CN114657741A - 洗涤设备控制方法、装置、洗涤设备和存储介质 - Google Patents
洗涤设备控制方法、装置、洗涤设备和存储介质 Download PDFInfo
- Publication number
- CN114657741A CN114657741A CN202210216362.9A CN202210216362A CN114657741A CN 114657741 A CN114657741 A CN 114657741A CN 202210216362 A CN202210216362 A CN 202210216362A CN 114657741 A CN114657741 A CN 114657741A
- Authority
- CN
- China
- Prior art keywords
- target
- value
- influence factor
- prediction model
- washing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005406 washing Methods 0.000 title claims abstract description 188
- 238000000034 method Methods 0.000 title claims abstract description 52
- 210000002569 neuron Anatomy 0.000 claims abstract description 96
- 238000004804 winding Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 13
- 230000006870 function Effects 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 102000003712 Complement factor B Human genes 0.000 description 2
- 108090000056 Complement factor B Proteins 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 108700041286 delta Proteins 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000008237 rinsing water Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
Images
Classifications
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F33/00—Control of operations performed in washing machines or washer-dryers
- D06F33/30—Control of washing machines characterised by the purpose or target of the control
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
- D06F34/04—Signal transfer or data transmission arrangements
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
- D06F34/14—Arrangements for detecting or measuring specific parameters
Landscapes
- Engineering & Computer Science (AREA)
- Textile Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Control Of Washing Machine And Dryer (AREA)
Abstract
本申请实施例公开了洗涤设备控制方法、装置、洗涤设备和存储介质；本申请实施例获取目标影响因子的初始值，并通过目标预测模型和初始值，预测出目标影响因子的目标值，由于目标预测模型在训练过程中，可以通过动态调整神经元数，从而可以实现对目标影响因子和物品的缠绕程度的准确建模，基于目标预测模型得到的目标值也更为准确，基于目标值控制的洗涤设备，可以改善洗涤设备内物品的缠绕程度，给用户带来更好的洗涤体验。
Description
技术领域
本申请涉及智能设备领域，具体涉及洗涤设备控制方法、装置、洗涤设备和存储介质。
背景技术
随着科技的快速发展和人们生活水平的提高，洗涤设备例如洗衣机成为了生活中常见的设备，人们通常可以使用洗衣机进行衣物的清洁。
然而，现有的洗涤设备在洗涤衣物时，无论待清洁的衣物多或少，均会采用固定的洗涤参数：例如进水量，漂洗停转比等进行洗涤，导致在衣物较多的情况下，衣物在洗涤的过程中有较大的可能性缠绕在一起。上述情况不仅容易损坏衣物，而且难以对衣物进行全面的清洁，洗涤质量不佳。
发明内容
本申请实施例提供洗涤设备控制方法、装置、洗涤设备和存储介质，可以降低洗涤设备中物品的缠绕程度，提升洗涤质量。
本申请实施例提供一种洗涤设备控制方法，包括：获取目标影响因子的初始值，所述目标影响因子为影响所述洗涤设备中物品的缠绕程度的变量；获取目标预测模型，所述目标预测模型为利用样本数据动态调整神经元数得到；根据所述目标预测模型和所述目标影响因子的初始值，预测所述目标影响因子的目标值；基于所述目标影响因子的目标值对所述洗涤设备进行控制，以便调整所述洗涤设备中物品的缠绕程度。
本申请实施例还提供一种洗涤设备控制装置，包括：第一获取模块，用于获取目标影响因子的初始值，所述目标影响因子为影响所述洗涤设备中物品的缠绕程度的变量；第二获取模块，用于获取目标预测模型，所述目标预测模型为利用样本数据动态调整神经元数得到；预测模块，用于根据所述目标预测模型和所述目标影响因子的初始值，预测所述目标影响因子的目标值；控制模块，用于基于所述目标影响因子的目标值对所述洗涤设备进行控制，以便调整所述洗涤设备中物品的缠绕程度。
在一些实施例中，所述洗涤设备控制装置还包括建模模块，建模模块包括样本获取单元、聚类单元、构建单元以及调整单元，在获取目标预测模型之前，建模模块用于：
