坏。

另外，在许多情况下，较硬的衣物通常在穿着多次之后进行洗涤，由此衣物的污渍水平可能更高。例如，在许多情况下，蓝色牛仔裤和外套在被穿着多次之后进行洗涤，并且由丝质或棉制成的内衣在被穿一两次之后就被洗涤。

因此，需要在反映衣物状态的状态下构造洗涤算法。更具体地，根据其中对衣物的低损坏比洗涤性能更重要的洗涤模式来洗涤相对软的衣物，并且根据其中洗涤性能比对衣物的低损坏更重要的洗涤模式来洗涤相对硬的衣物，由此可以防止对衣物的损坏并提高洗涤性能。

在下文中，将参照附图12、图13和图15来描述根据本发明的第一实施方式的控制洗衣机的方法。

当洗衣机通电时，洗衣机在能够接收洗涤进程的状态下待机，并且可以通过输入单元(未示出)从用户接收洗涤进程。在待机状态下，洗衣机可以通过输入单元从用户接收洗涤选项。

在接收到洗涤进程和洗涤选项之后，洗衣机获得洗涤桶中所接纳的衣物的重量(S10；衣物重量感测步骤)。在衣物重量感测步骤(S10)中，可以使用感测干衣物重量的传统方法来获得衣物重量。

在获得衣物的重量之后并且在使用人工神经网络获得衣物的状态之前，控制器60可以控制供水阀5，使得洗涤水被供应到洗涤桶4中(S20；供水步骤)。供应到洗涤桶中的洗涤水的量可以基于在衣物重量感测步骤(S10)中获得的衣物的重量来设置。也就是说，随着衣物重量的增加，可以供应更大量的洗涤水。

此外，将洗涤水供应到洗涤桶4中的步骤可以在基于衣物的状态选择洗涤模式的步骤(下面将对其进行描述)之后并且在根据所选择的洗涤模式执行洗涤的洗涤循环步骤的初始阶段执行。

另选地，在衣物重量感测步骤(S10)之后，可以基于衣物的重量来供应洗涤水(第一供水步骤)，并且在确定衣物状态的步骤(下面将对其进行描述)之后，可以在洗涤循环步骤的初始阶段考虑衣物的重量和衣物的状态两者来供应洗涤水(第二供水步骤)。此时，在第二供水步骤中要供应的洗涤水的量大于考虑到衣物的重量和衣物的状态而供应的洗涤水的量的情况下，可将过量的洗涤水排出。在第二供水步骤中要供应的洗涤水的量小于考虑到衣物的重量和衣物的状态而供应的洗涤水的量的情况下，可以补充洗涤水。

另选地，在第一供水步骤中供应的所有洗涤水被排出之后，可以在第二供水步骤中考虑衣物的重量和衣物的状态来供应洗涤水。在这种情况下，在分配器7中所接纳的洗涤剂在第一供水步骤中可以不被引入到洗涤桶中，而是在分配器7中所接纳的洗涤剂在第二供水步骤中可以被引入到洗涤桶中。

例如，分配器7可以包括两个分配器，或者单个分配器可以被划分成两个空间。一个分配器(或分配器中的一个空间)可以是用于接纳初始洗涤剂的分配器，而另一个分配器(或分配器中的另一空间)可以是用于接纳主要洗涤剂的分配器。

在第一供水步骤中，洗涤水可以经由用于接纳初始洗涤剂的分配器被供应到洗涤桶4，并且在第二供水步骤中，洗涤水可以经由用于接纳主要洗涤剂的分配器被供应到洗涤桶4。

在获得衣物状态的步骤之前供应水的情况下，当引入具有相同组成的衣物时，可以导出一致的电流模式，由此可以更准确地确定衣物状态。

在供应洗涤水之后，执行将衣物润湿的衣物润湿步骤(S30)。执行衣物润湿步骤(S30)以提高使用人工神经网络确定衣物质量/衣物重量的精度。在将洗涤水供应到洗涤桶4中的初始阶段，接纳在洗涤桶4中的一些衣物可能过多地包含水，而一些衣物可能未被润湿。即使在相同衣物重量/衣物质量的条件下，也可以根据测量时间将在该状态下使洗涤桶4加速的同时提供给电机9的电流值Iq感测为不同的值。

因此，在衣物润湿步骤(S30)中，洗涤桶4可以在洗涤水被供应到洗涤桶4中的状态下待机预定时间，或者可以使洗涤桶4旋转以均匀地润湿衣物。此外，在洗衣机包括用于使存储在储水桶3中的水循环的循环喷嘴(未示出)和循环泵(未示出)的情况下，洗涤水可以循环以有效地润湿衣物。

