CN112746438A - 一种洗衣机的控制方法及洗衣机 - Google Patents

Abstract

本发明属于洗衣机领域，尤其涉及一种洗衣机的控制方法及洗衣机，洗衣机的控制方法包括：获取待洗衣物的衣物参数信息；将获取的衣物参数信息作为人工神经网络模型的输入层，通过在人工神经网络模型学习后在输出层输出洗涤衣物所需的进水量和洗涤剂投放量。本发明提出的洗衣机的控制方法解决了通过称重确定待洗衣物洗涤时的进水量及洗涤剂投放量精确度不高的问题。

Description

一种洗衣机的控制方法及洗衣机

技术领域

本发明属于洗衣机领域，具体地说，涉及一种洗衣机的控制方法及洗衣机。

背景技术

目前洗衣机行业不断推出高端、智能产品，对于目前洗衣机的进水功能来说，一般都是通过对洗涤物称重来决定了洗涤的进水量，而且衣物进水量是设定了阈值，根据称重的结果来获取负载等级进而确定进水水位。这样的进水方法是不太准确的，而且还会容易造成浪费。同时现当今市场推出了根据不同衣物材质会有相应洗涤模式的洗衣机，但这种洗衣机也是通过改变洗涤时，电机的转速，洗涤的温度，并没有考虑到洗涤剂对不同材质衣物的影响，洗涤液的投放也是根据负载等级来决定的，具有局限性。

有鉴于此特提出本发明。

发明内容

本发明要解决的技术问题在于克服现有技术通过称重确定待洗衣物洗涤时的进水量及洗涤剂投放量精确度不高的问题，提供一种洗衣机控制方法及洗衣机。

为解决上述技术问题，本发明的第一目的在于提出了一种洗衣机的控制方法，包括

获取待洗衣物的衣物参数信息；

将获取的衣物参数信息作为人工神经网络模型的输入层，通过在人工神经网络模型学习后在输出层输出洗涤衣物所需的进水量和洗涤剂投放量。

进一步可选地，所述衣物参数包括衣物重量、衣物体积、衣物脏污程度和衣物材质。

进一步可选地，所述衣物体积的获取包括：

获取衣物重量信息M及衣物材质信息，并根据衣物材质信息确定系数k值；

根据公式M＝kV(M≥0，k＞0)得出衣物体积V。

进一步可选地，获取待洗衣物的吸水率，根据待洗衣物的吸水率确定衣物材质信息。

进一步可选地，所述获取待洗衣物的吸水率，包括：

设定一个初始进水量L，空桶时该初始进水量L对应的水位为SW0；

将待洗衣物投入洗涤桶后控制洗涤桶进水至初始进水量L；

每隔设定时间对洗涤桶的水位进行检测，当洗涤桶的水位不再发生变化时，记录当前水位SW1与浸泡时间t；

计算出衣物的吸水率v，计算公式为：v＝(SW0-SW1)/t。

进一步可选地，当待洗衣物中包括多种衣物材质时，当计算得到的吸水率最接近某一衣物材质的实际吸水率时，将该衣物材质作为待洗衣物的衣物材质。

进一步可选地，不同浊度值范围对应不同的衣物脏污程度；所述衣物脏污程度的获取包括：

当洗衣机进水至初始水量L后，还对洗涤桶内水的浊度进行检测；

当检测洗涤桶内水的浊度不再发生变化时，记录当前浊度值T，根据浊度值T确定衣物脏污程度。

进一步可选地，将样本衣物的衣物参数信息作为人工神经网络模型的输入层，通过人工神经网络模型模拟洗涤流程进行重复训练，并由输出层输出样本衣物洗涤所需的进水量和洗涤剂投放量；