样本获取单元，用于获取样本数据，所述样本数据包括所述目标影响因子的初始样本值，以及与所述初始样本值对应的目标样本值；
聚类单元，用于对所述样本数据进行聚类操作，确定隐含层神经元数；
构建单元，用于根据所述目标影响因子的数量和所述隐含层神经元数，构建初始预测模型；
调整单元，用于基于所述初始样本值和目标样本值，对所述隐含层神经元数进行调整，得到所述目标预测模型。
在一些实施例中，样本获取单元用于：
获取历史数据，所述历史数据包括影响因子和缠绕程度；
基于所述历史数据，计算每个影响因子与所述缠绕程度之间的关联值，所述关联值用于表示所述影响因子对所述缠绕程度的影响程度；
计算所有所述关联值的平均值，得到关联阈值；
基于所述关联值和关联阈值，从所述影响因子中确定目标影响因子；
基于所述目标影响因子，构建所述目标影响因子的初始样本值以及对应的目标样本值。
在一些实施例中，样本获取单元还用于：
确定所述关联值与所述关联阈值的大小关系；
确定所述大小关系为预设关系的关联值为目标关联值，并将所述目标关联值对应的影响因子确定为所述目标影响因子。
在一些实施例中，聚类单元用于：
根据所述目标影响因子的初始样本值和聚类半径，计算每个样本数据的第一密度值；
将目标第一密度值对应的样本数据确定为当前聚类中心，所述目标第一密度值为所述第一密度值中的最大值；
根据当前聚类中心，对每个样本数据对应的第一密度值进行更新，得到每个样本数据对应的第二密度值；
将目标第二密度值对应的样本数据确定为下一聚类中心，直到所述目标第二密度值与所述目标第一密度值的比值小于预设值时，得到聚类中心数，所述目标第二密度值为所述第二密度值中的最大值；
将所述聚类中心数确定为所述隐含层神经元数。
在一些实施例中，构建单元用于：
将所述目标影响因子的数量确定为输入层神经元数以及输出层神经元数；
确定承接层神经元数等于所述隐含层神经元数；
根据所述输入层神经元数、输出层神经元数、承接层神经元数以及所述隐含层神经元数，构建初始预测模型。
在一些实施例中，调整单元用于：
基于所述初始样本值和所述目标样本值，计算得到偏差值；
基于所述偏差值、训练次数、训练时间以及比例系数，得到性能值；
基于所述性能值和所述聚类中心数，对所述隐含层神经元数进行更新，直到所述聚类中心数的变化程度满足预设条件，得到所述目标预测模型。
本申请实施例还提供一种洗涤设备，包括存储器存储有多条指令；所述处理器从所述存储器中加载指令，以执行本申请实施例所提供的任一种洗涤设备控制方法中的步骤。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本申请实施例所提供的任一种洗涤设备控制方法中的步骤。
在本申请中，目标预测模型为通过样本数据动态调整神经元数得到，可以使得建立的目标预测模型可以更好的捕捉到目标影响因子和缠绕程度之间的关系，基于该目标预测模型对初始值进行预测，得到目标值，利用目标值对洗涤设备进行控制，实现降低洗涤设备中衣物的缠绕程度，进步提升对衣物的洗涤质量以及用户的洗涤体验。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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的附图。
图1是本申请实施例提供的洗涤设备控制方法的场景示意图；
图2是本申请实施例提供的洗涤设备控制方法的流程示意图；
图3是本申请实施例提供的初始预测模型的结构示意图；
图4是本申请另一实施例提供的洗涤设备控制方法的流程示意图；
图5是本申请实施例提供的洗涤设备控制装置的结构示意图；
图6是本申请实施例提供的洗涤设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供洗涤设备控制方法、装置、洗涤设备和存储介质。
其中，该洗涤设备控制装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer，PC)、洗衣机等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
在一些实施例中，该洗涤设备控制装置还可以集成在多个电子设备中，比如，洗涤设备控制装置可以集成在多个服务器中，由多个服务器来实现本申请的洗涤设备控制方法。
在一些实施例中，服务器也可以以终端的形式来实现。
例如，参考图1，该电子设备可以是洗衣机，洗衣机在获取到目标影响因子的初始值后，可以将初始值输入目标预测模型中，得到目标值，以便根据目标值控制洗衣机。
在一些实施方式中，洗衣机获取到的目标影响因子可以是用户通过洗衣机输入的。例如，用户可以通过洗衣机上的输入面板、旋钮、按键等输入初始值，还可以在手机等终端上安装洗衣机相关程序，通过该程序，将初始值发送至洗衣机。
作为一种实施方式，目标预测模型可以集成在洗衣机的处理器中，从而洗衣机可以通过处理器的处理，得到目标值。
作为一种实施方式，目标预测模型可以集成在服务器，洗衣机可以通过网络和服务器连接，将初始值发送至服务器，服务器使用目标预测模型得到目标值，并转发至洗衣机。
以下分别进行详细说明。需说明的是，以下实施例的序号不作为对实施例优选顺序的限定。
在本实施例中，提供了一种基于工智能的洗涤设备控制方法，如图2所示，该洗涤设备控制方法的具体流程可以如下：
S110、获取目标影响因子的初始值，所述目标影响因子为影响所述洗涤设备中物品的缠绕程度的变量。
目标影响因子是指影响洗涤设备中物品的缠绕程度的变量，或者说是和物品的缠绕程度相关的变量。例如，以洗涤设备为洗衣机为例，洗衣机在洗涤衣物时，通常需要电动机感应电动势脉冲数、衣物种类、衣物质量、进水量、洗涤水流转停比、漂洗水流转停比等参数，这些参数可以影响到洗衣机中衣物的状态，因而可以认为这些参数为目标影响因子。但是一些其他无关的参数，例如，天气、洗涤衣物的人等，由于天气是否好坏、洗涤衣物的人是谁都不会影响到衣物在洗衣机中的状态，从而，这些参数不是目标影响因子。
在一些实施方式中，目标影响因子可以是指洗涤设备工作时，所必要的参数，例如，衣物的种类、进水量等等。
在另一些实施方式中，目标影响因子可以是通过大量的数据确定出的可以影响衣物缠绕程度的变量。
在一些实施方式中，目标影响因子的初始值是指用户使用洗涤设备时输入的，例如，用户在洗涤衣物时，主动选择的衣物类型，洗涤时长，洗涤方式等，这些均可以认为是目标影响因子的初始值。
在一些实施方式中，目标影响因子的初始值可以是洗涤设备检测得到的，例如，用户仅将衣物放进洗涤设备中，洗涤设备可以自动检测衣物类型、重量、脏污程度等，以确定出目标影响因子的初始值。
S120、获取目标预测模型，所述目标预测模型为利用样本数据动态调整神经元数得到。
