EP0997570A2 - Verfahren und Anordnung zur rechnergestützten Ermittlung von Clustern zur Erkennung von Schaumbildung in einer Waschmaschine sowie Verfahren und Anordnung zur Erkennung von Schaumbildung in einer Waschmaschine - Google Patents

Verfahren und Anordnung zur rechnergestützten Ermittlung von Clustern zur Erkennung von Schaumbildung in einer Waschmaschine sowie Verfahren und Anordnung zur Erkennung von Schaumbildung in einer Waschmaschine Download PDF

Info

Publication number
EP0997570A2
EP0997570A2 EP99118916A EP99118916A EP0997570A2 EP 0997570 A2 EP0997570 A2 EP 0997570A2 EP 99118916 A EP99118916 A EP 99118916A EP 99118916 A EP99118916 A EP 99118916A EP 0997570 A2 EP0997570 A2 EP 0997570A2
Authority
EP
European Patent Office
Prior art keywords
washing machine
foam formation
clusters
washing
fuzzy
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
Application number
EP99118916A
Other languages
English (en)
French (fr)
Other versions
EP0997570B1 (de
EP0997570A3 (de
Inventor
Jürgen Dr. Hollatz
Thomas Dr. Runkler
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Siemens Corp
Original Assignee
Siemens AG
Siemens Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens AG, Siemens Corp filed Critical Siemens AG
Publication of EP0997570A2 publication Critical patent/EP0997570A2/de
Publication of EP0997570A3 publication Critical patent/EP0997570A3/de
Application granted granted Critical
Publication of EP0997570B1 publication Critical patent/EP0997570B1/de
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

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
    • D06F39/00—Details of washing machines not specific to a single type of machines covered by groups D06F9/00 - D06F27/00 
    • D06F39/06—Arrangements for preventing or destroying scum
    • 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
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/58—Indications or alarms to the control system or to the user

Definitions

  • c clusters and corresponding affiliations of data vectors x k are determined in such a way that data vectors that are close to a cluster in a data space have the highest possible affiliation and data vectors x k that are far away from the cluster have the lowest possible affiliation to the respective cluster.
  • the clusters are described by a membership matrix U , which has c rows and n columns.
  • Each element u ik of the membership matrix U has a value within the interval [0, 1] and describes a membership of the data vector x k to the i-th cluster.
  • a cluster must contain at least one element, so that:
  • the cost function J m of the membership values is formed according to the following rule:
  • the cost function J m is minimized using a so-called Picard iteration.
  • Membership values u ik and cluster centers v i are formed in succession in accordance with the following regulations:
  • the determination of the membership values u ik and the cluster centers v i is repeated until a defined number of iterations has been carried out or until a change in the membership values u ik and / or until a change in the cluster centers v i is below a predetermined threshold value.
  • fuzzy C means clustering, the clusters are described by their cluster centers v i .
  • a prototype is a set of parameters with which the location and shape of a cluster are described becomes.
  • a linear model Vr can be defined according to the following rule: where v denotes a point within the linear subspace and s ij in each case a direction within the subspace. With p the dimension of a feature space p and with r a dimension of the subspace designated r .
  • the cluster center v i is calculated in accordance with regulation (6) and the directions s ij each describe eigenvectors of the greatest eigenvalue within a fuzzy scatter matrix S iA , which is formed according to the following regulation:
  • the distance d ik is formed according to the following rule:
  • the invention is based on the problem, methods and arrangements specify, each with a detection of Foaming without the need for additional sensors to allow a washing machine.
  • the invention is a much cheaper and faster detection of foam formation within a washing machine reached.
  • Fuzzy clustering-based method is used.
  • a defoamer is a substance with counteracted foam formation inside the washing machine becomes.
  • an oil-containing additive binds as a defoamer in water, the tensides and thereby inhibits the foaming.
  • FIG. 1 shows a washing machine 101 with a washing machine drum 102.
  • a first sensor 103 for measuring the temperature prevailing in the washing machine 101, a second sensor 104 for measuring the pressure prevailing in the washing machine 101 and a third sensor 105 are in the washing machine 101 Measurement of the water contained in the washing machine drum 102 provided.
  • the sensors 103, 104 and 105 are connected to a via a bus 110 Memory 106 connected. At a time interval of The sensors 103, 104, 105 change the sizes in one second Temperature T, pressure P and amount of water W within the Washer 101 measured and stored in memory 106.
  • Variables temperature T measured at one point in time, Pressure P and amount of water W form a training data vector 108 or an application vector 107, depending on whether that Procedure in a training phase or in an application phase is used.
  • Training data vectors 108 and application vectors 107 are stored in memory 106.
  • a processor 109 is also connected to the bus 110 is set up such that those described below Process steps are feasible.
  • step 204 the measured variables temperature T, pressure P and water quantity W are grouped into training data vectors 108 or application vectors 107 in the manner described above.
  • the training data vectors 108 or the application vectors 107 are each provided with a time indication 205, with which is given at what time the quantities temperature T, pressure P and amount of water W measured in the washing machine 201 were.
  • the variables temperature T, pressure P and amount of water W are not necessarily measured at constant time intervals from one another, the variables pressure P (symbolized by block 206 in FIG. 2 ) and the variable temperature T (symbolized by block 207 in FIG. 2) ) in a further process step (step 208) to the extent that equidistant distances from each other for use of the training data vectors 108 and the application vectors 107 when filtering by a discrete digital filter at all times of a predetermined time series, the equidistant time interval T period being freely definable , a size temperature T, pressure P and amount of water W is available.
  • Variables temperature T, pressure P and quantity of water W not present in the measured variables temperature T, pressure P and quantity of water W are artificially generated at the respective point in time by interpolation of adjacent existing quantities temperature T, pressure P and quantity of water W.
  • T r [T (t - 29 ⁇ T period ), ..., T (t - T period ), T (t)].
  • the first vector P r and the second vector T r form an input variable 209 for preprocessing (step 210), in which, on the one hand, digital filtering and, on the other hand, smoothing the course of the input variables 209 takes place.
  • a first derivative quantity ⁇ P f / ⁇ t for a filtered quantity pressure P f is formed by forming the partial derivative of the filtered quantity pressure P f after the time t and a second derivative quantity ⁇ P f / ⁇ T of the filtered variable pressure P f by partial derivatives of the filtered variable pressure P f according to the temperature T ,.
  • the filtered variable pressure P f , the first derivative variable ⁇ P f / ⁇ t and the second derivative variable ⁇ P f / ⁇ T and a water quantity W symbolized by block 211 form a data vector [P f , ⁇ P f / ⁇ t used in the further , ⁇ P f / ⁇ T, W] 212.
  • the sizes for the training data vectors 108 are for one complete heating phase of a washing phase determined.
  • a washing phase is a period that begins entering water into washing machine 201 and ends with draining the water from the washing machine 201. Such a washing phase usually lasts about 40 Minutes.
  • a fuzzy clustering method is carried out for the determined training data vectors 108, with which the cluster centers v i forming clusters of the training data vectors 108 are described.
  • the cluster centers v i are determined for two clusters, with a first cluster indicating that foam formation is to be expected for a data vector x k which is within this cluster and a second cluster describes that for a data vector x k , which is in the second cluster, no foaming is to be expected in the washing machine 201.
  • the exponent m is chosen as a number 0.9.
  • the determination of the cluster centers v i and the membership values u ik takes place alternately until the change in a cluster center v i between two iterations is less than a predetermined threshold value.
  • the result is the cluster centers v i , ie the first cluster center and the second cluster center.
  • a fuzzy clustering method is carried out in accordance with the procedure described above, so that the two cluster centers v i are determined for each time interval.
  • Cluster centers v i are stored in memory 106.
  • a time index is assigned to each of the cluster centers v i , by means of which the time intervals during which the variables were determined, on the basis of which the cluster centers v i were determined.
  • the time at which the respective data vector 212 was measured is made available as a time index 214 and a time specification 215 is determined with which it is specified how much time has elapsed from the point in time at which the data vector 212 was measured since the start of the heating phase within the application phase.
  • the set of cluster centers v i which relates to quantities which have been determined within this time interval is determined for the corresponding time specification 215 (step 216).
  • the coordinates of the cluster centers v i of the first cluster and of the second cluster, which were determined within the respective time interval, are read out from the memory 106 (step 217) and the cluster centers v i are used to determine fuzzy membership values u ik for the data vector x determine k 212 (step 218).
  • the determined fuzzy membership values u ik are stored (step 219) and using the fuzzy membership values u ik is the data vector x k 212 in a further step (step 220) a probability 221 determines that at the time at which the sizes of the data vector x k 212 have been measured, foam formation in the washing machine 201 can be expected.
  • the fuzzy membership values u ik are determined in the manner described above.
  • v for the time interval I i determined cluster centers i a classification threshold, wherein a data vector x is classified k meaning that, formation of foam can be expected in the washing machine 201 for the point in time that represents the data vector x k, if the fuzzy membership values u ik are above the classification threshold.
  • the data vector x k is classified in such a way that no foam formation in the washing machine 201 is to be expected for the point in time to which the data vector x k relates.
  • Threshold Is the probability greater than a given one Threshold is regulated by the following measures in intervened in the washing process.
  • the regulation can consist in that the washing machine 201 additional water is supplied.
  • the temperature prevailing in the washing machine 201 can T be reduced or the rhythm with which one changing speed and / or direction of rotation of a washing drum 102, 202 rotating in the washing machine is changed, used.
  • the washing machine 201 can also be a defoamer Reduction in foam formation can be supplied.
  • FIG. 3 shows a diagram with which a knowledge on which the exemplary embodiment is based becomes clear.
  • the pressure P is that in the Washing machine 201 prevails, applied.
  • a first curve 301 a significantly larger Slope has as a second curve 302 that describes the case that no foam is formed in the washing machine 201 becomes.
  • the fuzzy clustering process makes it clear for a time interval a cluster to describe the slope of the respective function and for classification used.
  • the cluster centers v i are determined off-line for a test washing process using the measured variables pressure P, temperature T and water quantity W (step 401).
  • the cluster centers v i are determined in the manner described above for the respective time intervals into which the washing phase or the heating phase is divided.
  • classification thresholds 402 are determined for the respective time intervals.
  • the application phase 403 the variables pressure P, temperature T and amount of water W are again determined and the cluster centers v i and the fuzzy membership values u ik are determined in the manner described above (step 404).
  • a comparison step the fuzzy membership values compared to the classification thresholds 402 and a classification value is determined 406, i.e. the probability described above, which indicates whether foaming is to be expected or not.