将样本衣物洗涤所需的进水量和洗涤剂投放量的期望值与人工神经网络模型的输出值进行比较，得到偏差值；

当通过人工神经网络模型确定待洗衣物洗涤时的进水量和洗涤剂投放量时，在人工神经网络模型的输入层以及隐藏层添加偏差值。

进一步可选地，当通过人工神经网络模型确定洗涤所需的进水量和洗涤剂投放量后，控制洗衣机排水后再进水至所述进水量。

本发明的第二目在于提出了一种洗衣机的另一控制方法，包括如下步骤：

S1、待洗衣物投放洗涤桶后获取待洗衣物的重量；

S2、控制洗衣机进水初始水量L，空桶时该初始水量L对应的水位为SW0；

S3、每隔设定时间对洗涤桶的水位进行检测，当洗涤桶的水位不再发生变化时，记录当前水位SW1与浸泡时间t；

S4、根据公式：v＝(SW0-SW1)/t计算衣物吸水率，分解衣物吸水率确定衣物材质；

S5、获取洗涤桶内水的浊度值，当浊度值不再发生变化时根据当前浊度值获取衣物的脏污程度；

S6、由衣物材质信息获得确定系数k值，根据衣物重量、系数k值获得待洗衣物的体积V，衣物重量与衣物体积的关系满足：M＝kV(M≥0，k＞0)；

S7、由人工神经网络模型输出待洗衣物洗涤所需的进水量及洗涤剂投放量；

S8、当通过人工神经网络模型确定洗涤所需的进水量和洗涤剂投放量后，控制洗衣机排水后再进水至所述进水量。

本发明的第三目的在于提出了采用上述洗衣机控制方法的洗衣机。

采用上述技术方案后，本发明与现有技术相比具有以下有益效果：

本发明设计建立一个人工神经网络学习模型，通过获取大量的关于用户所洗涤衣物的重量、体积、脏污程度以及材质这些数据，通过神经网络模拟洗涤流程进行重复训练，来获取最优的洗涤进水量及洗涤剂投放量，做到在洗干净衣服的前提下节约资源，提升用户的用户体验。

下面结合附图对本发明的具体实施方式作进一步详细的描述。

附图说明

附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。在附图中：

图1：为本发明实施例的控制流程图；

图2：为本发明实施例的神经网络模型图。

需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

在本发明的描述中，需要说明的是，术语“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“接触”、“连通”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

本实施例提出了一种洗衣机的控制方法，如图1所示的控制流程图，包括：

获取待洗衣物的衣物参数信息；

将获取的衣物参数信息作为人工神经网络模型的输入层，通过在人工神经网络模型学习后在输出层输出洗涤衣物所需的进水量和洗涤剂投放量。

本实施例采用了人工神经网络的模型来对洗衣机进行洗涤进水的控制，将获取的衣物参数信息作为人工神经网络模型的输入层，通过人工神经网络模型进行学习，最后在输出层输出洗衣机在洗涤进水阶段所需的最优进水量，然后通过获取到的进水量，通过计算得出洗涤进水时进水时间来控制洗衣机主洗阀打开的时间。本实施例中通过人工神经网络的模型得到的进水量不仅仅是洗涤阶段的进水量，还可以是漂洗阶段的进水量。

进一步可选地，所述衣物参数包括衣物重量、衣物体积、衣物脏污程度和衣物材质。本实施例解决了用户在洗涤衣物时，由于衣物重量、数量、体积的不同与进水量的不匹配的问题，有良好的节约用水的效果。同时也解决了用户对于不同衣物材质，不知道应该如何洗涤的问题。提升用户在洗涤衣物时的体验，实现智能洗涤。图2为本实施例所建立的人工神经网络模型图。该模型包括输入层、隐藏层与输出层。输入层的输入量为五个，分别为衣物重量，衣物体积，衣物材质以及衣物脏污程度，输出层的输入量为两个分别是进水量与洗涤剂投放量。隐藏层为n个，本图只画了三个作为展示。每个隐藏层中都存在多个节点每个节点都会成为权重结合输入量或者上一层的数据得出结果传递到下一层去，经过隐藏层的计算最终到达输出层输出目标数据。而将衣物重量，衣物体积，衣物材质以及衣物脏污程度作为本模型的输入决定进水量与洗涤剂投放量，是因为平常洗衣中我们会遇到洗一些比较重的但是却比较小或者比较轻却体积比较大的衣物，但传统的洗衣机是根据重量负载等级去确定进水量会出现进水量与洗涤物的不匹配现象，会造成浪费水或者洗不干净的问题。同时不同材质的衣物用水量与洗涤剂的使用量也不一样。本模型是在大量实验数据和大量的重复训练上建立的，具有可行性、科学性、严谨性。能够很好地解决这一问题，提升用户的使用体验。同时因为训练模型的时间跨度比较长，所以在洗衣机上运行的模型是已经经过训练后的最优实施模型。

