CN110924061A - 人工智能洗衣机及其控制方法 - Google Patents

Abstract

本发明涉及人工智能洗衣机及其控制方法。该方法包括：获取容纳在洗涤桶中的衣物量的第一检测步骤；从多个洗涤进程中选择任何一个洗涤进程，所述多个洗涤进程包括根据基于衣物量配置的洗涤模式进行洗涤的第一洗涤进程和根据基于衣物量和衣物状态配置的洗涤模式进行洗涤的第二洗涤进程；以及进行所选择的洗涤进程，其中，第二洗涤进程包括第二检测步骤，借助在使用施加到马达的用于在洗涤桶加速旋转期间旋转洗涤桶的电流值作为预先通过机器学习习得的人工神经网络的输入层的输入数据时人工神经网络的输出层的输出来获取衣物状态，其中，选择任何一个洗涤进程包括基于在第一检测步骤中获取的第一衣物量从所述多个洗涤进程中选择任何一个洗涤进程。

Description

人工智能洗衣机及其控制方法

技术领域

本发明涉及洗衣机和洗衣机的控制方法，更具体地涉及基于机器学习执行衣物量检测和衣物检测的洗衣机以及洗衣机的控制方法。

背景技术

通常，洗衣机是通过使用水和洗涤剂的化学分解、诸如水和衣物之间的摩擦的物理作用等来从衣服、床上用品等(下文中，称为“衣物”)分离污染物的设备。

洗衣机分为搅拌式洗衣机、涡旋式洗衣机和滚筒式洗衣机。在这些洗衣机中，滚筒式洗衣机设置有用于存储水的储水箱以及可旋转地设置在储水箱中并容纳衣物的洗涤桶。洗涤桶设置有多个供水穿过的通孔。洗涤操作大致分为洗涤过程、漂洗过程和脱水过程。

由于存储在储水箱中的水与存储在滚筒中的衣物的摩擦以及存储在水中的洗涤剂的化学作用，洗涤过程从衣物中去除污染物。

漂洗过程是通过供应水来漂洗衣物，其中储水箱中没容纳洗涤剂，并且特别地，洗涤过程中由衣物吸收的洗涤剂被去除。在漂洗过程中，衣物柔顺剂可与水一起供应。

脱水过程是在漂洗过程完成后高速旋转洗涤桶以使衣物脱水。通常，通过完成脱水过程而完成洗衣机的所有操作。然而，在洗衣机-烘干机的情况下，在脱水过程之后可以进一步添加干燥过程。

通常，根据引入洗涤桶中的衣物量(下文中，也称为“衣物量”)来设定洗涤操作。例如，根据衣物量设定水位、洗涤强度、排水时间和脱水时间。

洗涤性能不仅受衣物量的影响，还受衣物类型(下文中，也称为“衣物材料”)的影响。当在设定洗涤操作时仅考虑衣物量时，就不能期望足够的洗涤性能。

另外，存在的问题是，即使在相同的洗涤操作的情况下，衣物的损坏程度也根据衣物的类型而变化，并且仅考虑衣物量而设定的洗涤操作损坏衣物。

传统的机器学习基于回归、基于统计的分类和聚类模型。特别地，在分类和回归模型的监督学习中，预先由人定义学习数据的特征和基于这种特征区分新数据的学习模型。另一方面，在深度学习中，计算机自己搜索和辨识特征。

加速深度学习发展的因素之一是作为开放源提供的深度学习框架。例如，深度学习框架包括加拿大蒙特利尔大学的Theano、纽约大学的Torch、美国加州大学伯克利分校的Caffe、Google的TensorFlow等。

随着深度学习框架的发布，除了深度学习算法之外，学习过程中使用的数据的提取和选择、学习方法和学习对于有效的学习和感知变得越来越重要。

此外，对各种产品和服务利用人工智能和机器学习的研究正在增加。

专利注册10-1841248(下文中，也称为“现有技术”)公开了一种通过使用马达的速度作为通过机器学习习得的人工神经网络的输入数据来检测衣物量的控制方法。

现有技术仅检测衣物量，并且存在如上所述的洗涤性能和衣物损坏的问题。

发明内容

本发明是鉴于上述问题而完成的，其提供一种基于机器学习快速准确地检测衣物量和/或衣物材料的洗衣机及其控制方法。

本发明还提供一种洗衣机及其控制方法，该洗衣机能够通过有效地处理用于确定衣物量/衣物材料的数据来缩短确定所需的时间。

本发明还提供一种洗衣机及其控制方法，该洗衣机能够根据各种标准(例如衣物的柔软度/硬度、润湿速率、湿衣物和干衣物之间的体积差)对衣物进行分类。

本发明还提供一种洗衣机及其控制方法，该洗衣机用于基于机器学习设定进行衣物量/衣物材料检测的范围。

根据本发明的一个方面，一种控制洗衣机的方法包括：获取容纳在洗涤桶中的衣物量的第一检测步骤；从多个洗涤进程中基于在所述第一检测步骤中获取的第一衣物量选择任何一个洗涤进程；并且进行所述选择的洗涤进程。

所述多个洗涤进程包括根据基于衣物量配置的洗涤模式进行洗涤的第一洗涤进程和根据基于衣物量和衣物状态配置的洗涤模式进行洗涤的第二洗涤进程。所述多个洗涤进程可以包括根据预设洗涤模式进行洗涤的第三洗涤进程。

选择所述洗涤进程可以包括：当所述第一衣物量等于或大于预设的第一阈值时，选择所述第一洗涤进程；并且当所述第一衣物量小于所述第一阈值时，选择所述第二洗涤进程。

选择所述洗涤进程可以包括：当所述第一衣物量等于或大于预设的第一阈值时，选择所述第一洗涤进程；当所述第一衣物量大于比第一阈值小的第二阈值且小于所述第一阈值时，选择所述第二洗涤进程；并且当所述第一衣物量小于所述第二阈值时，选择所述第三洗涤进程。

所述第二洗涤进程包括第二检测步骤，该第二检测步骤借助在使用施加到马达的用于在所述洗涤桶的加速旋转期间旋转所述洗涤桶的电流值作为预先通过机器学习习得的人工神经网络的输入层的输入数据时所述人工神经网络的输出层的输出来获取所述衣物状态。

所述第二检测步骤包括借助在使用所述电流值作为所述输入数据时所述人工神经网络的所述输出层的输出来获取所述洗涤桶中容纳的衣物量。

所述第二检测步骤可以包括：加速所述洗涤桶；获取在所述洗涤桶加速和旋转的时段中施加到所述马达的电流值；并且借助在使用所述电流值作为所述输入数据时所述人工神经网络的所述输出层的输出来获取所述衣物状态。

所述第二检测步骤还可以包括检测所述洗涤桶的旋转速度。

加速所述洗涤桶可以包括使所述洗涤桶的从所述第一旋转速度加速到比所述第一旋转速度快的所述第二旋转速度。

所述第二旋转速度可以是所述衣物与所述洗涤桶一体旋转的旋转速度。第二旋转速度可以是洗涤桶中的衣物在附着到洗涤桶的同时旋转而不会落下(即使从洗涤桶的最高点也不会落下)的旋转速度。第二旋转速度可以是由于洗涤桶的旋转作用在衣物上的离心力大于作用在衣物上的重力的旋转速度。

第二旋转速度可以是60rpm至80rpm。

第一旋转速度可以是10rpm至20rpm。

加速所述洗涤桶可以包括以恒定加速度使所述洗涤桶的旋转速度从所述第一旋转速度加速到所述第二旋转速度。

获取所述衣物状态可以包括：基于所检测到的速度值，在获取电流值时获取的电流值中选择与所述洗涤桶的旋转速度从所述第一旋转速度加速到所述第二旋转速度的时段对应的电流值；并且使用所选择的电流值作为所述输入数据。