Landscapes

  • Engineering & Computer Science (AREA)
  • Textile Engineering (AREA)
  • Control Of Washing Machine And Dryer (AREA)
  • Detergent Compositions (AREA)
  • Feedback Control In General (AREA)

Abstract

Während eines Waschvorgangs werden folgende Größen gemessen:
  • ein in der Waschmaschine herrschender Druck,
  • eine in der Waschmaschine herrschende Temperatur, und
  • eine in der Waschmaschine vorhandene Wassermenge.
Aus den gemessenen Größen werden Anwendungsvektoren gebildet und für die Anwendungsvektoren werden Fuzzy-Zugehörigkeitswerte zu vorgegebenen Clustern ermittelt. Abhängig von den Fuzzy-Zugehörigkeitswerten wird eine Schaumbildung erkannt.

Description

Aus, [1] ist es bekannt, daß eine starke Schaumentwicklung beim Waschen von Textilien in einer Waschmaschine zum Überschäumen der Waschmaschine führen kann. Hierdurch wird die notwendige mechanische Bearbeitung der Textilien reduziert, so daß eine nicht optimale Reinigungsleistung erzielt wird.
Ferner ist es aus [1] bekannt, das Prinzip der Fuzzy Logik im Rahmen einer elektronischen Waschmaschinensteuerung einzusetzen.
Zur Verbesserung der Reinigungsleistung ist es erforderlich, eine verstärkte Schaumbildung rechtzeitig zu erkennen oder zu prognostizieren und geeignete Gegenmaßnahmen durch Regelung eines Waschvorgangs in einer Waschmaschine zu ergreifen.
Dafür ist es jedoch erforderlich, diejenigen Einflußgrößen zu erkennen, welche durch Zusammenwirken auf eine Schaumbildung während eines Waschvorgangs entscheidenden Einfluß nehmen. Bisher ist jedoch nicht bekannt, welchen Einflußgrößen hierfür eine entscheidende Bedeutung zuzuweisen ist.
Aus [2] und [3] ist ein sogenanntes Fuzzy-Clustering-Verfahren zur Datenanalyse und Regelerzeugung bekannt.
Im Rahmen des Fuzzy-Clusterings werden c Cluster und entsprechende Zugehörigkeiten von Datenvektoren x k derart bestimmt, daß Datenvektoren, die in einem Datenraum nahe bei einem Cluster liegen, eine möglichst hohe Zugehörigkeit und weit von dem Cluster entfernt liegende Datenvektoren x k eine möglichst geringe Zugehörigkeit zu dem jeweiligen Cluster aufweisen.
Dies wird durch Minimierung einer Summe der mit Zugehörigkeiten u m / ik gewichteten quadratischen euklidischen Abständen d 2 / ik erreicht. Es soll also eine Menge X von Datenvektoren x k X = {x 1, x 2, ..., x k, ..., x n} in c Cluster (Untermengen, der Menge von Datenvektoren) gruppiert werden.
Die Cluster werden beschrieben durch eine Zugehörigkeitsmatrix U, welche c Zeilen und n Spalten aufweist. Jedes Element uik der Zugehörigkeitsmatrix U weist einen Wert innerhalb des Intervalls [0, 1] auf und beschreibt eine Zugehörigkeit des Datenvektors x k zu dem i-ten Cluster.
Die Summe der Zugehörigkeiten des Datenvektors x k in den c Clustern muß folgender Vorschrift genügen:
Figure 00020001
Ein Cluster muß mindestens ein Element enthalten, so daß gilt:
Figure 00020002
Die Kostenfunktion Jm der Zugehörigkeitswerte wird gemäß folgender Vorschrift gebildet:
Figure 00020003
Ein Abstand dik wird gebildet gemäß folgender Vorschrift: dik = ∥x k - v i∥A = (x k - v i)T · A · (x k - v i).
Es Wird mit A eine vorgebbare induzierte Norm des inneren Produkts gemäß Vorschrift (4) bezeichnet, die üblicherweise durch die Identitätsmatrix gegeben ist (Euklid'scher Abstand).
Die Minimierung der Kostenfunktion Jm erfolgt unter Einsatz einer sogenannten Picard-Iteration.
Nacheinander werden Zugehörigkeitswerte uik und Clusterzentren v i gemäß folgenden Vorschriften gebildet:
Figure 00030001
Die Ermittlung der Zugehörigkeitswerte uik und der Clusterzentren v i wird solange wiederholt, bis eine festgelegte Anzahl von Iterationen durchgeführt worden ist oder bis eine Änderung der Zugehörigkeitswerte uik und/oder bis eine Änderung der Clusterzentren v i unter einem vorgegebenen Schwellenwert liegt.
Bei diesem oben beschriebenen, auch als Fuzzy-C-Means-Clustering bezeichneten Verfahren werden die Cluster durch ihre Clusterzentren v i beschrieben.
Sogenannte Prototypen der Cluster sind in diesem Fall unscharfe Punkte.
Es sind ferner verschiedene Prototypen aus [2] und [3] bekannt.
Unter einem Prototyp ist ein Satz von Parametern zu verstehen, mit dem der Ort und die Form eines Clusters beschrieben wird.
Beispielsweise wird im Rahmen eines linearen Modells eine Clusterung derart durchgeführt, daß Cluster lineare Unterräume sind. Ein lineares Modell Vr kann gemäß folgender Vorschrift definiert werden:
Figure 00040001
wobei mit v ein Punkt innerhalb des linearen Unterraums bezeichnet wird und mit s ij jeweils eine Richtung innerhalb des Unterraums. Mit p wird die Dimension eines Merkmalsraums
Figure 00040002
p und mit r eine Dimension des Unterraums r bezeichnet. Allgemein wird ein Abstand dik zwischen einem Datenvektor x k und einem Cluster (v i, s i1, ..., s ir) definiert gemäß:
Figure 00040003
mit ∥x k - v i∥A = (x k - v i)T · A · (x k - v i).
Das Clusterzentrum v i wird jeweils gemäß Vorschrift (6) berechnet und die Richtungen s ij beschreiben jeweils Eigenvektoren des größten Eigenwerts innerhalb einer Fuzzy-Scatter-Matrix S iA, welche gemäß folgender Vorschrift gebildet wird:
Figure 00050001
Ist der Prototyp durch einen elliptischen Prototyp gegeben (Fuzzy-c-Elliptotypes), so wird der Abstand dik gemäß folgender Vorschrift gebildet:
Figure 00050002
Der Erfindung liegt das Problem zugrunde, Verfahren und Anordnungen anzugeben, mit denen jeweils eine Erkennung von Schaumbildung ohne das Erfordernis zusätzlicher Sensoren in einer Waschmaschine zu ermöglichen.
Das Problem wird durch die Verfahren sowie durch die Anordnungen mit den Merkmalen gemäß den unabhängigen Patentansprüchen gelöst.
Ein Verfahren zur rechnergestützten Ermittlung von Clustern zur Erkennung von Schaumbildung in einer Waschmaschine weist folgende Schritte auf:
  • a) während eines Waschvorgangs werden folgende Größen gemessen:
    • ein in der Waschmaschine herrschender Druck,
    • eine in der Waschmaschine herrschende Temperatur,
    • eine in der Waschmaschine vorhandene Wassermenge,
  • b) aus den gemessenen Größen werden Trainingsdatenvektoren gebildet,
