CN113840954B - 衣物处理设备及其控制方法 - Google Patents

Abstract

根据本公开的衣物处理设备可包括：滚筒，所述滚筒接纳衣物并且能够旋转；马达，所述马达使所述滚筒旋转；电流检测器，所述电流检测器检测所述马达的电流；以及控制器，所述控制器控制所述马达以加速所述滚筒的旋转，并且基于在所述滚筒加速期间由所述电流检测器检测的电流获得电流变化函数，并且基于所述电流变化函数的一阶导数的减小确定第一运动速度，其中，所述控制器控制所述马达停止，然后控制所述马达以所述第一运动速度旋转。

Description

衣物处理设备及其控制方法

技术领域

本公开涉及能够基于机器学习控制滚筒速度的衣物处理设备及其控制方法。

背景技术

衣物处理设备是用于洗涤、漂洗、脱水和/或干燥等处理的装置。衣物处理设备具有由马达旋转的桶。

最近，对诸如人工智能、深度学习之类的机器学习的兴趣显著增加。

传统机器学习的核心是基于统计的分类、回归和聚类模型。特别是在分类和回归模型的监督学习中，人们之前已经定义了学习数据的属性以及基于这些属性来区分新数据的学习模型。另一方面，深度学习是计算机自己计算出属性并进行区分的。

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。例如，深度学习框架包括加拿大蒙特利尔大学的Theano、美国纽约大学的Torch、加州伯克利大学的Caffe和谷歌的TensorFlow。

为了根据深度学习框架的公开进行有效的学习和识别，除了深度学习算法之外，学习过程、学习方法、用于学习的数据提取、以及数据选择也变得越来越重要。此外，将人工智能和机器学习应用于各种产品和服务的研究也逐渐增加。

韩国注册专利10-1841248(以下称为传统配置)公开了一种使用基于机器学习的人工智能技术确定投入滚筒的滚筒中的衣物量的方法。传统配置公开了在将马达加速到目标速度的同时将在给定时间间隔获得的马达速度相加，然后通过使用相加值作为人工神经网络的输入数据来确定衣物量。

在此，衣物量是指数量属性。它只是反映投入滚筒中的衣物施加在马达上的负载。即，传统配置未公开在加速滚筒的速度期间提供关于滚筒中衣物的流动特性的信息。

发明内容

技术问题

本公开的一个目的是提供这样的衣物处理设备及其控制方法，其能够基于机器学习假设投入滚筒中的衣物的流动特性，然后根据假设的流动特性控制滚筒的旋转。

本公开的另一目的是提供这样的衣物处理设备及其控制方法，其能够设定滚筒在滚动运动、翻滚运动和/或过滤运动中的速度以对应于投入滚筒中的衣物的特性(或状态)。

本公开的另一目的是提供这样的衣物处理设备及其控制方法，即使衣物量与以前的衣物一样，其也能够通过考虑流动特性的差异根据衣物特性以更适当的方式控制滚筒。

本公开的目的不应限于前述目的，本领域技术人员将从以下描述清楚地理解其他未提及的目的。

技术方案

根据本公开的一个实施方式，可以通过提供一种衣物处理设备实现上述和其他目的，该衣物处理设备包括：滚筒，所述滚筒接纳衣物并且能够旋转；马达，所述马达使所述滚筒旋转；电流检测器，所述电流检测器检测所述马达的电流；以及控制器，所述控制器控制所述马达的旋转。所述控制器被配置为：加速所述滚筒的旋转；基于在所述滚筒加速期间由所述电流检测器以预定时间间隔检测的电流值获得电流变化函数；并且基于所述电流变化函数的一阶导数的值确定第一运动速度。所述控制器被配置为在确定所述第一运动速度之后控制所述马达以所述第一运动速度旋转。

所述电流变化函数是连续函数。所述电流变化函数是代表所述马达的电流根据所述马达的旋转速度变化的连续函数。

所述预定时间间隔可被设定为是恒定的。所述电流检测器可在所述滚筒加速期间周期性地检测所述马达的电流值。

当所述一阶导数减小然后小于预定值时，可基于所述马达的对应于所述预定值的旋转速度确定所述第一运动速度。

所述马达的对应于所述预定值的旋转速度可在从10rpm至40rpm的范围内。

所述运动速度可小于所述预定值。

当所述马达以所述第一运动速度旋转时，所述滚筒中的衣物可被反复地控制以在相对于所述滚筒4的旋转方向小于90度的位置处下降然后落下。

所述控制器可获得这样的拐点，在所述拐点处，当所述滚筒加速超过所述马达的对应于所述预定值的旋转速度时，电流变化曲线图中的二阶导数的值从负变为正，所述控制器基于所述马达的对应于所述拐点的旋转速度确定第二运动速度，所述控制器在控制所述马达以所述第一运动速度旋转之后控制所述马达停止旋转，所述控制器控制所述马达以所述第二运动速度旋转。

所述马达的对应于所述拐点的旋转速度可在从40rpm至60rpm的范围内。

所述第二运动速度可被确定为小于所述马达的对应于所述拐点的旋转速度。

当所述马达以所述第二运动速度旋转时，所述滚筒中的衣物可反复上升和下降到在所述滚筒的旋转方向上小于90度至110度的某一位置。

所述控制器可在所述滚筒加速的同时加速所述马达在1.5rpm/s至2.5rpm/s的速度范围内旋转。

根据本公开的另一实施方式，可以通过提供一种衣物处理设备实现上述和其他目的，该衣物处理设备包括：滚筒，所述滚筒接纳衣物并且能够旋转；马达，所述马达使所述滚筒旋转；电流检测器，所述电流检测器检测所述马达的电流；以及控制器，所述控制器控制所述马达加速所述滚筒的旋转并基于在所述滚筒加速期间由所述电流检测器检测的电流获得电流变化曲线图，并且获得所述电流变化曲线图的二阶导数的值从负变为正的拐点，所述控制器基于所述马达的对应于所述拐点的旋转速度确定运动速度，其中，所述控制器控制所述马达停止，然后控制所述马达以所述第一运动速度旋转。