目标预测模型是指利用样本数据对网络模型进行训练，并在训练中不断调整神经元数得到的模型。通常，在建立模型时存在输入变量随机选取，网络结构固定后无法随输入数据动态改变导致模型误差较大。在本申请实施例中，可以先构建初始预测模型，在对初始预测模型进行训练的过程中，可以根据输入的数据不断的调整神经元数，以便在建模中动态调整模型的结构，使得建立的模型更加准确。
在一些实施方式中，建立目标预测模型的过程可以是获取样本数据，所述样本数据包括所述目标影响因子的初始样本值，以及与所述初始样本值对应的目标样本值；对所述样本数据进行聚类操作，确定隐含层神经元数；根据所述目标影响因子的数量和所述隐含层神经元数，构建初始预测模型；基于所述初始样本值和目标样本值，对所述隐含层神经元数进行调整，得到所述目标预测模型。
样本数据是指用于训练网络模型的数据，通常可以对数据进行筛选得到样本数据，以降低数据噪声，提升网络模型的训练效果。因此，获取样本数据可以是获取历史数据，所述历史数据包括影响因子和缠绕程度；基于所述历史数据，计算每个影响因子与所述缠绕程度之间的关联值，所述关联值用于表示所述影响因子对所述缠绕程度的影响程度；计算所有所述关联值的平均值，得到关联阈值；基于所述关联值和关联阈值，从所述影响因子中确定目标影响因子；基于所述目标影响因子，构建所述目标影响因子的初始样本值。
获取历史数据，历史数据包括影响因子和缠绕程度，其中，影响因子是指可能与缠绕程度相关的变量。历史数据可以是在历史时段内控制洗涤设备对应的控制数据以及缠绕程度，历史时段是指在当前时间之前的时段。历史数据可以是每使用一次洗涤设备，记录对应的影响因子的数值和缠绕程度。
在一些实施方式中，历史数据可以以表1的形式进行存储。
表1
| A | B | C | D | 缠绕程度 |
| a1 | b1 | c1 | d1 | 轻微 |
| a2 | b2 | c2 | d2 | 严重 |
| a3 | b3 | c3 | d3 | 严重 |
在表1中，A，B，C，D表示不同的影响因子，a1、a2和a3表示影响因子A的不同取值，b1、b2和b3表示影响因子B的不同取值，c1、c2和c3表示影响因子C的不同取值，d1、d2和d3表示影响因子D的不同取值。
根据该历史数据，可以计算出每个影响因子与缠绕程度之间的关联值，其中，关联值用于表示影响因子对缠绕程度的影响程度。在一些实施方式中，可以是关联值的数值越大，表示该影响因子对缠绕程度的影响程度越大。在一些实施方式中，可以是关联值的数值越大，表示该影响因子对缠绕程度的影响程度越小。
在一些实施方式中，计算每个影响因子与缠绕程度之间的关联值，可以是通过条件熵进行计算。其中，条件熵是指在X给定条件下，Y的条件概率的分布的熵对X的数学期望，公式如下：
H(Y|X)＝∑∑p(x,y)logp(y|x)；
其中，x可以是指影响因子，y是指缠绕程度，表示在已知影响因子的条件下，缠绕程度的不确定性。
按照上述方式，可以计算得到每个影响因子与缠绕程度之间的关联值。如表1中举例所述，可以得到影响因子A、影响因子B、影响因子C、以及影响因子D与缠绕程度之间的关联值。
在一些实施方式中，在得到每个影响因子与缠绕程度之间的关联值后，可以计算出所有关联值的平均值，得到关联阈值。由于该关联阈值为所有关联值的平均值，可以反映出关联值的平均水平，因而可以基于该关联阈值对影响因子进行筛选。
在根据关联值和关联阈值，从影响因子中确定目标影响因子时，可以是确定所述关联值与所述关联阈值的大小关系；确定所述大小关系为预设关系的关联值为目标关联值，并将所述目标关联值对应的影响因子确定为所述目标影响因子。
其中，比较每个关联值与关联阈值的大小关系，大小关系可以包括大于、等于或小于，预设关系可以是预先设置的大小关系，例如，预设关系可以设置为大于或等于，关联值大于或等于关联阈值可以确定为目标关联值，将目标关联值确定为目标影响因子，从而得到的目标影响因子均是与缠绕程度关联性较高的影响因子，基于目标影响因子构建出初始样本值以及对应的目标样本值。
在确定出目标影响因子，构建出初始样本值以及对应的目标样本值时，可以是先确定每个目标影响因子对应的取值范围。在取值范围内任意取值，得到目标影响因子的初始样本值。
在得到初始样本值后，可以是基于初始样本值对洗涤设备进行控制，通过对初始样本值的调节，实现对衣物缠绕程度的调节，得到衣物缠绕程度明显改善时，对应的目标影响因子的值，该值即为目标样本值。其中，构建得到的样本数据包括初始样本值以及对应的目标样本值。按照上述方式，可以构建得到大量的样本数据，基于这些样本数据可以进行网络模型的构建，以及网络模型的训练，以得到目标预测模型。
在得到样本数据后，可以对样本数据进行聚类操作，确定网络模型中的隐含层神经元数。在一些实施方式中，可以是根据所述目标影响因子的初始样本值和聚类半径，计算每个样本数据的第一密度值；将目标第一密度值对应的样本数据确定为当前聚类中心，所述目标第一密度值为所述第一密度值中的最大值；根据当前聚类中心，对每个样本数据对应的第一密度值进行更新，得到每个样本数据对应的第二密度值；将目标第二密度值对应的样本数据确定为下一聚类中心，直到所述目标第二密度值与所述目标第一密度值的比值小于预设值时，得到聚类中心数，所述目标第二密度值为所述第二密度值中的最大值；将所述聚类中心数确定为所述隐含层神经元数。
作为一种实施方式，可以是利用减法聚类思想计算每个样本数据的第一密度值。其中，减法聚类(SubtrativeClustering Method，SMC)是一种密度聚类的算法，可以将每一个数据点作为一个潜在的聚类中心，之后减去已完成的聚类中心的作用，再次寻找聚类中心。在一些实施方式中，可以按照以下公式计算每个样本数据的第一密度值：
其中，Di表示第一密度值，Xi与Xj为q维空间中的p个数据，ra表示聚类半径。按照上述公式可以计算得到每个样本数据的第一密度值。
在计算得到每个样本数据的第一密度值之后，可以根据第一密度值对样本数据进行聚类。作为一种实施方式，可以是将目标第一密度值对应的样本数据确定为当前聚类中心，其中，目标第一密度值为第一密度值中的最大值。例如，样本数据为E、F、G，其中，样本数据E的第一密度值E1，样本数据F的第一密度值F1，样本数据G的第一密度值G1，E1>G1>F1，那么可以将样本数据E作为当前聚类中心进行聚类。
为了消除现有的聚类中心周围出现新的中心点的情况，可以对每个样本数据的第一密度值进行更新。作为一种实施方式，可以是根据当前聚类中心，对每个样本数据对应的第一密度值进行更新，得到每个样本数据对应的第二密度值，可以按照以下公式对第一密度值进行更新：
其中，Di m为第m次计算数据点的密度指标，