获取所述衣物状态可以包括使用在所述洗涤桶的旋转速度从所述第一旋转速度加速到所述第二旋转的时段中施加到所述马达的电流值作为输入数据。

所述第二洗涤进程可以包括：在所述第二检测步骤之后，在多种洗涤模式中基于衣物状态选择任何一种洗涤模式；并且根据所选择的洗涤模式进行洗涤。

可以考虑衣物的磨损风险和洗涤强度，对所述多种洗涤模式进行分类。

考虑衣物的磨损风险和洗涤强度，对衣物状态进行分类。

在所述第二检测步骤之前，所述第二洗涤进程还可以包括将洗涤水供应到所述洗涤桶中的供水步骤。

所述方法还可以包括：在所述第一检测步骤之前，经由输入单元接收洗涤进程。

选择任何一个洗涤进程包括：当接收的洗涤进程是所述第一洗涤进程时选择所述第一洗涤进程；并且当接收的洗涤进程是所述第二洗涤进程时，在所述多个洗涤进程中基于所述第一衣物量选择任何一个洗涤进程。

所述方法还可以包括：在所述第一检测步骤之前，经由输入单元接收洗涤水的温度。

选择任何一个洗涤进程可以包括：当接收的所述洗涤水的温度等于或高于预设的极限温度时，选择所述第一洗涤进程；并且当接收的所述洗涤水的温度小于所述极限温度时，在所述多个洗涤进程中基于所述第一衣物量选择任何一个洗涤进程。

根据本发明的另一方面的一种洗衣机可以进行上述控制方法。

根据本发明的另一方面，洗衣机包括：洗涤桶，其容纳衣物并且被设置成可旋转；马达，其用于旋转所述洗涤桶；控制器，其用于控制所述马达以旋转所述洗涤桶；以及电流检测单元，其用于检测所述马达的电流。

控制器可以在使用在洗涤桶的加速旋转期间由电流检测单元检测到的电流值作为人工神经网络的输入层的输入数据时在人工神经网络的输出层中获取衣物量和衣物状态。所述人工神经网络可以通过机器学习预先习得。

控制器可以基于通过人工神经网络的输出获取的衣物量和衣物状态来进行洗涤过程。

附图说明

根据以下结合附图的详细描述，本发明的上述和其他目的、特征和优点将更加明显，在附图中：

图1是根据本发明的实施方式的洗衣机的剖视图；

图2是示出图1的洗衣机的主要部件之间的控制关系的框图；

图3示出了根据衣物的状态和载荷量(衣物量)施加到马达的电流模式；

图4示出了用于每种衣物材料的电流模式；

图5示出了在由预设方法控制马达速度的同时用于每种载荷的电流模式；

图6示出了处理由电流检测单元获取的电流值作为人工神经网络的输入数据的过程；

图7是示出人工神经网络的实施例的示意图；

图8是将通过使用马达的电流值确定衣物量和衣物材料的过程分为学习过程和识别过程的示意图；

图9的(a)是示出由电流检测单元检测到的电流值的曲线图，并且图9的(b)是示出通过处理移动平均滤波器而获取的平均值的曲线图；

图10是示出由电流检测单元检测到的电流值的曲线图；

图11是示出被处理过以便使用图9中所示的曲线图的电流值作为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；

图13是用于每种载荷的电流模式叠加的曲线图；

图14是对应于在图13中分类为0至6kg的载荷的电流模式的曲线图；

图15是示出对应于图13中的7至9kg的载荷的电流模式的曲线图；以及

图16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。

具体实施方式

参考附图详细描述本发明的示例性实施方式。所有附图使用的相同附图标记表示相同或相似的部分。可以省略本文中包含的公知功能和结构的详细描述，以避免模糊本发明的主题。现在将详细参考本发明的优选实施方式，附图中示出了这些实施方式的实施例。在下面的描述中使用的元件中的后缀“模块”和“单元”仅考虑到易于制作说明书而给出，并没有特定的含义或功能。因此，后缀“模块”和“单元”可以互换使用。

图1是根据本发明的实施方式的洗衣机的剖视图。图2是示出图1的洗衣机的主要部件之间的控制关系的框图。

参考图1，根据本发明的实施方式的洗衣机包括：壳体1，其形成外部形状；储水箱3，其设置在壳体1中并存储洗涤水；洗涤桶4，其可旋转地安装在储水箱3中并且衣物装载入其中；以及马达9，其用于旋转洗涤桶4。

洗涤桶4包括：前盖41，其具有用于装载和卸载衣物的开口；圆柱形滚筒42，其基本上水平设置并且其前端与前盖41联接；以及后盖43，其联接到滚筒42的后端。马达9的旋转轴可以穿过储水箱3的后壁并连接到后盖43。滚筒42中可以形成有多个通孔，使得水能够在洗涤桶4和储水箱3之间交换。

洗涤桶4绕水平轴旋转。这里，术语“水平”并不意味着严格意义上的几何水平。也就是说，因为即使当相对于如图1中所示的水平倾斜一定角度时，也比竖直更接近水平，所以可以说洗涤桶4绕水平轴旋转。

衣物装载端口形成在壳体1的前表面中，并且用于打开和关闭衣物装载端口的门2可旋转地设置在壳体1中。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打开以供水时，穿过供水管6的洗涤水可以与分配器7中的洗涤剂混合，然后经由供水软管8供应给储水箱3。

泵11的输入端口经由排出软管10连接到储水箱3，并且泵11的排出端口连接到排水管12。经由排出软管10从储水箱3排出的水被泵11泵送成沿排水管12流动，然后排出到洗衣机的外部。

参考图2，根据本发明的实施方式的洗衣机包括：用于控制洗衣机的整体操作的控制器60；由控制器60控制的输入单元77；马达驱动单元71；输出单元72；通信单元73；速度检测单元74；电流检测单元75和存储器76。

控制器60可以控制洗涤、漂洗、脱水和干燥的一系列洗涤过程。

控制器60可以经由输入单元77从用户接收洗涤、漂洗、脱水和干燥的一系列洗涤过程。控制器60可以根据预设算法进行洗涤和漂洗过程，并且控制器60还可以根据该算法控制马达驱动单元71。

输入单元77可以从用户接收洗涤进程。例如，用户可以经由输入单元77将诸如标准洗涤进程、煮沸进程、婴儿衣服进程、污渍进程等各种进程中的任何一者输入到洗衣机中。

存储器76可以预先存储一系列用于洗涤进程的洗涤、漂洗、脱水和干燥的算法。该算法可以包括：供水水位；洗涤水温度；洗涤、漂洗、脱水、干燥等执行时间；每个过程中马达的驱动模式(例如，旋转速度、旋转时间、加速度、制动)等。

输入单元77可以从用户接收洗涤选项。例如，在选择洗涤进程之后，用户可以接收关于影响一系列洗涤的因素(例如洗涤时间、洗涤水的温度、漂洗次数、脱水强度、干燥温度等(以下称为“控制因素”))的信息。

控制器60可以通过反映预先经由输入单元77接收根据洗涤进程存储的算法的控制因素来控制一系列洗涤过程。

马达驱动单元71可以响应于从控制器60施加的控制信号来控制马达9的驱动。控制信号可以是用于控制马达9的目标速度、加速度斜率(或加速度)、驱动时间等的信号。

马达驱动单元71实施成驱动马达9，并且可以包括逆变器(未示出)和逆变器控制器(未示出)。此外，马达驱动单元71还可以包括供应输入到逆变器的DC功率的转换器等。

例如，当逆变器控制器(未示出)向逆变器(未示出)输出脉冲宽度调制(PWM)方案的切换控制信号时，逆变器(未示出)进行高速度切换操作，并且可以向马达9供应一定频率的AC功率。

速度检测单元74检测洗涤桶4的旋转速度。速度检测单元74可以检测马达9的转子的旋转速度。当通过改变马达9的旋转比例来提供用于旋转洗涤桶4的行星齿轮系时，洗涤桶4的旋转速度可以是通过考虑行星齿轮系的减速或加速比来转换由速度检测单元74检测到的转子的旋转速度而获取的值。

控制器60可以控制马达驱动单元71，使得通过反馈从速度检测单元74传输的当前速度来使马达9遵循预设目标速度。

电流检测单元75检测施加到马达9的电流(下文中，称为“电流”)并将检测到的电流传输到控制器60。控制器60可以通过使用接收的电流数据作为输入数据来检测衣物量和衣物材料。此时，作为输入数据的电流值包括在马达9朝向预设目标速度加速的过程期间获取的值。