所述马达的对应于所述拐点的旋转速度可在在从40rpm至60rpm的速度范围内。

所述运动速度可被确定为小于所述马达的对应于所述拐点的旋转速度。

当所述马达以所述运动速度旋转时，所述滚筒中的所述衣物可反复上升和下降到在所述滚筒的旋转方向上小于90度至110度的某一位置。

所述控制器可在所述滚筒加速的同时在1.5rpm/s至2.5rpm/s的速度范围内加速所述滚筒。

根据本公开的另一实施方式，可以通过提供一种衣物处理设备实现上述和其他目的，该衣物处理设备包括：滚筒，所述滚筒接纳衣物并且能够旋转；马达，所述马达使所述滚筒旋转；电流检测器，所述电流检测器检测所述马达的电流；以及控制器，所述控制器控制所述马达加速，当所述滚筒以加速速度旋转时，所述控制器基于在判定区间中由所述电流检测器检测的电流值确定对应于所述判定区间的驱动运动组中的所述滚筒的运动速度，其中，所述控制器通过将从所述判定区间获得的电流值输入到人工神经网络的输入层中并且将输入电流输出到输出层来获得所述运动速度，其中，所述人工神经网络预先通过机器学习进行学习。

所述控制器可控制所述马达从第一旋转速度加速到第二旋转速度，其中，所述第一旋转速度在从10rpm至20rpm的范围内，其中，所述第二旋转速度在从80rpm至100rpm的范围内。

所述判定区间可以是所述第一旋转速度达到40rpm的区间，其中，驱动运动中的所述滚筒处于滚动运动，所述滚动运动被控制为以所述运动速度旋转，使得所述滚筒中的衣物反复上升和下降到在所述滚筒的旋转方向上小于90度的位置。

所述判定区间可以是在从40rpm至60rpm的范围内的区间，其中，驱动运动中的所述滚筒处于翻滚运动，所述翻滚运动被控制为以所述运动速度旋转，使得所述滚筒中的衣物反复上升和下降到在所述滚筒的旋转方向上小于90度至110度的位置。

所述判定区间可以是在从60rpm至80rpm的范围内的区间，其中，驱动运动中的所述滚筒处于过滤运动，所述过滤运动被控制为以所述运动速度旋转，使得当所述滚筒沿一个方向旋转多于一圈时，所述衣物保持附着到所述滚筒。

所述控制器可以以1.5rpm/s至2.5rpm/s的速度加速所述马达。

将在所述滚筒加速期间所述马达的旋转速度的速度增加区间划分为第一速度区间、第二速度区间和第三速度区间，驱动运动中的所述滚筒被确定为处于对应于所述第一速度区间的滚动运动，被确定为处于对应于所述第二速度区间的翻滚运动并且被确定为处于对应于所述第三速度区间的过滤运动，其中，所述滚动运动控制所述滚筒，使得所述滚筒中的衣物被反复地控制以在相对于所述滚筒4的旋转方向小于90度的位置处下降然后落下，其中，所述翻滚运动控制所述滚筒，使得所述滚筒中的衣物反复上升和下降到在所述滚筒的旋转方向上小于90度至110度的某一位置，其中，所述过滤运动控制所述滚筒，使得当所述滚筒沿一个方向旋转多于一圈时，所述衣物保持附着到所述滚筒。

所述衣物处理设备还可包括用于检测所述马达的旋转速度的速度检测器，其中，所述控制器在所述电流检测器获得的电流值中选择与所述马达的旋转速度所对应的判定区间对应的电流值，其中，所述控制器使用所选择的电流值作为所述输入层的输入值。

所述控制器可控制所述马达，使得所述滚筒在保持预定运动速度的状态下旋转。

根据本公开的另一实施方式，可以通过提供一种用于控制衣物处理设备的方法实现上述和其他目的，该方法包括：步骤(a)，加速供投入衣物的滚筒；步骤(b)，在所述滚筒加速的区间中获得使所述滚筒旋转的所述马达的电流值；步骤(c)，当所述马达以加速速度旋转时，基于由所述电流检测器在判定区间中检测到的电流值，在与所述判定区间对应的驱动运动组中确定所述滚筒的运动速度，其中，所述控制器通过将从所述判定区间获得的电流值输入到人工神经网络的输入层中并且将输入电流输出到输出层来获得所述运动速度，其中，所述人工神经网络预先通过机器学习进行学习；以及步骤(d)，控制所述马达，使得所述滚筒以预定运动速度旋转。

所述步骤(a)可包括：控制所述马达以从第一旋转速度到第二旋转速度的旋转速度旋转，其中，所述第一旋转速度在从10rpm至20rpm的范围内，其中，所述第二旋转速度在从80rpm至100rpm的范围内。

所述判定区间可以是所述第一旋转速度达到40rpm的区间，其中，驱动运动中的所述滚筒处于滚动运动，所述滚动运动被控制为以所述运动速度旋转，使得所述滚筒中的衣物反复上升和下降到在所述滚筒的旋转方向上小于90度的位置。

所述判定区间可以是在从40rpm至60rpm的范围内的区间，其中，驱动运动中的所述滚筒处于翻滚运动，所述翻滚运动被控制为以所述运动速度旋转，使得所述滚筒中的所述衣物反复上升和下降到在所述滚筒的旋转方向上小于90度至110度的位置。

所述判定区间可以是在从60rpm至80rpm的范围内的区间，其中，驱动运动中的所述滚筒处于过滤运动，所述过滤运动被控制为以所述运动速度旋转，使得当所述滚筒沿一个方向旋转多于一圈时，所述衣物保持附着到所述滚筒。

所述步骤(a)可以包括在1.5rpm/s至2.5rpm/s的速度范围内加速所述马达。

将在所述滚筒加速期间的所述马达的旋转速度的速度增加区间划分为第一速度区间、第二速度区间和第三速度区间，驱动运动中的所述滚筒被确定为处于对应于所述第一速度区间的滚动运动，被确定为处于对应于所述第二速度区间的翻滚运动并且被确定为处于对应于所述第三速度区间的过滤运动，其中，所述滚动运动控制所述滚筒，使得所述滚筒中的衣物被反复地控制以在相对于所述滚筒4的旋转方向小于90度的位置处下降然后落下，其中，所述翻滚运动控制所述滚筒，使得所述滚筒中的衣物反复上升和下降到在所述滚筒的旋转方向上小于90度至110度的某一位置，其中，所述过滤运动控制所述滚筒，使得当所述滚筒沿一个方向旋转多于一圈时，所述衣物保持附着到所述滚筒。

有利效果

根据本公开的衣物处理设备及其控制方法至少提供以下效果。

首先，可以根据通过使滚筒在预定速度范围内加速而发生的从电流模式(或函数)获得的位移点来设定运动速度。这里，从电流模式获得的位移点与在衣物投入滚筒中的状态下引起预定运动的最大速度相关。特别是在基于电流变化图的一阶导数的递减值获得位移点的情况下，对应于位移点的旋转速度与引起滚动运动的最大速度高度相关。因此，可以实现根据当前衣物的状态优化的滚动运动。

