CN117752269A - 一种洗碗机的工作状态自动控制方法及装置 - Google Patents
一种洗碗机的工作状态自动控制方法及装置 Download PDFInfo
- Publication number
- CN117752269A CN117752269A CN202410190435.0A CN202410190435A CN117752269A CN 117752269 A CN117752269 A CN 117752269A CN 202410190435 A CN202410190435 A CN 202410190435A CN 117752269 A CN117752269 A CN 117752269A
- Authority
- CN
- China
- Prior art keywords
- parameter
- training
- cleaning
- neural network
- signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004140 cleaning Methods 0.000 claims abstract description 163
- 239000007788 liquid Substances 0.000 claims abstract description 69
- 239000004020 conductor Substances 0.000 claims abstract description 54
- 238000005406 washing Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 169
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 238000003062 neural network model Methods 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims 2
- 230000000875 corresponding effect Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 15
- 238000004851 dishwashing Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000011109 contamination Methods 0.000 description 3
- 230000031700 light absorption Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000004506 ultrasonic cleaning Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B40/00—Technologies aiming at improving the efficiency of home appliances, e.g. induction cooking or efficient technologies for refrigerators, freezers or dish washers
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请提供一种洗碗机的工作状态自动控制方法,属于控制技术领域,能够识别液体介质中的衰减程度,适用于一种超声波洗碗机,超声波洗碗机具有用于容纳待清洗餐具的清洗腔以及红外传感器,方法包括:基于红外传感器获取第一参数,第一参数为信号生成端生成的红外光信号经过清洗腔并被信号接收端接收后,红外光信号的衰减率;基于第一导体与第二导体确定获取第二参数,第二参数为第一导体与第二导体之间的电阻值;确定当前清洁指数,清洁指数用于衡量清洗腔内,用于清洁待清洗餐具的液体介质的污染程度;若清洁指数大于预设阈值,则生成警报指令,警报指令用于指示更换清洗腔内的液体介质。本申请还提供一种洗碗机的工作状态自动控制装置。
Description
技术领域
本申请涉及控制技术领域,尤其涉及一种洗碗机的工作状态自动控制方法与装置。
背景技术
超声波洗碗机是利用超声波雾化离子洁净餐具的装置。当超声波经过液体介质时,将以极高的频率压迫液体介质振动,使液体分子产生正负交变的冲击波。当声强达到一定数值时,液体中急剧生长微小空化气泡并瞬时强烈闭合,产生强烈的微爆炸和冲击波使被清洗物表面的污物遭到破坏,并从被清洗表面脱落下来。虽然每个空化气泡的作用并不大,但每秒钟有上亿个空化气泡在作用,就具有很好的清洗效果。
清洗过程中,被清洗表面污物扩散于液体介质中,对超声波洗碗机的洁净效果产生影响。
发明内容
本申请实施例提供一种洗碗机的工作状态自动控制方法与装置,以改善上述问题。
第一方面,本申请实施例提出了一种洗碗机的工作状态自动控制方法,适用于一种超声波洗碗机,超声波洗碗机具有用于容纳待清洗餐具的清洗腔以及红外传感器,红外传感器包括信号生成端与信号接收端,其中,待清洗餐具容纳于清洗腔内时,信号生成端与信号接收端之间的连线不与任意待清洗餐具之间发生干涉,超声波洗碗机还包括间隔设置于清洗腔的第一导体与第二导体,方法包括:
基于红外传感器获取第一参数,第一参数为信号生成端生成的红外光信号经过清洗腔并被信号接收端接收后,红外光信号的衰减率;
基于第一导体与第二导体确定获取第二参数,第二参数为第一导体与第二导体之间的电阻值;
获取清洗腔内的温度对应的第三参数,基于第一参数、第二参数与第三参数确定当前清洁指数,清洁指数用于衡量清洗腔内,用于清洁待清洗餐具的液体介质的污染程度;
若清洁指数大于预设阈值,则生成警报指令,警报指令用于指示更换清洗腔内的液体介质。
结合第一方面,在一些实施方式中,获取清洗腔内的温度对应的第三参数,基于第一参数、第二参数与第三参数确定当前清洁指数,清洁指数用于衡量清洗腔内,用于清洁待清洗餐具的液体介质的污染程度,包括:
获取多个不同的训练第一参数、多个不同的训练第二参数以及多个训练样本,训练样本为单位体积的液体介质,且每一个训练样本具有对应的训练第三参数,其中,每一个训练样本集清洁指数不同,每一个训练样本的对应一个训练第一参数与一个训练第二参数;