根据本发明的第一实施方式的控制洗衣机的方法包括使用人工神经网络获得衣物状态的第一感测步骤(S40至S70)。在第一感测步骤(S40至S70)中，使用在洗涤桶4的加速旋转期间提供给用于使洗涤桶4旋转的电机9的电流值Iq作为基于机器学习预训练的人工神经网络的输入层(见图7)的输入数据，根据人工神经网络的输出层(见图7)的输出来确定衣物的状态。

在第一感测步骤(S40至S70)中，可以使用电流值Iq作为人工神经网络的输入层的输入数据，根据人工神经网络的输出层的输出来获得洗涤桶4中所接纳的衣物的状态和重量。

在衣物润湿步骤(S30)之后，可以通过步骤S40至S70(与参照图12描述的步骤S1至S7相同)获得衣物的重量和状态。也就是说，S40包括S1、S2和S3，S50包括S4和S5，S60与S6相同，并且S70与S7相同。

第一感测步骤(S40至S70)包括使洗涤桶4(或电机9)加速的步骤(S40；第一加速步骤)、获得在洗涤桶4被加速的同时旋转的时段(第一加速时段)中提供给电机9的电流值Iq(第一电流值)的步骤、以及使用电流值Iq作为人工神经网络的输入层的输入数据(S60)，根据人工神经网络的输出层的输出来确定衣物的重量和状态的步骤(S70)。

使洗涤桶4加速的步骤(S40)包括感测电机9(或洗涤桶4)的旋转速度V的步骤。使洗涤桶4加速的步骤(S40)包括在使洗涤桶4从第一旋转速度V1加速到比第一旋转速度V1高的第二旋转速度V2的同时使洗涤桶4旋转的步骤。使洗涤桶4加速的步骤(S40)包括使洗涤桶4的旋转速度V从第一旋转速度V1到第二旋转速度V2以均匀加速度加速的步骤。也就是说，当使电机9从第一旋转速度V1加速到第二旋转速度V2时，控制器60可以使电机9以均匀加速度进行加速。

确定衣物的重量和状态的步骤(S60和S70)包括使用在其中洗涤桶4的旋转速度V从第一旋转速度V1加速到第二旋转速度V2的时段中提供给电机9的电流值Iq作为人工神经网络的输入层的输入数据的步骤。更具体地，确定衣物的重量和状态的步骤(S60和S70)可以包括从基于感测到的速度值在步骤S70中获得的电流值当中选择与其中洗涤桶4的旋转速度V从第一旋转速度V1加速到第二旋转速度V2的时段相对应的电流值的步骤和使用所选择的电流值作为人工神经网络的输入层的输入数据的步骤。

根据本发明的第一实施方式的控制洗衣机的方法可包括在第一感测步骤(S40至S70)之后，基于在第一感测步骤获得的衣物的状态从多个洗涤模式当中选择任意一个洗涤模式的步骤(S80)。在洗涤模式选择步骤(S80)中，可以基于衣物的状态和重量来选择任意一种洗涤模式。衣物的重量可以是在衣物重量感测步骤(S10)中获得的衣物重量。另选地，衣物的重量可以是在第一感测步骤(S40至S70)中获得的衣物重量。

衣物的状态可以考虑衣物的硬度来分类。在第一感测步骤中，衣物的状态可以被确定为考虑到衣物的硬度而分类的衣物质量等级中的一个(见表2)。

可以考虑衣物的磨损程度(以下称为对衣物的损坏)和/或洗涤强度来分类多个洗涤模式(S91至S95)。在本实施方式中，洗涤模式可包括第一洗涤模式至第五洗涤模式(S91至S95)。

控制器可以针对硬衣物选择洗涤性能更重要的洗涤模式，并且可以针对软衣物选择对衣物的损坏低的洗涤模式。

影响洗涤性能和衣物磨损程度的因素(以下称为"洗涤影响因素")可包括洗涤桶的洗涤动作(或洗涤桶的旋转速度)、供应的水量、供应的水温、洗涤循环时间、洗涤的净作用比和循环的净作用比。在下文中，将描述基于洗涤模式的洗涤循环时的洗涤影响因素。

在洗涤循环时，洗涤桶4的旋转速度可以在30rpm至60rpm的范围内。如果洗涤桶4的旋转速度太低，则由于洗涤桶4的旋转而引起的衣物的运动小，从而不可能获得令人满意的洗涤性能。随着洗涤桶4的旋转速度的增加，衣物由于离心力而附着到滚筒42的内表面，从而使衣物可从较高位置落下。在离心力大于重力的旋转速度下，衣物附着到滚筒42的内表面，从而使衣物不掉落，这是过滤动作。