另选地，位移点可以是电流变化函数的二阶导数值由负变为正的拐点。在这种情况下，对应于位移点的旋转速度与引起翻滚运动的最大速度高度相关。因此，通过考虑对应于位移点的旋转速度来设定翻滚运动的控制速度，可以实现根据衣物状态优化的翻滚运动。

根据本公开的另一示例性实施方式的衣物处理设备及其控制方法能够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，电流模式根据容纳在滚筒中的衣物的状态而改变。具体地，它与衣物的各种特性有关，包括衣物的流动、衣物量、衣物性质等。因此，通过使用电流模式作为通过基于机器学习的学习建立的人工神经网络的输入数据，可以设定根据投入滚筒中的衣物的状态优化的运动速度，并且这样做可以通过控制滚筒的旋转来提高洗涤性能。

其次，可以设定滚筒在滚动运动、翻滚运动和/或过滤运动中的速度(例如，运动速度)，从而根据投入滚筒中的衣物特性(或状态)对其进行优化。

再次，可以根据衣物的流动特性在滚动运动、翻滚运动和/或过滤运动中可变地设定运动速度，因此有利于根据衣物的特性以更合适的方式处理衣物。

应当理解，根据本发明的有利效果不限于上述效果，并且本公开的其他有利效果将从本公开的详细描述中显而易见。

附图说明

图1是示出根据本公开的示例性实施方式的衣物处理设备的横向剖视图。

图2是示出图1的衣物处理设备的主要配置之间的控制关系的框图。

图3是表示根据衣物特性及衣物量提供给马达的电流模式的曲线图。

图4是表示在以预定方式控制马达速度的同时检测的电流模式的曲线图。

图5是表示从图4的电流模式获得的电流变化函数的曲线图。

图6是示出根据本公开的另一示例性实施方式将由电流检测器获得的电流值作为人工神经网络的输入数据处理的过程的示意图。

图7是示出人工神经网络的示意图。

图8是示出将使用马达的电流值确定每件衣物的特性的过程划分为学习过程和识别过程的框图。

图9的曲线图(a)表示由电流检测器检测的电流值，曲线图(b)表示由处理移动平均滤波器获得的平均值。

图10是表示由电流检测器检测的电流值的曲线图。

图11是示出根据本公开的示例性实施方式的衣物处理设备的控制方法的流程图。

图12是表示与根据本公开的示例性实施方式的衣物处理设备的控制方法相关的滚筒的旋转速度和电流模式的曲线图。

图13是示出滚动、翻滚和过滤运动中的衣物流动的示意图。

具体实施方式

参考以下结合附图详细描述的实施方式，本公开的优点和特征以及实现这些优点和特征的方法将显而易见。然而，本公开不限于以下公开的实施方式，而是可以以各种形式实施，仅提供本实施方式使得本公开的公开完整并且本发明的范围的公开由本公开所属领域的技术人员充分理解，并且本公开仅由权利要求书的范围限定。在整个说明书中，相同的附图标记表示相同的部件。

在下文中，将结合附图描述根据本公开的示例性实施方式的空调。

图1是示出根据本公开的示例性实施方式的衣物处理设备的横向剖视图。图2是示出图1的衣物处理设备的主要配置之间的控制关系的框图。

参照图1，根据本公开的示例性实施方式的衣物处理设备包括形成外观的壳体1、容纳洗涤水的桶3、能旋转地设置在桶3中并供投入衣物的滚筒4以及使滚筒4旋转的马达9。

滚筒4包括：前盖41，前盖具有供投入或取出衣物的开口；滚筒42，滚筒大致水平设置，滚筒具有连接到前盖41的前端，滚筒具有圆柱形状；以及后盖43，后盖连接到滚筒42的后端。马达9的旋转轴可在穿透桶3的后壁的状态下连接到后盖43。多个通孔可形成在滚筒42处，使得水可以在滚筒4和桶3之间流动。

可设置有设置在滚筒42的内周处的升降器20。升降器20可处于从滚筒42的内周突出的状态下。此外，升降器20可在滚筒42的纵向方向(例如，向前方向和向后方向)上延伸，并且多个升降器可在彼此间隔的状态下沿径向方向布置。当滚筒4旋转时，升降器20可使衣物被支撑，使得衣物展开。

升降器20从滚筒42突出的高度可小于40mm，但不限于此。当该高度为40mm时，在滚筒40以约60rpm的速度旋转期间使衣物紧贴滚筒4。即，在滚筒4以60rpm的速度旋转多于一圈的状态下，即使放置在滚筒4中最低侧的衣物因滚筒4的旋转而上升到最大高度，衣物与滚筒4一起旋转而不会使衣物掉落(过滤运动)。

同时，当升降器20的高度小于20mm时(还可包括升降器的高度为零的情况，换句话说，不存在升降器20的情况)，即使滚筒4以约80rpm的速度连续旋转，衣物也不会紧贴到滚筒4。因此，在滚筒4单向旋转多于一圈期间，放置在滚筒4中最低侧的衣物上升到一定高度，然后在从滚筒4分离的状态下下降。这里，在滚筒4以从80rpm至100rpm的速度旋转的情况下，可以实现过滤运动。

滚筒4相对于水平轴线旋转。在这种情况下，“水平”并不严格意指几何水平。换句话说，如图1所示，虽然滚筒4相对于几何水平方向倾斜设置，但可以仅被理解为滚筒4接近水平而非竖直。因此，可以理解，滚筒4相对于水平轴线旋转。

衣物插入口形成在壳体1的前表面处，并且打开或关闭衣物插入口的门2能旋转地设置在壳体1处。供水阀5、供水通道5和供水软管8可安装在壳体1中。当供水阀5打开供水时，通过供水通道5的洗涤水与分配器14中的洗涤剂混合，然后经由供水软管8供应到桶3。

泵11的入口通过排放软管10连接到桶3，并且泵11的出口连接到排放通道12。流过排放软管10并从桶3排放的水被加压地传送到排水通道12，然后被排放到衣物处理设备外部。

参照图2，根据本公开的示例性实施方式的衣物处理设备可包括控制衣物处理设备中的整体操作的控制器60、马达驱动部71、输出部72、通信部73、速度检测器74、电流检测器75和存储器76。