当通过基于转矩电流和磁通量电流的矢量控制来控制马达9的旋转时，当前电流可以是在马达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可以是用于输出视觉显示的诸如LCD或LED之类的图像输出装置，或者用于输出声音的诸如蜂鸣器之类的声音输出装置。控制器60可以控制输出单元72输出关于衣物量或衣物材料的信息。

存储器可以存储编程的人工神经网络、针对每种衣物量和/或衣物材料的电流模式、通过基于电流模式的机器学习构建的数据库(DB)、机器学习算法、由当前检测单元75检测到的当前电流值、通过对当前电流值求平均而获取的值、通过根据解析规则处理平均值而获取的值、经由通信单元73传输和接收的数据等。

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定数据、根据洗涤设定计算的洗涤时间、关于洗涤进程等的数据、用于确定洗衣机出现错误的数据等。

通信单元73可以与连接到网络的服务器通信。通信单元73可以包括一个或多个通信模块，诸如因特网模块和移动通信模块。通信单元73可以从服务器接收学习数据和诸如算法更新之类的各种数据。

控制器60可以处理经由通信单元73接收的各种数据并更新存储器76。例如，如果经由通信单元73输入的数据是预先存储在存储器76中的操作程序的更新数据，则该更新数据用于更新存储器76，如果输入的数据是新的操作程序，则可以将其另外存储在存储器76中。

深度学习是一种基于人工神经网络(ANN)用于构建人工智能的教导计算机人的思维的方案，是一种允许计算机像人一样自学，而不需要人教导的人工智能技术。人工神经网络(ANN)可以以软件形式或以诸如芯片之类的硬件形式实施。

洗衣机可以基于机器学习处理由电流检测单元75检测到的电流值，并且确定装载到洗涤桶4中的衣物的特性(在下文中，称为衣物特性)。这样的洗衣特性可以由衣物量和衣物的状态(下文中，也称为“衣物材料”)例示，并且控制器60可以基于机器学习为每种衣物量确定衣物材料。例如，控制器60可以获取衣物量，并且可以确定根据衣物材料预分类的类别中的所属类别。衣物的状态可以基于各种因素来定义，例如衣物材料、柔软度(例如，柔软衣物/硬衣物)、衣物保持水的能力(即，润湿速率)、湿衣物和干衣物之间的体积差异、衣物组成(即，柔软衣物和硬衣物的混合比)。

控制器60可以通过使用由电流检测单元75检测到的当前电流值来检测衣物量作为由机器学习预先习得的人工神经网络的输入数据，直到达到目标速度的时间点。

图3示出了根据衣物的状态和载荷量(衣物量)施加到马达的电流模式。图4示出了用于每种衣物材料的电流模式。图5示出了在由预设方法控制马达速度的同时用于每种载荷的电流模式。

图3中所示的曲线图示出了在将洗涤桶4加速到预设的目标旋转速度(例如，80rpm)时测得的当前电流，并且这些曲线图示出了在改变衣物组成(即，软衣物和硬衣物的混合比)的同时测得的电流。也就是说，可以通过水平排列的曲线图确定根据载荷量的模式改变的趋势。例如，在相同的衣物组成的情况下，可以看出，随着载荷变大，在洗涤桶4的加速开始时，当前电流的最大值变大。因此，可以说，曲线图的早期数据适合用于确定载荷量(衣物量)。

通过竖直排列的曲线图，可以确定根据衣物组成的图案形状的变化。例如，在相同载荷量的情况下，可以看出，当粗糙衣物的比率变大时，电流值向下偏移，特别是在洗涤桶4的加速的中后半部分或在目标旋转速度维持区间。因此，可以说，适合的是在获取用于确定衣物量的数据的区间之后获得获取衣物材料所需的数据。

图4示出了每种衣物组成(每种衣物材料)的电流模式。在图4中，C0.0示出100％的柔软衣物，C0.25、C0.5和C0.75循序地示出了柔软衣物与硬衣物的比例是：1：3、1：1、3：1，并且C1.0示出了100％硬衣物的情况。在每种情况下，通过将柔软衣物添加到硬衣物而获取的总衣物量(载荷量)是恒定的。

该曲线图示出了即使载荷量相同，当衣物的组成变化时，电流模式也会变化。因此，可以基于电流模式的机器学习来实现根据衣物组成(或衣物材料)的分类。

这样的衣物量/衣物材料检测可以重复多次，并且在该实施方式中，重复三次，但是次数不限于此。衣物量/衣物质检测可以在同一步骤中重复多次，或者可以在不同步骤中重复多次。

控制器60可以根据每个衣物量/衣物材料检测的结果设定洗涤算法或改变洗涤算法的设定，并且可以根据设定控制洗衣机的操作。

图5中所示的曲线图P1、P3、P5、P7、P9和P15分别示出了衣物量为1kg、3kg、5kg、7kg、9kg和15kg的情况。总的来说，曲线图示出，在洗涤桶4加速的早期阶段，当前电流值迅速上升到一定水平，并且当这种加速进入后半部分时收敛到恒定值。特别地，可以看出，在洗涤桶4的加速的早期阶段，由于衣物量引起的当前电流值的偏差是显著的。

控制器60可以包括衣物量/衣物材料学习模块61和衣物量/衣物材料识别模块62。衣物量/衣物材料学习模块61可以通过使用电流检测单元75所检测到的当前电流值或通过处理当前电流值获取的值来进行机器学习。通过这种机器学习，衣物量/衣物材料学习模块61可以更新存储在存储器76中的数据库。

可以使用无监督学习和监督学习中的任何一者作为衣物量/衣物材料学习模块61的学习方法。

衣物量/衣物材料识别模块62可以基于衣物量/衣物材料学习模块61习得的数据确定根据衣物量的等级。衣物量的确定可以是根据重量(载荷)将放入洗涤桶4中的衣物分类为多个预先设定的衣物量等级的任务。

在该实施方式中，衣物量被分类为五个级别(等级)，并且对应于每个级别的载荷量(kg)在下面的表1中示出。另外，表1统计地示出了当相应的衣物量被装载到单个家庭中的洗衣机时构成该家庭的家庭成员的数量。

表1

可以通过根据预设标准对装载到洗涤桶4中的衣物进行分类来实现衣物材料的确定。该标准可以是衣物材料、柔软度或硬度、润湿速率、湿衣物和干衣物之间的体积差异。

基于从电流检测单元75获取的当前电流值，衣物量/衣物材料识别模块62确定多个衣物量级别中的哪个级别对应于装载到洗涤桶4的衣物，并且确定此时哪个分类对应于衣物材料(即，每个衣物量的衣物材料)。

在该实施方式中，衣物材料被分类为五个级别(等级)，并且对应于每个级别的类型在下面的表2中示出。参考下面的表2，柔软和弱耐久性的衣服系列可以被分类成等级1，具有比等级1更强的耐久性的衣服系列可以被分类成等级3，具有比等级3更强的耐久性的硬衣服系列可以被分类成等级5，等级1和等级3的混合衣服系列可以被分类成等级2，并且等级3和等级5的混合衣服系列可以被分类成等级4。

表2

衣物量/衣物材料识别模块62可以配备有预先通过机器学习而习得的人工神经网络(ANN)。这样的人工神经网络可以由衣物量/衣物材料学习模块61更新。

衣物量/衣物材料识别模块62可以基于人工神经网络确定衣物量和衣物材料。如果衣物量被分类为如实施方式中的五个等级，则衣物量/衣物材料识别模块62可以确定衣物量所属的级别，并且通过使用由电流检测单元75检测到的当前电流值作为人工神经网络(ANN)的输入数据进一步确定衣物材料所属的级别。

衣物量/衣物材料识别模块62可以包括人工神经网络(ANN)，其被学习以根据特定标准将衣物量和衣物材料分类为级别。例如，衣物量识别模块62可以包括通过深度学习而习得的深度神经网络(DNN)，例如卷积神经网络(CNN)、递归神经网络(RNN)和深度信念网络(DBN)。

递归神经网络(RNN)广泛用于自然语言处理中，并且人工神经网络结构可以通过在每个时刻堆叠具有用于随时间变化的时间序列数据处理的有效结构的层来构成。

深度信念网络(DBN)是通过堆叠多层作为深度学习机制的受限玻尔兹曼机(RBM)来构造的深度学习结构。可以重复受限玻尔兹曼机(RBM)学习，并且当实现一定数量的层时，可以构成具有相应层数的深度信念网络(DBN)。