在洗涤循环时，洗涤桶4可以以至少30rpm的旋转速度旋转，以便移动衣物，从而获得令人满意的洗涤性能。

另外，过滤动作是适于甩干循环的动作。在洗涤循环时，由于对衣物的摩擦、弯曲和拉伸以及掉落而难以充分地传递机械力。因此，在洗涤循环时，洗涤桶必须以比实现过滤的旋转速度低的旋转速度旋转。通常，在60rpm或更高的旋转速度下，离心力可以大于重力。因此，在洗涤循环时，洗涤桶4的旋转速度可以低于60rpm。

控制器60可根据依据衣物质量和/或衣物重量所确定的洗涤模式，通过电机9控制洗涤桶4的旋转速度。控制器60可以根据洗涤模式控制洗涤桶的旋转速度，以使得对于硬衣物执行洗涤性能更重要的洗涤模式，并且使得对于软衣物执行对衣物的损坏低的洗涤模式。

将参照图15描述在根据洗涤模式的洗涤循环时执行的洗涤动作。图15的(a)示出了滚动动作，图15的(b)示出了翻滚动作，并且图15的(c)示出了摆动动作。

控制器60可控制电机9(或洗涤桶4)的旋转速度和旋转方向。结果，控制器60可在洗涤循环时实现各种洗涤动作。

滚动动作是这样一种动作，其中洗涤桶4沿一个方向旋转，以使得放置在滚筒42的内表面上的衣物从衣物沿洗涤桶4的旋转方向位于大约90度以下的位置掉落到滚筒42的最低点。

滚动动作是当洗涤桶4沿一个方向(例如，沿顺时针方向)旋转时衣物在滚筒42的第三象限中连续滚动的洗涤动作。

翻滚动作是这样一种动作，其中洗涤桶4沿一个方向旋转，以使得放置在滚筒42的内表面上的衣物从衣物沿洗涤桶4的旋转方向位于大约90度和110度之间的位置掉落到滚筒42的最低点。

翻滚动作是其中当洗涤桶4沿一个方向(例如，沿顺时针方向)旋转时，衣物从滚筒42的第三象限上升到第二象限，然后在与滚筒42的内表面分离的同时掉落到滚筒42的最低点的洗涤动作，该洗涤动作连续重复。

在翻滚动作中洗涤桶4的旋转速度高于在滚动动作中洗涤桶4的旋转速度。因此，施加到衣物的离心力增大，从而使衣物从较高位置落下。

摆动动作是这样一种动作，其中洗涤桶4沿交替方向旋转(即，沿一个方向和相反方向交替旋转)，使得放置在滚筒42的内表面上的衣物从衣物沿洗涤桶4的旋转方向位于大约90度以下的位置落下。

更具体地，洗涤桶4沿逆时针方向旋转，并且在衣物沿滚筒42的逆时针方向到达大约90度之前停止，并且衣物从衣物沿滚筒42的逆时针方向位于大约90度下方的位置掉落到滚筒42的最低点。随后，洗涤桶4沿顺时针方向旋转，并且在衣物沿滚筒42的顺时针方向到达大约90度之前停止，并且衣物从衣物沿滚筒42的顺时针方向位于大约90度下方的位置掉落到滚筒42的最低点。洗涤桶4沿逆时针方向和顺时针方向交替地旋转。

在摆动动作中，洗涤桶4沿交替方向旋转，由此向衣物施加力的方向连续改变，并且衣物的运动时间比在其它动作中短。因此，对衣物的损坏小于在其它洗涤动作中的损坏。

翻滚动作是通常用于前负荷型洗衣机的洗涤循环的动作，并且洗涤性能较高，并且对衣物的可能损坏大于摆动动作。

同时，在滚筒42在预定旋转速度周期(例如，30rpm至60rpm)内旋转的情况下，衣物在洗涤桶4中移动，由此洗涤衣物。为了洗涤衣物而施加到衣物的力主要包括在衣物移动期间使衣物弯曲和伸展的弯曲和伸展力、衣物物品之间或衣物与滚筒42的内表面之间产生的摩擦力以及当衣物升起然后落下时施加到衣物的冲击力。

在滚动动作中，摩擦力以及弯曲和拉伸力高于冲击力。在翻滚动作中，冲击力高于摩擦力以及弯曲和拉伸力。通常，通过摩擦力以及弯曲和拉伸力的洗涤性能高于通过冲击力的洗涤性能。

因此，滚动动作中的洗涤性能高于翻滚动作中的洗涤性能。在翻滚动作中，衣物被升起然后落下，由此使衣物物品混合。然而，在滚动动作中，沿一个方向向衣物连续地施加力，由此对衣物的可能损坏也大于摆动动作和翻滚动作中的损坏。

在洗涤模式中，可以基于衣物的状态来设置洗涤桶的旋转速度。在洗涤模式中，考虑到洗涤动作以及洗涤性能与衣物磨损程度之间的关系，对于较硬的衣物，洗涤桶的旋转速度可被设置为较低，以使得执行滚动动作，而对于较软的衣物，洗涤桶的旋转速度可被设置为较高，以使得执行翻滚动作。