控制器60能够控制洗涤、漂洗、脱水和干燥的整个过程。控制器60能够根据预定算法进行洗涤、漂洗、管理。此外，控制器60能够根据算法控制马达驱动部71。

马达驱动部71能够根据从控制器60传输的控制信号控制马达9的操作。控制信号可以是控制目标速度、加速斜率(也被称为加速度)、操作时间等的信号。

马达驱动部71用于操作马达9。马达驱动部71可包括逆变器(未示出)和逆变器控制器(未示出)。此外，马达驱动部71还可以是向逆变器供应直流电力的转换器。

例如，当逆变器控制器(未示出)向逆变器(未示出)输出脉宽调制的开关控制信号时，逆变器(未示出)可执行高速开关运动以将特定频率的交流电力供应到马达9。

速度检测器74检测滚筒4的旋转速度。速度检测器74能够检测马达9中的转子的旋转速度。在采用通过转换马达9的旋转比使滚筒4旋转的行星齿轮系的情况下，滚筒4的旋转速度可以是这样的值，其将由速度检测器74检测的旋转速度转换为考虑行星齿轮系的减速或加速的值。

控制器60能够控制马达驱动部71，使得马达9跟随预定目标速度，同时获得从速度检测器74传输的当前速度。

电流检测器75能够检测由马达9传送的电流(以下称为电流)并且将电流传送到控制器60，并且控制器60能够使用作为输入数据的电流检测衣物特性和衣物量。此时，作为输入数据的电流值包括在马达9加速到预定目标速度的同时获得的值。

在马达9的旋转由基于转矩电流和磁通电流的矢量控制进行控制的情况下，电流可以是流过马达电路的电流的转矩轴(q轴)的分量，换句话说，它可以是转矩电流Iq。

输出部72用于输出衣物处理设备的操作状态。输出部72可以是用于输出视觉显示的诸如LCD、LED等视频输出装置，或用于输出声音的诸如扬声器、蜂鸣器等音频输出装置。输出部72能够根据控制器60的控制来输出关于衣物量和衣物特性的信息。

人工神经网络编程、马达9加速时获得的电流模式(机器学习的学习数据)、机器学习基于电流模式建立的数据库DB、机器学习算法、电流检测器75检测的电流值、电流值的平均值、该平均值根据解析规则处理过的值以及通过通信部73传输的数据等可存储在存储器76中。

此外，用于控制衣物处理设备中的整体操作的各种控制数据、用户输入的预定洗涤数据、根据预定洗涤数据计算的洗涤时间、关于洗涤过程的数据等、以及用于确定衣物处理设备中是否发生错误的数据等等可以存储在存储器76中。

通信部73可与连接到网络的服务器进行通信。通信部73可包括至少一个或多个通信模块，诸如互联网模块、移动通信模块等。通信部73能够从服务器接收学习数据、诸如算法更新等各种数据。

控制器60可处理从通信部73接收的各种数据以更新存储器76。例如，在从通信部73输入的数据是关于存储在存储器76中的驱动程序的更新数据的情况下，可以在存储器76中更新。在输入的数据是新的驱动程序的情况下，可以另外存储在存储器76中。

同时，滚筒4中的流动类型可以是诸如滚动、翻滚和过滤之类的运动。在下文中，参照图13，将描述在这些运动中实现的滚筒的操作运动。

参照图13的(a)，滚动运动是指马达9使滚筒4沿一个方向旋转(优选地多于一圈)，还意指控制放置在滚筒4的内周中的衣物下降到相对于滚筒4的旋转方向小于90度的位置。

例如，当滚筒4以大约40rpm旋转时，放置在滚筒42最低点处的衣物沿着滚筒4的旋转方向上升到一定高度，然后朝向最低点移动，就像在小于90度的某个位置从滚筒42的最低点滚动一样。即，当滚筒4顺时针旋转时，看起来衣物在滚筒4中的第三象限处连续滚动。

在滚动运动中，衣物通过与洗涤水的摩擦、衣物之间的摩擦以及与滚筒4的内表面的摩擦而被洗涤。这里，衣物有足够的翻转以使其具有轻柔摩擦的效果。

这里，滚筒4的旋转速度由与滚筒4的半径的关系决定。滚筒4的旋转速度越大，施加在滚筒4内的衣物上的离心力越大。离心力和重力之差改变了滚筒4内的衣物的流动。此时，应一起考虑滚筒4的旋转力与衣物之间的摩擦和升降器45提升衣物的力。在施加到衣物的力(包括离心力和摩擦力)的总和小于重力1G的范围内确定滚筒4在滚动运动中的旋转速度。

图13的(b)显示了翻滚运动。翻滚运动是这样一种运动，其中马达9使滚筒4沿一个方向旋转(优选地，多于一圈)，但是被控制成使得滚筒4的内周上的衣物在相对于滚筒4的旋转方向从大约90度到110度的位置落到滚筒42的最低点。翻滚运动是一种常用于洗涤和漂洗的驱动运动，因为仅通过控制滚筒4以适当的旋转速度沿一个方向旋转而产生机械力。

在驱动马达9之前，投入滚筒4中的衣物放置在滚筒42的最低点处。当马达9向滚筒4提供转矩时，滚筒4旋转，并且通过安装在滚筒4的内表面上的升降器45的力或与滚筒4的内表面的摩擦，衣物从最低点上升。例如，如果马达9使滚筒4以大约46rpm旋转，则衣物在旋转方向上以大约90度到110度从滚筒42的最低点落下。

滚筒4在翻滚运动中的旋转速度可以在离心力大于滚动运动的离心力但小于重力的范围内确定。

视觉上，当滚筒4顺时针旋转时，滚筒从滚筒42的最低点上升到90度或第二象限位置，然后落入滚筒4的内表面。

因此，在翻滚运动中，衣物通过与洗涤水摩擦和下落产生的冲击力，特别是通过比滚动运动的情况下更大的机械力进行洗涤。特别是，翻滚运动具有松散缠结衣物和分散衣物的效果。

图13的(c)显示了过滤运动。过滤运动是马达9使滚筒4旋转从而衣物不会因离心力而从滚筒4的内表面脱落的运动。通过过滤运动，扩大了衣物的表面积，同时洗涤水渗透到衣物中，因此是适合漂洗的运动。

必须考虑衣物的流动特性，以便如先前建立的那样实施诸如上述各种衣物产品的流动模式。在这种情况下，上述流动特性不限于体积，而是通常受诸如泡沫和衣物体积之类的许多参数的影响。特别是，由于上述流动特性难以量化，过去通过反映这些流动特性来控制滚筒的旋转并不容易。