构建神经网络训练模型,将训练第一参数、训练第二参数与训练第三参数作为清洁指数的不同维度特征向量导入神经网络训练模型,并进行迭代计算,当计算过程满足预设条件时,将神经网络作为目标神经网络模型并输出,目标神经网络模型用于根据第一参数、第二参数以及第三参数,预测单位体积的液体介质的清洁指数;
将第一参数、第二参数与第三参数导入目标神经网络模型,得到清洁指数。
结合第一方面,在一些实施方式中,构建神经网络训练模型,将训练第一参数、训练第二参数与训练第三参数作为清洁指数的不同维度特征向量导入神经网络训练模型,并进行迭代计算,当计算过程满足预设条件时,将神经网络作为目标神经网络模型并输出,目标神经网络模型用于根据第一参数、第二参数以及第三参数,预测单位体积的液体介质的预测清洁指数,包括:
将训练第一参数、训练第二参数与训练第三参数作为清洁指数的不同维度特征向量导入神经网络训练模型,并进行迭代计算,得到预测清洁指数;
将预测清洁指数与训练样本的清洁指数相比对,确定误差值;
当误差值小于预设误差值时,停止迭代计算并输出目标神经网络模型。
结合第一方面,在一些实施方式中,信号生成端包括第一信号生成端、第二信号生成端与第三信号生成端,第一信号生成端、第二信号生成端与第三信号生成端所生成的红外光信号波束方向两两垂直,基于红外传感器获取第一参数,第一参数为信号生成端生成的红外光信号经过清洗腔并被信号接收端接收后,红外光信号的衰减率,包括:
基于第一信号生成端获取第一维度参数,基于第二信号生成端获取第二维度参数,基于第三信号生成端获取第三维度参数;
基于第一维度参数、第二维度参数与第三维度参数确定第一参数。
结合第一方面,在一些实施方式中,信号接收端包括第一信号接收端、第二信号接收端与第三信号接收端,基于第一维度参数、第二维度参数与第三维度参数确定第一参数,包括:
获取第一信号生成端至第一信号接收端的距离;
获取第二信号生成端至第二信号接收端的距离;
获取第三信号生成端至第三信号接收端的距离;
基于距离、距离/>以及距离/>确定第一参数,其中,第一参数e满足:
;
其中,为第一维度参数的值;/>为第二维度参数的值;/>为第三维度参数的值。
结合第一方面,在一些实施方式中,基于第一信号生成端获取第一维度参数,基于第二信号生成端获取第二维度参数,基于第三信号生成端获取第三维度参数,包括:
获取第一信号生成端生成的信号初始强度以及第一信号接收端接收信号强度;
基于信号初始强度与接收信号强度/>确定第一维度参数的值/>,第一维度参数的值/>满足:
;
其中,K为常数。
结合第一方面,在一些实施方式中,将训练第一参数、训练第二参数与训练第三参数作为清洁指数的不同维度特征向量导入神经网络训练模型,并进行迭代计算,得到预测清洁指数之前,包括:
对训练第一参数、训练第二参数与训练第三参数进行归一化处理,以使训练第一参数、训练第二参数与训练第三参数的值大于0且小于1。
本发明实施例的第二方面提出了一种洗碗机的工作状态自动控制装置,适用于一种超声波洗碗机,超声波洗碗机具有用于容纳待清洗餐具的清洗腔以及红外传感器,红外传感器包括信号生成端与信号接收端,其中,待清洗餐具容纳于清洗腔内时,信号生成端与信号接收端之间的连线不与任意待清洗餐具之间发生干涉,超声波洗碗机还包括间隔设置于清洗腔的第一导体与第二导体,装置被配置为:
基于红外传感器获取第一参数,第一参数为信号生成端生成的红外光信号经过清洗腔并被信号接收端接收后,红外光信号的衰减率;
基于第一导体与第二导体确定获取第二参数,第二参数为第一导体与第二导体之间的电阻值;
获取清洗腔内的温度对应的第三参数,基于第一参数、第二参数与第三参数确定当前清洁指数,清洁指数用于衡量清洗腔内,用于清洁待清洗餐具的液体介质的污染程度;
若清洁指数大于预设阈值,则生成警报指令,警报指令用于指示更换清洗腔内的液体介质。
可选地,装置被配置为:
获取多个不同的训练第一参数、多个不同的训练第二参数以及多个训练样本,训练样本为单位体积的液体介质,且每一个训练样本具有对应的训练第三参数,其中,每一个训练样本集清洁指数不同,每一个训练样本的对应一个训练第一参数与一个训练第二参数;
构建神经网络训练模型,将训练第一参数、训练第二参数与训练第三参数作为清洁指数的不同维度特征向量导入神经网络训练模型,并进行迭代计算,当计算过程满足预设条件时,将神经网络作为目标神经网络模型并输出,目标神经网络模型用于根据第一参数、第二参数以及第三参数,预测单位体积的液体介质的清洁指数;
将第一参数、第二参数与第三参数导入目标神经网络模型,得到清洁指数。
可选地,装置被配置为:
将训练第一参数、训练第二参数与训练第三参数作为清洁指数的不同维度特征向量导入神经网络训练模型,并进行迭代计算,得到预测清洁指数;
将预测清洁指数与训练样本的清洁指数相比对,确定误差值;
当误差值小于预设误差值时,停止迭代计算并输出目标神经网络模型。
可选地,装置被配置为:
基于第一信号生成端获取第一维度参数,基于第二信号生成端获取第二维度参数,基于第三信号生成端获取第三维度参数;
基于第一维度参数、第二维度参数与第三维度参数确定第一参数。
可选地,装置被配置为:
获取第一信号生成端至第一信号接收端的距离;
获取第二信号生成端至第二信号接收端的距离;
获取第三信号生成端至第三信号接收端的距离;
基于距离、距离/>以及距离/>确定第一参数,其中,第一参数e满足:
;
其中,为第一维度参数的值;/>为第二维度参数的值;/>为第一参数(z)的值。
可选地,装置被配置为:
获取第一信号生成端生成的信号初始强度以及第一信号接收端接收信号强度;
基于信号初始强度与接收信号强度/>确定第一维度参数的值/>,第一维度参数的值/>满足:
;
其中,K为常数。
可选地,装置被配置为:
对训练第一参数、训练第二参数与训练第三参数进行归一化处理,以使训练第一参数、训练第二参数与训练第三参数的值大于0且小于1。
本发明实施例第三方面提出一种电子设备,电子设备包括:
至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本发明实施例第一方面提出方法。
本发明实施例第四方面提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例第一方面提出方法。