进一步可选地，所述衣物体积的获取包括：

获取衣物重量信息M及衣物材质信息，并根据衣物材质信息确定系数k值；

根据公式M＝kV(M≥0，k＞0)得出衣物体积V。

具体的，由于于不同材质的衣物在不同的质量M下会对应着不同的体积V，这两者之间存在着线性关系，可以根据实验获取大量的数据，然后根据回归方程公式求出不同材质下衣物的重量M与衣物的体积V的关系式：M＝kV(M≥0，k＞0)，当我们获得称重的重量值与衣物材质后，便可根据材质找到对应的k值，然后通过公式计算获得衣物的体积。利用这种方法能够使采集的数据更准确，而且实验的数据量越大，计算出来的值会越准确。然后将获取到的衣物重量、衣物体积、衣物材质以及衣物脏污程度作为神经网络的输入量通过人工神经网络模型获取最佳的进水量及洗涤剂的投放量。根据进水量、洗涤剂的投放量、主洗阀流度与洗涤剂投放泵的流速计算得出主洗阀与洗涤剂投放泵的打开时间t1,t2。并在洗涤过程中对这两者进行控制。

进一步可选地，获取待洗衣物的吸水率，根据待洗衣物的吸水率确定衣物材质信息。由于不同材质的衣物对应不同的吸水率，因此当得知待洗衣物的吸水率时即可得知待洗衣物的材质。

进一步可选地，所述获取待洗衣物的吸水率，包括：

设定一个初始进水量L，空桶时该初始进水量L对应的水位为SW0；

将待洗衣物投入洗涤桶后控制洗涤桶进水至初始进水量L；

每隔设定时间对洗涤桶的水位进行检测，当洗涤桶的水位不再发生变化时，记录当前水位SW1与浸泡时间t；

计算出衣物的吸水率v，计算公式为：v＝(SW0-SW1)/t。

具体的，首先打开洗衣机的主洗阀进行进水，通过洗衣机的水位传感器检测与在进水口外加流量计检测进水量，首先设定一个初始进水量L，由初始进水量L计算可得，洗涤筒在没有衣物的情况下的水位(即空桶水位)SW0，当流量计检测并计算到达到初始进水量L,主洗阀停止进水。在衣物开始浸泡时，水位传感器每隔设定时间对筒内是的水位进行检测，例如每隔5S对筒内水位进行检测，当连续检测到筒内水位变化量为0时，说明洗涤桶内的水位不再发生变化，待洗衣物已经充分吸水，记录当前水位SW1与浸泡时间t。根据公式计算出衣物的吸水率v，计算公式为：v＝(SW0-SW1)/t。不同材质的衣物在吸水率上会有所不同，根据表1可以得到吸水率对应得到衣物材质。

表1吸水率与衣物材质对照表

进一步可选地，当待洗衣物中包括多种衣物材质时，当计算得到的吸水率最接近某一衣物材质的实际吸水率时，将该衣物材质作为待洗衣物的衣物材质。

在实际洗涤衣物时，可能会存在多种衣物同时洗涤的情况，并且待洗衣物中一种材质较多时，计算得到的吸水率往往更接近这种材质对应的吸水率，此时认定待洗衣物的材质为吸水率最接近的衣物材质。例如将多件棉麻材质的衣物与少量牛仔衣物同时洗涤，在通过计算得到的吸水率更接近棉麻的吸水率v1，则将待洗衣物的材质定为棉麻材质。

进一步可选地，不同浊度值范围对应不同的衣物脏污程度；所述衣物脏污程度的获取包括：

当洗衣机进水至初始水量L后，还对洗涤桶内水的浊度进行检测；

当检测洗涤桶内水的浊度不再发生变化时，记录当前浊度值T，根据浊度值T确定衣物脏污程度。

在检测水位的同时利用浊度传感器对水的浊度进行检测。当检测洗涤桶内的浊度不再发生变化时，优选当浊度连续三次检测到没有变化，记录当前浊度T，通过表2判断待洗衣物的脏污程度。

表2脏污程度对照表

定义当前浊度值Ti＝400*(Ui/U0),U0为清水时的实测电压，Ui为当前溶液实测电压(i＝0,1,2,3……)。清水的实测电压值U0为主洗进水达到某水位时的实测电压值。T0＝400。Ti的值大于0，且当水越浑浊，Ti的值越小。表2中各浊度值范围可根据不同脏污情况下对应的浊度值来确定，且不同机型的不同脏污的浊度值范围也可不同。

进一步可选地，将样本衣物的衣物参数信息作为人工神经网络模型的输入层，通过人工神经网络模型模拟洗涤流程进行重复训练，并由输出层输出样本衣物洗涤所需的进水量和洗涤剂投放量；

将样本衣物洗涤所需的进水量和洗涤剂投放量的期望值与人工神经网络模型的输出值进行比较，得到偏差值；

当通过人工神经网络模型确定待洗衣物洗涤时的进水量和洗涤剂投放量时，在人工神经网络模型的输入层以及隐藏层添加偏差值。

具体的，在输入层以及隐藏层添加偏差作为输入量，是为了在训练模型的时候增加权重，在隐藏层修正每一层的输出结果并使最终结果更接近于我们想要的结果。

进一步可选地，当通过人工神经网络模型确定洗涤所需的进水量和洗涤剂投放量后，控制洗衣机排水后再进水至所述进水量。由于在洗涤桶中进入初始进水量后，衣物在浸泡过程中衣物上的脏污已将水污染，为了更好对衣物洗涤，在正式进入洗涤前先将洗涤桶中的水排出后再重新进水至人工神经网络模型确定的进水量。

另一种可实施的方式为，当待洗衣物洗涤时的进水量及洗涤剂投放量确定后，还判断洗衣机内当前的进水量是否达到通过人工神经网络模型得到的进水量，若未达到则控制洗衣机进水至该进水量。由于在计算吸水率时洗涤桶中放入初始进水量L的水，因此为了避免水浪费，在经过人工神经网络模型输出进水量后若初始进水量L未达到该洗涤水量，则控制洗衣机进水至该进水量，若达到，则不再进水。

本实施例的第二目在于提出了一种洗衣机的另一控制方法，如图1所示的流程图，包括如下步骤：

S1、待洗衣物投放洗涤桶后获取待洗衣物的重量；

S2、控制洗衣机进水初始水量L，空桶时该初始水量L对应的水位为SW0；

S3、每隔设定时间对洗涤桶的水位进行检测，当洗涤桶的水位不再发生变化时，记录当前水位SW1与浸泡时间t；

S4、根据公式：v＝(SW0-SW1)/t计算衣物吸水率，分解衣物吸水率确定衣物材质；

S5、获取洗涤桶内水的浊度值，当浊度值不再发生变化时根据当前浊度值获取衣物的脏污程度；

S6、由衣物材质信息获得确定系数k值，根据衣物重量、系数k值获得待洗衣物的体积V，衣物重量与衣物体积的关系满足：M＝kV(M≥0，k＞0)；

S7、由人工神经网络模型输出待洗衣物洗涤所需的进水量及洗涤剂投放量；

S8、当通过人工神经网络模型确定洗涤所需的进水量和洗涤剂投放量后，控制洗衣机排水后再进水至所述进水量。

本实施例还出了采用上述洗衣机控制方法的洗衣机。

本实施例采用了人工神经网络的模型来对洗衣机进行洗涤进水的控制，将衣物的体积，衣物的脏污程度以及衣物的材质，作为神经网络的输入层，通过神经网络模型进行学习，最后在输出层输出洗衣机在洗涤进水阶段所需的最优进水量，然后通过获取到的进水量，通过计算得出洗涤进水时进水时间来控制洗衣机主洗阀打开的时间。

本实施例解决了用户在洗涤衣物时，由于衣物重量、数量、体积的不同与进水量的不匹配的问题，有良好的节约用水的效果。同时也解决了用户对于不同衣物材质，不知道应该如何洗涤的问题。提升用户在洗涤衣物时的体验，实现智能洗涤。

本实施例还提出了采用上述控制方法的洗衣机，包括

重量传感器，用来获取待洗衣物的重量；

水位传感器，用来检测洗涤桶的水位；

浊度传感器，用来检测洗涤桶内水的浊度的；

控制器，根据水位传感器检测的水位来确定待洗衣物的吸水率，并根据待洗衣物的吸水率确定待洗衣物的材质；根据重量传感器获取的衣物重量，根据衣物材质确定系数k,根据衣物重量及系数k确定衣物体积；根据浊度传感器检测的浊度值确定待洗衣物脏污程度；最后将衣物重量、衣物材质、衣物体积及衣物脏污程度作为人工神经网络模型的输入层，通过在人工神经网络模型学习后在输出层输出洗涤衣物所需的进水量和洗涤剂投放量，通过计算得出洗涤进水时进水时间来控制洗衣机主洗阀打开的时间。