根据本公开的示例性实施方式，控制器60控制马达9使得滚筒4以加速的速度旋转，并且基于在滚筒4加速旋转期间由电流检测器75检测的电流获得电流变化的函数。

具体地，控制器60控制马达9使得滚筒4快速旋转。此时，控制器60可控制马达9从第一旋转速度V1加速到第二旋转速度V2。第一旋转速度V1可以是10rpm至20rpm范围内的指定值。第二旋转速度V2可以是80rpm至100rpm范围内的指定值。此时，可以将马达9加速到预定的恒定加速度，上述加速度范围为从1.5rpm/s至2.5rpm/s，优选为2.0rpm/s。

随后，控制器60可以使用如图4所示检测到的电流模式获得如图5所示的电流变化函数。上面检测到的电流模式是以规则间隔获得的电流值iq的连接，而电流变化函数可以是从电流值获得的连续函数。例如，控制器60可以对在给定时间段由电流检测器75获得的电流值之间的间隔(电流的未检测部)进行插值以获得连续函数。可通过称为统计技术的各种方式来执行插值。例如，插值可包括考虑诸如平均值、偏差等若干因素假设离散电流值之间的值的过程。

同时，在获得电流变化函数的过程中，控制器60可排除从某个区间获得的任何电流值iq。例如，如图4所示，在从滚筒4开始加速到一定时间段的初始区间，从该时间段获得的电流值iq应该从获得函数的过程中排除，因为系统尚未稳定，因此在电流值iq的波动严重。

控制器60可基于电流变化函数的一阶导数的递减值来设定第一运动速度。函数值(电流值)随着滚筒4的速度增加而逐渐减小的电流变化函数对于曲线图斜率(即，一阶导数iq')为负(iq'<0)。

特别是，当马达9的旋转速度逐渐增加并达到指定速度时，一阶导数迅速减小(这里，一阶导数为负，因此绝对值迅速增加)。控制器60检测该点并基于该点和相应的速度设定第一运动速度。

当一阶导数iq'减小且小于预定值(以下称为设定＝-d*，d*00)时，可基于马达9的对应于预定值的旋转速度Vp来设定第一运动速度。马达9的对应于预定值的旋转速度p可以在10rpm和40rpm之间的范围内。

控制器60可以将第一运动速度设定为低于预定值Vp的值。在滚筒4旋转到低于预定值Vp的区间中，衣物(即，在滚筒42的最低点放置在滚筒42的内表面上的衣物)的流动与滚动运动类型高度相关。因此，在第一运动速度被设定为低于预定值Vp并且马达9以预定速度旋转的情况下，衣物可以类似于滚动运动的衣物。换句话说，当马达9以第一运动速度旋转时，滚筒4中的衣物可反复上升和下降到在滚筒4的旋转方向上小于90度的特定位置。

这里，第一运动速度可以是在诸如洗涤、漂洗和脱水等后续管理之后控制滚筒4滚动运动的预定速度，并且预定值Vp可以是最大值。

同时，控制器60可以获得拐点Q，在该拐点处，当滚筒4加速超过马达9的对应于预定值Vp的旋转速度时，电流变化曲线图中的二阶导数iq"的值从负(-，或凹)变为正(+，或凸)。

这里，与拐点iq"对应的预定旋转速度Vq对应于维持翻滚运动的上限，并且当马达9超过旋转速度Vq时，认为此后引起过滤运动。

控制器60可以基于马达9的对应于拐点Q的旋转速度来设定第二运动速度。马达9的对应于拐点Q的旋转速度Vq可在40rpm和60rpm之间的范围内。

控制器60可以将第二运动速度设定为低于旋转速度Vq的值。在滚筒4以低于旋转速度Vq旋转的区间中，衣物(即，在滚筒42的最低点处的滚筒42的表面上的衣物)的流动与翻滚运动的形式高度相关。

可在翻滚运动中执行使马达9以第二运动速度旋转。在翻滚运动中，滚筒4中的衣物可上升和下降到在滚筒4的旋转方向上小于90度至110度的特定位置。

同时，控制器60可控制马达9以第一运动速度旋转，然后停止马达9，并且使马达9以第二运动速度旋转。

在下文中，参照图6至图13，将描述根据本公开的另一示例性实施方式的衣物处理设备。

机器学习是指计算机通过数据进行学习而不直接从用户那里获取逻辑，借此计算机自行解决问题。

深度学习是一种人工智能技术，其基于人工神经网络ANN教计算机人类思维来构建人工智能。深度学习是一种允许计算机像人类一样自己学习而无需教它们的技术。人工神经网络ANN可以以软件或硬件(如芯片)的形式实现。

衣物处理设备可以基于机器学习处理由电流检测器75检测到的电流值以识别投入滚筒中的衣物的特性。这种类型的衣物特性是由滚筒4的旋转引起的衣物流动类型的示例。

根据本公开的示例性实施方式的控制衣物处理设备的方法是根据使用机器学习进行学习的人工神经网络分析滚筒4中衣物的流动特性来设定滚筒4在驱动运动(滚动、翻滚、过滤运动等)中的旋转速度(即，运动速度)。

具体地，控制器60控制马达9使得滚筒4快速旋转。此时，可以控制控制器60，使得马达9从第一旋转速度V1加速到第二旋转速度V2。第一旋转速度V1可以是10rpm至20rpm范围内的指定值。第二旋转速度V2可以是80rpm至100rpm范围内的指定值。

此时，可以将马达9加速到预定的加速度，并且预定的加速度范围为从1.5rpm/s至2.5rpm/s，优选为2.0rpm/s。

当滚筒4以加速速度旋转时，控制器60基于由电流检测器75在判定区间中检测到的电流值，在与判定区间对应的驱动运动组中设定滚筒4的运动速度Vc(即马达9从第一旋转速度V1加速到第二旋转速度V2)。

控制器60可以通过将从判定区间获得的电流值输入到人工神经网络的输入层中并且将输入的电流输出到输出层来获得运动速度Vc，其中人工神经网络预先通过机器学习进行学习。

基于速度检测器74检测到的速度值，控制器60从电流检测器75获得的与判定区间对应的电流值中选择马达9的电流值，并且所选择的电流值可以用作输入层的输入。

这里，判定区间可以是处于马达9的速度增加的区间的第一区间A、第二区间B和第三区间C中的一个。滚筒驱动运动可被确定为响应于第一速度区间A的滚动运动、响应于第二速度区间B的翻滚运动以及响应于第三速度区间C的过滤运动。