为第m-1次最高密度指标数据点，rb表示为密度评价值正在快速下降的范围。为防止出现距离过近的中心点出现，通常选择rb＝1.5ra。
根据上述公式可以对每个样本数据的第一密度值进行更新，得到每个样本数据对应的第二密度值。
在得到每个样本数据对应的第二密度值之后，可以从第二密度值中选择最大的第二密度值，并将最大的第二密度值确定为目标第二密度值，将目标第二密度值对应的样本数据确定为下一聚类中心。
在一些实施方式中，在确定出下一聚类中心之后，可以确定根据目标第二密度值和目标第一密度值确定聚类是否满足结束条件，若满足结束条件，则聚类结束；若不满足结束条件，可以继续对第二密度值进行更新，寻求新的聚类中心。
聚类中心数是指聚类中得到的所有的聚类中心的数量，若目标第二密度值和目标第一密度值的比值小于预设值，可以认为满足结束条件，聚类结束，可以得到聚类中心数。
若目标第二密度值和目标第一密度值的比值大于或等于预设值，可以认为不满足结束条件，继续聚类，在继续聚类时，可以是根据下一聚类中心，继续对第二密度值进行更新，以便确定出新的聚类中心作为下一聚类中心，直到下一聚类中心对应的密度值与目标第一密度值的比值小于预设值。例如，将目标第一密度值记为D1，目标第二密度值记为D2，继续聚类后，不断的对第二密度值进行更新，那么目标第二密度值D2也会随之更新，直到D2/D1的值小于预设值时，聚类结束。
在一些实施方式中，在得到聚类中心数后，可以直接将聚类中心数确定为隐含层神经元数，并基于目标影响因子的数量和隐含层神经元数，构建初始预测模型。
其中，在构建初始预测模型时，可以是将所述目标影响因子的数量确定为输入层神经元数以及输出层神经元数；确定承接层神经元数等于所述隐含层神经元数；根据所述输入层神经元数、输出层神经元数、承接层神经元数以及所述隐含层神经元数，构建初始预测模型。
作为一种实施方式，初始预测模型包括输入层、隐含层、承接层以及输出层，在构建初始预测模型时，需要确定每一层的神经元数。其中，可以将目标影响因子的数量确定为输入层神经元数和输出层神经元数，即输入层神经元数和输出层神经元数相同。承接层是在隐含层的基础上增加的一层，其目的是作为延时算子，达到记忆隐含层前一时刻的输出值，因此隐含层神经元数和承接层神经元数相同，均为聚类中心数。
请参阅图3，示出了初始预测模型的结构示意图。其中y(t)表示输出层的输出，x(t)表示隐含层的输出，u(t)表示承接层的输出。该初始预测模型的数学表达式如下：
y(t)＝g(ω3x(t))；
x(t)＝f(ω1u(t)+ω2x(t-1))；
u(t)＝x(t-1)；
其中，ω1表示承接层和隐含层之间的权值；ω2表示输入层和隐含层之间的权值，ω3表示隐含层和输出层之间的权值，f(*)为隐含层传递函数；g(*)为输出层传递函数。
在构建得到初始预测模型后，可以使用样本数据对初始预测模型进行训练，得到目标预测模型，在训练的过程中，可以实现对隐含层神经元数的调整，以便实现更为准确的建模。
作为一种实施方式，对隐含层神经元数调整时，可以是基于初始样本值和目标样本值，计算得到偏差值；基于所述偏差值、训练次数、训练时间以及比例系数，得到性能值；基于所述性能值和所述聚类中心数，对所述隐含层神经元数进行更新，直到所述聚类中心数的变化程度满足预设条件，得到所述目标预测模型。
在计算性能值时，可以是按照以下公式进行计算：
其中，RT表示性能值，yi表示初始样本值，
表示与初始样本值对应的目标样本值；
表示偏差值；n表示训练次数；t表示训练时间；λ表示比例系数，通常λ∈[0,1]。
在对隐含层神经元数进行调节时，可以是按照下述公式进行调节：
其中，随着性能值RT的变化，隐含层神经元数也在动态增加，δ1表示聚类得到的隐含层神经元数，δ2表示更新后的隐含层神经元数，
表示对RT和γ之间的比值进行取整；γ表示一个极小的正数，具体可以根据实际的需要进行确定。
在一些实施方式中，通过样本数据构建初始预测模型并对其训练的过程中，可以不断调整隐含层神经元数，直到聚类得到的聚类中心数即聚类得到的隐含层神经元数趋于稳定时，可以认为对初始预测模型训练完毕，得到目标预测模型。
在一些实施方式中，还可以是在初始预测模型输出的数值以明显改善物品的缠绕程度时，可以认为模型训练完毕，得到目标预测模型。
S130、根据所述目标预测模型和所述目标影响因子的初始值，预测所述目标影响因子的目标值。
目标影响因子的初始值可以是指用户输入的参数，或者是系统默认的参数。由于根据这些参数对洗涤设备进行控制时，可能会导致洗涤设备内的衣物缠绕，难以取得较好的清洁效果。因此，可以利用目标预测模型，预测出目标影响因子对应的目标值，其中，目标值是指可以缠绕程度最低时，目标影响因子的值，即基于目标值控制洗涤设备时，洗涤设备内的物品缠绕情况可以得到极大的改善。
作为一种实施方式，可以是将目标影响因子的初始值直接输入目标预测模型，获取目标预测模型的输出，得到目标影响因子的目标值。
S140、基于所述目标影响因子的目标值对所述洗涤设备进行控制，以便调整所述洗涤设备中物品的缠绕程度。
在得到目标影响因子的目标值后，可以基于目标值对洗涤设备进行控制，例如，将目标影响因子的目标值作为洗涤设备的工作参数，实现对洗涤设备的控制。
在一些实施方式中，物品的缠绕程度可以通过一个数值的衡量，数值越大，表示物品缠绕得越厉害，数值越小，表示物品缠绕的情况改善。那么，在基于目标影响因子的目标值对洗涤设备进行控制时，可以降低物品的缠绕程度，从而极大的改善物品的缠绕情况。
本申请实施例提供的洗涤设备控制方案可以应用在各种衣物清洁的场景中。比如，以洗涤设备为洗衣机为例，可以极大的改善洗衣机中衣物的缠绕程度，从而取得更好的洗涤质量，提升用户体验。
由上可知，本申请实施例可以获取目标影响因子的初始值，并通过目标预测模型和初始值，预测出目标影响因子的目标值，由于目标预测模型在训练过程中，可以通过动态调整神经元数，从而可以实现对目标影响因子和物品的缠绕程度的准确建模，基于目标预测模型得到的目标值也更为准确，基于目标值控制的洗涤设备，可以减小物品的缠绕程度，给用户带来更好的洗涤体验。
根据上述实施例所描述的方法，以下将作进一步详细说明。
在本实施例中，将以洗涤设备为洗衣机为例，洗衣机在洗涤衣物时，洗衣机通常会搅动衣物实现衣物的揉搓去渍，由此，洗衣机在洗涤完毕衣物时，衣物容易缠绕在一起，用户难以将其分开，并且衣物的缠绕也容易导致清洁不到位，给用户带来了不好的使用体验，使用本申请实施例提供的洗涤设备控制方法，可以有效改善衣物缠绕程度，提升用户体验，下面将对本申请实施例的方法进行详细说明。
如图4所示，一种洗涤设备控制方法具体流程如下：
S210、获取样本数据，样本数据包括目标影响因子的初始样本值，以及与初始样本值对应的目标样本值。
S220、对样本数据进行聚类操作，确定隐含层神经元数。