卷积神经网络(CNN)是一种模拟人类大脑功能的模型，其基于以下假设：当人识别物体时，提取物体的基本特征，然后在大脑中进行复杂的计算，并基于计算结果识别物体。

同时，可以通过调节节点间连接的权重(如果需要，调节偏置值)来实现人工神经网络的学习，从而针对给定输入获取期望的输出。人工神经网络可以通过学习连续更新权重值。诸如反向传播之类的机制可以用于学习人工神经网络。

衣物量/衣物材料识别模块62可以使用当前电流值作为输入数据，并且基于DNN中包括的节点之间的权重通过使用输出层的输出来确定装载到洗涤桶4中的衣物量和衣物材料中的至少一者。

图7是示出人工神经网络的实施例的示意图。图8是通过使用马达的电流值将确定衣物量和衣物材料的过程分为学习过程和识别过程的示意图。

参考图7至图8，作为一种机器学习类型的深度学习技术是在基于数据利用多个步骤进展到深层次的同时进行学习的机制。

深度学习可以表示一组机器学习算法，其在依次通过隐藏层的同时从多个数据中提取关键数据。

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

参考图7，人工神经网络(ANN)可以包括输入层、隐藏层和输出层。当提供多个隐藏层时，其被称为深度神经网络(DNN)。每个层包含多个节点，并且每个层与下一层相关联。节点可以在具有权重的同时彼此连接。

属于第一隐藏层(隐藏层1)的任何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，每个节点的输入可以是将权重应用于前一层的节点的输出的值。权重可以表示节点之间的链接强度。深度学习过程可以被认为是找到适当权重的过程。

这里，回顾众所周知的人脸识别过程，以便更好地理解深度学习。计算机可以根据像素的亮度区分亮像素和暗像素与输入图像，区分诸如边界和边缘之类的简单形状，然后区分更复杂的形状和对象。最后，计算机可以确定定义人脸的形式。因此，在穿过中间层的隐藏层之后，最终从输出层获取特征(定义人脸形式)的规范。

存储器76可以存储用于检测衣物量的输入数据以及用于学习深度神经网络(DNN)的数据。存储器76可以存储由速度检测单元74获取的马达速度数据和/或通过以特定间隔求和或计算速度数据而获取的数据。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(DNN)结构的权重和偏差可以存储在衣物量/衣物材料识别模块62的嵌入式存储器中。

同时，衣物量/衣物材料学习模块61可以通过使用经由电流检测单元75检测到的当前电流值作为训练数据来进行学习。也就是说，衣物量/衣物材料学习模块61可以在识别或确定衣物量和/或衣物材料时通过将确定结果添加到数据库来更新诸如权重和偏差之类的深度神经网络(DNN)的结构，或者可以通过使用在确保一定数量的训练数据之后确保的训练数据进行学习过程来更新诸如权重之类的DNN结构。

根据本发明的实施方式的洗衣机可以经由通信单元73将电流检测单元75获取的当前电流数据传输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相关的数据。在这种情况下，洗衣机可以基于与从服务器接收的机器学习相关的数据来更新人工神经网络。

图9的(a)是示出由电流检测单元检测到的电流值的曲线图，并且图9的(b)是示出通过处理移动平均滤波器而获取的平均值的曲线图。图10是示出由电流检测单元检测到的电流值的曲线图。图11是示出处理过以便使用图9中所示的曲线图的电流值作为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，将参考图9至图12描述确定衣物量和衣物材料的方法。

控制器60将马达9控制成以预设的目标旋转速度(S1、S2、S3、S4、S5)旋转。在马达9旋转的同时，速度检测单元74检测洗涤桶4(或马达9)的旋转速度(S2)。

目标旋转速度可以被设定成当洗涤桶4维持目标旋转速度并且在一个方向上连续旋转一次或多次时，能够维持衣物附着到滚筒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确定为洗涤桶4的这样旋转速度，在该旋转速度下衣物可以与滚筒42一体地旋转。当洗涤桶4以目标旋转速度旋转时，由于洗涤桶4的旋转引起的作用在衣物上的离心力可能大于作用在衣物上的重力。

目标旋转速度可以是60至80rpm，优选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中流动。即，由于滚筒42的旋转，衣物被升高到一定高度，然后落下。

同时，可以基于当水供应到储水箱3中时洗涤桶4部分地浸没在水中的状态来确定目标旋转速度。即，当洗涤桶4在部分浸没在水中的状态下以目标旋转速度旋转时，衣物可以流动。换句话说，在洗涤桶4旋转期间，衣物不总是附着至滚筒42，而是可以升高到一定高度然后落下。

用于确定衣物量和衣物材料的当前电流值包括在洗涤桶4旋转期间发生衣物流动的区间中获得的那些电流值。即，控制器60可以基于由速度检测单元74检测到的洗涤桶4的旋转速度(或马达9的旋转速度)获得必要的当前电流值。

具体地，在控制器60指示马达驱动单元71加速马达9之后，当速度检测单元74检测到的旋转速度达到预设的第一旋转速度V1时，从该时间起的当前电流值可以存储在存储器76中(S3至S4)。

在用于加速马达9的区间的初始阶段，除了衣物量和衣物材料之外的因素(例如衣物放置在洗涤桶4中的位置)，可能被过度反映在施加到马达的电流值中。因此，优选地排除加速区间的初始电流值作为用于确定衣物量和衣物材料的输入数据。也就是说，直到马达9的旋转速度V达到第一旋转速度V1的电流值不用作输入数据，并且可以检测从达到第一旋转速度V1时开始的电流值用作输入数据。第一旋转速度V1可以比第二旋转速度V2慢，并且可以是衣物在洗涤桶4中流动的旋转速度。第一旋转速度V1可以是10rpm至20rpm。

当洗涤桶4的旋转速度V达到预设的第二旋转速度V2时，控制器60可以处理当前的电流值而不再存储当前的电流值(S5至S6)。这里，第二旋转速度V2是上述目标旋转速度。

同时，从第一旋转速度V1加速到第二旋转速度V2的区间中的加速斜率可以是恒定的。优选地，加速斜率维持恒定，以便提高电流模式变化检测的可靠性。

加速斜率不应太高，以便可以清楚地看到洗涤桶4内的衣物流动的变化趋势。加速斜率优选为1.5至2.5rpm/s，更优选为2.0rpm/s，但不必限于此。加速斜率可以在可由控制器60控制的范围内尽可能小。

如图6中所示，当前电流值的处理是根据预设算法处理在预设时间点获取的当前电流值Iq并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：获取当前电流值Iq的平均值的步骤；以及根据预设解析规则处理所获取的平均值以生成人工神经网络的输入数据的步骤。特别地，借助解析规则处理的输入数据的数量小于平均值的数量。

参考图8，控制器60可以经由电流检测单元75以特定时间间隔获取电流值。在该实施方式中，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的区间以一定时间间隔获取总共545个当前电流值。

控制器60可以对每个特定时间区间以这种方式获取的当前电流值算出平均值。此时，控制器60可以使用移动平均滤波器。移动平均是指在移动区间时获取平均值以查看趋势变化的操作。例如，如果当前电流值是按时间顺序的Iq1、Iq2、Iq3...Iqn，则通过算出Iq1至Iql(l<n)的平均数来获取M1，并且通过算出Iqm(m>1)至Iqm+s-1(s是用于获取每个移动平均值的Iq的数量)的平均数来获取M2。可以在继续以这种方式移动该区间的同时获取移动平均值。

通过适当地设定获取移动平均值的时间区间，可以实现移动平均值M1、M2……的数量小于总的当前电流Iq的数量。然而，因为随着时间区间(窗口)的长度变长，当前电流的变化趋势的分辨率变低，所以应该适当地选择时间区间的长度。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获取50个移动平均值。

控制器60可以根据预设的解析规则处理当前电流值和移动平均值，以生成输入数据(In1、In2、In3、In4……)。解析规则可以构造成选择供获取最终输入数据的区间，以便充分揭示要获取的特征(衣物量/衣物材料)。