换句话说，当从第一速度区间A获得的电流值、从第二速度区间B获得的电流值和从第三速度区间C获得的电流值输入为人工神经网络的输入层的输入时，获得滚筒4在滚动运动中的旋转速度、衣物4在翻滚运动中的旋转速度和衣物4在过滤运动中的旋转速度，作为人工神经网络的输出层的输出。

第一速度区间A可被包括在从第一旋转速度V1到40rpm的区间中。在滚筒4以低于40rpm旋转的区间中，衣物(即，在滚筒42的最低点处放置在滚筒42的内表面上的衣物)的流动与滚动运动的类型高度相关。因此，期望使用在第一速度区间A中获得的电流值作为输入数据，以最佳地设定随后执行的滚动运动中的运动速度。

第二速度区间B可被包括在从40rpm至60rpm范围的区间中。在滚筒4以从40rpm至60rpm的旋转速度旋转的区间中，衣物(即，在滚筒42的最低点处放置在滚筒42的内表面上的衣物)的流动与过滤运动的类型高度相关。因此，期望使用在第二速度区间B中获得的电流值作为输入数据，以最佳地设定随后执行的过滤运动中的运动速度。

第三速度区间C可被包括在从80rpm至100rpm范围的区间中。在滚筒4以从80rpm至100rpm或更低的旋转速度旋转的区间中，衣物(即，在滚筒42的最低点处放置在滚筒42的内表面上的衣物)的流动与翻滚运动的类型高度相关。因此，期望使用在第二速度区间B中获得的电流值作为输入数据，以最佳地设定随后执行的翻滚运动中的运动速度。

同时，图3中所示的每个曲线图表示在将滚筒4加速到预定目标速度(例如，80rpm)时检测到的电流，其是根据衣物特性(即，柔软和硬质衣物的混合比)在不同负载下检测到的。换句话说，水平排列的图表允许根据衣物负载识别模式的变化。例如，在相同衣物配置中，负载越高，滚筒4开始加速时的最大电流值越大。图3中所示的图表表示模式根据不同衣物量或衣物配置改变，但保持整体形状的相似性。因此，在任何情况下，滚筒4的第一速度区间A在一定范围内以较大值波动，然后在第二速度区间B中急剧下降，而在第三速度区间C中在一定范围内以较小值再次偏离。

如上所述，即使衣物的成分或体积变化，这些图表也具有相关性，但在详细形式上，这些图表之间存在差异。特别是，即使当衣物配置改变时负载相同，图表也显示电流模式是不同的。

因此，在第一速度区间至第三速度区间A、B、C的一个区间中获得的电流值反映了衣物量和衣物配置以及与其对应的衣物的流动特性(即，滚动、翻滚或过滤)。

图3的曲线图显示，在滚筒4加速开始时，电流值整体快速上升到一定水平，然后电流值在后半部分收敛到一定值。

控制器60可包括学习模块61和识别模块62。学习模块61能够使用电流检测器75检测到的电流值或电流值被处理的值来执行机器学习。通过机器学习，学习模块61能够更新存储在存储器76中的数据库。

作为学习模块61的学习方法，其可以用于无监督学习和有监督学习中的一种。

识别模块62能够基于学习模块61学习到的数据设定运动速度。根据本公开的示例性实施方式，运动速度可以分为三个Vc1、Vc2、Vc3，但不一定限于此。

识别模块62可包括已经通过机器学习进行学习的人工神经网络ANN。人工神经网络可以由学习模块61更新。

识别模块62可包括深度神经网络DNN，诸如通过深度学习进行学习的卷积神经网络CNN、循环神经网络RNN和深度置信网络DBN等。

循环神经网络RNN常用于自然语言处理等，其可以通过堆叠每一时刻的层来构建，作为具有处理随时间通道变化的时间序列数据的好处的结构。

深度置信网络DBN是一种深度学习结构，由多层受限玻尔兹曼机RBM组成，这是一种深度学习技术。通过反复学习受限玻尔兹曼机RBM，在一定数量的层堆叠的情况下，形成层数与其对应的深度贝尔网络DBN。

卷积神经网络是一种模仿人脑功能的模型，其假设是人在识别物体时，先提取物体的基本特征，然后在大脑中进行复杂的计算，再基于结果识别出物体。

同时，人工神经网络的学习可以通过调整节点之间连接线的权重(并且，如果需要，调整偏差值)来完成，以便为给定的输入产生所需的输出。人工神经网络可以通过学习不断更新权重值。可以使用诸如反向传播等方法来学习人工神经网络。

参照图7，识别模块62可以基于电流值作为输入层的输入数据In1、In2、In3、In4，并根据包含在深度神经网络DNN中的节点之间的权重，从输出层获得运动控制速度Vc。

参照图6至图8，深度学习技术(机器学习的一种)是以数据为基础，进行多层次的深度学习。

深度学习可以代表一组机器学习算法，其从多个数据中提取核心数据，同时在隐藏层上一个接一个地计算。

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深度神经网络DNN，诸如卷积神经网络CNN、循环神经网络RNN、深度置信网络DBN。

人工神经网络ANN可以包括输入层、隐藏层和输出层。具有多个隐藏层被称为深度神经网络DNN。每一层包含多个节点，并且每一层都与下一层相关联。节点可以通过权重相互连接。

来自第一隐藏层中任何节点的输出被输入到第二隐藏层中的至少一个节点。此时，每个节点的输入可以是对上一层节点的输出施加权重的值。权重可以意指节点之间的连接强度。深度学习过程也可以看作是一个寻找合适权重的过程。

为了更好的理解深度学习，看看大家熟知的人脸识别过程，计算机可以根据像素的亮度以及诸如边界和边缘等简单形式来区分输入图像的亮暗像素，然后区分来自稍微复杂的形式的对象。最后，计算机可以识别定义人脸的形式。这样，最终通过中间层中的隐藏层从输出层获得特征的体现(人脸形式的调节)。

存储器76可以存储用于确定衣物量的输入数据和用于学习深度神经网络DNN的数据。马达速度数据和/或由感测部150获取的数据按特定间隔聚合或计算的数据可存储在存储器76中。此外，形成深度神经网络DNN的权重和偏差可存储在存储器76中。

另选地，根据本公开的示例性实施方式，深度神经网络的权重和偏差形成结构可存储在识别模块62的嵌入式存储器中。

同时，学习模块61可以通过使用通过感测部150检测到的电流值作为训练数据来执行学习。换句话说，每当学习模块61确定运动速度Vc时，它可以通过将判断结果添加到数据库中，或者通过用在获得任意数量的训练数据后得到的训练数据执行学习过程以更新深度神经网络DNN的结构(诸如权重)，来更新深度神经网络DNN的结构(诸如权重或偏差)。