S230、根据所述目标影响因子的数量和所述隐含层神经元数，构建初始预测模型。
S240、根据所述目标影响因子的数量和所述隐含层神经元数，构建初始预测模型。
S250、基于所述初始样本值和目标样本值，对所述隐含层神经元数进行调整，得到所述目标预测模型。
S260、根据目标预测模型和目标影响因子的初始值，预测所述目标影响因子的目标值。
S270、基于所述目标影响因子的目标值对洗衣机进行控制。
需要说明的是，S210至S250为构建初始预测模型，并得到目标预测模型的过程。目标影响因子可以是指感应电动势脉冲数、进水量、衣物量、衣物种类、洗涤转停比、漂洗转停比等，为了便于计算，可以将这些目标影响因子的值组成一个向量，向量中的一个维度表示一个目标影响因子的值。如前举例的目标影响因子为6个，那么，对应的向量有6个维度。
一个样本数据是指初始样本值和对应的目标样本值，基于样本数据可以实现构建模型和模型训练，具体得到目标预测模型的过程可参照前述实施例中的对应步骤，在此不再赘述，在本申请实施例中，使用的目标预测模型可以是Elman神经网络模型。
得到目标预测模型后，在对洗衣机进行控制时，可以是先获取用户输入的参数，通常，在洗涤衣物时，用户需要选择衣物种类，例如羊毛、童装、棉麻等等，用户在选择了衣物种类后，可由洗衣机获取到衣物量等数据，从而得到目标影响因子的初始值。为了降低衣物的缠绕程度，可以将目标影响因子的初始值输入目标预测模型，得到目标值，使用目标值控制洗衣机。
作为一种实施方式，目标预测模型可以集成在洗衣机的处理器中，即洗衣机的处理器可以直接调用目标预测模型得到目标值，并对洗衣机进行控制。
作为一种实施方式，为了降低洗衣机的数据处理量，洗衣机可以有联网功能，通过网络与服务器连接，在洗衣机获取到目标影响因子的初始值后，将目标影响因子的初始值通过网络发送至服务器，由服务器将初始值输入目标预测模型，得到目标值，并将目标值发送至洗衣机，以便洗衣机根据该目标值洗涤衣物，以降低衣物的缠绕程度。
洗衣机的硬件设备可以包括模糊电路、水位传感器、TOF摄像头、电机、离合器等等，Elman神经网络可以通过输入数据的确定初始神经元数，并随着样本数据的输入不断动态调整神经元数，改变网络结构以达到对数据的准确建模。其中，Elman神经网络计算是可以使用python，终端可视化设备仍然可以使用Python中的GUI模块，洗衣机端可视化设备使用固有显示板，对必要的信息进行显示，例如洗涤时长等等。
由上可知，洗衣机可以通过这些硬件设备获取到样本数据，基于这些样本数据对Elman神经网络进行训练，并在训练的过程中不断调整神经元数，以改变网络结构，实现对样本数据的准确建模得到目标预测模型。后续在利用目标预测模型对初始值进行预测，得到目标值，基于目标值对洗衣机进行控制时，可以有效改善衣物的缠绕情况，提升洗涤质量和用户体验。
为了更好地实施以上方法，本申请实施例还提供一种洗涤设备控制装置，该洗涤设备控制装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑、洗衣机等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
比如，在本实施例中，将以洗涤设备控制装置具体集成在洗衣机为例，对本申请实施例的方法进行详细说明。
例如，如图5所示，该洗涤设备控制装置300可以包括第一获取模块310、第二获取模块320、预测模块330以及控制模块340。
第一获取模块310，用于获取目标影响因子的初始值，所述目标影响因子为影响所述洗涤设备中物品的缠绕程度的变量；
第二获取模块320，用于获取目标预测模型，所述目标预测模型为利用样本数据动态调整神经元数得到；
预测模块330，用于根据所述目标预测模型和所述目标影响因子的初始值，预测所述目标影响因子的目标值；
控制模块340，用于基于所述目标影响因子的目标值对所述洗涤设备进行控制，以便调整所述洗涤设备中物品的缠绕程度。
在一些实施例中，所述洗涤设备控制装置300还包括建模模块，建模模块包括样本获取单元、聚类单元、构建单元以及调整单元，在获取目标预测模型之前，建模模块用于：
样本获取单元，用于获取样本数据，所述样本数据包括所述目标影响因子的初始样本值，以及与所述初始样本值对应的目标样本值；
聚类单元，用于对所述样本数据进行聚类操作，确定隐含层神经元数；
构建单元，用于根据所述目标影响因子的数量和所述隐含层神经元数，构建初始预测模型；
调整单元，用于基于所述初始样本值和目标样本值，对所述隐含层神经元数进行调整，得到所述目标预测模型。
在一些实施例中，样本获取单元用于：
获取历史数据，所述历史数据包括影响因子和缠绕程度；
基于所述历史数据，计算每个影响因子与所述缠绕程度之间的关联值，所述关联值用于表示所述影响因子对所述缠绕程度的影响程度；
计算所有所述关联值的平均值，得到关联阈值；
基于所述关联值和关联阈值，从所述影响因子中确定目标影响因子；
基于所述目标影响因子，构建所述目标影响因子的初始样本值以及对应的目标样本值。
在一些实施例中，样本获取单元还用于：
确定所述关联值与所述关联阈值的大小关系；
确定所述大小关系为预设关系的关联值为目标关联值，并将所述目标关联值对应的影响因子确定为所述目标影响因子。
在一些实施例中，聚类单元用于：
根据所述目标影响因子的初始样本值和聚类半径，计算每个样本数据的第一密度值；
将目标第一密度值对应的样本数据确定为当前聚类中心，所述目标第一密度值为所述第一密度值中的最大值；
根据当前聚类中心，对每个样本数据对应的第一密度值进行更新，得到每个样本数据对应的第二密度值；
将目标第二密度值对应的样本数据确定为下一聚类中心，直到所述目标第二密度值与所述目标第一密度值的比值小于预设值时，得到聚类中心数，所述目标第二密度值为所述第二密度值中的最大值；
将所述聚类中心数确定为所述隐含层神经元数。
在一些实施例中，构建单元用于：
将所述目标影响因子的数量确定为输入层神经元数以及输出层神经元数；
确定承接层神经元数等于所述隐含层神经元数；
根据所述输入层神经元数、输出层神经元数、承接层神经元数以及所述隐含层神经元数，构建初始预测模型。
在一些实施例中，调整单元用于：
基于所述初始样本值和所述目标样本值，计算得到偏差值；
基于所述偏差值、训练次数、训练时间以及比例系数，得到性能值；
基于所述性能值和所述聚类中心数，对所述隐含层神经元数进行更新，直到所述聚类中心数的变化程度满足预设条件，得到所述目标预测模型。
具体实施时，以上各个模块或单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个模块或单元的具体实施可参见前面的方法实施例，在此不再赘述。