综上,上述方法与装置具有如下技术效果:
本申请实施例提出的一种洗碗机的工作状态自动控制方法,首先基于红外传感器获取第一参数,第一参数为信号生成端生成的红外光信号经过清洗腔并被信号接收端接收后,红外光信号的衰减率,然后,基于第一导体与第二导体确定获取第二参数,第二参数为第一导体与第二导体之间的电阻值,然后,获取清洗腔内的温度对应的第三参数,基于第一参数、第二参数与第三参数确定当前清洁指数,清洁指数用于衡量清洗腔内,用于清洁待清洗餐具的液体介质的污染程度,最后,若清洁指数大于预设阈值,则生成警报指令,警报指令用于指示更换清洗腔内的液体介质。本申请实施例提出的一种洗碗机的工作状态自动控制方法,通过红外光信号在清洗腔内,液体介质中的衰减程度,结合液体介质的电阻程度以及当前温度,对液体介质受到污染的程度进行一定程度的检测,在液体介质不能够使用时及时停止,提高了清洗效果。
附图说明
图1为本申请实施例提出的一种洗碗机的工作状态自动控制方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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,都属于本发明保护的范围。
本发明提出了一种洗碗机的工作状态自动控制方法,适用于一种超声波洗碗机,超声波洗碗机具有用于容纳待清洗餐具的清洗腔以及红外传感器,红外传感器包括信号生成端与信号接收端,其中,待清洗餐具容纳于清洗腔内时,信号生成端与信号接收端之间的连线不与任意待清洗餐具之间发生干涉,超声波洗碗机还包括间隔设置于清洗腔的第一导体与第二导体,请参阅图1,方法包括以下步骤:
S101:基于红外传感器获取第一参数,第一参数为信号生成端生成的红外光信号经过清洗腔并被信号接收端接收后,红外光信号的衰减率。
可以理解的,红外传感器是一种能够将红外辐射转换为可测量电信号的装置。清洗腔是一个特殊的应用环境,其中在清洗的过程中,可能存在各种污染物。清洗腔内的液体介质的清洗效果与污染物的量为正相关的,而污染物的量与红外光的衰减程度也是正相关的,因此,可以将红外光信号的衰减率是一个重要的监测指标。通过对红外光信号的衰减率进行实时测量,我们可以了解液体介质对红外光的吸收能力,从而判断清洗效果的好坏。
具体的,红外光信号的生成端负责产生红外辐射。这个过程可以通过多种方法实现,例如使用红外发射器、红外激光器等设备。在清洗腔中,红外光信号需要经过一定的传输过程,才能被接收端接收。在这个过程中,红外光信号可能会受到各种因素的影响,如传输距离、环境温度、液体介质的性质等。
信号接收端是红外光信号的最后一站,其任务是将红外光信号转换为可处理的电信号。这可以通过红外探测器、光敏电阻等传感器实现。接收到的电信号经过处理后,可以得到红外光信号的衰减率。通过对衰减率的分析,我们可以了解液体介质对红外光的吸收能力,从而判断清洗效果的好坏。
作为一种实施方式,为了得到一个清洗腔内,液体介质对红外光的吸收能力,可以通过设置有多个红外传感器的方式实现,具体的,在本实施方式中,信号生成端包括第一信号生成端、第二信号生成端与第三信号生成端,第一信号生成端、第二信号生成端与第三信号生成端所生成的红外光信号波束方向两两垂直,通过两两垂直的信号生成端与信号接收端,可以更大限度的对一个清洗腔内的液体介质中,各个维度对红外光的吸收能力做出一定的衡量,对整体吸收效率的量化更为准确。
具体的,在本实施例中,设置有x、y、z三个方向的红外光传感器,首先,可以基于第一信号生成端获取第一维度参数,基于第二信号生成端获取第二维度参数,基于第三信号生成端获取第三维度参数最后,基于第一维度参数、第二维度参数与第三维度参数确定第一参数。
对于单个信号源发出光线的衰减程度,可以通过信号生成端生成的信号初始强度与信号接收端接收信号强度来计算。在本实施例中,以x方向的红外光传感器为例,首先,可以获取第一信号生成端生成的信号初始强度以及第一信号接收端接收信号强度/>,然后,基于信号初始强度/>与接收信号强度/>确定第一维度参数的值/>,第一维度参数的值满足:
;
其中,K为常数。在本实施例中,由于液体介质以水为例,所以K也可以是对应的红外光在纯净水中的衰减常数。
由于在具体的超声波清洗腔内,各个方向的长度并不是保持一致的,红外光信号传递的距离越长,其衰减必然更强。因此,在本实施例中还需要获取获取第一信号生成端至第一信号接收端的距离,第二信号生成端至第二信号接收端的距离/>以及第三信号生成端至第三信号接收端的距离/>。基于距离/>、距离/>以及距离/>确定第一参数。由于是红外光信号,在本实施例中不考虑扩散衰减,只考虑吸收衰减的情况下,介质衰减系数α等于散射衰减系数和吸收衰减系数之和。
光在介质中的衰减受到介质的密度,光的波长等因素的影响。在本实施例中,介质以水为例,由于均为同一种红外光,因此,对于在同中介质中的不同衰减的计算,可以通过以下计算式进行计算:
;
其中,为第一维度参数的值;/>为第二维度参数的值;/>为第一参数(z)的值。
S102:基于第一导体与第二导体确定获取第二参数,第二参数为第一导体与第二导体之间的电阻值。
与上述步骤相同的是,清洗腔内的液体介质的清洗效果与液体介质的电阻也是为负相关的,关于水中污染程度与水中电阻之间的关系,在相关技术中已经公开,在此不赘述,在本实施例中,通过第一导体与第二导体获取的电阻值也是用于当前液体介质被污染的重要指标。
S103:获取清洗腔内的温度对应的第三参数,基于第一参数、第二参数与第三参数确定当前清洁指数,清洁指数用于衡量清洗腔内,用于清洁待清洗餐具的液体介质的污染程度。
可以理解的,温度也是对超声波清洗过程清洗效率的一种重要的影响指标,在超声波清洗的过程中,温度越高,其清洗效果必然也更强。对于液体介质清洁能力,可以通过一个清洁指数来进行衡量。对于一个清洁指数,可以通过人工实验等方法进行标定,例如,清洁指数较高的液体介质,在其余条件相同的情况下,清洁具有相同污物的餐具的能力大于清洁指数较低的液体介质。因此,在本实施例中,可以通过对液体介质的清洁指数影响较大的第一参数、第二参数与第三参数来确定清洁指数。
由于第一参数、第二参数与第三参数之间具有较为复杂的数学关系,且其之间相互存在的影响关系无法利用当前的数学参数进行准确的表达,因此只能采用模糊算法,基于此,可以通过人工智能的方式进行迭代计算,从而对其之间的关系进行较为准确的确定。
具体的,作为一种实施方式,步骤S103可以包括以下步骤:
S1031:获取多个不同的训练第一参数、多个不同的训练第二参数以及多个训练样本,训练样本为单位体积的液体介质,且每一个训练样本具有对应的训练第三参数,其中,每一个训练样本集清洁指数不同,每一个训练样本的对应一个训练第一参数与一个训练第二参数。
可以理解的,在本实施例中,用于训练的样本可以是在使用时,采用不同的参数进行清洁的。关于样本清洁指数,可以是时由使用者人工进行数据标注的,具体的方法在此不做限定。通过获取如此多个样本,可以利用多个样本对神经网络模型进行训练,以达到利用神经网络模型预测在不同情况下清洁指数的目的。
为了便于计算,在构建神经网络模型之前,还可以对对训练第一参数、训练第二参数与训练第三参数进行归一化处理,以使训练第一参数、训练第二参数与训练第三参数的值大于0且小于1。该方法可以保留数据的相对大小关系,同时使得数据具有可比性。
S1032:构建神经网络训练模型,将训练第一参数、训练第二参数与训练第三参数作为清洁指数的不同维度特征向量导入神经网络训练模型,并进行迭代计算,当计算过程满足预设条件时,将神经网络作为目标神经网络模型并输出,目标神经网络模型用于根据第一参数、第二参数以及第三参数,预测单位体积的液体介质的清洁指数。
具体的,模型生成的过程中,将三个维度的数据按照相同的时间戳进行对应。即将第一参数、第二参数以及第三参数数据按照采样时间对齐,确保每个维度的数据对应的时间相同。将对应的三个维度的数据组合成一个特征向量。即将第一参数、第二参数以及第三参数三个维度的数据按照一定的顺序组合成一个特征向量。该特征向量用于作为清洁指数的表示。然后,可以采用深度学习中常用的全连接神经网络训练模型,该模型可以通过多层神经元的计算,将输入特征与输出值之间的非线性关系进行建模。
具体地,设特征向量为x=[y1, x2, x3],其中y1、x2和x3分别表示归一化后的三个维度,设神经网络训练模型为f(x;θ),其中θ表示模型参数,使得模型输出值f(x;θ)能够接近燃气臭味剂浓度的清洁指数y。则神经网络训练模型的训练过程可以通过最小化损失函数来实现,即:
L(θ) = 1/N * Σ(f(x_i;θ) - y_i)^2
其中,N表示训练样本数量,xi和yi分别表示第i个样本的输入特征和输出值。该损失函数可以衡量模型预测值与真实值之间的误差,通过反向传播算法和梯度下降等优化算法,可以更新模型参数θ,从而提高模型的准确性。
由于利用了最小化损失公式,为了使计算结果更为准确,将训练第一参数、训练第二参数与训练第三参数作为清洁指数的不同维度特征向量导入神经网络训练模型,并进行迭代计算,得到预测清洁指数之后,可以将预测清洁指数与训练样本的清洁指数相比对,确定误差值。当误差值小于预设误差值时,停止迭代计算并输出目标神经网络模型。可以理解的,当误差值小于预设值时,停止对神经网络训练模型的训练过程。这是因为当误差值小于一定阈值时,模型已经足够准确地对数据进行预测,继续训练模型的效果不大,而且可能会导致过拟合等问题。S1033:将第一参数、第二参数与第三参数导入目标神经网络模型,得到清洁指数。
可以理解的,利用训练好的目标神经网络模型,可以根据获得的第一参数、第二参数与第三参数对当前的清洁指数进行预测。
S104:若清洁指数大于预设阈值,则生成警报指令,警报指令用于指示更换清洗腔内的液体介质。
可以理解的,当清洁指数大于预设阈值时,也即液体介质的污染程度较为严重,此时可以提示使用者对其进行更换。
本申请实施例提出的一种洗碗机的工作状态自动控制方法,首先基于红外传感器获取第一参数,第一参数为信号生成端生成的红外光信号经过清洗腔并被信号接收端接收后,红外光信号的衰减率,然后,基于第一导体与第二导体确定获取第二参数,第二参数为第一导体与第二导体之间的电阻值,然后,获取清洗腔内的温度对应的第三参数,基于第一参数、第二参数与第三参数确定当前清洁指数,清洁指数用于衡量清洗腔内,用于清洁待清洗餐具的液体介质的污染程度,最后,若清洁指数大于预设阈值,则生成警报指令,警报指令用于指示更换清洗腔内的液体介质。本申请实施例提出的一种洗碗机的工作状态自动控制方法,通过红外光信号在清洗腔内,液体介质中的衰减程度,结合液体介质的电阻程度以及当前温度,对液体介质受到污染的程度进行一定程度的检测,在液体介质不能够使用时及时停止,提高了清洗效果。
基于同一发明构思,本发明还提出了一种洗碗机的工作状态自动控制装置,适用于一种超声波洗碗机,超声波洗碗机具有用于容纳待清洗餐具的清洗腔以及红外传感器,红外传感器包括信号生成端与信号接收端,其中,待清洗餐具容纳于清洗腔内时,信号生成端与信号接收端之间的连线不与任意待清洗餐具之间发生干涉,超声波洗碗机还包括间隔设置于清洗腔的第一导体与第二导体,装置被配置为:
基于红外传感器获取第一参数,第一参数为信号生成端生成的红外光信号经过清洗腔并被信号接收端接收后,红外光信号的衰减率;
基于第一导体与第二导体确定获取第二参数,第二参数为第一导体与第二导体之间的电阻值;
获取清洗腔内的温度对应的第三参数,基于第一参数、第二参数与第三参数确定当前清洁指数,清洁指数用于衡量清洗腔内,用于清洁待清洗餐具的液体介质的污染程度;
若清洁指数大于预设阈值,则生成警报指令,警报指令用于指示更换清洗腔内的液体介质。
可选地,装置被配置为:
获取多个不同的训练第一参数、多个不同的训练第二参数以及多个训练样本,训练样本为单位体积的液体介质,且每一个训练样本具有对应的训练第三参数,其中,每一个训练样本集清洁指数不同,每一个训练样本的对应一个训练第一参数与一个训练第二参数;
构建神经网络训练模型,将训练第一参数、训练第二参数与训练第三参数作为清洁指数的不同维度特征向量导入神经网络训练模型,并进行迭代计算,当计算过程满足预设条件时,将神经网络作为目标神经网络模型并输出,目标神经网络模型用于根据第一参数、第二参数以及第三参数,预测单位体积的液体介质的清洁指数;
将第一参数、第二参数与第三参数导入目标神经网络模型,得到清洁指数。
可选地,装置被配置为:
将训练第一参数、训练第二参数与训练第三参数作为清洁指数的不同维度特征向量导入神经网络训练模型,并进行迭代计算,得到预测清洁指数;
将预测清洁指数与训练样本的清洁指数相比对,确定误差值;
当误差值小于预设误差值时,停止迭代计算并输出目标神经网络模型。
可选地,装置被配置为:
基于第一信号生成端获取第一维度参数,基于第二信号生成端获取第二维度参数,基于第三信号生成端获取第三维度参数;
基于第一维度参数、第二维度参数与第三维度参数确定第一参数。
可选地,装置被配置为:
获取第一信号生成端至第一信号接收端的距离;
获取第二信号生成端至第二信号接收端的距离;
获取第三信号生成端至第三信号接收端的距离;
基于距离、距离/>以及距离/>确定第一参数,其中,第一参数e满足:
;
其中,为第一维度参数的值;/>为第二维度参数的值;/>为第一参数(z)的值。
可选地,装置被配置为:
获取第一信号生成端生成的信号初始强度以及第一信号接收端接收信号强度;
基于信号初始强度与接收信号强度/>确定第一维度参数的值/>,第一维度参数的值/>满足:
;
其中,K为常数。
可选地,装置被配置为:
对训练第一参数、训练第二参数与训练第三参数进行归一化处理,以使训练第一参数、训练第二参数与训练第三参数的值大于0且小于1。
本申请实施例提出的一种洗碗机的工作状态自动控制装置,首先基于红外传感器获取第一参数,第一参数为信号生成端生成的红外光信号经过清洗腔并被信号接收端接收后,红外光信号的衰减率,然后,基于第一导体与第二导体确定获取第二参数,第二参数为第一导体与第二导体之间的电阻值,然后,获取清洗腔内的温度对应的第三参数,基于第一参数、第二参数与第三参数确定当前清洁指数,清洁指数用于衡量清洗腔内,用于清洁待清洗餐具的液体介质的污染程度,最后,若清洁指数大于预设阈值,则生成警报指令,警报指令用于指示更换清洗腔内的液体介质。本申请实施例提出的一种洗碗机的工作状态自动控制方法,通过红外光信号在清洗腔内,液体介质中的衰减程度,结合液体介质的电阻程度以及当前温度,对液体介质受到污染的程度进行一定程度的检测,在液体介质不能够使用时及时停止,提高了清洗效果。
基于同一发明构思,本申请的实施例还提出了一种电子设备,电子设备包括:
至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本申请实施例的洗碗机的工作状态自动控制方法。
此外,为实现上述目的,本申请的实施例还提出了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现本申请实施例的洗碗机的工作状态自动控制方法。
下面对电子设备的各个构成部件进行具体的介绍:
其中,处理器是电子设备的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器是一个或多个中央处理器(central processing unit,CPU),也可以是特定集成电路(application specific integrated circuit,ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路,例如:一个或多个微处理器(digital signalprocessor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA)。
可选地,处理器可以通过运行或执行存储在存储器内的软件程序,以及调用存储在存储器内的数据,执行电子设备的各种功能。
其中,所述存储器用于存储执行本发明方案的软件程序,并由处理器来控制执行,具体实现方式可以参考上述方法实施例,此处不再赘述。
可选地,存储器可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以和处理器集成在一起,也可以独立存在,并通过电子设备的接口电路与处理器耦合,本发明实施例对此不作具体限定。
收发器,用于与网络设备通信,或者与终端设备通信。
可选地,收发器可以包括接收器和发送器。其中,接收器用于实现接收功能,发送器用于实现发送功能。
可选地,收发器可以和处理器集成在一起,也可以独立存在,并通过路由器的接口电路与处理器耦合,本发明实施例对此不作具体限定。
此外,电子设备的技术效果可以参考上述方法实施例所述的数据传输方法的技术效果,此处不再赘述。
应理解,在本发明实施例中的处理器可以是中央处理单元(central processingunit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本发明实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random accessmemory,RAM)可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
上述实施例,可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
本发明中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a, b, c, a-b, a-c, b-c, 或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
Claims (10)
1.一种洗碗机的工作状态自动控制方法,其特征在于,适用于一种超声波洗碗机,所述超声波洗碗机具有用于容纳待清洗餐具的清洗腔以及红外传感器,所述红外传感器包括信号生成端与信号接收端,其中,所述待清洗餐具容纳于所述清洗腔内时,所述信号生成端与所述信号接收端之间的连线不与任意所述待清洗餐具之间发生干涉,所述超声波洗碗机还包括间隔设置于所述清洗腔的第一导体与第二导体,所述方法包括:
基于所述红外传感器获取第一参数,所述第一参数为所述信号生成端生成的红外光信号经过所述清洗腔并被所述信号接收端接收后,所述红外光信号的衰减率;
基于所述第一导体与所述第二导体确定获取第二参数,所述第二参数为所述第一导体与所述第二导体之间的电阻值;
获取所述清洗腔内的温度对应的第三参数,基于所述第一参数、所述第二参数与所述第三参数确定当前清洁指数,所述清洁指数用于衡量所述清洗腔内,用于清洁所述待清洗餐具的液体介质的污染程度;
若所述清洁指数大于预设阈值,则生成警报指令,所述警报指令用于指示更换所述清洗腔内的液体介质。
2.根据权利要求1所述的一种洗碗机的工作状态自动控制方法,其特征在于,获取所述清洗腔内的温度对应的第三参数,基于所述第一参数、所述第二参数与所述第三参数确定当前清洁指数,所述清洁指数用于衡量所述清洗腔内,用于清洁所述待清洗餐具的液体介质的污染程度,包括:
获取多个不同的训练第一参数、多个不同的训练第二参数以及多个训练样本,所述训练样本为单位体积的所述液体介质,且每一个所述训练样本具有对应的训练第三参数,其中,每一个所述训练样本集清洁指数不同,每一个所述训练样本的对应一个训练第一参数与一个训练第二参数;
构建神经网络训练模型,将所述训练第一参数、所述训练第二参数与所述训练第三参数作为所述清洁指数的不同维度特征向量导入所述神经网络训练模型,并进行迭代计算,当计算过程满足预设条件时,将所述神经网络作为目标神经网络模型并输出,所述目标神经网络模型用于根据所述第一参数、所述第二参数以及所述第三参数,预测单位体积的所述液体介质的所述清洁指数;
将所述第一参数、所述第二参数与所述第三参数导入所述目标神经网络模型,得到所述清洁指数。
3.根据权利要求2所述的一种洗碗机的工作状态自动控制方法,其特征在于,构建神经网络训练模型,将所述训练第一参数、所述训练第二参数与所述训练第三参数作为所述清洁指数的不同维度特征向量导入所述神经网络训练模型,并进行迭代计算,当计算过程满足预设条件时,将所述神经网络作为目标神经网络模型并输出,所述目标神经网络模型用于根据所述第一参数、所述第二参数以及所述第三参数,预测单位体积的所述液体介质的预测清洁指数,包括:
将所述训练第一参数、所述训练第二参数与所述训练第三参数作为所述清洁指数的不同维度特征向量导入所述神经网络训练模型,并进行迭代计算,得到预测清洁指数;
将所述预测清洁指数与所述训练样本的所述清洁指数相比对,确定误差值;
当所述误差值小于预设误差值时,停止迭代计算并输出所述目标神经网络模型。
4.根据权利要求1所述的一种洗碗机的工作状态自动控制方法,其特征在于,所述信号生成端包括第一信号生成端、第二信号生成端与第三信号生成端,所述第一信号生成端、所述第二信号生成端与所述第三信号生成端所生成的红外光信号波束方向两两垂直,所述基于所述红外传感器获取第一参数,所述第一参数为所述信号生成端生成的红外光信号经过所述清洗腔并被所述信号接收端接收后,所述红外光信号的衰减率,包括:
基于所述第一信号生成端获取第一维度参数,基于所述第二信号生成端获取第二维度参数,基于所述第三信号生成端获取第三维度参数;
基于所述第一维度参数、所述第二维度参数与所述第三维度参数确定所述第一参数。
5.根据权利要求4所述的一种洗碗机的工作状态自动控制方法,其特征在于,所述信号接收端包括第一信号接收端、第二信号接收端与第三信号接收端,基于所述第一维度参数、所述第二维度参数与所述第三维度参数确定所述第一参数,包括:
获取所述第一信号生成端至所述第一信号接收端的距离;
获取所述第二信号生成端至所述第二信号接收端的距离;
获取所述第三信号生成端至所述第三信号接收端的距离;
基于所述距离、所述距离/>以及所述距离/>确定所述第一参数,其中,所述第一参数e满足:
;
其中,为所述第一维度参数的值;/>为所述第二维度参数的值;/>为所述第三维度参数的值。
6.根据权利要求5所述的一种洗碗机的工作状态自动控制方法,其特征在于,基于所述第一信号生成端获取第一维度参数,基于所述第二信号生成端获取第二维度参数,基于所述第三信号生成端获取第三维度参数,包括:
获取所述第一信号生成端生成的信号初始强度以及所述第一信号接收端接收信号强度/>;
基于所述信号初始强度与所述接收信号强度/>确定所述第一维度参数的值/>,所述第一维度参数的值/>满足:
;
其中,K为常数。
7.根据权利要求3所述的一种洗碗机的工作状态自动控制方法,其特征在于,将所述训练第一参数、所述训练第二参数与所述训练第三参数作为所述清洁指数的不同维度特征向量导入所述神经网络训练模型,并进行迭代计算,得到预测清洁指数之前,包括:
对所述训练第一参数、所述训练第二参数与所述训练第三参数进行归一化处理,以使所述训练第一参数、所述训练第二参数与所述训练第三参数的值大于0且小于1。
8.一种洗碗机的工作状态自动控制装置,其特征在于,适用于一种超声波洗碗机,所述超声波洗碗机具有用于容纳待清洗餐具的清洗腔以及红外传感器,所述红外传感器包括信号生成端与信号接收端,其中,所述待清洗餐具容纳于所述清洗腔内时,所述信号生成端与所述信号接收端之间的连线不与任意所述待清洗餐具之间发生干涉,所述超声波洗碗机还包括间隔设置于所述清洗腔的第一导体与第二导体,所述装置被配置为:
基于所述红外传感器获取第一参数,所述第一参数为所述信号生成端生成的红外光信号经过所述清洗腔并被所述信号接收端接收后,所述红外光信号的衰减率;
基于所述第一导体与所述第二导体确定获取第二参数,所述第二参数为所述第一导体与所述第二导体之间的电阻值;
获取所述清洗腔内的温度对应的第三参数,基于所述第一参数、所述第二参数与所述第三参数确定当前清洁指数,所述清洁指数用于衡量所述清洗腔内,用于清洁所述待清洗餐具的液体介质的污染程度;
若所述清洁指数大于预设阈值,则生成警报指令,所述警报指令用于指示更换所述清洗腔内的液体介质。
9.根据权利要求8所述的一种洗碗机的工作状态自动控制装置,其特征在于,所述装置被配置为:
获取多个不同的训练第一参数、多个不同的训练第二参数以及多个训练样本,所述训练样本为单位体积的所述液体介质,且每一个所述训练样本具有对应的训练第三参数,其中,每一个所述训练样本集清洁指数不同,每一个所述训练样本的对应一个训练第一参数与一个训练第二参数;
构建神经网络训练模型,将所述训练第一参数、所述训练第二参数与所述训练第三参数作为所述清洁指数的不同维度特征向量导入所述神经网络训练模型,并进行迭代计算,当计算过程满足预设条件时,将所述神经网络作为目标神经网络模型并输出,所述目标神经网络模型用于根据所述第一参数、所述第二参数以及所述第三参数,预测单位体积的所述液体介质的所述清洁指数;
将所述第一参数、所述第二参数与所述第三参数导入所述目标神经网络模型,得到所述清洁指数。
10.一种电子设备,其特征在于,包括:
至少一个处理器;以及,与至少一个与所述处理器通信连接的存储器;其中,
所述存储器存储有可被至少一个所述处理器执行的指令,指令被至少一个所述处理器执行,以使至少一个所述处理器能够执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410190435.0A CN117752269B (zh) | 2024-02-21 | 2024-02-21 | 一种洗碗机的工作状态自动控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410190435.0A CN117752269B (zh) | 2024-02-21 | 2024-02-21 | 一种洗碗机的工作状态自动控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117752269A true CN117752269A (zh) | 2024-03-26 |
CN117752269B CN117752269B (zh) | 2024-05-03 |
Family
ID=90316768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410190435.0A Active CN117752269B (zh) | 2024-02-21 | 2024-02-21 | 一种洗碗机的工作状态自动控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117752269B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5241845A (en) * | 1991-02-28 | 1993-09-07 | Kabushiki Kaisha Toshiba | Neurocontrol for washing machines |
DE102012024308A1 (de) * | 2012-12-12 | 2014-06-12 | TERRAMARK Markencreation Gesellschaft mit beschränkter Haftung | Spülmaschine zum Betrieb in unterschiedlichen Niederspannungsnetzen und Verfahren zum energiesparenden Betrieb einer Spülmaschine |
CN108836226A (zh) * | 2018-06-28 | 2018-11-20 | 北京金山安全软件有限公司 | 洗碗机控制方法、控制装置、移动终端设备及存储介质 |
KR20190129673A (ko) * | 2018-05-11 | 2019-11-20 | 삼성전자주식회사 | 청소 동작을 수행하는 청소 장치 및 방법 |
CN111580396A (zh) * | 2020-02-29 | 2020-08-25 | 佛山市云米电器科技有限公司 | 清洗控制方法、洗碗机和存储介质 |
US20200363147A1 (en) * | 2017-11-14 | 2020-11-19 | Altum Technologies Oy | A method for cleaning of a device |
CN112587045A (zh) * | 2020-11-20 | 2021-04-02 | 江苏美的清洁电器股份有限公司 | 清洁设备的控制方法及装置、电器、电子设备和存储介质 |
CN115165792A (zh) * | 2022-06-24 | 2022-10-11 | 宝腾智能润滑技术(东莞)有限公司 | 管线中气液两相流状态检测方法及装置 |
CN115359342A (zh) * | 2022-08-11 | 2022-11-18 | 嵊州市浙江工业大学创新研究院 | 一种洗碗机控制方法、控制系统、介质、设备及终端 |
CN115697168A (zh) * | 2020-05-25 | 2023-02-03 | Bsh家用电器有限公司 | 具有洗碗机的系统、方法和计算机程序产品 |
US20230079436A1 (en) * | 2021-09-10 | 2023-03-16 | Haier Us Appliance Solutions, Inc. | Systems and methods for performing a sous-vide cooking cycle in a dishwasher appliance |
CN116269115A (zh) * | 2023-02-13 | 2023-06-23 | 珠海格力电器股份有限公司 | 洗碗机的控制方法及装置、洗碗机 |
CN117243541A (zh) * | 2023-09-22 | 2023-12-19 | 杭州老板电器股份有限公司 | 一种洗碗机的智能清洗控制方法及洗碗机 |
-
2024
- 2024-02-21 CN CN202410190435.0A patent/CN117752269B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5241845A (en) * | 1991-02-28 | 1993-09-07 | Kabushiki Kaisha Toshiba | Neurocontrol for washing machines |
DE102012024308A1 (de) * | 2012-12-12 | 2014-06-12 | TERRAMARK Markencreation Gesellschaft mit beschränkter Haftung | Spülmaschine zum Betrieb in unterschiedlichen Niederspannungsnetzen und Verfahren zum energiesparenden Betrieb einer Spülmaschine |
US20200363147A1 (en) * | 2017-11-14 | 2020-11-19 | Altum Technologies Oy | A method for cleaning of a device |
KR20190129673A (ko) * | 2018-05-11 | 2019-11-20 | 삼성전자주식회사 | 청소 동작을 수행하는 청소 장치 및 방법 |