衣物处理设备可以通过通信部73将速度数据传输到连接到网络的服务器(未示出)，并从服务器接收与机器学习相关的数据。在这种情况下，衣物处理设备可以基于从服务器接收到的与机器学习相关的数据来更新人工神经网络。

参照图9至图11，控制器60控制马达9以预定目标速度V2旋转(S1、S2、S4、S5)。在马达旋转的同时，速度检测器74检测滚筒4(或马达9)的旋转速度(S2)。

目标速度可由滚筒4的旋转速度确定，该旋转速度保持目标速度并且当滚筒4沿一个方向旋转多于一圈时允许衣物保持附着到滚筒42上。目标速度V2可以在从80rpm至100rpm的范围内，优选地为80rpm。

具体地，在控制器60指示马达驱动部71使马达9加速之后，当速度检测器74检测到的旋转速度达到第一预定旋转速度V1时，可以将存储器76中当时的电流值存储在存储器76中(S3到S4)。第一旋转速度V1在10rpm和20rpm之间的范围内，优选为20rpm。

可在滚筒4被桶3中供应的水部分地浸没在水中之后执行S3的步骤。即，可在供水来打湿衣物之后执行S3的步骤。然而，不限于此，可在桶3中的水被排出的状态下执行步骤S3。

当滚筒4的旋转速度V达到第二预定旋转速度V2时，控制器60可不再存储电流值并执行对电流值的处理(S5到S6)。这里，第二旋转速度V2可以是目标速度。

同时，从第一旋转速度V1到第二旋转速度V2的加速斜率可以是恒定的。期望加速斜率保持恒定以增加检测电流模式变化的可靠性。

加速斜率不能太高，以便可以清楚地看到滚筒4中衣物流动的变化。加速斜率可以优选地在从1.5rpm/s至2.5rpm/s的范围内，优选为2.0rpm/s，但不一定限于此。加速斜率可具有尽可能小的值，以使其可以被控制器60控制。

如图6所示，对电流值的处理是根据预定算法S6对从预定点获得的电流值Iq进行处理来生成人工神经网络输入层的输入数据(In1、In2、In3、In4)的过程。

该过程可包括平均电流值Iq的步骤和通过处理根据预定解析规则获得的平均值来生成人工神经网络的输入数据的步骤。特别是，通过预定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9至图10，控制器60可通过电流检测器75以规则间隔获得电流值。根据本公开的示例性实施方式，在滚筒4的旋转速度从第一旋转速度V1加速到第二旋转速度V2的区间中，以预定时间间隔获得总共545个电流值。

以这种方式获得的电流值可由控制器60在预定时间段内求平均。此时，控制器60可以利用移动平均滤波器。移动平均是通过移动区间来计算平均值，以便可以看到趋势的变化。例如，假设电流值为一个时间序列中的Iq1、Iq2、Iq3……Iqn，通过将从Iq1到Iql(l<n)求平均值而获得M1，通过将从Iqm(m>1)到Iqm+s-1(用于获得每个移动平均所需的Iq数量)求平均值而获得M2。以这种方式，可以通过继续移动区间来获得移动平均。

通过适当地设定获得移动平均的时间间隔，移动平均(M1、M2……)的数量可小于电流Iq的总数。然而，时间间隔的长度越长，对电流变化趋势的分辨率越低，因此应选择合适的时间间隔长度。根据本公开的示例性实施方式，控制器60使用移动平均滤波器从545个电流值Iq获得五十个移动平均。

控制器60可以通过根据预定解析规则处理电流值和移动平均来生成输入数据(In1、In2、In3、In4...)。预定解析规则可被构造为选择获得最终输入数据的区间，从而很好地显示特性(衣物的流动特性)。根据本公开的示例性实施方式，为每个速度间隔(A、B、C)生成四个输入数据，但不一定限于此。输入数据可以是通过将每个速度区间A、B、C再次划分为四个区间(A1、A2、A3、A4)、(B1、B2、B3、B4)和(C1、C2、C3、C4)的属于每个区间的移动平均的平均值。获得的输入数据In1、In2、In3、In4成为输入层中的各节点的输入值。

分配给形成人工神经网络的节点的权重和偏差由机器学习来限定，这基于电流模式或电流值进行重复。此外，电流模式(或电流值)反映了如上所述的衣物的流动特性，因此可以通过对由先前存储的或通过衣物处理设备的操作添加的数据执行机器学习来设定改进的或准确的权重和偏差，直到获得准确的结果(即当前投入滚筒4中的衣物的准确流动特性)。

在以这种方式构建的人工神经网络中，输出层的输出将反映衣物的流动特性，并且控制器60可基于输出层中的节点中输出最大值的节点来确定运动速度Vc(S7)。

随后，控制器60可根据在步骤S7中确定的运动速度Vc来控制滚筒4的操作(S8)。滚动运动、翻滚运动和过滤运动中的运动速度Vc可根据人工神经网络输入层中输入的电流值进行设定。此时，如果将从第一速度区间A、第二速度区间B和第三速度区间C获得的电流值都输入到输入层，则滚动运动、翻滚运动和过滤运动的运动速度Vc都可从人工神经网络的输出层输出。在这种情况下，控制器60可根据输出层输出的值分别设定存储器76中存储的滚动运动中的运动速度Vc、存储器76中存储的翻滚运动中的运动速度和存储器中存储的过滤运动中的运动速度。

运动速度Vc可以重复或周期性地更新。换句话说，可在衣物处理设备的操作期间重复从步骤S1到步骤S7的一系列步骤，参照图11，并且在每次迭代时，控制器60可将运动速度Vc的先前值更新为从步骤S7新获得的运动速度Vc。

上述示例是滚筒4绕大致水平轴线旋转的前装载方法，但是衣物处理设备及其控制方法也可以应用于顶部装载方法。

同时，根据本公开的示例性实施方式，可以基于处理器可以读取的记录介质来实现处理器可以读取的代码。处理器可以读取的记录介质包括存储处理器可以读取的数据的各种记录设备。作为处理器可以读取的记录介质的示例包括ROM、RAM、CD-ROM、磁带、软盘、光学数据存储器等。此外，诸如通过因特网传输的一种载波可以被包括在其中。此外，处理器可以读取的记录介质可以分布在联网的计算机系统上，允许处理器以分布式的方式存储和执行处理器可以读取的代码。