参考图10，在本发明的实施方式中生成总共14个输入数据。输入数据包括：在马达9的加速的早期阶段获取的九个当前电流值(第16至第24当前电流值：DATA1至DATA9)；以及通过根据预先设定划分后续区间而获取的每个区间中的五个平均值(DATA10至DATA14)。具体地，通过基于先前获取的移动平均值获取上述五个平均值，与对每个区间中的当前电流值求和的情况相比，能够更快地处理计算。同时，这样获取的输入数据(In1、In2、In3、In4，......In14)成为输入层的每个节点的输入值。

施加到构成人工神经网络的节点的权重和偏差由机器学习决定，并且基于电流模式或当前电流值重复该机器学习。另外，因为电流模式(或当前电流值)反映了衣物量和/或衣物材料的特性，所以可以通过对由洗衣机的操作预先存储或添加的数据进行机器学习直到导出准确的结果(即，当前装载到洗涤桶4中的确切的衣物量和衣物材料)来设定改进的或准确的权重和偏差值。

在以这种方式构建的人工智能网络中，输出层的输出反映衣物量和衣物材料信息，并且控制器60可以基于输出层的节点当中输出最大值的节点确定衣物量和/或衣物材料。

控制器60可以将在步骤S6中生成的输入数据输入到人工神经网络，并且通过使用输出层的输出来获取衣物量和/或衣物材料(S7)。然后，控制器60可以基于在步骤S7中获取的衣物量和/或衣物材料来设定洗涤算法，并根据设定来控制洗衣机的操作(S8)。洗涤算法可以包括：供水水位；洗涤、漂洗、脱水、干燥等的执行时间；每个过程中的马达的驱动模式(例如，旋转速度、旋转时间，加速度、制动)等。

图13是叠加用于每个载荷的电流模式的曲线图。图14是对应于在图13中分类为0至6kg的载荷的电流模式的曲线图。图15是示出对应于图13中的7kg至9kg的载荷的电流模式的曲线图。

下文中，参考图13至图15，图中所示的P0至P9分别表示0至9kg的载荷量(衣物量)。

可能发生衣物被门2约束的问题。当大量衣物装载到洗涤桶4中以附着或干扰门2时会发生这种现象。衣物的约束会影响施加到马达9的载荷。因此，优选排除在确定衣物量和/或衣物材料的过程中，在衣物被约束的状态下通过旋转(或加速)洗涤桶4而获取的电流值。

参考图14至图15，清楚地区分载荷量为0至6kg的电流模式(P0至P6)和载荷量为7kg至9kg的电流模式(P7至P9)。也就是说，在大量衣物(在该实施方式中为7kg至9kg)的情况下，可以看出在洗涤桶4的加速的早期阶段中电流值周期性地增加或减少(或振动)。这是因为一些衣物的移动被门2约束，使得当洗涤桶4与受约束的衣物干涉时马达9的载荷增加，然后当干扰减弱或消失时马达9的载荷减小。也就是说，对应于洗涤桶4的旋转周期，产生由于衣物的约束引起的马达9的载荷变化。

可以通过机器学习来习得这种载荷变化模式，并且可以将这种学习结果作为数据库存储在存储器76中。可以通过使用这样的学习结果来构造人工神经网络。基于这样构造的人工神经网络，控制器60可以通过输出层的输出确定衣物束缚(或衣物堵塞)。

图16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。在下文中，将参考图16描述根据本发明第一实施方式的控制洗衣机的方法。

根据本发明第一实施方式的洗衣机的控制方法包括使用人工神经网络获取衣物的状态的步骤。这种衣物的状态可以基于各种因素来定义，例如衣物的材料、柔软度(例如，柔软衣物/硬衣物)、衣物保持水的能力(即，水分率)、干衣物和湿衣物之间的体积差异、衣物组成(即，柔软衣物和硬衣物的混合比例等)。

然而，当衣物被约束到门2时，使用人工神经网络确定衣物量和衣物材料可能是不准确的。因此，可以通过使用传统的衣物量检测技术来获取衣物量，并且可以基于所获取的衣物量来确定是否使用人工神经网络进行衣物量/衣物材料检测步骤。

根据本发明的第一实施方式的洗衣机的控制方法包括：获取容纳在洗涤桶4中的衣物量的第一检测步骤(S20)；基于在第一检测步骤S20中获取的第一衣物量A，在多个洗涤进程中选择任何一个洗涤进程的步骤(S30)；以及进行所选择的洗涤进程的步骤(S40～S300)。

多个洗涤进程包括根据基于容纳在洗涤桶4中的衣物量构造的算法(下文中，也称为“洗涤模式”)进行洗涤的第一洗涤进程。即，第一洗涤进程不考虑容纳在洗涤桶4中的衣物的状态，而是基于衣物量A确定洗涤水的量；洗涤、漂洗、脱水、干燥等的执行时间；以及每个过程中的马达驱动模式。第一洗涤进程的洗涤算法对应于一般洗衣机的洗涤算法，并且第一洗涤进程的洗涤模式(S160)可以被称为一般洗涤模式。

另外，多个洗涤进程包括用于根据基于衣物量和衣物状态配置的洗涤模式(S110至S150)进行洗涤的第二洗涤进程。也就是说，第二洗涤进程考虑容纳在洗涤桶4中的衣物状态和衣物量A两者，以确定洗涤水的量；洗涤、漂洗、脱水、干燥等的执行时间；以及每个过程中的马达驱动模式。第二洗涤进程的洗涤算法是基于衣物量使用人工神经网络获取的衣物状态构造的洗涤算法，并且第二洗涤进程的洗涤模式(S110至S150)可以被称为人工智能洗涤模式。

在图16中，尽管第二洗涤进程的洗涤模式仅表示第一洗涤模式(S110)和第五洗涤模式(150)，并省略了第二洗涤模式(S120)、第三洗涤模式(S130)和第四洗涤模式(S140)，但是第二洗涤进程的洗涤模式可以包括第一洗涤模式(S110)至第五洗涤模式(S150)。另外，尽管本发明的第一实施方式示出了第二洗涤进程的洗涤模式包括第一洗涤模式S110至第五洗涤模式S150，但是第二洗涤进程的洗涤模式不限于此。第二洗涤进程的洗涤模式可以包括两种以上种洗涤模式。

同时，多个洗涤进程可以包括第三洗涤进程以根据预设洗涤模式进行洗涤。也就是说，当在第一检测步骤S30中从多个洗涤进程中选择第三洗涤进程时，可以根据单个洗涤模式S170进行洗涤，在该单个洗涤模式S170中预先设定了洗涤水的量；洗涤、漂洗、脱水、干燥等的执行时间；以及每个过程中的马达驱动模式。第三洗涤进程可以是用于洗涤极少量衣物或洗涤空状态的洗涤桶的桶洗涤进程，并且第三洗涤进程的洗涤模式S170可以被称为少量洗涤模式。

在下文中，将参考图16详细描述根据本发明的第一实施方式的洗衣机的控制方法。

当洗衣机开启时，洗衣机可以在可以输入洗涤进程的状态下待机，并且可以经由输入单元77从用户接收洗涤进程(S10)。可由用户选择的洗涤进程可以包括各种洗涤进程，例如标准洗涤进程、煮沸进程、婴儿衣服进程、染色进程等。

洗衣机可以在待机状态下经由输入单元77从用户接收洗涤选项(S15)。洗涤选项可以包括洗涤强度、漂洗次数(或漂洗时间)、脱水强度(或脱水时间)和洗涤水的温度。可以基于在S10中输入的洗涤进程来设定洗涤选项的基本选项。如果用户没有单独输入洗涤选项，则可以根据基本选项设定洗涤算法。

在输入洗涤进程和洗涤选项之后，洗衣机获取容纳在洗涤桶中的衣物量(S20)。获取衣物量(S20)意味着上述第一检测步骤。在第一检测步骤S20中，可以通过检测干衣物量的传统方法获取衣物量。

控制器60基于在第一检测步骤中获取的第一衣物量A确定是否基于衣物量进行洗涤，或者使用人工神经网络获取衣物状态并基于衣物状态进行洗涤(S30)。也就是说，控制器60从包括根据基于衣物量配置的洗涤模式进行洗涤的第一洗涤进程和根据基于衣物量以及使用人工神经网络获取的衣物状态配置的洗涤模式进行洗涤的第二洗涤进程的多个洗涤进程中选择任何一个洗涤进程进行洗涤(S30)。