  • c) abhängig von den Trainingsdatenvektoren werden Cluster ermittelt, mit denen angegeben wird, ob für eine Menge gemessener Größen eine Schaumbildung zu erwarten ist oder nicht.
    • Ein Verfahren zur Erkennung von Schaumbildung in einer Waschmaschine weist folgende Schritte auf:
  • a) während eines Waschvorgangs werden folgende Größen gemessen:
    • ein in der Waschmaschine herrschender Druck,
    • eine in der Waschmaschine herrschende Temperatur,
    • eine in der Waschmaschine vorhandene Wassermenge,
  • b) aus den gemessenen Größen werden Anwendungsvektoren gebildet,
  • c) für die Anwendungsvektoren werden Fuzzy-Zugehörigkeitswerte der Anwendungsvektoren zu vorgegebenen Clustern ermittelt, und
  • d) abhängig von den Fuzzy-Zugehörigkeitswerten wird eine Schaumbildung erkannt.
    • Eine Anordnung zur Ermittlung von Clustern zur Erkennung von Schaumbildung in einer Waschmaschine weist einen Prozessor auf, der derart eingerichtet ist, daß
  • a) während eines Waschvorgangs folgende Größen gemessen werden:
    • ein in der Waschmaschine herrschender Druck,
    • eine in der Waschmaschine herrschende Temperatur,
    • eine in der Waschmaschine vorhandene Wassermenge,
  • b) aus den gemessenen Größen Trainingsdatenvektoren gebildet werden,
  • c) abhängig von den Trainingsdatenvektoren Cluster ermittelt werden, mit denen angegeben wird, ob für eine Menge gemessener Größen eine Schaumbildung zu erwarten ist oder nicht.
    • Eine Anordnung zur Erkennung von Schaumbildung in einer Waschmaschine weist einen Prozessor auf, der derart eingerichtet ist, daß
  • a) während eines Waschvorgangs folgende Größen gemessen werden:
    • ein in der Waschmaschine herrschender Druck,
    • eine in der Waschmaschine herrschende Temperatur,
    • eine in der Waschmaschine vorhandene Wassermenge,
  • b) aus den gemessenen Größen Anwendungsvektoren gebildet werden,
  • c) für die Anwendungsvektoren Fuzzy-Zugehörigkeitswerte der Anwendungsvektoren zu vorgegebenen Clustern ermittelt werden, und
  • d) abhängig von den Fuzzy-Zugehörigkeitswerten eine Schaumbildung erkannt wird.
    • Durch die Erfindung wird eine wesentlich preiswertere und schnellere Erkennung von Schaumbildung innerhalb einer Waschmaschine erreicht.
    Dies wurde insbesondere durch die Erkenntnis möglich, daß die Schaumbildung im wesentlichen von den Größen Temperatur, Druck, Wassermenge in der Waschmaschine abhängt.
    Bevorzugte Weiterbildungen der Erfindung ergeben sich aus den abhängigen Ansprüchen.
    Zur Ermittlung der Cluster wird bevorzugt ein auf einem Fuzzy-Clustering-Verfahren basierendes Verfahren eingesetzt.
    Auf diese Weise wird eine einfache, automatische Ermittlung der Cluster auf der Basis der Trainingsdatenvektoren möglich.
    Abhängig von dem Erkennungsergebnis der Schaumbildung erfolgt bevorzugt eine Regelung, mit der in die Schaumbildung in der Waschmaschine eingegriffen wird.
    Die Regelung erfolgt bevorzugt derart, daß mindestens eine der folgenden Aktionen durchgeführt wird:
  • a) der Waschmaschine wird Wasser zugeführt, und/oder
  • b) die in der Waschmaschine herrschende Temperatur wird gesenkt, und/oder
  • c) ein Rhythmus, mit dem sich eine sich ändernde Geschwindigkeit und/oder Drehrichtung einer sich in der Waschmaschine drehenden Waschtrommel wird verändert, und/oder
  • d) der Waschmaschine wird ein Entschäumerstoff zugeführt.
    • Unter einem Entschäumerstoff ist ein Stoff zu verstehen, mit dem der Schaumbildung innerhalb der Waschmaschine entgegengewirkt wird. So bindet beispielsweise ein öl-haltiges Additiv als Entschäumerstoff im Wasser die Tenside und hemmt dadurch die Schaumbildung.
    Ein Ausführungsbeispiel der Erfindung ist in den Figuren dargestellt und wird im weiteren näher erläutert.
    Es zeigen
    Figur 1
    eine Skizze einer Waschmaschine mit Sensoren, anhand der anschaulich das Prinzip der Erkennung der Schaumbildung dargestellt ist;
    Figur 2
    eine Skizze, in der der Ablauf der Verfahren gemäß dem Ausführungsbeispiel dargestellt ist;
    Figur 3
    ein Diagramm, in dem die Abhängigkeit des in der Waschmaschine herrschenden Drucks von der in der Waschmaschine herrschenden Temperatur für den Fall, daß Schaum bzw. kein Schaum vorhanden ist, dargestellt ist;
    Figur 4
    ein Blockdiagramm, anhand der das Ausführungsbeispiel im Überblick dargestellt ist.
    Fig.1 zeigt eine Waschmaschine 101 mit einer Waschmaschinentrommel 102. In der Waschmaschine 101 sind ein erster Sensor 103 zur Messung der in der Waschmaschine 101 herrschenden Temperatur, ein zweiter Sensor 104 zur Messung des in der Waschmaschine 101 herrschenden Drucks sowie ein dritter Sensor 105 zur Messung des in der Waschmaschinentrommel 102 enthaltenen Wassers vorgesehen.
    Die Sensoren 103, 104 und 105 sind über einen Bus 110 mit einem Speicher 106 verbunden. In einem zeitlichen Abstand von einer Sekunde werden von den Sensoren 103, 104, 105 die Größen Temperatur T, Druck P und Wassermenge W innerhalb der Waschmaschine 101 gemessen und in dem Speicher 106 gespeichert.
    Jeweils zu einem Zeitpunkt gemessene Größen Temperatur T, Druck P und Wassermenge W bilden einen Trainingsdatenvektor 108 oder auch einen Anwendungsvektor 107, je nachdem, ob das Verfahren in einer Trainingsphase oder in einer Anwendungsphase eingesetzt wird.
    Die Trainingsdatenvektoren 108 und die Anwendungsvektoren 107 werden in dem Speicher 106 gespeichert.
    Mit dem Bus 110 ist ferner ein Prozessor 109 verbunden, der derart eingerichtet ist, daß die im folgenden beschriebenen Verfahrensschritte durchführbar sind.
    Fig.2 zeigt die Waschmaschine 201 mit der Waschtrommel 202. Symbolisch angedeutet ist, daß über die in Fig.1 dargestellten Sensoren 103, 104, 105 die Größen Temperatur T, Druck P und Wassermenge W gemessen werden (Schritt 203). In einem weiteren Schritt (Schritt 204) werden die gemessenen Größen Temperatur T, Druck P und Wassermenge W in der oben beschriebenen Weise zu Trainingsdatenvektoren 108 bzw. Anwendungsvektoren 107 gruppiert.
    Die Trainingsdatenvektoren 108 bzw. die Anwendungsvektoren 107 sind jeweils noch mit einer Zeitangabe 205 versehen, mit der angegeben wird, zu welchem Zeitpunkt die Größen Temperatur T, Druck P und Wassermenge W in der Waschmaschine 201 gemessen wurden.