虽然以上参照附图对本公开的实施方式进行了描述，但本公开不限于上述实施方式，可以以各种形式制造本公开，并且在本公开所属领域中，本领域技术人员将理解，在不改变本公开的技术精神或基本特征的情况下，本公开可以以其他具体形式实施。因此，应当理解，上述实施方式在所有方面都是示例性的，而不是限制性的。

Claims (17)

1.一种衣物处理设备，该衣物处理设备包括：

滚筒，所述滚筒被配置为接纳衣物；

马达，所述马达使所述滚筒旋转；

检测器，所述检测器检测所述马达的电流；以及

控制器，所述控制器被配置为：加速所述滚筒的旋转；基于在所述滚筒加速旋转期间由所述检测器以预定时间间隔检测的电流值获得电流变化函数；并且基于所述电流变化函数的一阶导数的值确定第一运动速度，其中，所述电流变化函数是代表所述马达的电流根据所述马达的旋转速度变化的连续函数，

其中，所述控制器被配置为在确定所述第一运动速度之后使所述马达以所述第一运动速度旋转，

其中，当所述一阶导数的值达到等于或小于预定值的值时，基于所述马达的对应于所述预定值的旋转速度确定所述第一运动速度，

其中，所述控制器被配置为：获得这样的拐点，在所述拐点处，当所述滚筒加速超过所述马达的对应于所述预定值的旋转速度时，所述电流变化函数中的二阶导数的值从负变为正；基于所述马达的对应于所述拐点的旋转速度确定第二运动速度；在所述马达以所述第一运动速度旋转之后使所述马达停止；然后使所述马达以所述第二运动速度旋转。

2.根据权利要求1所述的衣物处理设备，其中，所述马达的对应于所述预定值的旋转速度在从10rpm至40rpm的范围内。

3.根据权利要求1所述的衣物处理设备，其中，所述第一运动速度小于所述预定值。

4.根据权利要求1所述的衣物处理设备，其中，当所述马达以所述第一运动速度旋转时，所述滚筒中的衣物反复被提升到在所述滚筒的旋转方向上小于90度的位置然后落下。

5.根据权利要求1所述的衣物处理设备，其中，所述马达的对应于所述拐点的旋转速度在从40rpm至60rpm的范围内。

6.根据权利要求1所述的衣物处理设备，其中，所述第二运动速度被确定为小于所述马达的对应于所述拐点的旋转速度。

7.根据权利要求6所述的衣物处理设备，其中，当所述马达以所述第二运动速度旋转时，所述滚筒中的衣物反复被提升到在所述滚筒的旋转方向上90度至110度的位置然后落下。

8.根据权利要求1所述的衣物处理设备，其中，所述控制器被配置为在所述滚筒加速旋转期间使所述马达在1.5rpm/s至2.5rpm/s的旋转加速范围内加速旋转。

9.一种衣物处理设备，该衣物处理设备包括：

滚筒，所述滚筒被配置为接纳衣物；

马达，所述马达使所述滚筒旋转；

检测器，所述检测器检测所述马达的电流；以及

控制器，所述控制器被配置为：加速所述滚筒的旋转；基于在所述滚筒加速旋转期间由所述检测器以预定时间间隔检测的电流值获得电流变化函数；获得所述电流变化函数的二阶导数的值从负变为正的拐点；并且基于所述马达的对应于所述拐点的旋转速度确定运动速度，其中，所述电流变化函数是代表所述马达的电流根据所述马达的旋转速度变化的连续函数，

其中，所述控制器被配置为在确定所述运动速度之后使所述马达以所述运动速度旋转。

10.根据权利要求9所述的衣物处理设备，其中，所述马达的对应于所述拐点的旋转速度在从40rpm至60rpm的速度范围内。

11.根据权利要求9所述的衣物处理设备，其中，所述运动速度被确定为小于所述马达的对应于所述拐点的旋转速度。

12.根据权利要求11所述的衣物处理设备，其中，当所述马达以所述运动速度旋转时，所述滚筒中的衣物反复被提升到在所述滚筒的旋转方向上90度至110度的位置然后落下。

13.根据权利要求9所述的衣物处理设备，其中，所述控制器被配置为在所述滚筒加速旋转期间使所述马达在1.5rpm/s至2.5rpm/s旋转加速范围内加速旋转。

14.一种衣物处理设备，该衣物处理设备包括：

滚筒，所述滚筒接纳衣物并且能够旋转；

马达，所述马达使所述滚筒旋转；

电流检测器，所述电流检测器检测所述马达的电流；以及

控制器，所述控制器被配置为：加速所述滚筒的旋转；并且在所述滚筒加速旋转期间，基于在判定区间中由所述电流检测器检测的电流值确定在滚筒驱动运动中所述滚筒的运动速度，其中，所述滚筒驱动运动对应于所述判定区间进行设定，

其中，所述控制器被配置为通过预训练的机器学习网络的输出层的、基于对所述机器学习网络的输入层的输入的输出，来获得所述运动速度，所述机器学习网络包括在所述判定区间中由所述电流检测器检测的所述马达的电流，

其中，所述控制器被配置为将所述马达的旋转速度从第一旋转速度加速到第二旋转速度，其中，所述第一旋转速度在从10rpm至20rpm的范围内，其中，所述第二旋转速度在从80rpm至100rpm的范围内。

15.根据权利要求14所述的衣物处理设备，其中，所述判定区间是所述滚筒的旋转速度从所述第一旋转速度达到40rpm的区间，

其中，所述滚筒驱动运动是滚动运动，在所述滚动运动中，所述滚筒以所述运动速度旋转，使得所述滚筒中的衣物反复被提升到在所述滚筒的旋转方向上小于90度的位置然后落下。

16.根据权利要求14所述的衣物处理设备，其中，所述判定区间是所述滚筒的旋转速度在从40rpm至60rpm的范围内的区间，

其中，所述滚筒驱动运动是翻滚运动，在所述翻滚运动中，所述滚筒以所述运动速度旋转，使得所述滚筒中的衣物反复被提升到在所述滚筒的旋转方向上90度至110度的位置。

17.根据权利要求14所述的衣物处理设备，其中，所述判定区间是所述滚筒的旋转速度在从60rpm至80rpm的范围内的区间，

其中，所述滚筒驱动运动是过滤运动，在所述过滤运动中，所述滚筒以所述运动速度旋转，使得当所述滚筒沿一个方向旋转多于一圈时，所述衣物保持附着到所述滚筒。