由上可知，本实施例的洗涤设备控制装置可以获取目标影响因子的初始值，并通过目标预测模型和初始值，预测出目标影响因子的目标值，由于目标预测模型在训练过程中，可以通过动态调整神经元数，从而可以实现对目标影响因子和物品的缠绕程度的准确建模，基于目标预测模型得到的目标值也更为准确，基于目标值控制的洗涤设备，可以减小物品的缠绕程度，给用户带来更好的洗涤体验。
相应的，本申请实施例还提供一种洗涤设备，该洗涤设备可以是指洗衣机、烘干机等设备。
如图6所示，图6为本申请实施例提供的洗涤设备的结构示意图，该洗涤设备400包括有一个或者一个以上处理核心的处理器401、有一个或一个以上计算机可读存储介质的存储器402及存储在存储器402上并可在处理器上运行的计算机程序。其中，处理器401与存储器402电性连接。本领域技术人员可以理解，图中示出的洗涤设备结构并不构成对洗涤设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
处理器401是洗涤设备400的控制中心，利用各种接口和线路连接整个洗涤设备400的各个部分，通过运行或加载存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行洗涤设备400的各种功能和处理数据，从而对洗涤设备400进行整体监控。
在本申请实施例中，洗涤设备400中的处理器401会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能：
获取目标影响因子的初始值，所述目标影响因子为影响所述洗涤设备中物品的缠绕程度的变量；
获取目标预测模型，所述目标预测模型为利用样本数据动态调整神经元数得到；
根据所述目标预测模型和所述目标影响因子的初始值，预测所述目标影响因子的目标值；
基于所述目标影响因子的目标值对所述洗涤设备进行控制，以便调整所述洗涤设备中物品的缠绕程度。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
可选的，如图6所示，洗涤设备400还包括：触控显示屏403、射频电路404、音频电路405、输入单元406以及电源407。其中，处理器401分别与触控显示屏403、射频电路404、音频电路405、输入单元406以及电源407电性连接。本领域技术人员可以理解，图6中示出的洗涤设备结构并不构成对洗涤设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
触控显示屏403可用于显示图形用户界面以及接收用户作用于图形用户界面产生的操作指令。触控显示屏403可以包括显示面板和触控面板。其中，显示面板可用于显示由用户输入的信息或提供给用户的信息以及洗涤设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。可选的，可以采用液晶显示器(LCD，Liquid Crystal Display)、有机发光二极管(OLED，Organic Light-Emitting Diode)等形式来配置显示面板。触控面板可用于收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并生成相应的操作指令，且操作指令执行对应程序。可选的，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器401，并能接收处理器401发来的命令并加以执行。触控面板可覆盖显示面板，当触控面板检测到在其上或附近的触摸操作后，传送给处理器401以确定触摸事件的类型，随后处理器401根据触摸事件的类型在显示面板上提供相应的视觉输出。在本申请实施例中，可以将触控面板与显示面板集成到触控显示屏403而实现输入和输出功能。但是在某些实施例中，触控面板与显示面板可以作为两个独立的部件来实现输入和输出功能。即触控显示屏403也可以作为输入单元406的一部分实现输入功能。
射频电路404可用于收发射频信号，以通过无线通信与网络设备或其他洗涤设备建立无线通讯，与网络设备或其他洗涤设备之间收发信号。
音频电路405可以用于通过扬声器、传声器提供用户与洗涤设备之间的音频接口。音频电路405可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路405接收后转换为音频数据，再将音频数据输出处理器401处理后，经射频电路404以发送给比如另一设备，或者将音频数据输出至存储器402以便进一步处理。音频电路405还可能包括耳塞插孔，以提供外设耳机与洗涤设备的通信。
输入单元406可用于接收输入的数字、字符信息或用户特征信息(例如指纹、虹膜、面部信息等)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
电源407用于给洗涤设备400的各个部件供电。可选的，电源407可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源407还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管图6中未示出，洗涤设备400还可以包括模糊电路、电机、摄像头、传感器、无线保真模块、蓝牙模块等，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
由上可知，本实施例提供的洗涤设备可以获取目标影响因子的初始值，并通过目标预测模型和初始值，预测出目标影响因子的目标值，由于目标预测模型在训练过程中，可以通过动态调整神经元数，从而可以实现对目标影响因子和物品的缠绕程度的准确建模，基于目标预测模型得到的目标值也更为准确，基于目标值控制的洗涤设备，可以减小物品的缠绕程度，给用户带来更好的洗涤体验。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条计算机程序，该计算机程序能够被处理器进行加载，以执行本申请实施例所提供的任一种洗涤设备控制方法中的步骤。例如，该计算机程序可以执行如下步骤：
获取目标影响因子的初始值，所述目标影响因子为影响所述洗涤设备中物品的缠绕程度的变量；
获取目标预测模型，所述目标预测模型为利用样本数据动态调整神经元数得到；
根据所述目标预测模型和所述目标影响因子的初始值，预测所述目标影响因子的目标值；