根据本发明的实施方式的洗衣机可包括用于感测存储在储水桶3中的水量的水位传感器(未示出)。控制器60可以控制供水阀5，以便调节供应到储水桶3中的水量。可以基于水位来确定供应到储水桶3中的水量，并且可以使用设置在储水桶中的水位传感器来感测水位。当水位增加时，水位传感器的频率降低。水位传感器的技术是公知的，因此将省略其详细描述。

在衣物重量增加的情况下，洗衣机通常供应增加的水量以充分润湿衣物。因此，存储器76可以存储关于预定参考供水量的数据，使得随着衣物重量的增加，增加的供水量被供应到储水桶3中。

除了衣物重量之外，洗涤水位还可以根据衣物质量而改变。由于软衣物的含水量通常较高，因此需要供应大量的水。另外，软衣物可容易损坏。因此，在洗涤水位高的状态下执行洗涤的情况下，可减小衣物与滚筒的内表面之间所产生的摩擦力。

因此，控制器60可以根据衣物的状态来控制供水量，并且可以针对较硬衣物供应比参考供水量更少量的洗涤水。

在下文中，将参照表2和表3以示例的方式给出描述。随着衣物重量等级从1级改变到5级，可以将参考供水量设定为更大的量。在衣物重量等级为1级的情况下，供应到洗涤桶4的洗涤水的量可被设定为比参考供水量更大的量，以使得水位传感器的水位频率被感测为比当供应参考供水量时低第一供水偏差。在衣物重量等级是2级的情况下，供应到洗涤桶4的洗涤水的量可以被设定为比参考供水量更大的量，以使得水位传感器的水位频率被感测为比当供应参考供水量时低第二供水偏差。

第一供水偏差可以大于第二供水偏差。另一方面，在衣物重量等级为4级或5级的情况下，供应到洗涤桶4的洗涤水的量可被设定为比参考供水量更小的量，使得水位传感器的水位频率被感测为比当供应参考供水量时高第四供水偏差或第五供水偏差。第四供水偏差可以小于第五供水偏差。

此外，在衣物重量等级为3级的情况下，供应到洗涤桶4的洗涤水的量可被设定为与参考供水量相同的量。

根据本发明的实施方式的洗衣机还可包括用于调节存储在储水桶3中的洗涤水的温度的加热器(未示出)。控制器60可以控制加热器以调节洗涤水的温度。

另选地，供水阀5可以包括用于调节从外部水源向储水桶3中引入冷水的冷水供应阀(未示出)和用于调节从外部水源向储水桶3中引入热水的热水供应阀(未示出)。控制器60可以控制冷水供应阀(未示出)和热水供应阀(未示出)，以便调节供应到储水桶3中的水的温度。

控制器60可基于衣物的状态来设置存储在储水桶3中的洗涤水的温度。在供应的水的温度高的情况下，可以令人满意地执行洗涤剂的化学反应，由此可以提高洗涤性能。然而，对于软衣物，在供应的水的温度高的情况下，损坏衣物的风险会增加。因此，对于硬衣物，洗涤水的温度可以设置为高温。

洗涤循环时间通常可被设置为随着衣物重量的增加而更长。存储器76可以存储随着衣物重量增加而设置得更长的参考时间数据。

除了衣物重量之外，洗涤循环时间还可以根据衣物的状态而改变。在洗涤循环时间增加的情况下，诸如施加到衣物的摩擦力和由于衣物落下而产生的冲击力之类的机械力增加，从而提高洗涤性能。然而，在洗涤循环时间增加的情况下，对衣物的损坏由于施加到衣物的机械力而增加。

因此，洗涤循环时间可以针对较硬衣物被设置为比基于衣物重量而设置的参考时间更长，并且可以针对较软衣物被设置为比参考时间更短。

例如，在衣物质量等级为3级的情况下，洗涤循环时间可被设置为基于衣物重量而设置的参考时间。在衣物质量等级为1级的情况下，洗涤循环时间可以被设置为比参考时间短。在衣物质量等级为2级的情况下，洗涤循环时间可以被设置为比参考时间短，并且与参考时间的偏差可以被设置为小于1级的情况下的偏差。在衣物质量等级为4级的情况下，洗涤循环时间可以被设置为比参考时间长。在衣物质量等级为5级的情况下，洗涤循环时间可以被设置为比参考时间长，并且与参考时间的偏差可以被设置为大于4级的情况下的偏差。

在电机9长时间连续运行的情况下，电机的温度可由于其过载而升高，这会缩短电机的寿命。另外，力可被连续地施加到衣物，从而可进一步损坏衣物。因此，控制器60可以执行控制，使得电机9的操作暂停预定时间，然后在执行洗涤循环的同时操作。