另外，多个洗涤进程可以包括根据预设洗涤模式进行洗涤的第三洗涤进程。也就是说，第三洗涤进程不执行根据衣物量和/或衣物状态分类的多种洗涤模式中的任何一种，并且可以是根据一种预设洗涤模式进行洗涤的进程。

在基于第一衣物量A选择洗涤进程的步骤S30中，当衣物可能容易被门2约束时，选择用于基于衣物量A进行洗涤的第一洗涤进程而不获取衣物状态。当衣物被门2约束的可能性低时，通过使用人工神经网络获取衣物状态，并且选择用于基于衣物量和衣物状态进行洗涤的第二洗涤进程。此外，即使衣物被门2约束的可能性低，如果洗涤桶中没有容纳衣物或者当容纳的衣物量非常小时，也可以选择第三洗涤进程。

当容纳在洗涤桶4中的衣物量A大于或等于一定量时(如上面参考图13至图15描述的)，可能发生衣物被门2约束的问题。当在第一检测步骤S30中获取的第一衣物量A等于或大于第一阈值X1时，控制器60可以选择第一洗涤进程(S30、S160)。

可以将第一阈值X1预设为衣物被门约束的可能性高的衣物量。在本实施方式中，第一阈值X1可以预设为对应于7kg的值。

同时，图13至图15示出了通过从设计者的角度投入衣物的电流模式，并且用户可以在现实生活中随机地投入衣物。因此，即使在相同量的情况下，初始阶段的体积也可能更大，因此即使投入小于7kg，衣物也可能被门约束。因此，第一阈值X1可以是7kg以下。例如，第一阈值X1可以设定为5kg。参考表1，人工神经网络的输出层中的衣物量的输出可以是1至3等级的衣物量。

当在第一检测步骤S30中获取的第一衣物量A小于第一阈值X1时，控制器60可以选择第二洗涤进程(S30、S40)。当多个洗涤进程还包括第三洗涤进程时，控制器60可以在第一衣物量A小于第一阈值X1并且大于稍后描述的第二阈值X2时选择第二洗涤进程。

当在第一检测步骤S30中获取的第一衣物量A小于第二阈值X2时，控制器60可以选择第三洗涤进程(S30、S170)。

在控制器60确定洗涤桶4没有容纳衣物，或者基于第一衣物量A接收到一两件衣物的情况下，可以预设第二阈值X2。因此，第二阈值值X2可以小于第一阈值X1。在本实施方式中，第二阈值X1可以预设为对应于1kg的值。

在本发明的实施方式中，第一阈值X1可以设定成对应于7kg的值，并且第二阈值X2可以设定成对应于1kg的值。在这种情况下，当第一衣物量A为7kg以上时，控制器60可以选择第一洗涤进程，当第一衣物量A大于1kg且小于7kg时，选择第二洗涤进程，并当第一衣物量A为1kg以下时，选择第三洗涤进程。

在本实施方式中，描述了当第一衣物量对应于边界值(1kg，7kg)时选择第一或第三洗涤进程，但是可以设定成根据设计者的变化选择第二洗涤进程。另外，第一阈值X1和第二阈值X2的具体数值是用于解释本发明的实施例，并不意味着限制本发明。可以根据洗涤桶4的尺寸设定第一阈值X1和第二阈值X2的数值。

同时，经由输入单元77从用户接收的洗涤进程和/或洗涤选项可能不适合于基于衣物状态进行洗涤。

例如，当用户不希望使用人工神经网络获取衣物状态时、当选择桶洗涤过程时，以及当洗涤水的温度等于或高于某一温度时，可能不适于基于衣物状态进行洗涤。

用户经由输入单元77可选择的洗涤进程可以包括第一洗涤进程。当经由输入单元77输入第一洗涤进程时，即使衣物量A小于第一阈值X1，控制器60也可以在步骤S30中选择第一洗涤进程。

用户经由输入单元77可选择的洗涤进程可以包括桶洗涤进程。当经由输入单元输入桶洗涤进程时，控制器60可以选择第三洗涤进程。

当经由输入单元77输入的洗涤水的温度等于或高于预设极限温度时，控制器60可以选择第一洗涤进程。极限温度可以是煮沸进程中使用的洗涤水的温度。极限温度可以设定成等于或高于90℃的温度，并且在本发明的实施方式中，极限温度设定为95℃。

当洗涤水的温度高于或等于极限温度时，在洗涤桶4加速的区间中施加到马达9的电流值Iq可以与洗涤水的温度低于极限温度的情况不同。另外，当用施加到煮沸进程的温度的洗涤水进行洗涤时，材料轻而软的衣物可能被损坏。当用户输入高于或等于上述温度极限的洗涤水的温度时，容纳在洗涤桶中的衣物通常具有由于洗涤而被损坏的低风险，并且可能需要高洗涤性能。

因此，当投入的洗涤水的温度高于或等于极限温度时，控制器60可以选择第一洗涤进程。

在下文中，将描述第一洗涤进程。

在第一洗涤进程中，可以基于衣物量确定洗涤算法。第一洗涤进程根据一般洗涤模式进行洗涤，并且一般洗涤模式可以包括基于衣物量分类的多个一般洗涤模式。控制器60可以控制供水阀5以基于第一衣物量A确定供应到洗涤桶4的洗涤水量，并且控制马达9根据基于第一衣物量A从多个一般洗涤模式(S160)中选择的洗涤模式进行洗涤。

多个一般洗涤模式可以包括第一一般洗涤模式和第二一般洗涤模式，其具有分别设定为与稍后描述的第二洗涤进程的第三洗涤模式和第四洗涤模式相同的算法。

与第一一般洗涤模式相比，第二一般洗涤模式可以设定为适合于洗涤大量衣物的算法。在第二一般洗涤模式中，洗涤算法可以设定为洗涤桶的旋转速度和高净作用比，该旋转速度比第一一般洗涤模式的旋转速度较快。另外，与第一一般洗涤模式相比，该算法可以设定为供应更大量的洗涤水。第二一般洗涤模式中的洗涤水的温度可以设定为等于或高于第一一般洗涤模式中的洗涤水的温度。

一般洗涤模式包括第一和第二一般洗涤模式的描述仅是第一洗涤进程的洗涤算法的实施例，并且一般洗涤模式可以被分类成三种以上一般洗涤模式。

在一般洗涤模式终止之后，可以进行洗涤水的排出(S190)以及基于第一衣物量A设定处理时间的漂洗过程(S200)和脱水过程(S300)。控制器60可以随着第一衣物量A的增加来设定漂洗过程(S200)和脱水过程(S300)的处理时间。

在下文中，将描述第二洗涤进程。

第二洗涤进程可以包括将洗涤水供应到洗涤桶4中的供水步骤S40。可在第二检测步骤(S60至S90)之前进行供水步骤S40。

上述通过输出获取衣物量和衣物状态的同时使用马达9的当前电流值Iq作为人工神经网络的输入层的输入数据的方法可以在衣物处于潮湿状态时相比处于干燥状态更准确地确定衣物量和衣物状态。

因此，当第一衣物量A小于第一阈值X1并且大于第二阈值X2时，在获取衣物量和衣物状态之前，控制器60调节供水阀5以将洗涤水供应到洗涤桶4(S40)。

在供应洗涤水之后，进行润湿衣物的衣物润湿步骤(S50)。衣物润湿步骤(S50)是使用人工神经网络提高衣物材料/衣物量确定的准确度的步骤。在将洗涤水供应到洗涤桶4的初始阶段，容纳在洗涤桶4中的一些衣物可能过量地充满水，而其他衣物可能没有被水润湿。在这种状态下，相对于使洗涤桶4加速并且施加到马达9的电流值Iq，即使在相同衣物量/衣物材料的情况下也可以检测到不同的电流值。

因此，在衣物润湿步骤(S50)中，洗涤桶4被供应洗涤水然后待机一段时间，或者可以通过旋转洗涤桶4将衣物均匀地润湿。此外，当洗衣机设置有用于循环存储在储水箱3中的水的循环泵(未示出)和循环喷嘴(未示出)时，洗涤水可以循环以有效地润湿衣物。