基于所述目标影响因子的目标值对所述洗涤设备进行控制，以便调整所述洗涤设备中物品的缠绕程度。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种洗涤设备控制方法中的步骤，因此，可以实现本申请实施例所提供的任一种洗涤设备控制方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种洗涤设备控制方法、装置、存储介质及洗涤设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种洗涤设备控制方法，其特征在于，所述方法包括：
获取目标影响因子的初始值，所述目标影响因子为影响所述洗涤设备中物品的缠绕程度的变量；
获取目标预测模型，所述目标预测模型为利用样本数据动态调整神经元数得到；
根据所述目标预测模型和所述目标影响因子的初始值，预测所述目标影响因子的目标值；
基于所述目标影响因子的目标值对所述洗涤设备进行控制，以便调整所述洗涤设备中物品的缠绕程度。
2.根据权利要求1所述的方法，其特征在于，所述获取目标预测模型之前，还包括：
获取所述样本数据，所述样本数据包括所述目标影响因子的初始样本值，以及与所述初始样本值对应的目标样本值；
对所述样本数据进行聚类操作，确定隐含层神经元数；
根据所述目标影响因子的数量和所述隐含层神经元数，构建初始预测模型；
基于所述初始样本值和目标样本值，对所述隐含层神经元数进行调整，得到所述目标预测模型。
3.根据权利要求2所述的方法，其特征在于，所述获取样本数据，包括：
获取历史数据，所述历史数据包括影响因子和缠绕程度；
基于所述历史数据，计算每个影响因子与所述缠绕程度之间的关联值，所述关联值用于表示所述影响因子对所述缠绕程度的影响程度；
计算所有所述关联值的平均值，得到关联阈值；
基于所述关联值和关联阈值，从所述影响因子中确定目标影响因子；
基于所述目标影响因子，构建所述目标影响因子的初始样本值以及对应的目标样本值。
4.根据权利要求3所述的方法，其特征在于，所述基于所述关联值和关联阈值，从所述影响因子中确定目标影响因子，包括：
确定所述关联值与所述关联阈值的大小关系；
确定所述大小关系为预设关系的关联值为目标关联值，并将所述目标关联值对应的影响因子确定为所述目标影响因子。
5.根据权利要求2所述的方法，其特征在于，所述对所述样本数据进行聚类操作，确定隐含层神经元数，包括：
根据所述目标影响因子的初始样本值和聚类半径，计算每个样本数据的第一密度值；
将目标第一密度值对应的样本数据确定为当前聚类中心，所述目标第一密度值为所述第一密度值中的最大值；
根据当前聚类中心，对每个样本数据对应的第一密度值进行更新，得到每个样本数据对应的第二密度值；
将目标第二密度值对应的样本数据确定为下一聚类中心，直到所述目标第二密度值与所述目标第一密度值的比值小于预设值时，得到聚类中心数，所述目标第二密度值为所述第二密度值中的最大值；
将所述聚类中心数确定为所述隐含层神经元数。
6.根据权利要求5所述的方法，其特征在于，所述根据所述目标影响因子的数量和所述隐含层神经元数，构建初始预测模型，包括：
将所述目标影响因子的数量确定为输入层神经元数以及输出层神经元数；
确定承接层神经元数等于所述隐含层神经元数；
根据所述输入层神经元数、输出层神经元数、承接层神经元数以及所述隐含层神经元数，构建初始预测模型。
7.根据权利要求6所述的方法，其特征在于，所述基于所述初始样本值和目标样本值，对所述隐含层神经元数进行调整，得到所述目标预测模型，包括：
基于所述初始样本值和所述目标样本值，计算得到偏差值；
基于所述偏差值、训练次数、训练时间以及比例系数，得到性能值；
基于所述性能值和所述聚类中心数，对所述隐含层神经元数进行更新，直到所述聚类中心数的变化程度满足预设条件，得到所述目标预测模型。
8.一种洗涤设备控制装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标影响因子的初始值，所述目标影响因子为影响所述洗涤设备中物品的缠绕程度的变量；
第二获取模块，用于获取目标预测模型，所述目标预测模型为利用样本数据动态调整神经元数得到；
预测模块，用于根据所述目标预测模型和所述目标影响因子的初始值，预测所述目标影响因子的目标值；
控制模块，用于基于所述目标影响因子的目标值对所述洗涤设备进行控制，以便调整所述洗涤设备中物品的缠绕程度。
9.一种洗涤设备，其特征在于，包括处理器和存储器，所述存储器存储有多条指令；所述处理器从所述存储器中加载指令，以执行如权利要求1～7任一项所述的洗涤设备控制方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1～7任一项所述的洗涤设备控制方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210216362.9A CN114657741B (zh) | 2022-03-07 | 2022-03-07 | 洗涤设备控制方法、装置、洗涤设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210216362.9A CN114657741B (zh) | 2022-03-07 | 2022-03-07 | 洗涤设备控制方法、装置、洗涤设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114657741A true CN114657741A (zh) | 2022-06-24 |
| CN114657741B CN114657741B (zh) | 2024-02-06 |
Family
ID=82027354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210216362.9A Active CN114657741B (zh) | 2022-03-07 | 2022-03-07 | 洗涤设备控制方法、装置、洗涤设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114657741B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010051432A (ja) * | 2008-08-27 | 2010-03-11 | Panasonic Corp | 衣類乾燥機、乾燥制御方法およびプログラム |
| CN110331551A (zh) * | 2019-05-24 | 2019-10-15 | 珠海格力电器股份有限公司 | 洗衣机的洗涤控制方法、装置、计算机设备和存储介质 |