    Da die Größen Temperatur T, Druck P und Wassermenge W nicht notwendigerweise in konstanten Zeitabständen voneinander gemessen werden, werden die Größen Druck P (symbolisiert durch Block 206 in Fig.2 ) sowie durch die Größe Temperatur T (symbolisiert durch Block 207 in Fig.2 ) in einem weiteren Verfahrensschritt (Schritt 208) dahingehend ergänzt, daß für eine Verwendung der Trainingsdatenvektoren 108 und der Anwendungsvektoren 107 bei der Filterung durch einen diskreten digitalen Filter zu allen Zeitpunkten einer vorgegebenen Zeitreihe äquidistante Abstände voneinander, wobei der äquidistante Zeitabstand Tperiod frei vorgebbar ist, jeweils eine Größe Temperatur T, Druck P und Wassermenge W vorhanden ist. Nicht in den Meßgrößen Temperatur T, Druck P und Wassermenge W vorhandene Größen Temperatur T, Druck P und Wassermenge W werden zu dem jeweiligen Zeitpunkt durch Interpolation benachbarter vorhandener Größen Temperatur T, Druck P und Wassermenge W künstlich generiert.
    Auf diese Weise werden zwei Zeitreihen gebildet.
    Eine erste Zeitreihe für die Größe Druck P bildet einen ersten Vektor P r, welcher gemäß folgender Vorschrift gebildet wird: P r = [P(t - order · Tperiod), ... , P(t - Tperiod), P(t)], wobei mit order eine Anzahl zeitlich vergangener, berücksichtigter Größen im Rahmen der Filterung bezeichnet wird.
    Eine zweite Zeitreihe wird für die Größe Temperatur T gebildet und in einem zweiten Vektor T r gemäß folgender Vorschrift zusammengefaßt: T r = [T(t - 29 · Tperiod), ... , T(t - Tperiod), T(t)].
    Der erste Vektor P r und der zweite Vektor T r bilden eine Eingangsgröße 209 für eine Vorverarbeitung (Schritt 210), in der zum einen eine digitale Filterung sowie zum anderen eine Glättung des Verlaufs der Eingangsgrößen 209 erfolgt.
    Ferner wird in der Vorverarbeitungsstufe (Schritt 210) eine erster Ableitungsgröße ∂Pf / ∂t für eine gefilterte Größe Druck Pf durch Bildung der partiellen Ableitung der gefilterten Größe Druck Pf nach der Zeit t sowie eine zweite Ableitungsgröße ∂Pf / ∂T der gefilterten Größe Druck Pf durch partielle Ableitungen der gefilterten Größe Druck Pf nach der Temperatur T, gebildet.
    Die gefilterte Größe Druck Pf, die erste Ableitungsgröße ∂Pf / ∂t sowie die zweite Ableitungsgröße ∂Pf / ∂T und eine durch Block 211 symbolisierte Wassermenge W bilden einen im weiteren verwendeten Datenvektor [Pf, ∂Pf / ∂t , ∂Pf / ∂T , W] 212.
    Die Größen für die Trainingsdatenvektoren 108 werden für eine vollständige Heizphase einer Waschphase ermittelt.
    Unter einer Waschphase ist ein Zeitraum zu verstehen, der beginnt mit dem Einlassen von Wasser in die Waschmaschine 201 und endet mit dem Auslassen des Wassers aus der Waschmaschine 201. Eine solche Waschphase dauert üblicherweise ungefähr 40 Minuten.
    Unter der Heizphase ist ein Zeitraum während der Waschphase zu verstehen, in der die in der Waschmaschine 201 herrschende Temperatur erhöht wird.
    Für die ermittelten Trainingsdatenvektoren 108 wird ein Fuzzy-Clustering-Verfahren durchgeführt, womit die Clusterzentren v i sich bildender Cluster der Trainingsdatenvektoren 108 beschrieben werden.
    Die Ermittlung der Clusterzentren v i erfolgt für zwei Cluster, wobei mit einem ersten Cluster angegeben wird, daß für einen Datenvektor x k, der sich innerhalb dieses Clusters befindet, eine Schaumbildung zu erwarten ist und ein zweiter Cluster beschreibt, daß für einen Datenvektor x k, welcher sich in dem zweiten Cluster befindet, keine Schaumbildung in der Waschmaschine 201 zu erwarten ist.
    Die Clusterzentren v i werden gemäß folgender Vorschrift gebildet:
    Figure 00120001
    wobei mit
    • x k jeweils ein Trainingsdatenvektor 108 bezeichnet wird,
    • uik ein Zugehörigkeitswert bezeichnet wird, der ermittelt wird gemäß folgender Vorschrift:
    Figure 00120002
    mit dik = ∥x k - v i∥A = (x k - v i)T · A · (x k - v i).
    Der Exponent m wird gewählt als Zahl 0,9.
    Die Ermittlung der Clusterzentren v i und der Zugehörigkeitswerte uik erfolgt abwechselnd solange, bis die Änderung eines Clusterzentrums v i zwischen zwei Iterationen kleiner ist als ein vorgegebener Schwellenwert.
    Das Ergebnis sind die Clusterzentren v i, d.h. das erste Clusterzentrum und das zweite Clusterzentrum.
    Für jedes Zeitintervall, in welches die Heizphase unterteilt wird, wobei das Zeitintervall eine vorgebbare Größe aufweist, wird jeweils ein Fuzzy-Clustering-Verfahren gemäß der oben beschriebenen Vorgehensweise durchgeführt, so daß für jedes Zeitintervall jeweils die zwei Clusterzentren v i ermittelt werden.
    Die Clusterzentren v i werden in dem Speicher 106 gespeichert.
    Den Clusterzentren v i ist jeweils ein Zeitindex zugeordnet, durch den angegeben ist, während welchen Zeitintervalls die Größen ermittelt worden sind, aufgrund derer die Ermittlung der Clusterzentren v i erfolgt ist.
    Auf diese Weise ist für die Zeitintervalle jeweils eine Menge von Fuzzy-Clustern ermittelt worden unter Verwendung derer eine Klassifikation gemessener Größen als Anwendungsvektoren 107 gemäß dem in Fig.2 dargestellten Verfahren möglich ist.
    In der Anwendungsphase wird in einer Heizphase während des Waschvorgangs in der Waschmaschine 201 eine Heizungsangabe 213 gebildet.
    Für jeden Datenvektor x k 212, der ja jeweils zu einer bestimmten Zeit ermittelt worden ist, wird die Zeit, zu der der jeweilige Datenvektor 212 gemessen worden ist, als Zeitindex 214 zur Verfügung gestellt und es wird eine Zeitangabe 215 ermittelt, mit der angegeben wird, wieviel Zeit vergangen ist ausgehend von dem Zeitpunkt, zu dem der Datenvektor 212 gemessen wurde, seit Beginn der Heizphase innerhalb der Anwendungsphase.
    Ist die Zeitangabe 215 ermittelt, so wird für die entsprechende Zeitangabe 215 die Menge von Clusterzentren v i ermittelt, die sich auf Größen beziehen, die innerhalb dieses Zeitintervalls ermittelt worden sind (Schritt 216).