第二洗涤进程包括使用人工神经网络获取衣物的状态的第二检测步骤(S60～S90)。第二检测步骤(S60～S90)可以借助在使用施加到马达9的用于在洗涤桶4加速旋转期间旋转洗涤桶4的电流值Iq作为预先通过机器学习习得的人工神经网络的输入层(参见图7)的输入数据时人工神经网络的输出层(参见图7)的输出来获取衣物状态。在第二检测步骤(S60～S90)中，可以借助使用电流值Iq作为输入数据时人工神经网络的输出层的输出来获取容纳在洗涤桶4中的衣物状态和衣物量A。在下文中，通过将在第二检测步骤30中获取的衣物量与在第一检测步骤30中获取的第一衣物量A1区分开，也可以将该衣物量称为第二衣物量A2。

在润湿步骤(S50)之后，可以通过与参考图12描述的S1至S7相同的步骤S60至S90获取衣物量和衣物状态。即，S60包括S1、S2和S3，S70包括S4和S5，S80与S6相同，并且S90是与S7相同的步骤。

第二检测步骤(S60至S90)中包括：加速洗涤桶4(或马达9)的步骤S60；获取加速并旋转洗涤桶4的区间中施加到马达9的电流值Iq的步骤S70；使用电流值Iq作为人工神经网络的输入层的输入数据的步骤S80；以及借助人工神经网络的输出层的输出获取衣物量和衣物状态的步骤S90。

加速洗涤桶4的步骤S60包括检测马达9(或洗涤桶4)的旋转速度V的步骤。加速洗涤桶4的步骤S60包括将洗涤桶4从第一旋转速度V1加速到比第一旋转速度V1快的第二旋转速度V2的步骤。加速洗涤桶4的步骤S60可以包括以恒定加速度将洗涤桶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的步骤。也就是说，在马达9从第一旋转速度V1(S60到S90)加速到第二旋转速度V2时，控制器60可以以恒定的加速度使马达9加速。

获取衣物量和衣物状态的步骤(S80、S90)包括在洗涤桶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的区间使用施加到马达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，获取衣物量和衣物状态的步骤(S80、S90)可以包括基于检测到的速度值在S70中获得的电流值当中选择与马达的旋转速度V从第一旋转速度V1加速到第二旋转速度V2的区间对应的电流值的步骤。

第二洗涤进程可以包括在第二检测步骤(S60至S90)之后在多个洗涤模式中基于第二检测步骤中获取的衣物状态选择任何一种洗涤模式的步骤S100。选择洗涤模式的步骤(S100)可以基于衣物量和衣物状态选择任何一种洗涤模式。衣物量A可以是在第一检测步骤S30中获取的第一衣物量A1。另选地，衣物量A可以是在第二检测步骤S60至S90中获取的第二衣物量A2。

多个洗涤模式可以包括上述第一至第五洗涤模式。可以考虑衣物的磨损风险和洗涤强度来分类衣物状态。另外，可以考虑衣物的磨损风险和洗涤强度来分类多种洗涤模式。

第二洗涤进程可以包括根据在选择洗涤模式的步骤S100中选择的洗涤模式进行洗涤的步骤(S110至S150)。

在下文中，参考表3，将描述根据衣物量和衣物状态选择(S100)洗涤模式并根据所选择的洗涤模式进行洗涤(S110至S150)的方法的实施例。

表3

参考表1至表3，如果衣物材料是等级1或等级2，并且衣物量是等级1至3，则控制器可以选择第一洗涤模式。另外，当衣物材料为等级1或等级2，并且衣物量为等级4至5时，控制器可以选择第二洗涤模式。

参考表2，在衣物状态为等级1或等级2的情况下，放入洗涤桶4中的衣物是易于经洗涤而磨损的柔软材料的衣物，从而需要根据不会损坏衣物的洗涤方算法洗涤。另外，因为这种材料的衣物通常相对较少被污染，所以不需要相对高的洗涤性能。

因此，在第一洗涤模式中，与其他洗涤模式相比，洗涤算法可以设定为洗涤桶的相对慢的旋转速度，洗涤水的低温和低净作用比。净作用比是指马达操作的时间与洗涤时间的比率。

当选择第一洗涤模式时，根据第一洗涤模式的算法进行洗涤(S110)。

当衣物状态是等级1、等级2或当衣物量大(等级4、等级5)时，控制器60可以选择第二洗涤模式。与第一洗涤模式相比，第二洗涤模式可以设定为适合于洗涤大量衣物的算法。

当通过将第二洗涤模式设定为与第一洗涤模式相同的洗涤算法来进行洗涤时，洗涤性能可能由于大量衣物而劣化。因此，在第二洗涤模式中，洗涤算法可以设定为高净作用比和比第一洗涤模式相对更快的洗涤桶4的旋转速度。另外，与第一洗涤模式相比，可以将该算法设定为供应更大量的洗涤水。然而，洗涤水的温度可以设定为等于第一洗涤模式中洗涤水的温度，以降低损坏衣物的风险。

如果选择第二洗涤模式，则根据第二洗涤模式的算法进行洗涤(S120)。

与具有等级1和2的衣物状态的衣物相比，具有等级3和4的衣物状态的衣物不太可能经洗涤而损坏，并且可能相对污染严重。因此，在第三洗涤模式中，与第一和第二洗涤模式相比，洗涤算法可以设定为洗涤桶4的相对高的旋转速度、洗涤水的高温和高净作用比。

当选择第三洗涤模式时，根据第三洗涤模式的算法进行洗涤(S130)。

当衣物状态是等级3、等级4时，或者当衣物量大时(等级4、等级5)，控制器60可以选择第四洗涤模式。与第三洗涤模式相比，第四洗涤模式可以设定为适合于洗涤大量衣物的算法。

出于与在第二洗涤模式中描述的相同的原因，在第四洗涤模式中，与第三洗涤模式相比，洗涤算法可以设定为洗涤桶4的相对高的旋转速度和高净作用比。另外，与第三洗涤模式相比，可以将算法设定为供应更大量的洗涤水。第四洗涤模式中的洗涤水的温度可以设定为等于或高于第三洗涤模式中的洗涤水的温度。

当选择第四洗涤模式时，根据第四洗涤模式的算法进行洗涤(S140)。

当衣物状态为等级5时，放入洗涤桶中的衣物是由坚硬材料制成的衣物，不需要担心由于洗涤造成的衣物损坏。因此，当衣物状态是等级5时，控制器60可以选择洗涤等级5而不管衣物量如何。在第五洗涤模式中，可以设定具有优异洗涤性能的洗涤算法。在第五洗涤模式中，与第三和第四洗涤模式相比，洗涤算法可以设定为洗涤桶4的高旋转速度、洗涤水的高温和高净作用比。

当选择第五洗涤模式时，根据第五洗涤模式的算法进行洗涤(S150)。

洗涤桶4的旋转速度可以设定在衣物在洗涤桶4中流动的范围内。在第一至第五洗涤模式中，旋转速度可以设定在30rpm至60rpm的范围内。

同时，考虑到衣物的磨损风险和洗涤强度，在需要高洗涤性能的洗涤模式中洗涤时间可以设定为更长的时间。然而，如果第一洗涤模式的洗涤时间短，则洗涤性能可能太低。在第五洗涤模式中，洗涤时间长并且用户可能感到不舒服。因此，第一至第五洗涤模式中的洗涤时间可以设定为相同。

在所选择的洗涤模式终止之后，可以进行漂洗过程(S200)和脱水过程(S300)，其中基于洗涤水的排出以及衣物量(A)设定处理时间(S190)。

在下文中，将描述第三洗涤进程。

在第三洗涤进程中，少量衣物容纳在洗涤桶4中，或者可以根据适合于桶洗涤进程的洗涤算法进行洗涤。与第一和第二洗涤进程不同，第三洗涤进程可以借助一种算法根据预设洗涤模式进行洗涤。

