CN111519384A - 洗衣机及其控制方法 - Google Patents

Abstract

洗衣机及其控制方法。洗衣机可以包括：桶；振动传感器，其设置在所述桶处；滚筒，其中容纳衣物，并设置成能在所述桶中旋转；和控制器，其构造成在脱水过程中所述滚筒以特定旋转速度旋转的检测区间，利用所述振动传感器测量所述桶中发生的多轴振动有关的值，基于测量值，确定预期在所述桶中产生的最大振动位移的预测值，并基于确定的所述最大振动位移的预测值和预定基准值，确定是否在检测区间初始化所述脱水过程。

Description

洗衣机及其控制方法

技术领域

本发明涉及一种洗衣机及用于控制该洗衣机的方法，更具体地，涉及一种能够基于机器学习来提前预测在脱水过程中预期会产生的过度振动的洗衣机及用于控制该洗衣机的方法。

背景技术

通常，洗衣机是通过使用水和洗涤剂的化学清洁作用以及诸如水和衣物之间的摩擦之类的物理作用去除诸如衣服、床上用品等之类的衣物(以下也称为“织物”)中的污物的装置。

洗衣机分为搅拌器式、波轮式和滚筒式。滚筒式洗衣机包括：用于储存水的储水箱(或桶)；以及洗涤桶(或滚筒)，该洗涤桶可旋转地布置在储水箱中以在其中容纳衣物。

洗涤桶(或滚筒)形成有多个供水穿过的通孔。洗涤操作通常分为洗涤行程(循环)、漂洗行程(循环)和脱水行程(循环)。每个行程的过程均可以经由设置在洗衣机外部的控制面板(或显示器)来显示。

洗涤行程是利用储存在储水箱中的水与放置在洗涤桶中的衣物之间的摩擦以及洗涤剂在水中的化学清洁作用来去除衣物中的污物。

漂洗行程是通过向储水箱中供应清洁水(没有溶解的洗涤剂)用清洁水漂洗衣物，以去除衣物中在洗涤行程中吸收(附着)的洗涤剂。在漂洗行程中，可以将织物柔软剂与水一起供应。

脱水行程是在漂洗行程完成后，通过高速旋转洗涤桶来去除衣物中的水。通常，在脱水行程结束时完成洗衣机的整个洗涤操作。但是，在组合洗衣机烘干机的情况下，可以在脱水行程之后进一步添加干燥行程。

通常，洗涤操作设置成根据放置在洗涤桶中的衣物的载荷或量(在下文中也称为“织物量”)而在不同的条件下操作。例如，水位、洗涤强度、排水时间、脱水时间等可以根据衣物量而变化。

在洗涤操作中，当在从洗衣机的前方观察的情况下滚筒相对于前后方向旋转时，随着重力使衣物掉落而进行洗涤。

在完成洗涤和漂洗之后的脱水操作中，滚筒加速至高的旋转速度。然后，借助离心力，附着至滚筒的衣物中的水经由滚筒的表面上的脱水孔排出至桶。

在脱水过程中，当滚筒中衣物的载荷分布不均匀时，发生不平衡(以下称为“UB”)，这会导致驱动单元(包括滚筒的桶)由于重力而振动。该振动会传递至桶、机壳和地板，并产生噪音。另外，使滚筒旋转所需的载荷增加。

因此，就洗衣机而言，减小滚筒的振动就产品稳定性或客户满意度而言非常重要。

在现有技术中，为了减小驱动单元的振动，平衡单元(滚珠式平衡器、液体平衡器)等用于主动减小UB本身。这是为了增加驱动单元本身的重量，作为减小受UB影响的方式。另外，已经开发了用于使用摩擦阻尼器和具有阻尼力的弹簧减小驱动单元的振动的技术。

同时，通过引用并入本文的现有技术文献1(1999年11月24日公布的专利申请第10-0244874号)公开了一种用于预测预期发生的振动以去除洗衣机中的不平衡的构造。在现有技术文献1中，通过读取从陀螺仪传感器输出的电压波形，并计算该电压波形的表面积分以确定衣物的不平衡，然后将所确定的不平衡与基准值进行比较，来预测瞬态振动，所述基准值是确定瞬态振动发生的标准。

然而，在现有技术文献1中，仅仅将偏心量(UB值)与所产生的瞬态振动的基准值(参考UB值)进行比较，以仅基于比较的偏心量(UB值)来预测是否会发生瞬态振动。

换句话说，在现有技术文献1中，使用偏心量而不是振动值来预测瞬态振动，不能准确地计算出瞬态振动的预测值(即，最大瞬态振动值)。因此，发生瞬态振动的预测精度不够可靠。

如果不能准确预测瞬态振动，则会发生脱水过程的不必要的停止(或初始化)，从而导致脱水时间增加。

通过引用并入本文的现有技术文献2(2013年5月30日公布的专利申请号10-1272341)公开了一种用于测量RPM波动(UB值)和洗衣机中产生的实际振动量的构造。如果检测到的振动量大于基准振动量或者检测到的RPM波动大于参考RPM波动，则停止马达的旋转以进行再次使衣物均匀分布的过程。

然而，在现有技术文献2中，仅将实际产生的振动量与基准振动量进行比较。这不能通过使用实际产生的振动量来预测(计算)期望产生的瞬态振动的振动值(即，最大瞬态振动值)。

在现有技术文献2中，未公开用于准确预测(计算)瞬态振动值的构造，从而降低了对于瞬态振动的发生的预测精度。这导致不必要的停止(或初始化)，从而增加脱水所需的时间。同时，近来对诸如人工智能(AI)和深度学习之类的机器学习的关注大大增加。

传统的机器学习专注于基于统计的分类、回归和聚类模型。特别地，在分类和回归模型的监督学习中，由人预先定义基于学习数据的特征将新数据与学习数据的这些特征区分开的学习模型。另一方面，深度学习是计算机搜寻并识别学习数据的特征的一种学习。

加速深度学习发展的因素之一是作为开源提供的深度学习框架。深度学习框架的实施例有加拿大蒙特利尔大学的Theano、纽约大学的Torch、加利福尼亚大学伯克利分校的Caffe以及Google的TensorFlow。

随着深度学习框架的发布，除深度学习算法外，用于学习过程、学习方法和学习的数据的提取和选择对于有效学习和识别也变得越来越重要。

此外，正在积极进行研究，以将AI和机器学习应用于\各种产品和服务。

此外，正在积极进行在脱水循环中采用AI和机器学习的开发，以进行优化的脱水循环。

例如，通过引用并入本文的现有技术文献3(3月16日公布的专利申请第10-1841248号)公开了一种通过将马达的旋转速度作为人工神经网络的输入值输入来检测衣物的载荷或量的构造。

然而，在现有技术文献3中，没有提供使用预训练的ANN来检测预期在脱水过程中产生的最大瞬态振动值(或最大振动位移的预测值)的构造。

发明内容

技术问题

已经做出本公开以解决现有技术的那些问题。本公开的一方面在于提供一种能够通过准确地预测过度振动的发生而减少脱水所需的时间的洗衣机以及一种用于控制该洗衣机的方法。

本公开的另一方面在于提供一种能够准确地检测在脱水过程中引起过度振动的不平衡(UB)的洗衣机以及一种用于控制该洗衣机的方法。

本公开的又一方面是提供一种能够使用人工神经网络(ANN)在脱水过程的早期预测脱水过程中过度振动的发生的洗衣机以及一种用于控制该洗衣机的方法。

本公开的又一方面是提供一种能够通过在过度振动发生之前准确地确定是否初始化脱水过程来防止由于不必要的脱水过程初始化而延长脱水时间的洗衣机以及一种用于控制该洗衣机的方法。

本公开的又一方面是提供一种能够使用由振动传感器测量的振动值来直接计算在脱水过程中产生的最大振动位移的预测值，并且能够基于最大振动位移的预测值准确地确定过度振动的发生的洗衣机以及一种用于控制该洗衣机的方法。

本公开中要解决的任务可能不限于上述任务，并且基于以下描述，本领域技术人员将清楚地理解本公开要解决的其它问题。

本文中公开的实施方式提供一种洗衣机，该洗衣机可以包括控制器，该控制器构造成在滚筒以特定旋转速度旋转的检测区间(即，低RPM区间)利用振动传感器来测量关于多轴振动的值，从而减少脱水所需的时间；基于测量值确定预期在整个脱水过程(或共振区间(或瞬态区间))中产生的最大振动位移的预测值；并且当最大振动位移的预测值超过预定基准值时确定在检测区间(低RPM区间)初始化脱水过程。

本文公开的实施方式还提供一种洗衣机，该洗衣机可以包括控制器，该控制器能够通过将与多轴振动有关的值作为输入值输入到经过预训练或通过机器学习习得的人工神经网络(ANN)中来准确地检测预期在整个脱水过程(或150至600RPM的共振区间(或瞬态区间))中产生的最大振动位移的预测值，以准确确定是否初始化脱水过程。

本文公开的实施方式可以进一步提供一种洗衣机，该洗衣机可以包括：桶；振动传感器，其设置在所述桶处；滚筒，其中容纳衣物，并设置成能在所述桶中旋转；和控制器，其构造成在脱水过程中所述滚筒以特定旋转速度旋转的检测区间，利用所述振动传感器测量所述桶中发生的多轴振动有关的值，基于测量的所述值，确定预期在所述桶中产生的最大振动位移的预测值，并基于确定的所述最大振动位移的所述预测值和预定基准值，确定是否在检测区间初始化所述脱水过程。

根据本文公开的实施方式，所述振动传感器可以测量相对于所述桶沿多个不同轴发生的多个振动的多个振动位移值。

根据本文公开的实施方式，所述控制器可以计算所述多个振动之间的多个相位差的信息。

根据本文公开的实施方式，所述多个相位差的信息可以包括关于所述多个振动中的任一者与其余振动之间的相位差的信息。

根据本文公开的实施方式，所述控制器可以通过输入所述多个振动位移值、所述多个相位差的信息以及旋转速度变化值中的至少一者作为预训练的人工神经网络(ANN)的输入值来输出所述最大振动位移的所述预测值作为输出值。

根据本文公开的实施方式，所述最大振动位移的所述预测值可以包括预期在多个不同轴中的每个轴中产生的最大振动位移的多个预测值。

根据本文公开的实施方式，当所述最大振动位移的所述多个预测值全部都等于或小于所述预定基准值时，所述控制器可以使所述滚筒快于所述检测区间的特定旋转速度旋转。

根据本文公开的实施方式，当所述最大振动位移的所述多个预测值中的至少一个预测值超过所述预定基准值时，所述控制器可以在所述检测区间停止所述滚筒的旋转。

根据本文公开的实施方式，所述预定基准值可以是根据多个不同轴中的每一个轴设置的。

根据本文公开的实施方式，所述特定旋转速度可以快于衣物贴到所述滚筒的壁表面上时滚筒的旋转速度，并且慢于所述脱水过程的最大旋转速度。

本文公开的实施方式还提供了一种用于控制洗衣机的方法，所述方法可以包括：在脱水过程中滚筒以特定旋转速度旋转的检测区间，利用振动传感器测量关于包括所述滚筒的桶中发生的多轴振动的值；基于测量的所述值确定预期在所述桶中产生的最大振动位移的预测值；以及基于确定的所述最大振动位移的所述预测值和预定基准值，确定是否在所述检测区间初始化所述脱水过程。

根据本文中公开的实施方式，所述振动传感器可以测量相对于所述桶沿多个不同轴发生的多个振动的多个振动位移值。

根据本文中公开的实施方式，所述测量可以配置成计算所述多个振动之间的多个相位差的信息。

根据本文中公开的实施方式，所述多个相位差的信息可以包括关于所述多个振动中的任一者与其余振动之间的相位差的信息。

根据本文中公开的实施方式，所述确定可以配置成通过输入所述多个振动位移值、所述多个相位差的信息以及旋转速度变化值中的至少一者作为预训练的人工神经网络(ANN)的输入值来输出所述最大振动位移的所述预测值作为输出值。

根据本文中公开的实施方式，所述最大振动位移的所述预测值可以包括预期在多个不同轴中的每个轴中产生的最大振动位移的多个预测值。

根据本文中公开的实施方式，使所述滚筒快于所述检测区间的特定旋转速度可以进一步包括当所述最大振动位移的所有所述多个预测值全部都等于或小于所述预定基准值时。

根据本文中公开的实施方式，确定是否初始化所述脱水过程可以配置成使得当所述最大振动位移的所述多个预测值中的至少一个预测值超过所述预定基准值时，通过在所述检测区间停止所述滚筒的旋转而初始化所述脱水过程。

根据本文中公开的实施方式，所述预定基准值可以是根据多个不同轴中的每一个轴设置的。

根据本文中公开的实施方式，所述特定旋转速度可以快于衣物贴到所述滚筒的壁表面上时所述滚筒的旋转速度，并且慢于所述脱水过程的最大旋转速度。

其它实施方式的细节包括在详细描述和附图中。

根据本公开的实施方式，可以提供以下效果中的一个或多个。

首先，在检测区间预测预期在脱水过程中产生的桶的最大振动位移，从而在脱水开始时(或早期阶段)确定是初始化脱水过程还是继续脱水过程。

第二，可以在脱水过程开始时检测导致过度振动发生的不平衡(UB)。因此，可以尽早将脱水过程初始化，从而减少脱水所需的时间。

第三，在由ANN计算出的最大振动位移的预测值超过预设基准值的情况下，可以确定初始化(停止或终止)脱水过程而不进一步继续脱水过程，从而防止过度振动的发生并减少进入脱水过程所需的时间。

本公开的效果不限于上述那些效果，并且本领域技术人员根据所附权利要求的描述可以清楚地理解未提及的其它效果。

附图说明

图1是根据一个实施方式的洗衣机的侧视剖面图。

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是示出脱水循环的过程的图。

图4是示出根据实施方式的旋转速度波动和3D UB的概念图。

图5是示出根据本公开的代表性控制方法的流程图。

图6、图7、图8和图9是示出图5中的控制方法的概念图。

图10和图11是采用根据实施方式的控制方法的实验的结果数据。

具体实施方式

在下文中，将参考附图详细描述本文公开的实施方式，并且不管附图的编号如何，相同或相似的元件用相同的附图标记表示，并且将省略它们的冗余描述。通常，诸如“模块”和“单元”之类的后缀可用于指元件或部件。本文中使用这样的后缀仅旨在便于说明书的描述，并且后缀本身不意图给出任何特殊含义或功能。在描述本公开时，如果认为对相关的已知技术或构设的详细解释不必要地转移了本公开的主旨，则省略该解释，但是本领域技术人员会理解。另外，应该理解，附图仅是为了容易地解释本公开的概念而示出的，因此，它们不应被解释为将本文中所公开的技术构思限于附图，并且本公开的构思应当被解释为扩展到包括在本公开的概念和技术范围中的所有变型、等同物和替代物。

尽管在本文中可以使用包括诸如第一、第二之类的序数的术语来描述各种元件，但是这些元件不应受那些术语的限制。这些术语仅用于将一个元件与另一个元件区分开的目的。

应当理解，当一个元件被称为与另一个元件“连接”时，该元件可以直接与另一个元件连接，或者也可以存在中间元件。相反，在元件“直接连接”或“直接链接”至另一元件的情况下，应理解为在它们之间不存在任何其它元件。

单数表示可以包括复数表示，除非根据上下文其表示出绝对不同的含义。

本文中使用的术语“包括”或“具有”应理解为旨在表明存在本说明书中公开的特征、数量、步骤、组成元件、部件或其组合，还应该理解，不预先排除一个或多个其它特征、数量、步骤、组成元件、部件或其组合的存在或附加可能性。

图1是根据一个实施方式的洗衣机的侧视剖面图，并且图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，根据本实施方式的洗衣机可以包括：形成外观的壳体1；储水箱(或桶)3，其布置在壳体1中并构造成在其中储存洗涤水；洗涤桶4(或滚筒)，其可旋转地布置在储水箱3中，衣服被引入该洗涤桶4中；以及马达9，其构造成使洗涤桶4旋转。

洗涤桶4可以设置有：前盖41，其具有用于放入和取出衣物的开口；圆柱形滚筒42，其大致水平地布置成使得其前端联接至前盖41；以及后盖43，其联接到滚筒42的后端。马达9的旋转轴可以通过穿过储水箱3的后壁而连接到后盖43。滚筒42中可以形成有多个通孔，使得水在洗涤桶4和储水箱3之间交换。

滚筒42的内周表面上可以设置有升降器20。从滚筒42的内周表面突出的升降器20可以在滚筒42的长度方向(前后方向)上延伸，并且多个升降器20可以布置成在圆周方向上彼此间隔开。当洗涤桶4旋转时，升降器20可以将衣物提起。

不限于此，升降器20从滚筒42突出的高度优选为30mm以下(或滚筒直径的6.0％)，更优选为10至20mm。特别地，当升降器20的高度为20mm以下时，即使洗涤桶4以大约80rpm在一个方向上连续旋转，衣物也可以移动而不会贴在洗涤桶4上。即，当洗涤桶4沿一个方向多次旋转时，位于洗涤桶4中最低位置的衣物可以借助洗涤桶4的旋转被提起至预定高度，然后与洗涤桶4分离而掉落。

洗涤桶4以水平轴线为中心旋转。在此，术语“水平”不是指严格意义上的几何水平，而是即使相对于如图1中所示的水平轴线以预定角度倾斜，也接近于水平而不是竖直。因此，假设洗涤桶关于水平轴线旋转。

壳体1的前表面可以形成有衣物入口，并且壳体1处可以可旋转地设置有用于打开和关闭衣物入口的门2。壳体1中可以安装有进水阀5，进水管6以及进水软管8。当打开进水阀5以供应水时，穿过进水管6的洗涤水可以与分配器7中的洗涤剂混合，然后经由进水软管8被引入到储水箱3中。

泵11的输入端口可以经由排水软管10连接至储水箱3，并且泵11的出口端口可以连接至排水管12。经由排水软管10从储水箱3排出的水由泵11馈送成沿着排水管12流动，然后被排出至洗衣机的外部。

参考图2，根据本公开的一个实施方式的洗衣机可以包括：控制器60，其构造成控制洗衣机的整体操作；马达驱动单元71，其由控制器60控制；输出单元72；通信单元73；速度感测单元74；电流感测单元75；振动感测单元76；以及存储器78。

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可以根据预设算法进行洗涤循环、漂洗循环、脱水循环和干燥循环。控制器60还可以根据算法控制马达驱动单元71。

马达驱动单元71可以响应于控制器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、加速倾斜(或加速度)、驱动时间等的信号。

马达驱动单元71用于给马达9供电，马达驱动单元71可以包括逆变器(未示出)和逆变器控制器(未示出)。另外，马达驱动单元71可以进一步包括用于向逆变器供应直流(DC)电力的转换器等。

例如，当逆变器控制器(未示出)将基于脉宽调制(PWM)的方法的切换控制信号输出至逆变器(未示出)时，逆变器(未示出)就进行高压切换以便将预定频率的交流(AC)电力供应给马达9。

在本说明书中，由控制器60以特定方式控制马达9可以意味着控制器60将控制信号施加至马达驱动单元71，使得马达驱动单元71基于控制信号以特定方式控制马达9。在此，特定方式可以包括本文中所述的各种实施方式。

速度感测单元74可以检测洗涤桶4的旋转速度。速度感测单元74可以检测马达9的转子的旋转速度。当提供通过改变马达9的转速比而使洗涤桶4旋转的行星齿轮系时，洗涤桶4的旋转速度可以是在考虑到行星齿轮系的减速比或加速比的情况下转换为由速度感测单元74感测的转子的旋转速度的值。

控制器60可以通过使用从速度感测单元74接收到的关于洗涤桶4的旋转速度的反馈来控制马达驱动单元71，使得马达9遵循预设的目标速度。换句话说，控制器60可以控制马达9，使得洗涤桶4的旋转速度达到目标速度。

电流感测单元75可以检测施加至马达9的电流(或在马达9中流动的输出电流)以将感测到的电流传输至控制器60。控制器60可以使用接收到的电流来检测衣物的载荷(或量)以及织物种类(或衣物品类)。

这里，电流值包括在洗涤桶4朝目标速度加速的过程(或马达9朝预设目标速度加速的过程)期间获得的值。

当基于转矩电流和磁通电流由矢量控制来控制马达9的旋转时，该电流可以是在马达电路中流动的转矩轴(q轴)分量，即转矩电流(iq)。

振动感测单元76可以检测由容纳有衣物的洗涤桶4的旋转产生的储水箱3(或洗衣机)中的振动。

根据本公开的一个实施方式的洗衣机可包括振动传感器(或振动测量传感器)77。振动传感器77可以设置在洗衣机的一点处，例如，在储水箱3的一个点处。振动传感器77可以包括在振动感测单元76中。

振动感测单元76可接收由振动传感器77测量的振动值(或振动位移值)，并将该振动值传输至控制器60。振动感测单元76还可使用由振动传感器77测量的振动信号计算储水箱3(或洗衣机)的振动值(或振动位移值)。

设置在根据本公开的一个实施方式的洗衣机中的速度感测单元74、电流感测单元75和振动感测单元76也可以被称为“感测单元”，并且被理解为包含在感测单元中的概念。

此外，感测单元可以计算由速度感测单元74测量的洗涤桶4的旋转速度值(或速度值)；施加至马达9的电流值，该电流值由电流感测单元测量75；以及由振动感测单元76测量的储水箱3的振动值。

同时，根据本公开的洗衣机还可以包括UB感测单元(未示出)。UB感测单元可以感测洗涤桶4的偏心量(晃动量)，即，洗涤桶4的不平衡(UB)。UB感测单元可以计算在数值上表示洗涤桶4的晃动的UB值。

控制器60可以将洗涤桶4的每分钟转数(RPM)计算为UB值。

例如，控制器60可以基于由速度感测单元74测量的洗涤槽4的旋转速度的波形值，计算最大速度和最小速度之间的偏移值作为旋转速度变化(或晃动)值。

UB值可以是计算出的旋转速度变化值本身，或者可以是通过使用计算出的旋转速度变化值而输出的特定值。

控制器60可以测量当容纳有衣物的洗涤桶4旋转时产生的洗涤桶4的不平衡(UB)。在此，洗涤桶4的不平衡可以指洗涤桶4的晃动或洗涤桶4的晃动值(或晃动程度)。另外，洗涤桶4的不平衡可以指洗涤桶4中的衣物的重量的不均匀分布。

控制器60可以测量(计算)洗涤桶4(或滚筒)的晃动值(或晃动程度)。在此，洗涤桶4的晃动值可以称为UB值、UB量、不平衡值、不平衡量或偏心量。

在本说明书中，不平衡(UB)可以指洗涤桶4的偏心量，即，洗涤桶4的不平衡或洗涤桶4的晃动。

可以基于洗涤桶4(或马达9)的旋转速度变化量或洗涤桶4(或马达9)的加速度变化量来输出(计算)代表洗涤桶4的晃动强度(或程度)的UB值。

例如，控制器60可以通过接收由速度感测单元74测量的洗涤桶4(或马达9)的旋转速度并使用接收到的旋转速度值的变化量来计算UB值。在此，旋转速度变化量例如可以是指以预定的时间间隔测得的旋转速度的差异、洗涤桶4以预定角度旋转时每次所测得的旋转速度的差异或最大旋转速度和最小旋转速度之间的差异。即，在此描述的UB值可以指旋转速度变化值(或RPM波动)。

例如，控制器60可以测量由速度感测单元74测量的洗涤桶4在各预定角度的旋转速度，以通过测得的旋转速度的差来计算加速度。此后，控制器60(或UB感测单元(未示出))可以通过使用通过从测得的旋转速度值中的最大加速度减去最小加速度而获得的值来计算UB值。

同时，在附图中，速度感测单元74、电流感测单元75、振动感测单元76和UB感测单元(未示出)与控制器60分开设置，但是本公开不限于此。

速度感测单元74、电流感测单元75、振动感测单元76和UB感测单元中的至少一者可以设置在控制器60中。在这种情况下，由速度感测单元74、电流感测单元75、振动感测单元76和UB感测单元进行的功能、操作和控制方法可以由控制器60进行。

当振动感测单元76包括在控制器60中或在控制器60的控制下运行时，可以理解的是，振动传感器77不包括在振动感测单元76中，而是单独设置在洗衣机的一个点处。这里，洗衣机的所述一个点可以是储水箱3的外表面的一点。

输出单元72可以输出与洗衣机有关的各种信息。例如，输出单元72可以输出洗衣机的操作状态。输出单元72可以是诸如LCD或LED之类的输出视觉显示的图像输出装置，或者是诸如蜂鸣器之类的输出声音的声学输出装置。由控制器60控制的输出单元72可以输出衣物量或织物种类(衣物品类)的信息。

编程的ANN、根据衣物量和/或织物种类的电流模式、基于该电流模式通过机器学习构建的数据库(DB)、机器学习算法，由电流感测单元75检测到的电流值、检测到的电流值的平均值、通过根据解析规则处理平均值而获得的值以及通过通信单元73传输和接收的数据等可以保存在存储器78中。

另外，诸如用于控制洗衣机的整体操作的各种控制数据、用户输入的洗涤设置数据、根据洗涤设置计算的洗涤时间数据、洗涤过程数据、用于确定洗衣机错误的数据等可以保存在存储器78中。

通信单元73可以与连接至网络的服务器进行通信。通信单元73可以包括诸如Internet模块、移动通信模块之类的至少一个通信模块。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类型的数据。

控制器60可以通过处理从通信单元73接收的各种类型的数据来更新存储器78。例如，如果经由通信单元73输入的数据与预先储存在存储器78中的操作程序的更新有关，则控制器60可以使用更新数据来更新存储器78。当输入数据是关于新的操作程序时，控制器60可以另外将新的操作程序储存在存储器78中。

机器学习是指计算机从数据中学习并解决问题，而无需人的明确指示逻辑。

深度学习是一种人工智能(AI)技术，基于用于构建AI的ANN，因此计算机无需教导而像人一样思考和学习。可以以软件或诸如芯片之类的硬件的形式来实施ANN。

例如，控制器60基于机器学习，可以通过处理由电流感测单元75感测的电流值来断定被引入到洗涤桶4中的衣物(织物)的属性(以下称为“织物属性”)。这些织物属性可以包括衣物量以及织物种类(或类型)。

另外，根据本公开，控制器60可以使用通过机器学习习得的ANN来确定(预测、估计、计算)与洗涤桶4的不平衡有关的各种信息。例如，控制器60可以计算预期在脱水过程中产生的最大振动位移的预测值。

如果衣物放置成集中在洗涤桶4的一侧或衣物严重缠结，则发生不平衡(即，不平衡变得严重)，从而导致洗涤桶4在旋转时剧烈晃动或振动。

随着洗涤桶4的晃动加剧(随着洗涤桶4的UB值变大)，大电流载荷施加至马达9以用于使洗涤桶4高速旋转，从而消耗更多的能量并且引起噪音。

相反，当衣物均匀地分布在洗涤桶4中或衣物稍微缠结时，不平衡减少。因此，即使洗涤桶4高速旋转，洗涤桶4的晃动(振动值)也减小，并且UB值相应地变小。

下文中，将详细描述最小化由衣物引起的不平衡(UB)的方法。

图3是表示脱水循环的过程的图，并且图4是示出根据实施方式的旋转速度波动和3D UB的概念图。

根据本实施方式的洗衣机可以通过使用脱水驱动算法来进行脱水循环(或行程)，以便最小化由衣物(或织物)引起的UB。

下文中，会将上述储水箱3称为“桶”3，并会将上述洗涤桶4称为“滚筒”4。

就洗衣机的驱动单元(包括滚筒的桶)的振动而言，驱动单元的最大振动位移振幅和发生点往往根据衣物载荷(织物量)而变化。因此，洗衣机在以低旋转速度(RPM)(例如，小于50RPM)翻转衣物时检测衣物载荷(或衣物量)。

可以通过监测马达9中捕获的电流来检测衣物载荷。

洗衣机的控制器60可以通过深度学习来准确地预测衣物载荷。

此后，进行衣物分布过程(或衣物平衡过程)以在滚筒4(图3的2)旋转和减速(约50RPM或更小)的同时将衣物均匀地装载或分布在滚筒4中。控制器60可以使用电流实时地监测衣物分布的程度(水平)。另外，当控制器60检测到供衣物在某种程度上均匀分布的预定量的电流时，控制器60可以进入用于检测由衣物引起的不平衡(UB)的UB检测过程。

可以在离心力被施加至在衣物贴到滚筒4的内壁上的同时保持衣物固定的程度的状态下进行不平衡(UB)检测。

尽管根据滚筒的直径等略有不同，但是在滚筒4以80RPM至90RPM或更高的旋转速度旋转的情况下，当衣物贴到滚筒4的内壁上时，通常会产生不平衡(UB)。

因此，可以以80至90RPM或更高的旋转速度进行UB检测。例如，可以以比80至90RPM的旋转速度更快的特定旋转速度(108RPM)进行UB检测。

这样，在滚筒4的旋转维持在特定旋转速度(108RPM)的同时检测不平衡(UB)的区间被称为“检测区间”。

出于相同的原因，用于混合和均匀分布衣物(物品)的衣物分布过程可以以80RPM或更低的旋转速度进行，在该旋转速度下衣物不会贴到滚筒4。

同时，在脱水过程中产生驱动单元的最大振动位移的150RPM至600RPM的共振区间中，振动位移会由于振动的多方向性和非线性而迅速改变。

因此，应该在固定不平衡(UB)但振动位移变化不大的80至150RPM之间进行UB检测。

将参考图4详细描述UB检测技术。

通过UB检测步骤(检测区间)中的一系列算法，当如果加速到更高的RPM由于不平衡(UB)引起的振动位移的值预期会超过基准值时，控制器60可以控制滚筒4的旋转速度返回到0RPM而停止，以便在检测衣物载荷之后重复一系列步骤(图3的1)。

此时，可以通过考虑诸如驱动单元与机壳之间的碰撞的发生、噪音以及驱动单元的刚度极限之类的各种或复杂的事项来确定振动位移值的基准值。

当由不平衡(UB)引起的振动位移的值预期不超过基准值时，控制器60可以将滚筒4加速至更高的RPM，从而提高脱水率(或水平)。

如果与预测的不平衡(UB)不同而在加速期间极大地产生振动，则控制器60在超过基准振动值的过度振动发生之前终止或停止滚筒4的旋转，从而从检测衣物的载荷之后的步骤重新开始脱水行程(图3的3)。

在检测衣物的载荷之后，停止滚筒4的旋转或使滚筒4的旋转速度回到0RPM并重复一系列过程(或步骤)，该过程可以称为“初始化脱水过程”或“终止脱水过程”。

这里，如果设置有用于测量振动的传感器，则当测得的振动位移值超过预定基准值时，控制器60可以终止滚筒4的旋转。如果没有设置传感器，则控制器60可以监测用于驱动马达的电流值以估计振动位移值，并在预测的振动位移值超过预定基准值时终止滚筒4的旋转。

当大量不同种类的织物混合在一起时，因为排水程度根据织物类型而变化，所以发生由不同类型织物(或衣物品类)引起的不平衡(UB)的变化。

为了反映高RPM时的不平衡(UB)的变化，重复进行若干次加速和减速，以重复检测排水状态下的不平衡(UB)。

当在使RPM加速和减速以排水的同时重复进行108RPM下的UB检测时，1)通过所有进行若干次的UB检测，2)当实际振动位移值在增加RPM之后未超过预定基准值时进入主脱水，并以高RPM进行脱水。对于除图3的4以外的情况，停止脱水过程(或滚筒的旋转)，以再次均匀地分布衣物。

理想情况下，在脱水步骤中借助完美平衡去除不平衡(UB)时，振动和噪音可以降至最低。但是，如果为此目的过度进行UB检测，则脱水所需的时间(脱水进入时间)将延长，导致整个洗涤循环的时间延长。因此，通过考虑振动/噪音与脱水进入时间之间的折衷来构建算法。

将参考图4描述用于UB检测的方法。

在脱水步骤中，可以通过当恒定量的电流输入到马达以维持特定旋转速度(108RPM)时产生的旋转速度的变化来进行不平衡(UB)检测。

在滚筒4旋转的同时衣物位于滚筒4的上部或上部分的情况下(图4的①)，滚筒4旋转时由衣物掉落产生的力起作用以加速滚筒4的RPM(即，导致RPM增加)。

相反，在衣物位于滚筒4的下部或下部分的情况下(图4的②)，施加于衣物的重力沿阻碍或抑制滚筒4旋转的方向作用，从而使滚筒4的RPM减速(即，导致RPM减小)。

此外，RPM波动的范围可以根据衣物的尺寸(或衣物的不平衡载荷的水平(或程度))而变化。这样，RPM波动的范围可以表示旋转速度变化(或晃动)值或RPM变化(或晃动)值，并且还可以表示UB值(或UB的水平)。

通常，不平衡(UB)的水平确定了在瞬态区间(或区域)中发生的最大振动位移的大小。通过考虑RPM波动的范围和瞬态区间中最大振动位移的大小之间的相关性，控制器60确定是停止滚筒4的旋转还是进入主脱水过程。

除了RPM波动外，控制器60还可以使用附接至桶3的用于直接测量振动(或振动位移值)的振动传感器77计算振动位移值，并将检测区间(108RPM)处的振动位移(振幅)与特定基准值进行比较，以确定是否终止滚筒4的旋转。这里，可以使用检测区间(108RPM)处的振动幅度(水平)与瞬态区间中的最大振动位移之间的相关性来确定特定基准值。

同时，在衣物的载荷大的情况下，如图4的(a)中所示，不平衡(UB)不能被视为一个，UB根据滚筒4的深度方向、角度等在三个维度上分布。

如图4的(b)中所示，如果在滚筒4的前方和后方产生具有特定角度的不平衡(UB)(对角UB或3D UB)，则当通过图4的(a)中描述的方法观察旋转速度变化值(波动的范围)时，由分别放置在滚筒4的前方和后方的织物(或衣物品类)m_f、m_r引起的RPM波动彼此抵消，从而产生小的RPM波动。

即使当使用振动传感器时，在滚筒4以特定旋转速度(108RPM)旋转的检测区间(检测RPM)中也不产生高维模式。因此，在衣物载荷小的情况下，振动线性增加。但是，对于对角UB(3D UB)，RPM波动抵消，产生少量的振动。因此，仅利用滚筒4以特定旋转速度(108RPM)旋转的检测区间中测得的振动位移，难以预测以高于特定旋转速度(108RPM)的RPM预期产生的振动。

同时，在由于滚筒4的共振而发生最大振动位移的150至600RPM(瞬态区间)的情况下，观察到高维振动模式，这在低RPM下未观察到。

由于高维振动模式的复杂作用，发生了非线性振动。因此，难以使用不能正确地检测出大载荷的复合UB(对角UB，3D UB)的现有方法来准确地预测瞬态区间的振动量(振动位移值)。

如果基于UB检测错误地确定了是否停止(或终止)脱水过程(或滚筒旋转)，则在振动和脱水进入时间方面都会出现问题。

当即使不平衡(UB)是严重的仍由于错误的检测而进行了主脱水过程时，会导致瞬态区间中的过度振动，并且滚筒4的旋转停止。脱水行程从头重新开始，导致与在UB检测时停止脱水过程相比，脱水进入时间有所延迟。

相反，当即使不平衡(UB)小并且没有发生过大的振动也停止脱水过程时，与进入脱水过程的时机相比，这导致了脱水进入时间的延迟。

为了减少脱水所需的时间，根据本公开的洗衣机可以在脱水过程开始时计算(或确定)在脱水过程中可能产生的最大振动位移的预测值，并且基于计算出的最大振动位移的预测值，确定是要初始化脱水过程，还是进入主脱水过程。

下文中，将描述用于控制洗衣机的优化方法。在该方法中，在以特定的旋转速度检测不平衡(UB)的UB区间(在脱水过程开始时)准确地预测预期在瞬态区间中产生的最大振动位移(在脱水过程中可能产生的预测最大振动位移)，以便初始化脱水过程以在过度振动发生之前均匀分布衣物，或者如果没有过度振动发生则通过快速进入主脱水过程来减少脱水所需的时间。

图5是示出根据本公开的代表性控制方法的流程图，并且图6、图7、图8和图9是示出图5中的控制方法的概念图。

首先，在检测区间(滚筒4的旋转速度维持在108RPM的特定旋转速度的区间)中，根据本公开的洗衣机可以预测通常在瞬态区间(150RPM到600RPM)中产生的最大振动位移，以确定在脱水过程开始时是初始化还是继续脱水过程。即，在瞬态区间中产生的桶3的最大振动位移可以表示在整个脱水过程中预期产生的最大振动位移。

换句话说，洗衣机可以基于脱水过程(检测区间)刚开始时滚筒4中衣物载荷(UB)的分布来确定瞬态区间(150RPM至600RPM)是否会产生过度振动。

例如，如果滚筒4中的衣物载荷不均匀地分布或不平衡，则滚筒4的旋转速度变得更快，从而增加了在瞬态区间中发生过度振动的可能性。

为了解决该问题，根据本实施方式的洗衣机可以包括设置在桶3处的振动传感器77，以预测桶3的最大振动位移值。这里，设置在桶3处的振动传感器77可以是6轴振动传感器。

为了预测桶3的最大振动位移值，将由6轴振动传感器77在检测区间(108RPM)测得的振动位移值和相位与RPM变化值一起作为输入值输入到通过3D不平衡(UB)深度学习而习得的ANN中，从而获得桶3的最大振动位移的预测值作为输出值。

详细地，控制器60可以将由振动传感器77测得的多个振动位移值以及基于所述多个振动位移值以及旋转速度变化值计算出的多个相位差的信息作为输入值输入到预训练或预习得的ANN中，以便作为结果值输出预期在整个脱水过程中产生的最大振动位移的预测值。

此后，控制器60可以将最大振动位移的预测值与预定基准值进行比较，以确定是在脱水过程开始时初始化(终止)脱水过程还是继续脱水过程。

例如，当最大振动位移的预测值超过预定基准值时，控制器60可以不进一步继续脱水过程，并且初始化(终止)脱水过程以防止过度振动，从而减少了进入主脱水过程(以108RPM进行脱水的过程)所需的时间。

下文中，将参考附图详细描述计算最大振动位移的预测值的过程。

首先，根据本实施方式的洗衣机可以包括：桶3；以及滚筒4，滚筒4容纳有织物(衣物)以及设置在桶3处的振动传感器77，并且滚筒4设置成可在桶3中旋转。

另外，洗衣机可以包括：用于使滚筒4旋转的马达9；以及控制器60，该控制器60构造成通过使用由振动传感器77测得的振动值(下文中称为“振动位移值”)来控制马达9。

参考图5，控制器60可以在脱水过程中滚筒4以特定的旋转速度(例如108RPM)旋转的检测区间测量关于在包括滚筒4的桶3中产生的多轴振动的值(S510)。

特定旋转速度可以比衣物贴到滚筒4的壁表面上时滚筒4旋转的速度快，并且比脱水过程的最大旋转速度慢。

即，特定旋转速度可以比在衣物贴到滚筒4的壁表面时滚筒4开始旋转的最小速度快(例如，该最小速度可以根据滚筒的直径而变化，但通常在80至90RPM之间)，并且可能慢于比脱水过程的最大旋转速度(例如600RPM)或瞬态区间(共振区间)的最大旋转速度(例如150至600RPM)慢的速度(例如108RPM)。

如上所述，振动传感器77可以是6轴振动传感器。

“多轴”可以指能够由振动传感器测得的多个不同的轴(例如，如果振动传感器能够感测6个轴的振动，则为6轴)。

与多轴振动有关的值可以包括基于多个不同的轴测得的多个振动的多个振动位移值以及多个振动之间的多个相位差的信息。

即，与多轴振动有关的值可以指多轴振动(多个振动)的位移和相位(或相位差)值。

振动传感器77可以测量沿着相对于桶3的多个不同的轴(例如6个轴)发生的多个振动的多个振动位移值。

此处，多个不同的轴(6个轴)可以指6个不同的轴，并且可以指在桶3的多个不同点(或位置)处具有多个不同方向的轴。换句话说，多个不同的轴可以指在桶3的不同点处具有不同方向的轴。

参考图6，桶3的多个不同点可以指桶3的前方点F和后方点R。多个不同方向可以包括前后方向x、垂直于前后方向的左右方向y以及分别垂直于前后方向和左右方向的上下方向z。

可以通过在多个不同点中的每一点处的多个不同方向的组合来形成多个不同的轴(6个轴)。例如，这6个轴可以包括：前方的前后轴Fx、前方的左右轴Fy、前方的上下轴Fz、后方的前后轴Rx、后方的左右轴Ry以及后方的上下轴Rz。

振动传感器77可以测量沿着相对于桶3(或在桶3中)的多个不同的轴Fx、Fy、Fz、Rx、Ry和Rz发生的多个振动的多个振动位移值。即，振动传感器77可以测量在桶3的不同点(F，R)处在多个不同方向(x，y，z)上发生的振动的多个位移值。

振动传感器77可以布置在桶3的一点处，以基于多个不同的轴将在桶3中产生的振动分类为多个振动，并且多个振动的多个振动位移值可以被测量。

多个振动位移值可以包括前方的前后振动位移值(Fx振动位移值)、前方的左右轴振动位移值(Fy振动位移值)、前方的上下振动位移值(Fz振动位移值)、后方的前后振动位移值(Rx振动位移值)、后方的左右振动位移值(Ry振动位移值)以及后方的上下振动位移值(Rz振动位移值)。

此外，控制器60可以计算沿着多个不同的轴(6个轴)发生的多个振动(即，根据多个不同的轴在桶3中产生的多个分类振动)之间的多个相位差的信息。

换句话说，控制器60可以使用多个振动位移值来计算多个振动位移值之间的多个相位差的信息。

多个相位差的信息可以包括关于多个振动(Fx振动、Fy振动、Fz振动、Rx振动、Ry振动和Rz振动)中的任何一个振动(例如，Ry振动)与其余振动(Fx振动、Fy振动、Fz振动、Rx振动和Rz振动)之间的相位差的信息。

换句话说，多个相位差的信息可以指的是包括关于多个振动位移值(Fx振动位移值、Fy振动位移值、Fz振动位移值、Rx振动位移值、Ry振动位移值和Rz振动位移值)中的任何一者(例如，Ry振动位移值)与其余的振动位移值(Fx振动位移值、Fy振动位移值、Fz振动位移值、Rx振动位移值和Rz振动位移值)之间的相位差的信息。

当所述任何一个振动(即基准振动)是Ry振动(或Ry振动位移值)时，多个相位差的信息可以包括：前方的前后与后方的左右之间的相位差(Fx与Ry之间的相位差)的信息；前方的左右与后方的左右之间的相位差(Fy与Ry之间的相位差)的信息；前方的上下与后方的左右之间的相位差(Fz与Ry之间的相位差)的信息；后方的前后与后方的左右之间的相位差(Rx和Ry之间的相位差)的信息；以及后方的上下和后方的左右之间的相位差(Rz与Ry之间的相位差)的信息。

控制器60可以基于振动传感器77的布置位置来确定多个振动中的任何一个振动(即，用作获得相位差的参考的任何一个振动)。

当振动传感器77位于桶3的后方R处时，如图6中所示，控制器60可以将从后方测得的任何一个振动(Rx振动、Ry振动和Rz振动)确定为基准振动。

虽然图中未示出，但是当振动传感器77位于桶3的前方F时，控制器60可以选择从前方测得的任何一个振动(Fx振动、Fy振动和Fz振动)作为基准振动。

这里，控制器60可以例如将从后方测得的振动(或者当振动传感器77布置在桶的前方时从前方测得的振动)中具有最大振动位移值的任何一个振动确定为基准振动。

另选地，控制器60可以将在测得的振动位移值(Fx、Fy、Fz、Rx、Ry和Rz振动位移值)中具有最大振动位移值的任何一个振动确定为基准振动。

另选地，控制器60可以将测得的振动位移值(Fx、Fy、Fz、Rx、Ry和Rz振动位移值)中具有最小振动位移值的任何一个振动确定为基准振动。

另选地，控制器60可以根据用户的设置将任何一种振动确定为基准振动。

参考图7，相位差信息可以指的是关于在多个轴中产生的多个振动之间的时间差的信息。即，相位差(相位的差)可以指的是振动之间的时间差。

例如，Fx和Ry之间的相位差可以指的是：基于后方的左右(Ry)轴的振动，在前方的前后(Fx)轴中产生的振动与在后方的左右(Ry)轴中产生的振动之间的时间差。

例如，如图7中所示，Fx与Ry之间的相位差可以指的是基于Ry振动的原点，FX振动的原点与Ry振动的原点之间的时间差。

在本说明书中，用作表示相位差信息的基准的任何一个振动都置于末端，而用作比较目标(或待测目标)的另一个振动置于基准振动之前。即，Fx和Ry之间的相位差可以指的是基于Ry振动在Fx(前方的前后)振动与Ry(后方的左右)振动之间的相位差。

应注意，相位差的表达不是绝对的。另外，尽管可以根据用作基准振动的对象来不同地表达，但是其物理含义可以相同。

控制器60可以分别测量从多个轴测得的多个振动的多个振动位移值。另外，控制器60可以计算(确定)基于多个轴测得的多个振动之间的多个相位差的信息。

当多个轴的数量为“n”时，多个振动位移值的数量可以等于多个轴的数量“n”，并且多个相位差的信息可以比多个轴的数量少1“n-1”。这是因为是基于任何一个振动来计算相位差的信息。

此外，如以上参考图4所述，控制器60可以计算旋转速度变化值(RPM变化值)。

可以基于例如由速度感测单元74感测的滚筒4的旋转速度值来计算旋转速度变化值。

如上所述，当衣物的载荷不均匀地分散在滚筒4中时发生不平衡(UB)。因此，即使控制器60控制滚筒4以检测区间的旋转速度(108RPM)旋转，滚筒4的旋转速度实际上如图4中所示可能是可变的(或波动的)而不是维持恒定的。

控制器60可以基于由速度感测单元74测得的滚筒4的实际旋转速度来计算(确定)旋转速度变化值。这里，旋转速度变化值可以用于计算UB值或可能是UB值本身。

此后，根据本公开的控制器60可以通过使用测量值来计算预期在桶3中产生的最大振动位移的预测值(S520)。

测量值可以包括多个振动位移值和如上所述的多个相位差的信息。另外，测量值还可以包括旋转速度变化值。

控制器60可以输入多个振动位移值、多个相位差的信息和旋转速度变化值中的至少一者作为预训练ANN的输入值，以计算作为输出值的最大振动位移值的预测值。

在本公开中，本公开可以包括作为结果值的用于计算期望在整个脱水过程中产生的最大振动位移的预测值的ANN。关于ANN的信息可以预先储存在存储器78或控制器60中。

这里，通常在滚筒4以150至600RPM旋转的瞬态区间中产生最大振动位移。整个脱水过程中产生的最大振动位移可以指的是瞬态区间中产生的最大振动位移。

如图8中所示，控制器60可以输入由振动传感器77在检测区间(滚筒4以108RPM的特定旋转速度旋转的区间)中测得的多个振动位移值(Fx振动位移值、Fy振动位移值、Fz振动位移值、Rx振动位移值、Ry振动位移值和Rz振动位移值)；多个相位差(Fx和Ry之间的相位差、Fy和Ry之间的相位差、Fz和Ry之间的相位差、Rx和Ry之间的相位差以及Rz和Ry之间的相位差)的信息；以及旋转速度(RPM)变化值作为预训练ANN的输入层。

预训练的ANN可以由使用长短期存储器(LSTM)网络的LSTM层和如图8中所示的密集层组成。

预训练的ANN可以是学习以检测(预测)由不均匀地分布在滚筒4中的衣物引起的三维UB(3D UB)，并计算要相应地产生的最大振动位移的预测值的神经网络。

如图8中所示，当在检测区间(108RPM)中测得的多个振动位移值、多个相位差的信息以及旋转速度变化值被输入为输入层时，预训练的ANN可以输出预期在脱水过程的整个区间(或瞬态区间(滚筒以150至600RPM旋转的区间))中产生的最大振动位移的预测值作为输出层。

预训练的ANN可以是机器习得的神经网络，其经过训练以通过初步实验收集各种载荷(六个位移值、五个相位差值和一个旋转速度变化值)的输入层以及相应的输出层(最大振动位移的六个预测值)。

应注意，图8中所示的输入层和输出层的种类和数量仅仅是一个实施例，并且不限于此。

在根据本公开的预训练ANN中，可以省略或添加图8中所示的输入值中的至少一些输入值，并且可以省略或增加至少一些输出值。

即，神经网络的“输入”和“输出”只是一个示例性实施方式。还可以使用较小的输入层和输出层，或者可以根据需要添加新的输入参数和必要的输出因子。

深度学习是一种模拟人脑的算法，它指的是通过找到人类不能直接找到的模式来学习。

预训练的ANN指的是通过深度学习习得的神经网络。

深度学习是一类机器学习，它可以指的是根据数据深入学习到多层。

深度学习可以表示一组机器学习算法(集合)，这些机器学习算法通过按顺序遍历隐藏层从多个数据中提取关键数据。

在本公开中，当在脱水中预测3D UB时(即，当确定(计算)最大振动位移的预测值时)，可以使用LSTM(长短期存储器)网络，该LSTM网络是迄今为止开发的基于机器学习的网络中的最好的执行网络之一。

LSTM网络可以包括用于删除过去的忘记门、用于储存当前信息的输入门和用于最终结果的输出门。

同时，根据本公开的预训练ANN的网络不限于LSTM网络，并且其它网络也可以用于预测。

例如，可以将用于计算最大振动位移的预测值的预训练ANN构建成诸如卷积神经网络(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)，或可以构建成一个输出的单个神经网络。

图9中示出了用于由控制器60进行3D UB深度学习的方法。参考图9，控制器60可以通过在对测量值(例如，多个振动位移值、多个相位差的信息以及旋转速度变化值)进行解析和标准化之后将测量值输入到预训练的ANN中来预测3D UB。

这里，预测3D UB指的是预测在脱水过程中预期会产生的过度振动。为了对此进行预测，控制器60可以借助预训练的ANN来确定(计算)在脱水过程中会产生的最大振动位移的预测值。

此后，当最大振动位移的预测值大于预定基准值时，控制器60可以预测(确定)将发生过度振动。

同时，控制器60可以使用实际测得的最大振动位移值和测量值来再次训练(即，更新)预训练的ANN(深度网络(训练过程)和参数学习)

例如，预训练的ANN可以包括输入层、隐藏层和输出层。具有多个隐藏层称为深度神经网络(DNN)。每一层均具有多个节点，并且每一层均连接至下一层。节点可以利用权重互连。

来自属于第一隐藏层(隐藏层1)的任何节点的输出可以输入到属于第二隐藏层(隐藏层2)的至少一个节点。在这种情况下，每个节点的输入均可以是通过对前一层的节点施加权重而获得的值。权重可以指的是节点之间的链接强度。深度学习过程可以看作是寻找合适权重的过程。

应用于根据本实施方式的洗衣机的ANN可以是通过使用测量值(例如，多个振动位移值、多个相位差的信息以及旋转速度变化值)作为输入数据以及通过实验测得的最大振动位移值(或实际测得的最大振动位移值)作为结果数据的监督学习而习得的DNN。

监督学习可以指一种用于从训练数据中导出功能的机器学习的方法。

根据本实施方式的ANN可以是通过输入测量值(例如，多个振动位移值、多个相位差的信息以及旋转速度变化值)作为输入数据并且输入最大振动位移值作为结果值来训练隐藏层的DNN。这里，“训练隐藏层”可以指的是调整(更新)包括在隐藏层中的节点间连接线的权重。

使用该ANN，根据该实施方式的控制器60可以使用在检测区间(滚筒4的旋转速度被维持在108RPM的特定旋转速度的区间)测得的值作为ANN的输入值(层)，从而计算(预测、确定和估计)预期在脱水过程中产生的最大振动位移的预测值。

控制器60可以通过使用测量值(例如，多个振动位移值、多个相位差的信息以及旋转速度变化值)作为训练数据来进行学习。

每当识别或确定最大振动位移的预测值(或最大振动位移值)时，控制器60就可以通过添加确定的结果和当时输入数据库的多种类型的数据更新诸如权重、偏差等的DNN结构。另外，控制器60可以在获得预定数量的训练数据之后通过使用训练数据进行监督学习过程来更新诸如权重等的DNN结构。

根据本实施方式的洗衣机的控制器60可以输入多个振动位移值、多个相位差的信息以及旋转速度变化值中的至少一者作为预训练的ANN的输入值(层)，以便计算(或确定)最大振动位移的预测值作为输出值(层)。

返回到图5，控制器60可以基于所确定的最大振动位移的确定的预测值和预定基准值来确定是否在检测区间初始化脱水过程(S530)。

例如，当最大振动位移的确定的预测值超过预定基准值时，控制器60可以在检测区间初始化脱水过程。

作为另一实施例，如果最大振动位移的确定的预测值等于或小于预定基准值，则控制器60可以使滚筒4以比检测区间的旋转速度更快的旋转速度旋转(即，移动到检测区间之后的接着的脱水区间，或继续进行检测区间之后的接着的脱水过程。

如上所述，控制器60可以通过输入在滚筒4的旋转被维持在特定旋转速度(108RPM)的检测区间中测得的多个振动位移值中的至少一者、多个相位差的信息以及旋转速度变化值作为预训练ANN(3D UB深度学习神经网络)的输入值来确定(计算)最大振动位移的预测值。

最大振动位移的预测值可以指的是预期在桶3中产生的最大振动值以及不仅在检测区间而且在整个脱水过程中要产生的最大振动(振幅)的位移值。

最大的振动发生在整个脱水过程的瞬态区间(滚筒4以150至600RPM旋转的区间)中。

在检测区间(滚筒4以特定旋转速度108RPM旋转的区间)，控制器60可以确定(或预测)预期在瞬态区间中产生的最大振动的位移值(即，最大振动位移的预测值)。

最大振动位移的预测值可以作为如图8中所示的预训练ANN的结果值(或输出层)被输出(计算)。

最大振动位移的预测值可以包括预期在多个不同轴(多轴)中的每一轴中产生的最大振动的多个预测位移值。

详细地，最大振动位移的多个预测值可以包括预期在前方的前后(Fx)轴中产生的最大振动位移的预测值Fx_max、预期在前方的左右(Fy)轴中产生的最大振动位移的预测值Fy_max、预期在前方的上下(Fz)轴中产生的最大的振动位移的预测值Fz_max、预期在后方的前后(Rx)轴中产生的最大的振动位移的预测值(Rx_max)、预期在后方的左右(Ry)轴中产生的最大振动位移的预测值Ry_max以及预期在后方的上下(Rz)轴中产生的最大振动位移的预测值Rz_max。

最大振动位移的多个预测值的数量可以对应于由振动传感器77测得的多个不同轴(多轴)的数量。如果多个轴的数量为“n”，则最大振动位移的多个预测值的数量也可以是“n”。

当最大振动位移的确定的预测值超过预定基准值时，控制器60可以在检测部区间处初始化脱水过程。

详细地，控制器60可以将最大振动位移的确定的预测值与预定基准值进行比较，以确定是否初始化(终止)脱水过程，或者在滚筒4以特定旋转速度(108RPM)旋转的检测区间进一步继续脱水过程。

这里，当最大振动位移的多个预测值(Fx_max、Fy_max、Fz_max、Rx_max、Ry_max和Rz_max)中的每一个预测值均小于或等于预定基准值时，控制器60可以使滚筒4旋转得比检测区间的特定旋转速度快(即，可以继续脱水过程)。

使滚筒4旋转得比检测区间的特定旋转速度快还可以指的是进行主要脱水过程，在该过程中，滚筒4以150至600RPM(瞬态区间)或更高的高RPM旋转。

另外，当最大振动位移的多个预测值(Fx_max、Fy_max、Fz_max、Rx_max、Ry_max、Rz_max)中的至少一者超过预定基准值时，控制器60可以在检测区间停止(或终止)滚筒4的旋转。

终止滚筒4的旋转可以包括在“初始化脱水过程”的含义中。即，在本说明书中，初始化脱水过程可以指的是停止(终止)滚筒4的旋转以在检测衣物的载荷或量之后从该步骤(或区间)重新开始脱水过程。

可以为多个不同轴(多轴、6轴)中的每个轴设置预定基准值。

例如，可以为前方的前后(Fx)轴设置预定的第一基准值，并且可以为前方的左右(Fy)轴设置与第一基准值不同的预定第二基准值。另外，可以分别设置前方的上下(Fz)轴的第三基准值、后方的前后(Rx)轴的第四基准值、后方的左右(Ry)轴的第五基准值以及后方的上下(Rz)轴的第六基准值。

为多个不同的轴中的每个轴设置的预定基准值可以具有相同或不同的值。

可以基于桶3与机壳1之间的间隙来设置为多个不同轴中的每个轴设置的预定基准值。

例如，如果前方的前后(Fx)轴的原点与机壳之间的间隙为11mm，则为前方的前后(Fx)轴设置的第一基准值可能小于11mm。

当针对多个不同的轴确定(计算)的最大振动位移的预测值不超过(等于或低于)相应的预定基准值时，控制器60可以使滚筒4的旋转速度快于检测区间的特定旋转速度(即，可以以高RPM进行脱水过程)。

另一方面，当针对多个不同轴确定(计算)的最大振动位移的预测值中的至少一者超过相应的预定基准值时(例如，当Fx_max超过为Fx轴设置的第一基准值时)，控制器60可以在检测区间不增加滚筒4的旋转速度的情况下，初始化脱水过程(即，终止(停止)滚筒4的旋转)，并在检测衣物的载荷后从该步骤(或区间)重新开始脱水过程。

图10和图11是采用根据一个实施方式的控制方法的实验的结果数据。

图10示出了根据一个实施方式通过预训练的ANN计算的最大振动位移(Fx_max、Fy_max、Ry_max)的预测值与通过实验测得的最大振动位移的值之间的相关性的实验结果。

当基于现有的UB信号(UB值、旋转速度变化值)测量振动时，两者的相关系数等于或小于0.5。另一方面，当使用采用3D UB深度学习的预训练的ANN测得的振动时，两者的相关系数为0.8或更高，显示出更强的相关性。

这样，在本公开中，将由振动传感器77测得的多个振动位移值、多个相位差的信息以及旋转速度变化值输入到通过3D UB深度学习预训练的ANN中以输出最大振动位移的预测值(结果值)。最大振动位移的预测值与实际测得的最大振动位移值具有很强的相关性，从而大大提高了预测过度振动的准确性。

此外，能够看出，使用由3D UB深度学习预训练的ANN确定(计算)的最大振动位移的预测值的数据非常可靠。

图11示出了脱水进入时间和驱动单元(具有滚筒的桶)的最大振动位移的实验结果，其中，根据本公开的通过3D UB深度学习预训练的ANN被应用于确定是在检测区间初始化脱水过程，还是继续进行脱水过程。

能够看出，当将用作与最大振动位置的预测值进行比较的多个轴中的每个轴的预定基准值设置在防止桶3和机壳1相互碰撞的范围(值)内时，与现有产品(即，当仅考虑UB信号时)相比脱水进入时间限制减少。

这里，脱水进入时间可以是滚筒4比检测区间(滚筒4以特定旋转速度(108RPM)旋转的区间)的滚筒4更快地旋转时进入脱水过程所需的时间，也就是说，进入主脱水过程或高速脱水过程所需的时间。

这里，驱动单元的最大振动位移的条件D是将现有的UB检测标准(或基准)设置得极低。就采用3D UB深度学习的本公开的实验结果而言，为了减少脱水进入时间，将与最大振动位移的预测值相比较的预定基准值放宽(在不使桶与机壳碰撞的范围内将预定基准值设置得尽可能大)。

概括地说，根据本公开的洗衣机可以通过考虑驱动单元(具有滚筒的桶)与机壳之间的间隙来根据多个轴中的每个轴(多轴，每个振动方向)设置基准值(即，位移的参考极限值)，以免相对于不同的多个轴相互碰撞。

在滚筒4以特定旋转速度(108RPM)旋转的检测区间，如果通过3D UB深度学习计算或确定的最大振动位移的预测值中的任何一者超过预定基准值，则控制器60可以停止滚筒4的旋转，从而在检测衣物的载荷之后重新开始脱水过程(初始化)。

这里，如上所述通过3D UB深度学习预测最大振动位移可以指：由振动传感器77测得的多个不同轴的多个振动位移值、从多个轴检测到的多个振动之间的多个相位差信息以及速度变化值作为预训练的ANN的输入值输入，以确定(计算、输出)作为结果值的多个轴中的每个轴的最大振动位移的预测值。

另外，最大振动位移的预测值可以指的是预期在整个脱水过程(或瞬态区间)而不仅限于检测区间中产生的最大振动的位移值。

此后，当多个不同轴的所有预测值均不超过相应的预定基准值时，控制器60可以进行主脱水过程，在该过程中，滚筒4的旋转速度要比检测区间的特定旋转速度(108RPM)快。

此外，当针对多个不同轴中的每个轴确定(计算)的最大振动位移的预测值中的至少一者超过相应的预定基准值时，控制器60可以停止滚筒4的旋转并进行初始化(或终止)脱水过程以在检测衣物的载荷之后从该步骤重新开始脱水过程。

采用这种构造，可以防止在经过检测区间之后的脱水中途，由于振动值超过基准值而引起的脱水过程的初始化，从而减少了脱水所需的时间并防止了过度振动的发生。

另外，根据本文公开的实施方式，可以通过防止在检测区间之后使滚筒4的旋转速度(RPM)增加的状态下脱水过程被初始化来减少功率消耗。

此外，与使用有限信息的传统方法(基于瞬态区间中产生的共振之前的信息)相比，根据本文公开的实施方式可以使用基于深度学习的大量信息(总共12条信息)准确地预测在共振区间(瞬态区间，150至600RPM)异常振动(过度振动)的发生。

本文中所述的过度振动是指巨大的振动(例如，具有大于预定基准值的最大振动位移值的振动)，其足以使驱动单元(具有滚筒的桶)与机壳碰撞。

本公开使用预训练的ANN基于最大振动位移的预测值直接预测是否产生过度振动，从而显著提高预测精度。

此外，根据本文公开的实施方式，可以提供AI脱水算法以更准确地确定是否在进入高RPM区间(例如，150RPM或更高，或瞬态区间(共振区间))之前的低RPM区间(例如，108RPM或更小)中初始化脱水过程。

本文中公开的实施方式的效果将描述如下。

首先，在检测区间中预测预期在脱水过程中产生的最大振动位移，从而在脱水开始时确定是初始化脱水过程还是继续脱水过程。

其次，可以在脱水过程的早期阶段检测到导致过度振动发生的不平衡(UB)，从而允许尽早将脱水过程初始化。结果，能够减少脱水所需的时间。

第三，当在检测区间中由ANN计算出的最大振动位移的预测值超过预设基准值时，在不进一步继续脱水过程的情况下初始化(或停止)脱水过程，从而防止了过度振动的发生并减少进入脱水过程所需的时间。

本公开的效果不限于上述那些效果，并且本领域技术人员根据所附权利要求的描述可以清楚地理解未提及的其它效果。

以上描述也可以等同地或类似地应用于控制洗衣机的方法。控制洗衣机的方法可以由例如控制器60进行。

上述的本公开可以实施成程序记录介质上的计算机可读代码。计算机可读介质包括其中储存有计算机系统可读数据的各种记录装置。这样的计算机可读介质的实施例可以包括硬盘驱动器(HDD)、固态磁盘(SSD)、硅磁盘驱动器(SDD)、ROM、RAM、CD-ROM、磁带、软盘、光学数据存储元件等。该计算机可以包括处理器或控制器。因此，还应理解，除非另外指明，否则上述实施方式不受上述描述的任何细节的限制，而是应在所附权利要求书所限定的范围内广义地去解释上述实施方式。因此，落入权利要求书的范围之内的所有改变和变型以及此范围的等同物均理应由所附权利要求书涵盖。

Claims (20)

1.一种洗衣机，该洗衣机包括：

桶；

振动传感器，该振动传感器设置在所述桶处；

滚筒，在所述滚筒中容纳衣物，并且所述滚筒设置成能在所述桶中旋转；以及

控制器，该控制器构造成：

在脱水过程期间在所述滚筒以特定旋转速度旋转的检测区间，利用所述振动传感器测量关于所述桶中发生的多轴振动的值，

基于测量的所述值，确定预期在所述桶中产生的最大振动位移的预测值，并且

基于确定的所述最大振动位移的所述预测值和预定基准值，确定是否在所述检测区间初始化所述脱水过程。

2.根据权利要求1所述的洗衣机，其中，所述振动传感器测量相对于所述桶沿多个不同轴发生的多个振动的多个振动位移值。

3.根据权利要求2所述的洗衣机，其中，所述控制器计算所述多个振动之间的多个相位差的信息。

4.根据权利要求3所述的洗衣机，其中，所述多个相位差的信息包括关于所述多个振动中的任一者与其余振动之间的相位差的信息。

5.根据权利要求3所述的洗衣机，其中，所述控制器通过输入所述多个振动位移值、所述多个相位差的信息以及旋转速度变化值中的至少一者作为预训练的人工神经网络ANN的输入值来输出所述最大振动位移的所述预测值作为输出值。

6.根据权利要求1所述的洗衣机，其中，所述最大振动位移的所述预测值包括预期在多个不同轴中的每个轴中产生的最大振动位移的多个预测值。

7.根据权利要求6所述的洗衣机，其中，当所述最大振动位移的所述多个预测值全部等于或小于所述预定基准值时，所述控制器使所述滚筒快于所述检测区间的特定旋转速度旋转。

8.根据权利要求6所述的洗衣机，其中，当所述最大振动位移的所述多个预测值中的至少一个预测值超过所述预定基准值时，所述控制器在所述检测区间停止所述滚筒的旋转。

9.根据权利要求1所述的洗衣机，其中，所述预定基准值根据多个不同轴中的每一个轴设置。

10.根据权利要求1所述的洗衣机，其中，所述特定旋转速度快于在衣物贴到所述滚筒的壁表面上时所述滚筒的旋转速度，并且慢于所述脱水过程的最大旋转速度。

11.一种用于控制洗衣机的方法，所述方法包括以下步骤：

在脱水过程期间的滚筒以特定旋转速度旋转的检测区间，利用振动传感器测量关于包括所述滚筒的桶中发生的多轴振动的值；

基于测量的所述值确定预期在所述桶中产生的最大振动位移的预测值；以及

基于确定的所述最大振动位移的所述预测值和预定基准值，确定是否在所述检测区间初始化所述脱水过程。

12.根据权利要求11所述的方法，其中，所述方法还包括测量步骤，在所述测量步骤中所述振动传感器测量相对于所述桶沿多个不同轴发生的多个振动的多个振动位移值。

13.根据权利要求12所述的方法，其中，所述测量步骤被配置成计算所述多个振动之间的多个相位差的信息。

14.根据权利要求13所述的方法，其中，所述多个相位差的信息包括关于所述多个振动中的任一者与其余振动之间的相位差的信息。

15.根据权利要求13所述的方法，其中，所述确定被配置成通过输入所述多个振动位移值、所述多个相位差的信息以及旋转速度变化值中的至少一者作为预训练的人工神经网络ANN的输入值来输出所述最大振动位移的所述预测值作为输出值。

16.根据权利要求11所述的方法，其中，所述最大振动位移的所述预测值包括预期在多个不同轴中的每个轴中产生的最大振动位移的多个预测值。

17.根据权利要求16所述的方法，该方法还包括：当所述最大振动位移的所述多个预测值全部都等于或小于所述预定基准值时，使所述滚筒快于所述检测区间的特定旋转速度旋转。

18.根据权利要求16所述的方法，其中，确定是否初始化所述脱水过程被配置成使得当所述最大振动位移的所述多个预测值中的至少一个预测值超过所述预定基准值时，通过在所述检测区间停止所述滚筒的旋转而初始化所述脱水过程。

19.根据权利要求11所述的方法，其中，所述预定基准值根据多个不同轴中的每一个轴设置。

20.根据权利要求11所述的方法，其中，所述特定旋转速度快于衣物贴到所述滚筒的壁表面上时所述滚筒的旋转速度，并且慢于所述脱水过程的最大旋转速度。

Images