控制器60可以控制电机9，使得洗涤的净作用比随着洗涤水平的增加而增加。净作用比是电机9的操作时间与电机9的操作时间和电机9的暂停时间之和的比率。在下文中，为了区别于循环的净作用比(下面将对其进行描述)，将该净作用比称为洗涤的净作用比。也就是说，洗涤的净作用比是电机的操作时间与洗涤循环时间的比率，循环的净作用比是循环泵的操作时间与洗涤循环时间的比率。

在洗涤的净作用比增加的情况下，在相同洗涤循环时间的条件下，诸如由于掉落而产生的冲击力和摩擦力之类的机械力被施加到衣物的时间增加，从而可提高洗涤性能，并可能进一步损坏衣物。

因此，在洗涤模式中，对于较硬的衣物，洗涤的净作用比可以设置得更高。

根据本发明的实施方式的洗衣机可包括泵11和喷嘴(未示出)，泵11用于泵送存储在储水桶3中的水以使得水循环，喷嘴被配置为将由泵泵送的水喷射到洗涤桶4中。泵11可以连接到排放管12以用作排水泵，或者可以经由循环管连接到喷嘴以用作循环泵。

控制器60可控制泵11，使得在洗涤循环时从储水桶3排放的水通过喷嘴喷射到洗涤桶4中。

控制器60可执行控制，使得泵11在洗涤循环期间运行或停止。在循环的净作用比更高的情况下，衣物可被溶解有洗涤剂的更大量的水润湿，并且由于洗涤剂的化学作用可提高洗涤性能。

因此，在洗涤模式中，对于较硬的衣物，可以将循环的净作用比设置得更高。

同时，参照图13，根据本发明的第一实施方式的控制洗衣机的方法包括洗涤循环步骤，在该洗涤循环步骤中，基于选择的洗涤模式执行洗涤(S91至S95中的一个)。

控制器60可控制电机9，使得基于由洗涤模式设置的洗涤动作以及洗涤桶的旋转速度来执行洗涤循环。另外，控制器60可以控制电机9、供水阀5和泵11，使得基于通过洗涤模式设定的洗涤水的量、供应的洗涤水的温度、洗涤循环时间、洗涤的净作用比和循环的净作用比来执行洗涤循环。

在以上对洗涤模式的描述中，已经通过示例的方式描述了根据衣物重量/衣物质量等级设置不同算法的洗涤模式。与此不同，一些衣物重量/衣物质量等级可共享洗涤模式，而其它一些衣物重量/衣物质量等级可共享另一洗涤模式。在下文中，将参照表3描述基于衣物的重量和状态选择洗涤模式(S80)并根据所选择的洗涤模式执行洗涤(S90)的方法的示例。

[表3]

参照表1至表3，在衣物质量是1级(第一衣物质量等级)或2级(第二衣物质量等级)并且衣物重量是1级至3级中的一个的情况下，控制器可以选择第一洗涤模式(S91)。此外，在衣物质量是1级或2级并且衣物重量是4级或5级的情况下，控制器可以选择第二洗涤模式(S92)。

参照表2，在衣物的状态是1级或2级的情况下，被引入到洗涤桶4中的衣物是容易被洗涤磨损的软衣物，因此需要根据不损坏衣物的洗涤算法来执行洗涤。另外，由于这种衣物在许多情况下污渍相对较少，因此不需要相对较高的洗涤性能。

因此，在第一洗涤模式(S91)中，与其它洗涤模式相比，洗涤桶可以以实现能够减少对衣物的损坏的洗涤动作的旋转速度来旋转。此外，在第一洗涤模式(S91)中，洗涤算法可被设置为具有相对低的洗涤水温度、短的洗涤循环时间、低的洗涤净作用比和低的循环净作用比。洗涤的净作用比是电机的操作时间与洗涤循环时间的比率，循环的净作用比是循环泵的操作时间与洗涤循环时间的比率。另外，第一洗涤模式可被设定为供应比基于衣物的重量而设定的参考供水量更大量的洗涤水。

当选择第一洗涤模式时，根据第一洗涤模式的算法执行洗涤(S91)。

在衣物的状态是1级或2级并且衣物的重量大(4级或5级)的情况下，控制器60可选择第二洗涤模式(S92)。第二洗涤模式可被设置为具有适于洗涤比第一洗涤模式更大重量的衣物的算法。

在第二洗涤模式被设置为具有与第一洗涤模式相同的洗涤算法的状态下执行洗涤的情况下，衣物的重量大，从而可降低洗涤性能。因此，在第二洗涤模式中，洗涤桶可以以实现具有比第一洗涤模式中更高的洗涤性能的洗涤动作的旋转速度来旋转。此外，在第二洗涤模式中，洗涤算法可以被设置为具有比第一洗涤模式中更高的洗涤水温度、更长的洗涤循环时间、更高的洗涤净作用比和更高的循环净作用比。