    Die Koordinaten der Clusterzentren v i des ersten Clusters und des zweiten Clusters, die innerhalb des jeweiligen Zeitintervalls bestimmt wurden, werden aus dem Speicher 106 ausgelesen (Schritt 217) und die Clusterzentren v i werden verwendet, um Fuzzy-Zugehörigkeitswerte uik für den Datenvektor x k 212 zu bestimmen (Schritt 218).
    Die Bestimmung der Fuzzy-Zugehörigkeitswerte uik zu dem Datenvektor x k 212 erfolgt gemäß folgender Vorschrift:
    Figure 00140001
    mit dik = ∥x k - v i∥A = (x k - v i)T · A · (x k - v i).
    Die ermittelten Fuzzy-Zugehörigkeitswerte uik werden gespeichert (Schritt 219) und unter Verwendung der Fuzzy-Zugehörigkeitswerte uik wird für den Datenvektor x k 212 in einem weiteren Schritt (Schritt 220) eine Wahrscheinlichkeit 221 dafür ermittelt, daß zu dem Zeitpunkt, zu dem die Größen des Datenvektors x k 212 gemessen worden sind, eine Bildung von Schaum in der Waschmaschine 201 erwartet werden kann.
    Die Wahrscheinlichkeit 221 wird gemäß folgender Vorschrift gebildet:
    Figure 00150001
    wobei mit
    • Σu(Ii) eine Anzahl von Datenvektoren x k bezeichnet wird, die während des Zeitintervalls Ii Ii = (i-1)100 ; i100 ermittelt worden sind und für die festgestellt worden ist, daß ausgehend von dem Datenvektor x k eine Schaumbildung zu erwarten ist,
    • Σν(Ii) eine Anzahl von Datenvektoren x k, die während des Zeitintervalls Ii ermittelt worden sind und für die bestimmt wurde, daß ausgehend von den Datenvektoren x k keine Schaumbildung zu erwarten ist, bezeichnet wird.
    Mit α ist ein Normalisierungsfaktor bezeichnet, der gemäß folgender Vorschrift gebildet wird: α = Anzahl Traingsvektoren gekennzeichnet mit "kein Schaum"Anzahl Trainsvektoren gekennzeichnet mit "Schaum" .
    Für ein Zeitintervall Ii werden alle Datenvektoren x k, die Größen enthalten, die während dieses Zeitintervalls Ii gemessen worden sind.
    Die Fuzzy-Zugehörigkeitswerte uik werden auf die oben beschriebene Weise ermittelt.
    Es wird ausgehend von den, für das Zeitintervall Ii ermittelten Clusterzentren v i eine Klassifikationsschwelle vorgegeben, wobei ein Datenvektor x k dahin klassifiziert wird, daß für den Zeitpunkt, den der Datenvektor x k repräsentiert, eine Schaumbildung in der Waschmaschine 201 zu erwarten ist, wenn die Fuzzy-Zugehörigkeitswerte uik über der Klassifikationsschwelle liegen.
    Liegen die Fuzzy-Zugehörigkeitswerte uik unter der Klassifikationsschwelle, so wird der Datenvektor x k dahingehend klassifiziert, daß für den Zeitpunkt, auf den sich der Datenvektor x k bezieht, keine Schaumbildung in der Waschmaschine 201 zu erwarten ist.
    Damit ist die Wahrscheinlichkeit dafür ermittelt, daß in einem Zeitintervall Ii, in dem eine Messung der oben beschriebenen Größen in der Waschmaschine 201 stattgefunden hat, eine Schaumbildung zu erwarten ist.
    Ist die Wahrscheinlichkeit größer als ein vorgegebener Schwellenwert, so wird regelnd durch folgende Maßnahmen in den Waschvorgang eingegriffen.
    Die Regelung kann darin bestehen, daß der Waschmaschine 201 zusätzliches Wasser zugeführt wird.
    Ferner kann die in der Waschmaschine 201 herrschende Temperatur T vermindert werden oder auch der Rhythmus, mit dem eine sich ändernde Geschwindigkeit und/oder Drehrichtung einer sich in der Waschmaschine drehenden Waschtrommel 102, 202 verändert wird, eingesetzt werden.
    Der Waschmaschine 201 kann ferner ein Entschäumerstoff zur Verringerung der Schaumbildung zugeführt werden.
    Fig.3 zeigt ein Diagramm, mit dem eine dem Ausführungsbeispiel zugrundeliegende Erkenntnis deutlich wird.
    Abhängig von einer Temperatur T ist der Druck P, der in der Waschmaschine 201 herrscht, aufgetragen.
    Es hat sich gezeigt, daß für den Fall, daß eine Schaumbildung stattfindet, eine erste Kurve 301 eine erheblich größere Steigung aufweist als eine zweite Kurve 302, die den Fall beschreibt, daß kein Schaum in der Waschmaschine 201 gebildet wird.
    Anschaulich wird durch das Fuzzy-Clustering-Verfahren jeweils für ein Zeitintervall ein Cluster zur Beschreibung der Steigung der jeweiligen Funktion ermittelt und zur Klassifikation eingesetzt.
    Fig.4 zeigt zur Veranschaulichung noch einmal das Prinzip, welches dem oben beschriebenen Ausführungsbeispiel zugrunde liegt.
    In einer ersten Phase, der Trainingsphase 400, wird off-line für einen Test Waschvorgang unter Verwendung der gemessenen Größen Druck P, Temperatur T und Wassermenge W eine Ermittlung der Clusterzentren v i durchgeführt (Schritt 401). Die Ermittlung der Clusterzentren v i erfolgt auf die oben beschriebene Weise für die jeweiligen Zeitintervalle, in die die Waschphase bzw. die Heizphase eingeteilt ist.
    Ausgehend von der Bildung der Clusterzentren v i werden für die jeweiligen Zeitintervalle Klassifikationsschwellen 402 (auch als Schaumgrenzen bezeichnet) bestimmt.
    In einer zweiten Phase, der Anwendungsphase 403, werden wiederum die Größen Druck P, Temperatur T und Wassermenge W ermittelt und es erfolgt auf die oben beschriebene Weise die Ermittlung der Clusterzentren v i sowie die Ermittlung der Fuzzy-Zugehörigkeitswerte uik (Schritt 404).
    In einem Vergleichsschritt (Schritt 405) werden die Fuzzy-Zugehörigkeitswerte mit den Klassifikationsschwellen 402 verglichen und es erfolgt die Ermittlung eines Klassifikationswerts 406, d.h. der oben beschriebenen Wahrscheinlichkeit, mit der angegeben wird, ob eine Schaumbildung zu erwarten ist oder nicht.
    In diesem Dokument sind folgende Veröffentlichungen zitiert:
  • [1] N. Liphard und A. Giza, Einfluß des Schaums auf die Waschleistung unter Berücksichtigung neuer elektronischer Waschmaschinensteuerung (
    Figure 00190001
    Fuzzylogik"), Tensid Surfactants detergents, Volume 34, No. 6, Carl Hanser Verlag, München, Seiten 410-416, 1997,
  • [2] J. Hollatz und T. Runkler, Datenanalyse und Regelerzeugung mit Fuzzy-Clustering, Fuzzy-Systeme in Theorie und Anwendungen, in: Hellendoorn Adamy Prehn Wegmann und Linzenkirchner, Kapitel 5.6, Siemens AG, Nürnberg, 1997
  • [3] J. C. Bezdek et al, Detection and Characterization of Cluster Substructure, II. Fuzzy c Varieties and Convex Combinations thereof SIAM Journal on Applied Mathematics, Volume 40, No. 2, Seite 358-370, 1981

    • Claims (18)

    1. Verfahren zur rechnergestützten Ermittlung von Clustern zur Erkennung von Schaumbildung in einer Waschmaschine,
      a) bei dem während eines Waschvorgangs folgende Größen gemessen werden:
      ein in der Waschmaschine herrschender Druck,
      eine in der Waschmaschine herrschende Temperatur,
      eine in der Waschmaschine vorhandene Wassermenge,
      b) bei dem aus den gemessenen Größen Trainingsdatenvektoren gebildet werden,
      c) bei dem abhängig von den Trainingsdatenvektoren Cluster ermittelt werden, mit denen angegeben wird, ob für eine Menge gemessener Größen eine Schaumbildung zu erwarten ist oder nicht.
    2. Verfahren nach Anspruch 1,
      bei dem zur Ermittlung der Cluster ein auf einem Fuzzy-Clustering-Verfahren basierendes Verfahren eingesetzt wird.
    3. Verfahren nach Anspruch 1 oder 2,
      bei dem die Cluster eingesetzt werden zur Erkennung von Schaumbildung in einer Waschmaschine.
    4. Verfahren zur Erkennung von Schaumbildung in einer Waschmaschine,
      a) bei dem während eines Waschvorgangs folgende Größen gemessen werden:
      ein in der Waschmaschine herrschender Druck,
      eine in der Waschmaschine herrschende Temperatur,
      eine in der Waschmaschine vorhandene Wassermenge,
      b) bei dem aus den gemessenen Größen Anwendungsvektoren gebildet werden,
      c) bei dem für die Anwendungsvektoren Fuzzy-Zugehörigkeitswerte der Anwendungsvektoren zu vorgegebenen Clustern ermittelt werden, und
      d) bei dem abhängig von den Fuzzy-Zugehörigkeitswerten eine Schaumtildung erkannt wird.
    5. Verfahren nach Anspruch 4,
      bei dem mit den Clustern angegeben wird, ob für eine Menge gemessener Größen eine Schaumbildung zu erwarten ist oder nicht.
    6. Verfahren nach Anspruch 4 oder 5,
      bei dem zur Ermittlung der Cluster ein auf einem Fuzzy-Clustering-Verfahren basierendes Verfahren eingesetzt wird.
    7. Verfahren nach einem der Ansprüche 4 bis 6,
      bei dem abhängig von dem Erkennungsergebnis der Schaumbildung eine Regelung erfolgt zur Regelung der Schaumbildung in der Waschmaschine.
    8. Verfahren nach Anspruch 7,
      bei dem die Regelung für den Fall erkannter Schaumbildung derart erfolgt, daß mindestens eine der folgenden Aktionen durchgeführt wird:
      a) der Waschmaschine wird Wasser zugeführt, und/oder
      b) die in der Waschmaschine herrschende Temperatur wird gesenkt, und/oder
      c) ein Rhythmus, mit dem eine sich ändernde Geschwindigkeit und/oder Drehrichtung einer sich in der Waschmaschine drehenden Waschtrommel wird verändert, und/oder
      d) der Waschmaschine wird ein Entschäumerstoff zugeführt.
    9. Anordnung zur Ermittlung von Clustern zur Erkennung von Schaumbildung in einer Waschmaschine, mit einem Prozessor, der derart eingerichtet ist, daß
      a) während eines Waschvorgangs folgende Größen gemessen werden:
      ein in der Waschmaschine herrschender Druck,
      eine in der Waschmaschine herrschende Temperatur,
      eine in der Waschmaschine vorhandene Wassermenge,
      b) aus den gemessenen Größen Trainingsdatenvektoren gebildet werden,
      c) abhängig von den Trainingsdatenvektoren Cluster ermittelt werden, mit denen angegeben wird, ob für eine Menge gemessener Größen eine Schaumbildung zu erwarten ist oder nicht.
    10. Anordnung nach Anspruch 9,
      mit mindestens einem Sensor zu Messung der Größen, und mit einem Speicher zur Speicherung der gemessenen Größen.
    11. Anordnung nach Anspruch 9 oder 10,
      bei der der Prozessor derart eingerichtet ist, daß zur Ermittlung der Cluster ein auf einem Fuzzy-Clustering-Verfahren basierendes Verfahren eingesetzt wird.
    12. Anordnung nach einem der Ansprüche 9 bis 11,
      eingesetzt zur Erkennung von Schaumbildung in einer Waschmaschine.
    13. Anordnung zur Erkennung von Schaumbildung in einer Waschmaschine,
      mit einem Prozessor, der derart eingerichtet ist, daß
      a) während eines Waschvorgangs folgende Größen gemessen werden:
      ein in der Waschmaschine herrschender Druck,
      eine in der Waschmaschine herrschende Temperatur,
      eine in der Waschmaschine vorhandene Wassermenge,
      b) aus den gemessenen Größen Anwendungsvektoren gebildet werden,
      c) für die Anwendungsvektoren Fuzzy-Zugehörigkeitswerte der Anwendungsvektoren zu vorgegebenen Clustern ermittelt werden, und
      d) abhängig von den Fuzzy-Zugehörigkeitswerten eine Schaumbildung erkannt wird.
    14. Anordnung nach Anspruch 13,
      mit mindestens einem Sensor zu Messung der Größen, und mit einem Speicher zur Speicherung der gemessenen Größen.
    15. Anordnung nach Anspruch 13 oder 14,
      bei der der Prozessor derart eingerichtet ist, daß mit den Clustern angegeben wird, ob für eine Menge gemessener Größen eine Schaumbildung zu erwarten ist oder nicht.
    16. Anordnung nach einem der Ansprüche 13 bis 15,
      bei der der Prozessor derart eingerichtet ist, daß zur Ermittlung der Cluster ein auf einem Fuzzy-Clustering-Verfahren basierendes Verfahren eingesetzt wird.
    17. Anordnung nach einem der Ansprüche 13 bis 16,
      mit einer Regelungseinheit, mit der abhängig von dem Erkennungsergebnis der Schaumbildung eine Regelung erfolgt zur Regelung der Schaumbildung in der Waschmaschine.
    18. Anordnung nach Anspruch 17,
      bei der die Regelungseinheit derart eingerichtet ist, daß für den Fall erkannter Schaumbildung derart erfolgt, daß mindestens eine der folgenden Aktionen durchgeführt wird:
      a) der Waschmaschine wird Wasser zugeführt, und/oder
      b) die in der Waschmaschine herrschende Temperatur wird gesenkt, und/oder
      c) ein Rhythmus, mit dem eine sich ändernde Geschwindigkeit und/oder Drehrichtung einer sich in der Waschmaschine drehenden Waschtrommel wird verändert, und/oder
      d) der Waschmaschine wird ein Entschäumerstoff zugeführt.
    EP99118916A 1998-09-30 1999-09-24 Verfahren und Anordnung zur rechnergestützten Ermittlung von Clustern zur Erkennung von Schaumbildung in einer Waschmaschine sowie Verfahren und Anordnung zur Erkennung von Schaumbildung in einer Waschmaschine Expired - Lifetime EP0997570B1 (de)

    Applications Claiming Priority (2)

    Application Number Priority Date Filing Date Title
    DE19844949 1998-09-30
    DE19844949 1998-09-30

    Publications (3)

    Publication Number Publication Date
    EP0997570A2 true EP0997570A2 (de) 2000-05-03
    EP0997570A3 EP0997570A3 (de) 2002-02-13
    EP0997570B1 EP0997570B1 (de) 2006-08-02

    Family

    ID=7882867

    Family Applications (1)

    Application Number Title Priority Date Filing Date
    EP99118916A Expired - Lifetime EP0997570B1 (de) 1998-09-30 1999-09-24 Verfahren und Anordnung zur rechnergestützten Ermittlung von Clustern zur Erkennung von Schaumbildung in einer Waschmaschine sowie Verfahren und Anordnung zur Erkennung von Schaumbildung in einer Waschmaschine

    Country Status (3)

    Country Link
    US (1) US6269506B1 (de)
    EP (1) EP0997570B1 (de)
    DE (1) DE59913725D1 (de)

    Cited By (5)

    * Cited by examiner, † Cited by third party
    Publication number Priority date Publication date Assignee Title
    DE102007002184A1 (de) 2007-01-15 2008-07-17 BSH Bosch und Siemens Hausgeräte GmbH Verfahren zum Waschen von Wäschestücken in einem programmgesteuerten Hausgerät, sowie solches Hausgerät
    DE102007052837A1 (de) * 2007-11-06 2009-05-07 BSH Bosch und Siemens Hausgeräte GmbH Verfahren zum Behandeln von Waschgut in einer Haushaltswaschmaschine mit einer schaumbildenden Flotte
    DE102009027933A1 (de) * 2009-07-22 2011-01-27 BSH Bosch und Siemens Hausgeräte GmbH Erkennen von Schaum für eine programmgesteuerte Wäschebehandlungsmaschine
    EP3318670A1 (de) 2016-11-08 2018-05-09 BSH Hausgeräte GmbH Verfahren zum betrieb einer waschmaschine mit schaumdetektion und für dieses verfahren geeignete waschmaschine
    EP3988697A1 (de) 2020-10-23 2022-04-27 BSH Hausgeräte GmbH Verfahren zum bestimmen von schaum beim behandeln von wäschestücken sowie wäschepflegemaschine zu dessen durchführung

    Families Citing this family (11)

    * Cited by examiner, † Cited by third party
    Publication number Priority date Publication date Assignee Title
    US6850873B1 (en) * 1999-09-29 2005-02-01 Eric T Bax Using validation by inference to select a hypothesis function
    US6523205B1 (en) * 2001-08-02 2003-02-25 Maytag Corporation Suds detection and display system for an automatic washing machine
    KR20050015758A (ko) * 2003-08-07 2005-02-21 삼성전자주식회사 드럼 세탁기 및 그 제어방법
    KR100697511B1 (ko) * 2003-10-21 2007-03-20 삼성전자주식회사 광경화성 반도체 나노결정, 반도체 나노결정 패턴형성용 조성물 및 이들을 이용한 반도체 나노결정의 패턴 형성 방법
    DE102006060256A1 (de) * 2006-12-14 2008-06-26 E.G.O. Elektro-Gerätebau GmbH Verfahren zur Steuerung einer Waschmaschine
    US20080155760A1 (en) * 2006-12-28 2008-07-03 General Electric Company Method and apparatus for operating a washing machine
    US20080276963A1 (en) * 2007-05-07 2008-11-13 Whirlpool Corporation Sensing over suds condition to improve cleaning with oxidizing agents
    DE102007033492A1 (de) * 2007-07-18 2009-01-22 BSH Bosch und Siemens Hausgeräte GmbH Verfahren zur Steuerung der Schaumerzeugung in einer Waschmaschine sowie hierzu geeignete Waschmaschine
    DE102010040297A1 (de) * 2010-09-06 2012-03-08 BSH Bosch und Siemens Hausgeräte GmbH Verfahren und Vorrichtung zur Steuerung eines Hausgerätes bei intelligenter Stromzählung
    CN112941806A (zh) * 2021-01-29 2021-06-11 珠海格力电器股份有限公司 洗衣机及其泡沫量预测方法、装置和电子设备
    CN114108232B (zh) * 2021-12-02 2024-03-12 Tcl家用电器（合肥）有限公司 泡沫量预测方法、装置、存储介质以及洗涤设备

    Family Cites Families (8)

    * Cited by examiner, † Cited by third party
    Publication number Priority date Publication date Assignee Title
    US4410329A (en) * 1981-11-06 1983-10-18 General Electric Company Washing machine with oversuds detection and correction capability
    DE3440848A1 (de) * 1984-11-08 1986-05-22 Hans 8900 Augsburg Biermaier Verfahren und vorrichtung zum regeln der schaumbildung bei tank-waschmaschinen, insbesondere desinfektions-spuelmaschinen
    DE4205816C2 (de) * 1992-02-26 1999-08-19 Aeg Hausgeraete Gmbh Programmgesteuerte Waschmaschine
    MY115384A (en) * 1994-12-06 2003-05-31 Sharp Kk Drum type washing machine and drier
    US5687440A (en) * 1995-04-29 1997-11-18 Daewoo Electronics Co., Ltd Washing method capable of preventing the formation of suds in a washing machine
    US5603233A (en) 1995-07-12 1997-02-18 Honeywell Inc. Apparatus for monitoring and controlling the operation of a machine for washing articles
    KR0179125B1 (ko) * 1995-08-25 1999-05-15 구자홍 드럼 세탁기의 탈수방법
    DE19606769B4 (de) 1996-02-23 2006-05-11 AEG Hausgeräte GmbH Programmgesteuerte Waschmaschine mit einer Einrichtung zur Reduzierung der Schaumbildung

    Cited By (8)

    * Cited by examiner, † Cited by third party
    Publication number Priority date Publication date Assignee Title
    DE102007002184A1 (de) 2007-01-15 2008-07-17 BSH Bosch und Siemens Hausgeräte GmbH Verfahren zum Waschen von Wäschestücken in einem programmgesteuerten Hausgerät, sowie solches Hausgerät
    DE102007002184B4 (de) 2007-01-15 2018-03-15 BSH Hausgeräte GmbH Verfahren zum Waschen von Wäschestücken in einem programmgesteuerten Hausgerät, sowie solches Hausgerät
    DE102007052837A1 (de) * 2007-11-06 2009-05-07 BSH Bosch und Siemens Hausgeräte GmbH Verfahren zum Behandeln von Waschgut in einer Haushaltswaschmaschine mit einer schaumbildenden Flotte
    DE102009027933A1 (de) * 2009-07-22 2011-01-27 BSH Bosch und Siemens Hausgeräte GmbH Erkennen von Schaum für eine programmgesteuerte Wäschebehandlungsmaschine
    EP3318670A1 (de) 2016-11-08 2018-05-09 BSH Hausgeräte GmbH Verfahren zum betrieb einer waschmaschine mit schaumdetektion und für dieses verfahren geeignete waschmaschine
    WO2018086859A1 (en) 2016-11-08 2018-05-17 BSH Hausgeräte GmbH Process for the operation of a washing machine with foam detection and washing machine suitable for this process
    EP3988697A1 (de) 2020-10-23 2022-04-27 BSH Hausgeräte GmbH Verfahren zum bestimmen von schaum beim behandeln von wäschestücken sowie wäschepflegemaschine zu dessen durchführung
    DE102020213390A1 (de) 2020-10-23 2022-04-28 BSH Hausgeräte GmbH Verfahren zum bestimmen von schaum beim behandeln von wäschestücken sowie wäschepflegemaschine zu dessen durchführung

    Also Published As

    Publication number Publication date
    US6269506B1 (en) 2001-08-07
    EP0997570B1 (de) 2006-08-02
    EP0997570A3 (de) 2002-02-13
    DE59913725D1 (de) 2006-09-14

    Similar Documents

    Publication Publication Date Title
    EP0997570B1 (de) Verfahren und Anordnung zur rechnergestützten Ermittlung von Clustern zur Erkennung von Schaumbildung in einer Waschmaschine sowie Verfahren und Anordnung zur Erkennung von Schaumbildung in einer Waschmaschine
    DE69212048T2 (de) Vorrichtung und Verfahren, die ein Echtzeitexpertensystem verwenden zur Vorhersage der Werkzeuglebensdauer und zur Diagnose des Werkzeugverschleisses
    DE112023000011T5 (de) Ein primäres Frequenzmodulationssteuersystem der thermischen Stromerzeugungseinheit mit kleinen Störungen
    DE69431822T2 (de) Vorrichtung und Verfahren für eine modellbasierende Prozesssteuerung
    DE69832470T2 (de) Vorrichtung zur Datendekomposition, und Verfahren und Speichermedium dafür
    DE112017005640B4 (de) Informationsverarbeitungsvorrichtung und Informationsverarbeitungsverfahren
    EP0676070A1 (de) Verfahren und einrichtung zur signalanalyse, prozessidentifikation und überwachung eines technischen prozesses.
    DE112017001244T5 (de) Analysemethode für Herstellungsprozesse
    DE102018221002A1 (de) Steuereinrichtung zur Steuerung einer Fertigungsanlage sowie Fertigungsanlage und Verfahren
    DE102019107363B4 (de) Verfahren und System zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft sowie Verfahren zum Bestimmen eines voraussichtlichen Qualitätszustands eines mit einer Maschine gefertigten Bauteils
    DE102018203280A1 (de) Zustandsdiagnosevorrichtung
    DE112019007232B4 (de) Zustandsschätzvorrichtung und zustandsschätzverfahren
    DE102018002781B4 (de) Schaltungskonfigurations-Optimierungsvorrichtung und maschinelle Lernvorrichtung
    DE102018216078A1 (de) Verfahren und Vorrichtung zum Betreiben eines Steuerungssystems
    DE4241812A1 (de) Verfahren zur adaptiven Quantisierung eines Eingangswertebereiches
    DE69802372T2 (de) Klassifizierungssystem und -verfahren mit N-Tuple- oder RAM-basiertem neuronalem Netzwerk
    DE102020207449B4 (de) Verfahren, Computerprogramm und Vorrichtung zum Verarbeiten von Signalen
    DE102022201113A1 (de) Verfahren und Vorrichtung zum Bereitstellen von Erkennen von systematischen Fehlern in einem datenbasierten Systemmodell
    DE102025109319A1 (de) Zeitreihen-anomalieerkennung
    DE202020107432U1 (de) Vorrichtung zur robusten Klassifikation und Regression von Zeitreihen
    DE102018109794A1 (de) Fehlersignalrückgewinnungssystem und Verfahren
    DE10134926A1 (de) Vorrichtung und Verfahren zum Erzeugen eines Klassifikators für das automatische Sortieren von Objekten
    DE10015286A1 (de) System, Verfahren und Produkt mit Computerbefehlssatz zum automatischen Abschätzen experimenteller Ergebnisse
    EP3855390A1 (de) Verfahren zum erzeugen einer information aus mindestens einem kamerabild
    DE112023005124T5 (de) Verfahren und system zur anomalie-erfassung in einem betrieblichen asset und verfahren zum reparieren eines betrieblichen assets

    Legal Events

    Date Code Title Description
    PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

    Free format text: ORIGINAL CODE: 0009012

    AK Designated contracting states

    Kind code of ref document: A2

    Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LI LU MC NL PT SE

    Kind code of ref document: A2

    Designated state(s): CH DE ES FR GB IT LI

    AX Request for extension of the european patent

    Free format text: AL;LT;LV;MK;RO;SI

    PUAL Search report despatched

    Free format text: ORIGINAL CODE: 0009013

    AK Designated contracting states

    Kind code of ref document: A3

    Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LI LU MC NL PT SE

    AX Request for extension of the european patent

    Free format text: AL;LT;LV;MK;RO;SI

    17P Request for examination filed

    Effective date: 20020318

    AKX Designation fees paid

    Free format text: CH DE ES FR GB IT LI

    17Q First examination report despatched

    Effective date: 20030408

    GRAP Despatch of communication of intention to grant a patent

    Free format text: ORIGINAL CODE: EPIDOSNIGR1

    GRAS Grant fee paid

    Free format text: ORIGINAL CODE: EPIDOSNIGR3

    GRAA (expected) grant

    Free format text: ORIGINAL CODE: 0009210

    AK Designated contracting states

    Kind code of ref document: B1

    Designated state(s): CH DE ES FR GB IT LI

    PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

    Ref country code: IT

    Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT;WARNING: LAPSES OF ITALIAN PATENTS WITH EFFECTIVE DATE BEFORE 2007 MAY HAVE OCCURRED AT ANY TIME BEFORE 2007. THE CORRECT EFFECTIVE DATE MAY BE DIFFERENT FROM THE ONE RECORDED.

    Effective date: 20060802

    Ref country code: GB

    Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

    Effective date: 20060802

    REG Reference to a national code

    Ref country code: GB

    Ref legal event code: FG4D

    Free format text: NOT ENGLISH

    REG Reference to a national code

    Ref country code: CH

    Ref legal event code: EP

    REF Corresponds to:

    Ref document number: 59913725

    Country of ref document: DE

    Date of ref document: 20060914

    Kind code of ref document: P

    PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

    Ref country code: LI

    Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

    Effective date: 20060930

    Ref country code: CH

    Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

    Effective date: 20060930

    PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

    Ref country code: ES

    Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

    Effective date: 20061113

    GBV Gb: ep patent (uk) treated as always having been void in accordance with gb section 77(7)/1977 [no translation filed]

    Effective date: 20060802

    PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

    Ref country code: DE

    Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

    Effective date: 20070403

    EN Fr: translation not filed
    REG Reference to a national code

    Ref country code: CH

    Ref legal event code: PL

    PLBE No opposition filed within time limit

    Free format text: ORIGINAL CODE: 0009261

    STAA Information on the status of an ep patent application or granted ep patent

    Free format text: STATUS: NO OPPOSITION FILED WITHIN TIME LIMIT

    26N No opposition filed

    Effective date: 20070503

    PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

    Ref country code: FR

    Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

    Effective date: 20070511

    PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

    Ref country code: FR

    Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

    Effective date: 20060802