通常，在洗涤约一两件的少量衣物的情况下，存在许多用于防止衣物损坏和从其他衣物迁移的情况。这种衣物通常是柔软的衣物。另外，为了洗涤洗涤桶4，可以在不放衣物的情况下进行洗涤。考虑到这一点，当第一衣物量A小于或等于第二阈值X2时，可以进行第三洗涤进程。

在第三洗涤进程的洗涤模式(下文中，也称为“少量洗涤模式”)中，可以设定专注于防止对衣物的损坏而不是洗涤性能的洗涤算法。在少量洗涤模式中，可以设定与第二洗涤进程的第一洗涤模式相同的算法。

当选择第三洗涤进程时，根据少量洗涤模式进行洗涤过程(S30，S170)，并且在少量洗涤模式终止之后，可以进行洗涤水的排出(S190)、漂洗过程(S200)以及脱水过程(S300)。

上述洗涤模式的描述仅是为了理解的实施例，并不旨在限制本发明。

尽管以上描述基于洗涤桶4绕基本水平轴线旋转的前载荷型，但是本发明的洗衣机和洗衣机的控制方法也可以应用于顶部载荷型。

同时，根据本发明的实施方式的操作洗衣机的方法可以实施成处理器可读的记录介质上的处理器可读的代码。处理器可读记录介质包括各种记录设备，其中存储可由处理器读取的数据。可由处理器读取的记录介质的实施例包括ROM、RAM、CD-ROM、磁带、软盘，光学数据存储设备等，并且还可以以通过因特网传输的载波的形式实施。另外，处理器可读记录介质可以分布在连接网络的计算机系统上，从而可以存储和执行处理器以分布式方式可读的代码。

根据本发明的洗衣机和控制方法可以根据基于机器学习的人工神经网络分析马达的电流模式。特别地，这种电流模式根据容纳在洗涤桶中的衣物状态而变化，并且反应各种衣物的诸如衣物量、衣物材料、衣物流动之类的特性。因此，通过使用电流模式作为通过基于机器学习的学习构成的人工神经网络的输入数据，可以准确且快速地对衣物进行分类。

特别地，根据特性的这种衣物分类不仅可以通过衣物量来实现，还可以通过各种标准来实现，例如衣物材料、水分率、湿衣物和干衣物的体积。此外，随着机器学习的训练数据(马达电流数据)的累积，可以进一步提高准确度。

另外，当容纳在洗涤桶中的衣物量是一定等级或更高时，由于衣物和门之间的摩擦，借助电流模式分析难以准确地检测衣物量和/或衣物状态。因此，根据衣物量确定是否由于衣物的摩擦而导致难以确定准确的衣物状态，从而能够进行适合于该情况的洗涤。

另外，当容纳在洗涤桶中的衣物量非常小时，通常，经常洗涤柔软的衣物。另选地，可能存在在空洗涤桶的状态下进行桶洗涤进程的情况。在这种情况下，通过进行适合于洗涤非常少量的柔软衣物的洗涤模式或者在不分析电流模式的情况下完成桶洗涤，可以在短时间内进行合适的洗涤。

尽管出于说明性目的公开了本发明的示例性实施方式，但是本领域技术人员将理解，在不脱离所附权利要求中公开的本发明的范围和精神的情况下，可以进行各种变型、添加和替换。因此，本发明的范围不应被解释为限于所描述的实施方式，而是由所附权利要求及其等同物限定。

Claims (18)

1.一种控制洗衣机的方法，该方法包括：

获取容纳在洗涤桶中的衣物量的第一检测步骤；

从多个洗涤进程中选择一个洗涤进程的选择步骤，所述多个洗涤进程包括根据基于所述衣物量配置的洗涤模式进行洗涤的第一洗涤进程和根据基于所述衣物量和衣物状态配置的洗涤模式进行洗涤的第二洗涤进程；以及

进行所选择的洗涤进程，

其中，所述第二洗涤进程包括第二检测步骤，该第二检测步骤借助在使用施加到马达的用于在所述洗涤桶的加速旋转期间旋转所述洗涤桶的电流值作为预先通过机器学习习得的人工神经网络的输入层的输入数据时所述人工神经网络的输出层的输出来获取所述衣物状态，

其中，所述选择步骤包括基于在所述第一检测步骤中获取的第一衣物量从所述多个洗涤进程中选择任何一个洗涤进程。

2.根据权利要求1所述的方法，其中，所述选择步骤包括：

当所述第一衣物量等于或大于预设的第一阈值时，选择所述第一洗涤进程；以及

当所述第一衣物量小于所述第一阈值时，选择所述第二洗涤进程。

3.根据权利要求1所述的方法，其中，所述多个洗涤进程还包括根据预设洗涤模式进行洗涤的第三洗涤进程。

4.根据权利要求3所述的方法，其中，所述选择步骤包括：

当所述第一衣物量等于或大于预设的第一阈值时，选择所述第一洗涤进程；

当所述第一衣物量大于第二阈值且小于所述第一阈值时，选择所述第二洗涤进程，其中，所述第二阈值小于所述第一阈值；以及

当所述第一衣物量小于所述第二阈值时，选择所述第三洗涤进程。

5.根据权利要求1所述的方法，其中，所述第二检测步骤包括：

将所述洗涤桶从第一旋转速度加速并旋转到比所述第一旋转速度快的第二旋转速度；

获取在所述洗涤桶加速和旋转的时段中施加到所述马达的电流值；以及

借助在使用所述电流值作为所述输入数据时所述人工神经网络的所述输出层的输出来获取所述衣物状态。

6.根据权利要求5所述的方法，其中，所述第二旋转速度是衣物与所述洗涤桶一体旋转的旋转速度。

7.根据权利要求5所述的方法，其中，加速和旋转所述洗涤桶包括：

以恒定加速度使所述洗涤桶从所述第一旋转速度加速到所述第二旋转速度。

8.根据权利要求5所述的方法，其中，获取衣物状态包括使用在所述洗涤桶从所述第一旋转速度加速到所述第二旋转速度的时段中施加到所述马达的所述电流值作为输入数据。

9.根据权利要求5所述的方法，其中，所述第二检测步骤还包括检测所述洗涤桶的旋转速度。

10.根据权利要求9所述的方法，其中，获取衣物状态包括：

基于所检测到的旋转速度，在获取电流值的步骤中获取的电流值中选择与所述洗涤桶从所述第一旋转速度加速到所述第二旋转速度的时段对应的电流值；以及

使用所选择的电流值作为所述输入数据。

11.根据权利要求1所述的方法，其中，所述第二检测步骤包括借助在使用所述电流值作为所述输入数据时所述人工神经网络的所述输出层的输出来获取容纳在所述洗涤桶中的衣物量。

12.根据权利要求1所述的方法，其中，所述第二洗涤进程包括：

在所述第二检测步骤之后，在多种洗涤模式中基于衣物状态选择任何一种洗涤模式；以及

根据所选择的洗涤模式进行洗涤。

13.根据权利要求12所述的方法，其中，考虑衣物的磨损风险和洗涤强度，对所述多种洗涤模式进行分类。

14.根据权利要求1所述的方法，其中，考虑衣物的磨损风险和洗涤强度，对所述衣物状态进行分类。

15.根据权利要求1所述的方法，其中，在所述第二检测步骤之前，所述第二洗涤进程还包括将洗涤水供应到所述洗涤桶中的供水步骤。

16.根据权利要求1所述的方法，该方法还包括：在所述第一检测步骤之前，经由输入单元接收洗涤进程，

其中，选择洗涤进程的所述选择步骤包括：

当接收的洗涤进程是所述第一洗涤进程时，选择所述第一洗涤进程；以及

当接收的洗涤进程是所述第二洗涤进程时，在所述多个洗涤进程中基于所述第一衣物量选择任何一个洗涤进程。

17.根据权利要求1所述的方法，该方法还包括：在所述第一检测步骤之前，经由输入单元接收洗涤水的温度，

其中，选择洗涤进程的所述选择步骤包括：

当接收的所述洗涤水的温度等于或高于预设的极限温度时，选择所述第一洗涤进程；以及

当接收的所述洗涤水的温度小于所述极限温度时，在所述多个洗涤进程中基于所述第一衣物量选择任何一个洗涤进程。

18.一种洗衣机，该洗衣机进行根据权利要求1至17中的任一项所述的控制洗衣机的方法。

Images