第二洗涤模式可被设定为供应比基于衣物的重量而设定的参考供水量更大量的洗涤水。另外，第二洗涤模式下的参考供水量可以大于第一洗涤模式下的参考供水量，由此第二洗涤模式可以被设置为供应比第一洗涤模式更大量的洗涤水。

当选择第二洗涤模式时，根据第二洗涤模式的算法执行洗涤(S92)。

与具有1级或2级的衣物质量的衣物相比，具有3级或4级(第三衣物质量等级或第四衣物质量等级)的衣物质量的衣物可较少被洗涤损坏并且污渍更多。因此，在第三洗涤模式中，洗涤桶可以以实现具有比在第一洗涤模式和第二洗涤模式更高的洗涤性能的洗涤动作的旋转速度来旋转。此外，在第三洗涤模式中，洗涤算法可以被设置为具有比第一洗涤模式和第二洗涤模式更高的洗涤水温度、更长的洗涤循环时间、更高的洗涤净作用比和更高的循环净作用比。另外，该算法可以被设置为供应比第一洗涤模式更少量的洗涤水。

当选择第三洗涤模式时，根据第三洗涤模式的算法执行洗涤(S93)。

在衣物的状态是3级或4级并且衣物的重量大(4级或5级)的情况下，控制器60可以选择第四洗涤模式。第四洗涤模式可被设置为具有适于洗涤比第三洗涤模式更大重量的衣物的算法。

因此，在第四洗涤模式中，由于与在第二洗涤模式中描述的原因相同的原因，洗涤桶可以以实现具有比第三洗涤模式中更高的洗涤性能的洗涤动作的旋转速度来旋转。此外，在第四洗涤模式中，洗涤算法可以被设置为具有比第三洗涤模式中更高的洗涤水温度、更长的洗涤循环时间、更高的洗涤净作用比和更高的循环净作用比。另外，该算法可以被设置为供应比在第二洗涤模式中更少量的洗涤水。

当选择第四洗涤模式时，根据第四洗涤模式的算法执行洗涤(S94)。

在衣物的状态是5级(第五衣物质量等级)的情况下，被引入到洗涤桶4中的衣物是不担心损坏的粗衣物。

因此，在衣物的状态为5级的情况下，控制器60可以选择第五洗涤模式，而与衣物重量无关。在第五洗涤模式中，可以设置具有比在其它洗涤模式中更高的洗涤性能的洗涤算法。在第五洗涤模式中，洗涤桶可以以实现具有比在其它洗涤模式中更高的洗涤性能的洗涤动作的旋转速度来旋转。此外，在第五洗涤模式中，洗涤算法可以被设置为具有比其它洗涤模式中更高的洗涤水温度、更长的洗涤循环时间、更高的洗涤净作用比和更高的循环净作用比。另外，所述算法可以被设置为供应比参考供水量更少量的洗涤水，并且所述算法可以被设置为使得参考供水量与所供应的洗涤水的量之间的差大于其它洗涤模式中的差。

当选择第五洗涤模式时，根据第五洗涤模式的算法执行洗涤(S95)。

以上对洗涤模式的描述仅仅是为了易于理解的说明。

在根据所选择的洗涤模式(S90)的洗涤循环完成之后，可排出洗涤水(S100)，然后可基于衣物重量和/或衣物状态在预定循环时间内执行漂洗循环(S110)和甩干循环(S120)。

在下文中，将参照图12和图14描述根据本发明的第二实施方式的控制洗衣机的方法。

根据本发明的第二实施方式的控制洗衣机的方法与根据本发明的第一实施方式的控制洗衣机的方法的不同之处在于：多次执行使用人工神经网络确定衣物状态的步骤以及基于多次确定的衣物状态来最终获得衣物的状态。

也就是说，在本实施方式中，衣物重量感测步骤(S210)、供水步骤(S220)和衣物润湿步骤(S230)分别与S10、S20和S30相同，并且第一感测步骤(S240)与S40至S70相同。

根据本发明的第二实施方式的控制洗衣机的方法还包括第二感测步骤(S250)，该第二感测步骤在第一感测步骤(S240)之后使用人工神经网络重新确定洗涤桶4中所接纳的衣物的状态。

第二感测步骤(S250)是在第一感测步骤(S240)之后根据具有与第一感测步骤相同构造的算法来重新确定衣物状态的步骤。也就是说，第二感测步骤(S250)包括在使洗涤桶加速的同时使洗涤桶4旋转的第二加速步骤、获得在其中洗涤桶4在第二加速步骤中被加速的同时旋转的第二加速时段中提供给电机9的第二电流值的步骤、以及使用第二电流值作为人工神经网络的输入数据，根据人工神经网络的输出层的输出来确定衣物状态的步骤。

根据本发明的第二实施方式的控制洗衣机的方法可包括在第二感测步骤(S250)之后，基于作为在第一感测步骤(S240)确定的衣物状态的第一衣物质量和作为在第二感测步骤(S250)确定的衣物状态的第二衣物质量来获得衣物状态的步骤(S260)。

在下文中，将参照表2和下面的表4描述基于第一衣物质量和第二衣物质量获得衣物状态的方法(S260)。

[表4]

衣物质量平均值	1	1.5	2	2.5	3	3.5	4	4.5	5
										最终确定	1	1	2	2	3	3	4	5	5

在第一感测步骤确定的第一衣物质量是1级(第一衣物质量等级)并且在第二感测步骤确定的第二衣物质量是1级的情况下，衣物质量平均值可以是1级。在第一衣物质量是1级并且第二衣物质量是2级(第二衣物质量等级)的情况下，衣物质量平均值可以是1.5级。以这种方式，第一衣物质量和第二衣物质量的算术平均值可以被定义为衣物质量平均值。

参照表4，在衣物质量平均值为1.5级的情况下(即，衣物的状态在一个感测步骤中被确定为1级并且衣物的状态在另一感测步骤中被确定为2级的情况下)，接纳在洗涤桶4中的衣物是其磨损程度比洗涤性能更重要的衣物。因此，在这种情况下，衣物的状态最终被确定为第一衣物质量等级。

以相同的方式，在衣物质量平均值为2.5级的情况下，衣物的状态最终被确定为第二衣物质量等级。

此外，衣物的状态在一个感测步骤中被确定为2级并且衣物的状态在另一感测步骤中被确定为5级，衣物质量平均值为3.5级。在这种情况下，衣物的状态可以是2级。在根据基于第五衣物质量等级而设置的洗涤模式来洗涤这种衣物的情况下，衣物可能被损坏。

洗涤性能低的问题可以通过再洗涤来解决，但是衣物损坏的问题不容易解决。因此，在衣物质量平均值为3.5级的情况下，衣物的状态被确定为与第三衣物质量等级对应。

同时，在衣物质量平均值为4.5级的情况下(即，衣物的状态在一个感测步骤中被确定为4级并且衣物的状态在另一感测步骤中被确定为5级的情况下)，接纳在洗涤桶4中的衣物其洗涤性能比衣物的磨损程度更重要的衣物。因此，在这种情况下，衣物的状态被最终确定与第五衣物质量等级对应。

也就是说，在衣物的磨损程度重要的情况下，可以在省略小数点之后最终确定衣物的状态，而在衣物的洗涤性能重要的情况下，可以在提高小数点之后最终确定衣物的状态。

根据基于第一衣物质量和第二衣物质量获得的衣物状态来选择洗涤模式(S280)，并且根据所选择的洗涤模式来执行洗涤(S290)。

在完成根据所选择的洗涤模式的洗涤(S290)之后，可排出洗涤水(S300)，然后可基于衣物重量和/或衣物状态在预定循环时间内执行漂洗循环(S310)和甩干循环(S320)。

虽然以上描述是基于其中洗涤桶4绕基本水平轴旋转的前负荷型洗衣机的示例进行的，但是根据本发明的洗衣机及其控制方法可以应用于顶负荷型洗衣机。

同时，根据本发明的实施方式的控制洗衣机的方法可被实现为可写在处理器可读记录介质上并因此由处理器读取的代码。处理器可读记录介质可以是以处理器可读方式存储数据的任何类型的记录设备。处理器可读记录介质可以包括例如只读存储器(ROM)、随机存取存储器(RAM)、光盘只读存储器(CD-ROM)、磁带、软盘和光学数据存储设备，并且可以以在因特网上传输的载波的形式实现。另外，处理器可读记录介质可以分布在连接到网络的多个计算机系统上，使得处理器可读代码以分散的方式写入其中并由其执行。

从以上描述显而易见，根据本发明的洗衣机及其控制方法能够使用基于机器学习的人工神经网络来分析电机的电流模式。具体地，电流模式根据洗涤桶中的衣物的状态而改变，并且诸如衣物重量、衣物质量和衣物运动之类的衣物的各种特性被反映在电流模式中。因此，可以使用电流模式作为通过基于机器学习的训练而构建的人工神经网络的输入数据来准确且快速地分类衣物。

具体地，除了衣物重量之外，还能够基于诸如衣物的材料、衣物的含水量以及干衣物和湿衣物之间的体积差之类的各种标准，根据特性对衣物进行分类。另外，通过累积机器学习的训练数据(电机电流数据)，可以进一步提高精度。

另外，可以基于衣物的状态来选择考虑衣物的磨损程度和/或洗涤强度而分类的多个洗涤模式中的一个，并且可以根据所选择的洗涤模式来执行洗涤，从而能够减少对衣物的损坏并提高洗涤性能。

应当注意，本发明的效果不限于如上所述的本发明的效果，并且本领域技术人员根据所附权利要求将清楚地理解本发明的其它未提及的效果。

显然，虽然上面已经示出和描述了优选实施方式，但是本发明不限于上述特定实施方式，并且本领域技术人员可以在不脱离所附权利要求的主旨的情况下进行各种修改和变型。因此，不应独立于本发明的技术精神或前景来理解这些修改和变型。

Claims (10)

1.一种控制洗衣机的方法，该方法包括以下步骤：

第一感测步骤，在该第一感测步骤中，使用在洗涤桶的加速旋转期间提供给被配置为使所述洗涤桶旋转的电机的电流值作为基于机器学习预训练的人工神经网络的输入层的输入数据，根据所述人工神经网络的输出层的输出来确定所述洗涤桶中所接纳的衣物的状态和衣物的重量；

模式选择步骤，在该模式选择步骤中，基于所述衣物的状态和所述衣物的重量，来选择考虑衣物的磨损程度或洗涤强度而分类的多个洗涤模式中的一个；以及

洗涤循环步骤，在该洗涤循环步骤中，根据所选择的洗涤模式执行洗涤，

其中，所述多个洗涤模式基于所述衣物的状态和所述衣物的重量不同地设置所述洗涤桶的旋转速度、供应到所述洗涤桶的洗涤水的温度、供应到所述洗涤桶的洗涤水的量以及洗涤循环时间中的至少一个，

其中，所述衣物的状态是基于所述衣物的材料、所述衣物的硬度、所述衣物的含水量、干衣物和湿衣物之间的体积差以及所述衣物的组成中的至少一个来定义的。

2.根据权利要求1所述的方法，其中，所述第一感测步骤包括将所述衣物的状态确定为考虑到衣物的硬度而分类的多个衣物质量等级中的一个。

3.根据权利要求1所述的方法，其中，在所述洗涤模式下，所述洗涤桶的旋转速度在所述衣物的状态较硬的情况下被设置得较低。

4.根据权利要求1所述的方法，其中，在所述洗涤模式中，基于所述衣物的状态来设置洗涤的净作用比，所述洗涤的净作用比被定义为所述电机在所述洗涤循环步骤中运行的时间与洗涤循环时间的比率。

5.根据权利要求1所述的方法，其中，

所述洗涤循环步骤包括操作被配置为使洗涤水循环的泵，以使得所述洗涤水通过喷嘴喷射到所述洗涤桶中，并且

在所述洗涤模式中，基于所述衣物的状态来设置循环的净作用比，所述循环的净作用比被定义为所述泵在所述洗涤循环步骤中运行的时间与洗涤循环时间的比率。

6.根据权利要求1所述的方法，其中，所述第一感测步骤包括以下步骤：

第一加速步骤，该第一加速步骤在使所述洗涤桶加速的同时使所述洗涤桶旋转；

获得在所述洗涤桶被加速的同时旋转的第一加速时段中提供给所述电机的第一电流值；以及

使用所述第一电流值作为所述输入数据，根据所述人工神经网络的所述输出层的输出来确定所述衣物的状态。

7.根据权利要求1所述的方法，该方法还包括以下步骤：

第二感测步骤，该第二感测步骤在所述第一感测步骤之后，使用所述人工神经网络重新确定所述洗涤桶中所接纳的所述衣物的状态，

其中，所述第二感测步骤包括以下步骤：

第二加速步骤，该第二加速步骤在使所述洗涤桶加速的同时使所述洗涤桶旋转；

获得在所述洗涤桶被加速的同时旋转的第二加速时段中提供给所述电机的第二电流值；以及

使用所述第二电流值作为所述人工神经网络的所述输入数据，根据所述人工神经网络的所述输出层的输出来确定所述衣物的状态。

8.根据权利要求7所述的方法，该方法还包括以下步骤：在所述第二感测步骤之后，基于作为在所述第一感测步骤中所确定的所述衣物的状态的第一衣物质量和作为在所述第二感测步骤中所确定的所述衣物的状态的第二衣物质量来获得所述衣物的状态。

9.根据权利要求8所述的方法，其中，所述模式选择步骤包括基于在所述第一衣物质量和所述第二衣物质量的基础上所获得的所述衣物的状态来选择洗涤模式。

10.一种洗衣机，该洗衣机被配置为执行根据权利要求1至9中的任一项所述的方法。

Images