CN108836226A (zh) * | 2018-06-28 | 2018-11-20 | 北京金山安全软件有限公司 | 洗碗机控制方法、控制装置、移动终端设备及存储介质 |
CN111580396A (zh) * | 2020-02-29 | 2020-08-25 | 佛山市云米电器科技有限公司 | 清洗控制方法、洗碗机和存储介质 |
CN115697168A (zh) * | 2020-05-25 | 2023-02-03 | Bsh家用电器有限公司 | 具有洗碗机的系统、方法和计算机程序产品 |
CN112587045A (zh) * | 2020-11-20 | 2021-04-02 | 江苏美的清洁电器股份有限公司 | 清洁设备的控制方法及装置、电器、电子设备和存储介质 |
US20230079436A1 (en) * | 2021-09-10 | 2023-03-16 | Haier Us Appliance Solutions, Inc. | Systems and methods for performing a sous-vide cooking cycle in a dishwasher appliance |
CN115165792A (zh) * | 2022-06-24 | 2022-10-11 | 宝腾智能润滑技术(东莞)有限公司 | 管线中气液两相流状态检测方法及装置 |
CN115359342A (zh) * | 2022-08-11 | 2022-11-18 | 嵊州市浙江工业大学创新研究院 | 一种洗碗机控制方法、控制系统、介质、设备及终端 |
CN116269115A (zh) * | 2023-02-13 | 2023-06-23 | 珠海格力电器股份有限公司 | 洗碗机的控制方法及装置、洗碗机 |
CN117243541A (zh) * | 2023-09-22 | 2023-12-19 | 杭州老板电器股份有限公司 | 一种洗碗机的智能清洗控制方法及洗碗机 |
Also Published As
Publication number | Publication date |
---|---|
CN117752269B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Comparison of variable selection methods for PLS-based soft sensor modeling | |
CN113155178B (zh) | 传感器系统和方法 | |
Burnecki et al. | Recognition of stable distribution with Lévy index α close to 2 | |
Gómez-Corral et al. | Extinction times and size of the surviving species in a two-species competition process | |
CN103489034A (zh) | 预测与诊断在线海流监测数据的方法和装置 | |
CN117752269B (zh) | 一种洗碗机的工作状态自动控制方法及装置 | |
CN109580549B (zh) | 物质含量的计算、定标方法及装置 | |
CN110887800A (zh) | 一种用于光谱法水质在线监测系统的数据校准方法 | |
CN116381164B (zh) | 一种基于神经网络的燃气臭味剂浓度测量方法及装置 | |
CN113607817A (zh) | 一种管道环焊缝检测方法、系统、电子设备及介质 | |
CN116647405B (zh) | 一种多路径quic异常流量检测方法、系统及设备 | |
CN117288365A (zh) | 一种基于神经网络的喷丸强化残余应力测量方法及装置 | |
CN110377869B (zh) | 一种海洋浮标污染源寻找方法 | |
Anupama et al. | A machine learning approach to monitor water quality in aquaculture | |
EP3895014A1 (en) | Identifying faults in system data | |
CN111276248B (zh) | 状态确定系统和电子设备 | |
CN110455902A (zh) | 一种环境检测多标样快速校准的方法 | |
Barino et al. | Addressing uncertainty on machine learning models for long-period fiber grating signal conditioning using Monte Carlo method | |
Bai et al. | Variable selection of high-dimensional non-parametric nonlinear systems: A way to avoid the curse of dimensionality | |
CN115859201B (zh) | 一种化工过程故障诊断方法及系统 | |
CN117330850B (zh) | 用于智能移动终端的辐射检测方法、系统、设备及介质 | |
Björklund | Experimental evaluation of some cross correlation methods for time-delay estimation in linear systems | |
CN115840907B (zh) | 场景行为分析方法、装置、电子设备和介质 | |
Svahn et al. | CCVAE: A Variational Autoencoder for Handling Censored Covariates | |
Chen et al. | NEURAL NETWORK BASED SENSOR DYNAMIC SYSTEM COMPENSATION ALGORITHM AND DSP IMPLEMENTATION. |
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 |