以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。

Claims (11)

1.一种洗衣机的控制方法，其特征在于，包括

获取待洗衣物的衣物参数信息；

将获取的衣物参数信息作为人工神经网络模型的输入层，通过在人工神经网络模型学习后在输出层输出洗涤衣物所需的进水量和洗涤剂投放量。

2.根据权利要求1所述的洗衣机的控制方法，其特征在于，所述衣物参数包括衣物重量、衣物体积、衣物脏污程度和衣物材质。

3.根据权利要求2所述的洗衣机的控制方法，其特征在于，所述衣物体积的获取包括：

获取衣物重量信息M及衣物材质信息，并根据衣物材质信息确定系数k值；

根据公式M＝kV(M≥0，k＞0)得出衣物体积V。

4.根据权利要求2或3所述的洗衣机的控制方法，其特征在于，获取待洗衣物的吸水率，根据待洗衣物的吸水率确定衣物材质信息。

5.根据权利要求4所述的洗衣机的控制方法，其特征在于，所述获取待洗衣物的吸水率，包括：

设定一个初始进水量L，空桶时该初始进水量L对应的水位为SW0；

将待洗衣物投入洗涤桶后控制洗涤桶进水至初始进水量L；

每隔设定时间对洗涤桶的水位进行检测，当洗涤桶的水位不再发生变化时，记录当前水位SW1与浸泡时间t；

计算出衣物的吸水率v，计算公式为：v＝(SW0-SW1)/t。

6.根据权利要求5所述的洗衣机的控制方法，其特征在于，当待洗衣物中包括多种衣物材质时，当计算得到的吸水率最接近某一衣物材质的实际吸水率时，将该衣物材质作为待洗衣物的衣物材质。

7.根据权利要求5所述的洗衣机的控制方法，其特征在于，不同浊度值范围对应不同的衣物脏污程度；所述衣物脏污程度的获取包括：

当洗衣机进水至初始水量L后，还对洗涤桶内水的浊度进行检测；

当检测洗涤桶内水的浊度不再发生变化时，记录当前浊度值T，根据浊度值T确定衣物脏污程度。

8.根据权利要求1所述的洗衣机的控制方法，其特征在于，

将样本衣物的衣物参数信息作为人工神经网络模型的输入层，通过人工神经网络模型模拟洗涤流程进行重复训练，并由输出层输出样本衣物洗涤所需的进水量和洗涤剂投放量；

将样本衣物洗涤所需的进水量和洗涤剂投放量的期望值与人工神经网络模型的输出值进行比较，得到偏差值；

当通过人工神经网络模型确定待洗衣物洗涤时的进水量和洗涤剂投放量时，在人工神经网络模型的输入层以及隐藏层添加偏差值。

9.根据权利要求1所述的洗衣机的控制方法，其特征在于，当通过人工神经网络模型确定洗涤所需的进水量和洗涤剂投放量后，控制洗衣机排水后再进水至所述进水量。

10.一种洗衣机的控制方法，其特征在于，包括如下步骤：

S1、待洗衣物投放洗涤桶后获取待洗衣物的重量；

S2、控制洗衣机进水初始水量L，空桶时该初始水量L对应的水位为SW0；

S3、每隔设定时间对洗涤桶的水位进行检测，当洗涤桶的水位不再发生变化时，记录当前水位SW1与浸泡时间t；

S4、根据公式：v＝(SW0-SW1)/t计算衣物吸水率，分解衣物吸水率确定衣物材质；

S5、获取洗涤桶内水的浊度值，当浊度值不再发生变化时根据当前浊度值获取衣物的脏污程度；

S6、由衣物材质信息获得确定系数k值，根据衣物重量、系数k值获得待洗衣物的体积V，衣物重量与衣物体积的关系满足：M＝kV(M≥0，k＞0)；

S7、由人工神经网络模型输出待洗衣物洗涤所需的进水量及洗涤剂投放量；

S8、当通过人工神经网络模型确定洗涤所需的进水量和洗涤剂投放量后，控制洗衣机排水后再进水至所述进水量。

11.一种采用权利要求1-9任意一项所述的洗衣机的控制方法及权利要求10所述的洗衣机控制方法的洗衣机。

Images