| US20200024788A1 (en) * | 2018-08-30 | 2020-01-23 | Lg Electronics Inc. | Intelligent vibration predicting method, apparatus and intelligent computing device |
| US20200063315A1 (en) * | 2019-08-15 | 2020-02-27 | Lg Electronics Inc. | Method and apparatus for compensating vibration of deep-learning based washing machine |
| CN112391793A (zh) * | 2019-07-30 | 2021-02-23 | Tcl集团股份有限公司 | 一种洗衣机控制方法、洗衣机及存储介质 |
| CN113552855A (zh) * | 2021-07-23 | 2021-10-26 | 重庆英科铸数网络科技有限公司 | 工业设备动态阈值设定方法、装置、电子设备及存储介质 |
| CN114091611A (zh) * | 2021-11-25 | 2022-02-25 | Tcl家用电器（合肥）有限公司 | 设备负载重量获取方法、装置、存储介质及电子设备 |
-
2022
- 2022-03-07 CN CN202210216362.9A patent/CN114657741B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010051432A (ja) * | 2008-08-27 | 2010-03-11 | Panasonic Corp | 衣類乾燥機、乾燥制御方法およびプログラム |
| US20200024788A1 (en) * | 2018-08-30 | 2020-01-23 | Lg Electronics Inc. | Intelligent vibration predicting method, apparatus and intelligent computing device |
| CN110331551A (zh) * | 2019-05-24 | 2019-10-15 | 珠海格力电器股份有限公司 | 洗衣机的洗涤控制方法、装置、计算机设备和存储介质 |
| CN112391793A (zh) * | 2019-07-30 | 2021-02-23 | Tcl集团股份有限公司 | 一种洗衣机控制方法、洗衣机及存储介质 |
| US20200063315A1 (en) * | 2019-08-15 | 2020-02-27 | Lg Electronics Inc. | Method and apparatus for compensating vibration of deep-learning based washing machine |
| CN113552855A (zh) * | 2021-07-23 | 2021-10-26 | 重庆英科铸数网络科技有限公司 | 工业设备动态阈值设定方法、装置、电子设备及存储介质 |
| CN114091611A (zh) * | 2021-11-25 | 2022-02-25 | Tcl家用电器（合肥）有限公司 | 设备负载重量获取方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114657741B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107885545B (zh) | 应用管理方法、装置、存储介质及电子设备 | |
| CN111310079A (zh) | 评论信息排序方法、装置、存储介质及服务器 | |
| EP3671441A1 (en) | Application management method and apparatus, storage medium, and electronic device | |
| CN110995810B (zh) | 一种基于人工智能的对象识别方法和相关装置 | |
| WO2019085749A1 (zh) | 应用程序管控方法、装置、介质及电子设备 | |
| CN111125523B (zh) | 搜索方法、装置、终端设备及存储介质 | |
| CN110069715A (zh) | 一种信息推荐模型训练的方法、信息推荐的方法及装置 | |
| CN113284142A (zh) | 图像检测方法、装置、计算机可读存储介质及计算机设备 | |
| CN107608778B (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
| WO2019085750A1 (zh) | 应用程序管控方法、装置、介质及电子设备 | |
| CN109756818A (zh) | 双麦克风降噪方法、装置、存储介质及电子设备 | |
| CN114091611A (zh) | 设备负载重量获取方法、装置、存储介质及电子设备 | |
| CN107729144B (zh) | 应用控制方法、装置、存储介质及电子设备 | |
| CN114657741B (zh) | 洗涤设备控制方法、装置、洗涤设备和存储介质 | |
| CN107992361B (zh) | 后台应用的清理方法、装置、存储介质及电子设备 | |
| CN113887129A (zh) | 目标场景生成方法、装置、服务器和存储介质 | |
| CN115169245A (zh) | 烘干降温时长的预测方法、装置、计算机设备及存储介质 | |
| CN115618232A (zh) | 数据预测方法、装置、存储介质及电子设备 | |
| CN115775283A (zh) | 图像压缩方法、装置、存储介质及计算机设备 | |
| CN113112011B (zh) | 一种数据预测方法及装置 | |
| CN113360908A (zh) | 数据处理方法、违规识别模型训练方法及相关设备 | |
| CN112367428A (zh) | 电量的显示方法、系统、存储介质及移动终端 | |
| CN113807403A (zh) | 模型训练的方法、装置、计算机设备及存储介质 | |
| CN113383311A (zh) | 应用处理方法、装置、存储介质及电子设备 | |
| CN110832463A (zh) | 系数计算方法、组件调用方法、装置、介质、服务器及终端 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |