ES2882804T3 - Aparato de tratamiento de ropa sucia con inteligencia artificial y procedimiento de control del mismo - Google Patents

Abstract

Un aparato de tratamiento de ropa sucia, que comprende: una cuba de lavado (4) configurada para recibir ropa sucia, estando configurada la cuba de lavado para ser giratoria; un motor (9) configurado para hacer girar la cuba de lavado (4); un controlador (60) configurado para controlar el motor de modo que la cuba de lavado se acelere a una velocidad diana predeterminada a un gradiente de aceleración de 1,5 a 2,5 rpm/s dentro de un intervalo en el que la ropa sucia se mueve con relación a la cuba de lavado; y una unidad de detección de corriente (75) configurada para detectar la corriente del motor, en el que el controlador (60) está configurado para obtener datos correspondientes a al menos uno del peso de la ropa sucia o la calidad de la ropa sucia a partir de la salida de una capa de salida de una red neuronal artificial previamente entrenada basándose en el aprendizaje automático, usando datos relacionados con al menos un valor de corriente o un valor promedio de múltiples valores de corriente detectados por la unidad de detección de corriente (75) mientras se acelera la cuba de lavado como entrada a una capa de entrada de la red neuronal artificial.

Description

DESCRIPCIÓN

Aparato de tratamiento de ropa sucia con inteligencia artificial y procedimiento de control del mismo

La presente invención se refiere a un aparato de tratamiento de ropa sucia que detecta el peso y la calidad de la ropa sucia basándose en el aprendizaje automático y un procedimiento de control del mismo.

Un aparato de tratamiento de ropa sucia es un aparato que trata la ropa sucia a través de diversas operaciones, tales como lavado, aclarado, centrifugado y/o secado. El aparato de tratamiento de ropa sucia tiene una cuba de lavado, que se hace girar mediante un motor.

El aparato de tratamiento de ropa sucia está generalmente equipado con un algoritmo para detectar el peso de la ropa sucia (o el peso de ropa sucia) introducida en la cuba de lavado. Por ejemplo, la técnica convencional 1 (publicación de solicitud de patente coreana No. 10-2006-0061319) describe un procedimiento de cálculo de información, tal como un valor excéntrico, voltaje de CC y un valor de par del motor, obtenido mientras se realiza el control de modo que un motor gira a una velocidad uniforme después de que el motor se acelera a una velocidad de rotación predeterminada usando las siguientes expresiones matemáticas para detectar el peso de la ropa sucia.

Valor del peso de la ropa sucia = promedio de la cantidad de corriente en un período de velocidad constante valor de compensación de voltaje de CC - valor de compensación excéntrico a

(siendo a una constante adquirida a través de experimentación)

Valor de compensación de voltaje de CC = (valor de detección de voltaje de CC - b) x t

(siendo b una constante experimental y siendo t el tiempo durante un período de velocidad constante)

Valor de compensación excéntrico = valor excéntrico en un período de velocidad constante x d

(siendo d una constante experimental)

En la técnica convencional 1, se usan muchas constantes para estimar el valor del peso de la ropa sucia, y la mayoría de las mismas son valores experimentales, por lo que se requieren ajustes expertos y los valores de ajuste no son exactos. En consecuencia, la técnica convencional 1 tiene una limitación para mejorar la exactitud en la detección del peso de la ropa sucia.

Además, en la técnica convencional 1, los valores de ajuste (constantes experimentales) deben encontrarse con exactitud para mejorar la exactitud en la detección del peso de la ropa sucia, lo que puede requerir mucho tiempo.

La técnica convencional 2 (publicación de solicitud de patente coreana No. 1999-0065538) describe un procedimiento de medición del tiempo necesario para acelerar un motor a una velocidad predeterminada y variación en la velocidad de rotación del motor mientras el motor gira a la velocidad predeterminada con el fin de detectar el peso de la ropa sucia.

En la técnica convencional 2, el tiempo medido y la variación en la velocidad de rotación del motor se comparan con un valor de comparación de detección del peso de la ropa sucia predeterminado, para detectar si el peso de la ropa sucia es grande o pequeño. Los valores se comparan simplemente entre sí en términos de tamaño para detectar el peso de la ropa sucia. Es decir, solo es posible distinguir entre un peso de ropa sucia grande y un peso de ropa sucia pequeño. En consecuencia, la técnica convencional 2 tiene una limitación en la detección de forma exacta de diversos tipos de peso de la ropa sucia. Además, incluso en la técnica convencional 2, una persona debe encontrar todos los valores de ajuste de antemano para compararlos, lo cual es problemático.

En el caso de que el peso de la ropa sucia no se mida con exactitud, se necesita mucho tiempo para realizar una operación de centrifugado, que se realiza a alta velocidad. Como resultado, aumenta el tiempo total de lavado, por lo que aumenta el consumo de energía. Por estas razones, se han llevado a cabo diversas investigaciones sobre un procedimiento para detectar con exactitud el peso de la ropa sucia.

Mientras tanto, en los últimos años, ha aumentado el interés por la inteligencia artificial y el aprendizaje automático, tal como el aprendizaje profundo. Los modelos de clasificación, regresión y agrupación basados en estadísticas se encuentran en el centro del aprendizaje automático convencional. Particularmente, en el aprendizaje supervisado de los modelos de clasificación y regresión, una persona define, de antemano, las características de los datos de aprendizaje y un modelo de aprendizaje que distingue entre los nuevos datos basándose en las características. A diferencia de esto, el aprendizaje profundo es un ordenador que encuentra y distingue características por sí mismo.

Uno de los factores que acelera el crecimiento del aprendizaje profundo es un marco de aprendizaje profundo de código abierto. Por ejemplo, los ejemplos del marco de aprendizaje profundo incluyen Theano de la Universidad de Montreal en Canadá, Torch de la Universidad de Nueva York en EE. UU., Caffe de la Universidad de California, Berkeley en EE. UU. Y TensorFlow de Google.

Como el marco de aprendizaje profundo está abierto, un proceso de aprendizaje, un procedimiento de aprendizaje y la extracción y selección de datos usos para el aprendizaje se vuelven más importantes para el aprendizaje y el reconocimiento efectivos, además de un algoritmo de aprendizaje profundo. Además, cada vez se realizan más investigaciones sobre el uso de la inteligencia artificial y el aprendizaje automático en diversos tipos de productos y servicios.

[Documentos de la técnica anterior]

[Documentos de patente]

1. Publicación de solicitud de patente coreana No. 10-2006-0061319 (publicada el 7 de junio de 2006)

2. Publicación de solicitud de patente coreana No. 1999-0065538 (publicada el 5 de agosto de 1999)

El documento EP3301216 A1 describe un aparato de tratamiento de ropa sucia con un conjunto de detección de corriente para medir la corriente del motor y un controlador para controlar el motor con el fin de determinar la cantidad de ropa sucia contenida en el tambor y determinar la cantidad de ropa basándose en un valor de corriente recibido desde el conjunto de detección de corriente.

RESUMEN DE LA INVENCIÓN

Es un objeto de la presente invención proporcionar un aparato de tratamiento de ropa sucia capaz de detectar con rapidez y exactitud el peso de la ropa sucia y/o la calidad de la ropa sucia basándose en el aprendizaje automático y un procedimiento de control del mismo.

Otro objeto de la presente invención es proporcionar un aparato de tratamiento de ropa sucia capaz de optimizar el gradiente de aceleración de una cuba de lavado de modo que el movimiento de la ropa sucia se clasifique claramente por el peso de la ropa sucia o por la calidad de la misma durante la rotación acelerada de la cuba de lavado con el fin de detectar el peso de la ropa sucia/la calidad de la ropa sucia y un procedimiento de control del mismo.

Otro objeto de la presente invención es proporcionar un aparato de tratamiento de ropa sucia capaz de procesar eficazmente los datos usados para determinar el peso de la ropa sucia y/o la calidad de la ropa sucia con el fin de reducir la cantidad de datos necesarios para la determinación y un procedimiento de control del mismo.

Otro objeto de la presente invención es proporcionar un aparato de tratamiento de ropa sucia capaz de clasificar la ropa sucia según diversos criterios, tales como la suavidad/dureza de la ropa sucia, el contenido de agua de la ropa sucia y la diferencia volumétrica entre la ropa sucia seca y la ropa sucia húmeda, y un procedimiento de control del mismo.

Un objeto adicional de la presente invención es proporcionar un aparato de tratamiento de ropa sucia capaz de mejorar la exactitud en la clasificación de la ropa sucia con acumulación de datos de entrenamiento (datos de corriente del motor) de aprendizaje automático y un procedimiento de control del mismo.

Según un aspecto de la presente invención, los objetos anteriores y otros se pueden lograr mediante la provisión de un aparato de tratamiento de ropa sucia que incluye una cuba de lavado configurada para recibir ropa sucia, estando la cuba de lavado configurada para ser giratoria, un motor configurado para hacer girar la cuba de lavado, un controlador configurado para controlar el motor y un conjunto de detección de corriente configurado para detectar la corriente del motor.

El controlador controla el motor de modo que la cuba de lavado se acelere hasta una velocidad diana predeterminada. En particular, el controlador realiza un control, de modo que la cuba de lavado se acelere a un gradiente de aceleración de 1,5 a 2,5 rpm/s.

El aparato de tratamiento de ropa sucia incluye además un conjunto de detección de corriente configurado para detectar la corriente del motor, en el que el controlador puede configurarse para obtener al menos uno del peso de la ropa sucia o la calidad de la ropa sucia a partir de la salida de una capa de salida de una red neuronal artificial previamente entrenada basándose en el aprendizaje automático usando un valor de corriente detectado por el conjunto de detección de corriente durante la rotación acelerada de la cuba de lavado como entrada de una capa de entrada de la red neuronal artificial.

El gradiente de aceleración puede ser de 2,0 rpm/s.

El gradiente de aceleración puede ser el valor mínimo controlable por el controlador.

El gradiente de aceleración se puede mantener a un valor uniforme hasta que el motor se acelera a la velocidad diana.

El controlador puede configurarse para determinar la constricción de la ropa sucia basándose en la salida de la capa de salida.

Cuando la cuba de lavado se hace girar una o más revoluciones en una dirección en un período de velocidad de rotación de la cuba de lavado en el que se obtiene el valor de corriente como datos de entrada, la ropa sucia ubicada en el lado más bajo de la cuba de lavado puede elevarse a una altura predeterminada mediante la rotación de la cuba de lavado y luego se puede dejar caer mientras se separa de la cuba de lavado.

El aparato de tratamiento de ropa sucia puede incluir además un conjunto de detección de velocidad configurado para detectar la velocidad de rotación del motor, en el que el controlador puede configurarse para seleccionar un valor de corriente correspondiente a un período en el que la velocidad de rotación del motor se acelera desde una primera velocidad de rotación a la velocidad diana de entre valores de corriente obtenidos por el conjunto de detección de corriente basándose en un valor de velocidad detectado por la conjunto de detección de velocidad y usar el valor de corriente seleccionado como datos de entrada.

La velocidad diana puede ser de 60 a 80 rpm.

La primera velocidad de rotación puede ser de 10 a 20 rpm.

Según otro aspecto de la presente invención, se proporciona un procedimiento de control de un aparato de tratamiento de ropa sucia, incluyendo el procedimiento (a) una etapa de acelerar una cuba de lavado que tiene ropa sucia introducida en ella a una velocidad diana predeterminada a un gradiente de aceleración de 1,5 a 2,5 rpm/s dentro de un intervalo dentro del cual la ropa sucia se mueve en la cuba de lavado, (b) una etapa de obtener un valor de corriente de un motor configurado para hacer girar la cuba de lavado en un período en el que la cuba de lavado gira mientras se acelera, y (c) una etapa de obtener al menos uno del peso de la ropa sucia o la calidad de la ropa sucia a partir de la salida de una capa de salida de una red neuronal artificial previamente entrenada basándose en el aprendizaje automático usando el valor de corriente como entrada de una capa de entrada de la red neuronal artificial.

El gradiente de aceleración puede ser de 2,0 rpm/s.

El gradiente de aceleración puede ser el valor mínimo controlable por un controlador.

El gradiente de aceleración se puede mantener a un valor uniforme hasta que el motor se acelera a la velocidad diana.

El procedimiento puede incluir además una etapa de determinar la constricción de la ropa sucia basándose en la salida de la capa de salida.

BREVE DESCRIPCIÓN DE LOS DIBUJOS

Los anteriores y otros objetos, características y otras ventajas de la presente invención se entenderán más claramente a partir de la siguiente descripción detallada, tomada en conjunto con los dibujos adjuntos, en los que:

La figura 1 es una vista en sección lateral que muestra un aparato de tratamiento de ropa sucia según una realización de la presente invención;

La figura 2 es un diagrama de bloques que muestra una relación de control entre los componentes principales del aparato de tratamiento de ropa sucia de la figura 1;

La figura 3 es una vista que muestra el patrón de corriente suministrada a un motor basándose en la calidad de la ropa sucia y el peso de la carga (peso de la ropa sucia);

La figura 4 es una vista que muestra el patrón de corriente mediante la calidad de la ropa sucia;

La figura 5 es una vista que muestra el patrón de corriente mediante carga en el estado en el que la velocidad de un motor se controla usando un procedimiento predeterminado;

La figura 6 es una vista que muestra un proceso de procesamiento de valores de corriente actual obtenidos por un conjunto de detección de corriente como datos de entrada de una red neuronal artificial;

La figura 7 es una vista breve que muestra un ejemplo de la red neuronal artificial;

La figura 8 es una vista breve que muestra un proceso de determinación de la calidad de la ropa sucia mediante el peso de la ropa sucia usando el valor de corriente actual del motor en el estado de estar dividido en un proceso de aprendizaje y un proceso de reconocimiento;

La figura 9(a) es un gráfico que muestra el valor de corriente actual detectado por el conjunto de detección de corriente y la figura 9(b) es un gráfico que muestra valores promedio obtenidos procesando un filtro de promedio móvil;

La figura 10 es un gráfico que muestra valores de corriente detectados por el conjunto de detección de corriente; La figura 11 es un gráfico que muestra valores obtenidos procesando los valores de corriente del gráfico mostrado en la figura 9 para ser usados como datos de entrada de la red neuronal artificial;

La figura 12 es un diagrama de flujo que muestra un procedimiento de control del aparato de tratamiento de ropa sucia según la realización de la presente invención;

La figura 13 es un gráfico que muestra patrones de corriente mediante carga en el estado de superposición entre sí;

La figura 14 es un gráfico que muestra la clasificación de los patrones de corriente correspondientes a la carga de 0 a 6 kg en la figura 13; y

La figura 15 es un gráfico que muestra la clasificación de los patrones de corriente correspondientes a la carga de 7 a 9 kg en la figura 13.

A continuación, se describirán realizaciones de la presente invención con referencia a los dibujos adjuntos. Sin embargo, la presente invención no se limita a las siguientes realizaciones y puede implementarse de diversas formas diferentes.

Las partes que no están relacionadas con la descripción de la presente invención se omitirán de los dibujos con el fin de describir clara y brevemente la presente invención. Siempre que sea posible, se usarán los mismos números de referencia en toda la memoria descriptiva para hacer referencia a elementos iguales o similares.

Mientras tanto, los términos "módulo" y "conjunto", cuando se adjuntan a los nombres de los componentes, se usan en esta invención simplemente por comodidad de descripción y, por tanto, no debe considerarse que tengan significados o papeles específicos. Por consiguiente, los términos "módulo" y "conjunto" pueden usarse indistintamente.

La figura 1 es una vista en sección que muestra un aparato de tratamiento de ropa sucia según una realización de la presente invención. La figura 2 es un diagrama de bloques que muestra una relación de control entre los componentes principales del aparato de tratamiento de ropa sucia según la realización de la presente invención.

En referencia a la figura 1, el aparato de tratamiento de ropa sucia según la realización de la presente invención incluye una carcasa 1, que define su apariencia externa, una cuba de almacenamiento de agua 3 dispuesta en la carcasa 1 para almacenar agua de lavado, una cuba de lavado 4 instalada de forma giratoria en la cuba de almacenamiento de agua 3, introduciéndose la ropa sucia en la cuba de lavado 4, y un motor 9 para hacer girar la cuba de lavado 4.

La cuba de lavado 4 incluye una cubierta delantera 41 que tiene en ella una abertura a través de la cual se introduce y se retira la ropa sucia, un tambor cilíndrico 42 dispuesto de forma aproximadamente horizontal, estando acoplado el extremo delantero del tambor cilíndrico 42 a la cubierta delantera 41, y una cubierta trasera 43 acoplada al extremo trasero del tambor 42. Un árbol giratorio del motor 9 puede estar conectado a la cubierta trasera 43 a través de una pared trasera de la cuba de almacenamiento de agua 3. Puede formarse una pluralidad de orificios pasantes en el tambor 42 de modo que el agua fluya entre la cuba de lavado 4 y la cuba de almacenamiento de agua 3.

Puede proporcionarse un elevador 20 en la superficie circunferencial interna del tambor 42. El elevador 20 puede formarse de manera que sobresalga de la superficie circunferencial interna del tambor 42, y puede extenderse en la dirección longitudinal (la dirección adelante-atrás) del tambor 42. Puede disponerse una pluralidad de elevadores 20 en la dirección circunferencial del tambor 42 de manera que estén separados entre sí. Cuando se hace girar la cuba de lavado 4, los elevadores 20 pueden elevar la ropa sucia.

Sin embargo, la presente invención no se limita a ello. La altura de cada elevador 20 que sobresale del tambor 42 es, preferiblemente, de 30 mm (o el 6,0% del diámetro del tambor) o menos, más preferiblemente de 10 a 20 mm. Particularmente, en el caso en el que la altura de cada elevador 20 sea de 20 mm o menos, la ropa sucia se puede mover sin aferrarse a la cuba de lavado 4 incluso cuando la cuba de lavado 4 gira continuamente en una dirección a aproximadamente 80 rpm. Es decir, cuando la cuba de lavado 4 gira una o más revoluciones en una dirección, la ropa sucia ubicada en el lado más bajo de la cuba de lavado 4 se puede elevar a una altura predeterminada mediante la rotación de la cuba de lavado 4 y después se puede dejar caer mientras está separada de la cuba de lavado 4.

La cuba de lavado 4 se hace girar alrededor de un eje horizontal. Aquí, "horizontalidad" no significa horizontalidad geométrica en el sentido estricto de la palabra. Incluso en el caso en el que la cuba de lavado 4 esté inclinada en un ángulo predeterminado con la horizontalidad, como se muestra en la figura 1, la inclinación de la cuba de lavado 4 es aproximada a la horizontalidad, más que a la verticalidad. A continuación, por lo tanto, la cuba de lavado 4 se describirá girando alrededor del eje horizontal.

Se forma un puerto de introducción de ropa sucia en la superficie delantera de la carcasa 1, y una puerta 2 para abrir y cerrar el puerto de introducción de ropa sucia está articulada a la carcasa 1. Una válvula de suministro de agua 5, una tubería de suministro de agua 6 y una manguera de suministro de agua 8 pueden instalarse en la carcasa 1. Cuando se abre la válvula de suministro de agua 5 con el fin de suministrar agua, el agua de lavado que pasa a través de la tubería de suministro de agua 6 se mezcla con detergente en un dispensador 7 y a continuación se suministra a la cuba de almacenamiento de agua 3 a través de la manguera de suministro de agua 8.

Un puerto de entrada de una bomba 11 está conectado a la cuba de almacenamiento de agua 3 a través de una manguera de descarga 10, y un puerto de descarga de la bomba 11 está conectado a una tubería de drenaje 12. El agua descargada desde la cuba de almacenamiento de agua 3 a través de la manguera de descarga 10 es impulsada a lo largo del tubo de drenaje 12 por la bomba 11, y a continuación se descarga fuera del aparato de tratamiento de ropa sucia.

En referencia a la figura 2, el aparato de tratamiento de ropa sucia según la realización de la presente invención incluye un controlador 60 para controlar el funcionamiento general del aparato de tratamiento de ropa sucia, un conjunto de accionamiento del motor 71, un conjunto de salida 72, un conjunto de comunicación 73, un conjunto de detección de velocidad 74, un conjunto de detección de corriente 75 y una memoria 76, todos ellos controlados por el controlador 60.

El controlador 60 controla una serie de procesos de lavado, tales como lavado, aclarado, centrifugado y secado. El controlador 60 realiza ciclos de lavado y aclarado según un algoritmo predeterminado. Además, el controlador 60 controla el conjunto de accionamiento del motor 71 según el algoritmo.

El conjunto de accionamiento del motor 71 puede controlar el accionamiento del motor 9 en respuesta a una señal de control desde el conjunto de control 60. La señal de control puede ser una señal para controlar la velocidad diana, el gradiente de aceleración (o aceleración), el tiempo de accionamiento, etc., del motor 9.

El conjunto de accionamiento del motor 71, que acciona el motor 9, puede incluir un inversor (no mostrado) y un controlador de inversor (no mostrado). Además, el conjunto de accionamiento del motor 71 puede ser un concepto que incluye además un convertidor para suministrar energía de corriente continua que se introduce en el inversor.

Por ejemplo, en el caso en el que el controlador de inversor (no mostrado) emite una señal de control de conmutación de tipo pulso con modulación (PWM) al inversor (no mostrado), el inversor (no mostrado) puede realizar una operación de conmutación de alta velocidad con el fin de suministrar energía de corriente alterna con una frecuencia predeterminada al motor 9.

El conjunto de detección de velocidad 74 detecta la velocidad de rotación de la cuba de lavado 4. El conjunto de detección de velocidad 74 puede detectar la velocidad de rotación de un rotor del motor 9. En el caso de que se proporcionen trenes de engranajes planetarios, que convierten la relación de rotación del motor 9 con el fin de hacer girar la cuba de lavado 4, la velocidad de rotación de la cuba de lavado 4 puede ser un valor obtenido mediante la conversión de la velocidad de rotación del rotor detectada por el conjunto de detección de velocidad 74 en consideración de la relación de desaceleración o aceleración de los trenes de engranajes planetarios.

El controlador 60 puede controlar el conjunto de accionamiento del motor 71 de modo que el motor siga la velocidad diana predeterminada usando la velocidad actual transmitida desde el conjunto de detección de velocidad 74 como retroalimentación.

El conjunto de detección de corriente 75 detecta la corriente que se suministra al motor (en lo sucesivo denominada corriente actual), y transmite la corriente actual detectada al controlador 60. El controlador 60 detecta el peso de la ropa sucia y la calidad de la ropa sucia usando la corriente actual recibida como datos de entrada. En este momento, los valores de corriente actual como datos de entrada incluyen valores obtenidos mientras el motor 9 se acelera a la velocidad diana predeterminada.

En el caso en el que la rotación del motor 9 se controle a través del control vectorial basándose en la corriente de par y la corriente de flujo, la corriente actual puede ser un componente del eje de par (eje q) de la corriente que fluye en un circuito del motor, es decir, la corriente de par Iq.

El conjunto de salida 72 emite el estado de funcionamiento del aparato de tratamiento de ropa sucia. El conjunto de salida 72 puede ser un dispositivo de salida de imágenes que emite visualmente imágenes, tal como una pantalla LCD o un LED, o un dispositivo de salida de sonido que emite sonido, tal como un altavoz o un zumbador. El conjunto de salida 72 puede emitir información sobre el peso de la ropa sucia o la calidad de la ropa sucia bajo el control del controlador 60.

La memoria 76 puede almacenar una red neuronal artificial programada, patrones de corriente mediante peso de la ropa sucia y/o mediante calidad de la ropa sucia, una base de datos (DB) construida a través de entrenamiento basado en aprendizaje automático basado en los patrones de corriente, un algoritmo de aprendizaje automático, valores de corriente actual detectados por el conjunto de detección de corriente 75, un promedio de los valores de corriente actual, un valor obtenido procesando el promedio según una regla de análisis, y datos transmitidos y recibidos a través del conjunto de comunicación 73.

Además, la memoria 76 puede almacenar diversos datos de control para controlar el funcionamiento general del aparato de tratamiento de ropa sucia, datos de configuración de lavado introducidos por un usuario, tiempo de lavado obtenido según la configuración de lavado, datos sobre un ciclo de lavado y datos para determinar si se produce un error en el aparato de tratamiento de ropa sucia.

El conjunto de comunicación 73 puede comunicarse con un servidor conectado a una red. El conjunto de comunicación 73 puede incluir uno o más módulos de comunicación, tales como un módulo de Internet y un módulo de comunicación móvil. El conjunto de comunicación 73 puede recibir diversos datos, tales como datos de aprendizaje y actualización de algoritmos, desde el servidor.

El controlador 60 puede procesar diversos datos recibidos a través del conjunto de comunicación 73 con el fin de actualizar la memoria 76. Por ejemplo, en el caso en el que los datos introducidos a través del conjunto de comunicación 73 sean datos de actualización sobre un programa operativo almacenado en la memoria 76 de antemano, el controlador 60 puede actualizar la memoria 76 usando los mismos. En el caso de que los datos de entrada sean un nuevo programa operativo, el controlador 60 también puede almacenar los mismos en la memoria 76.

El aprendizaje automático significa que, aunque un ser humano no instruye directamente la lógica a un ordenador, el ordenador aprende a través de los datos y, por tanto, resuelve los problemas por sí mismo a través de ellos.

El aprendizaje profundo es un procedimiento de enseñar la forma de pensar de un ser humano a un ordenador basándose en una red neuronal artificial (ANN) para construir inteligencia artificial, y es una tecnología de inteligencia artificial que permite que el ordenador aprenda de manera autónoma como un ser humano aunque el ser humano no enseñe al ordenador. La red neuronal artificial (ANN) se puede realizar en forma de software o hardware, tal como un chip.

El aparato de tratamiento de ropa sucia procesa valores de corriente detectados por el conjunto de detección de corriente 75 con el fin de captar las características de la ropa sucia introducida en la cuba de lavado 4 (en lo sucesivo, denominadas características de la ropa sucia) basándose en el aprendizaje automático. Los ejemplos de las características de la ropa sucia pueden incluir el peso de la ropa sucia y la calidad de la ropa sucia. El controlador 60 puede determinar la calidad de la ropa sucia mediante el peso de la ropa sucia basándose en el aprendizaje automático. Por ejemplo, el controlador 60 puede obtener el peso de la ropa sucia y puede determinar una de las categorías previamente clasificadas a las que pertenece la ropa sucia basándose en la calidad de la ropa sucia. La calidad de la ropa sucia se puede definir basándose en diversos factores, tales como el material de la ropa sucia, la suavidad de la ropa sucia (por ejemplo, ropa sucia blanda/ropa sucia dura), la capacidad de la ropa sucia para contener agua (es decir, el contenido de agua) y la diferencia volumétrica entre ropa sucia seca y ropa sucia húmeda.

El controlador 60 puede detectar el peso de la ropa sucia usando el valor de corriente actual detectado por el conjunto de detección de corriente 75 hasta que se alcance la velocidad diana como datos de entrada de la red neuronal artificial previamente entrenada a través de aprendizaje automático.

la figura 3 es una vista que muestra el patrón de corriente suministrado al motor basándose en la calidad de la ropa sucia y el peso de la carga (peso de la ropa sucia). La figura 4 es una vista que muestra el patrón de corriente mediante la calidad de la ropa sucia. La figura 5 es una vista que muestra el patrón de corriente mediante carga en el estado en el que la velocidad del motor se controla usando un procedimiento predeterminado.

Los gráficos que se muestran en la figura 3 muestran la corriente actual medida mientras la cuba de lavado 4 se acelera a una velocidad diana predeterminada (por ejemplo, 80 rpm). En estos gráficos, la medición se realizó mientras se cambiaba la composición de la ropa sucia (es decir, la proporción de mezcla de ropa sucia blanda a ropa sucia dura) y el peso de la carga. Es decir, es posible captar un cambio en el patrón dependiendo del peso de la carga a partir de los gráficos dispuestos horizontalmente. Por ejemplo, en el caso de la misma composición de ropa sucia, se puede ver que el valor máximo de la corriente actual en la etapa inicial de aceleración de la cuba de lavado 4 aumenta a medida que aumenta el peso de la carga. En consecuencia, puede ser apropiado usar los datos iniciales de los gráficos con el fin de determinar el peso de la carga (peso de la ropa sucia).

Es posible captar un cambio en el patrón dependiendo de la composición de la ropa sucia a partir de los gráficos dispuestos verticalmente. Por ejemplo, en el caso del mismo peso de carga, se puede observar que el valor de corriente disminuye a medida que aumenta el porcentaje de ropa sucia dura y que este fenómeno es particularmente prominente en la fase intermedia y última de aceleración de la cuba de lavado 4, en la fase intermedia/última de rotación de la cuba de lavado 4, o en un período en el que se mantiene la velocidad diana. En consecuencia, puede ser apropiado adoptar los datos necesarios para obtener la calidad de la ropa sucia después del período en el que se obtienen los datos que se usarán para determinar el peso de la ropa sucia.

La figura 4 muestra el patrón de corriente actual mediante composición de la ropa sucia (calidad de la ropa sucia). En la figura 4, C0,0 indica 100% de ropa sucia blanda, C0,25, C0,5 y C0,75 indican que la proporción de ropa sucia blanda a ropa sucia dura es 1:3, 1:1 y 3:1, respectivamente. y C1,0 indica 100% de ropa sucia dura. En cada caso, el peso total de la ropa sucia (peso de la carga), incluida la ropa sucia blanda y la ropa sucia dura, es uniforme.

Los gráficos muestran que, en el caso de que se cambie la composición de la ropa sucia, el patrón de corriente actual cambia aunque el peso de la carga sea uniforme. En consecuencia, la clasificación según la composición de la ropa sucia (o el peso de la ropa sucia) es posible basándose en el aprendizaje automático del patrón de corriente.

La detección del peso de la ropa sucia/la calidad de la ropa sucia puede repetirse una pluralidad de veces. En esta realización, la detección del peso de la ropa sucia/la calidad de la ropa sucia se repite tres veces.

El controlador 60 puede establecer un algoritmo de lavado, o puede cambiar el ajuste del algoritmo de lavado, según cada resultado de la detección del peso de la ropa sucia/la calidad de la ropa sucia, y puede controlar el funcionamiento del aparato de tratamiento de la ropa sucia según el algoritmo de lavado establecido.

Los gráficos P1, P3, P5, P7, P9 y P15 que se muestran en la figura 5 indican que el peso de la ropa sucia es de 1, 3, 5, 7, 9 y 15 kg, respectivamente. Cada uno de los gráficos se forma, generalmente, de modo que el valor de corriente actual aumenta abruptamente a un nivel predeterminado en la etapa inicial de aceleración de la cuba de lavado 4 y converge en un valor uniforme en la última fase de rotación de la cuba de lavado 4. En particular, se puede ver que la desviación en el valor de corriente actual dependiendo del peso de la ropa sucia es prominente en la etapa inicial de aceleración de la cuba de lavado 4.

El controlador 60 puede incluir un módulo de aprendizaje 61 del peso de la ropa sucia/la calidad de la ropa sucia y un módulo de reconocimiento 62 del peso de la ropa sucia/la calidad de la ropa sucia. El módulo de aprendizaje 61 del peso de la ropa sucia/la calidad de la ropa sucia puede realizar un aprendizaje automático usando el valor de corriente actual detectado por el conjunto de detección de corriente 75 o un valor obtenido procesando el valor de corriente actual. El módulo de aprendizaje 61 del peso de la ropa sucia/la calidad de la ropa sucia puede actualizar la base de datos almacenada en la memoria 76 a través de aprendizaje automático.

Cualquiera de aprendizaje no supervisado y aprendizaje supervisado puede usarse como procedimiento de aprendizaje del módulo de aprendizaje 61 del peso de la ropa sucia/la calidad de la ropa sucia.

El módulo de reconocimiento 62 del peso de la ropa sucia/la calidad de la ropa sucia puede determinar un nivel que depende del peso de la ropa sucia basándose en los datos entrenados por el módulo de aprendizaje 61 del peso de la ropa sucia/la calidad de la ropa sucia. La determinación del peso de la ropa sucia puede consistir en clasificar la ropa sucia introducida en la cuba de lavado 4 en una pluralidad predeterminada de niveles de peso de la ropa sucia dependiendo del peso (carga).

En esta realización, el peso de la ropa sucia se clasifica en cinco etapas (niveles). El peso de la carga (kg) correspondiente a cada nivel se muestra en la tabla 1 a continuación. Además, la tabla 1 muestra estadísticamente el número de miembros que constituyen una familia en el caso de que se introduzca ropa sucia que tenga el peso de ropa sucia correspondiente en el aparato de tratamiento de ropa sucia para la familia.

[Tabla 1]

La determinación de la calidad de la ropa sucia sirve para clasificar la ropa sucia introducida en la cuba de lavado 4 basándose en criterios predeterminados. Los criterios pueden incluir el material de la ropa sucia, la suavidad o dureza de la ropa sucia, el contenido de agua de la ropa sucia y la diferencia volumétrica entre la ropa sucia seca y la ropa sucia húmeda.

El módulo de reconocimiento 62 del peso de la ropa sucia/la calidad de la ropa sucia puede determinar uno de los niveles de peso de la ropa sucia al que corresponde la ropa sucia introducida en la cuba de lavado 4 y una de las etapas de calidad de la ropa sucia a la que corresponde la ropa sucia (es decir, la calidad de la ropa sucia por peso de la ropa sucia) basándose en el valor de corriente actual obtenido a partir del conjunto de detección de corriente 75.

El módulo de reconocimiento 62 del peso de la ropa sucia/la calidad de la ropa sucia puede estar equipado con una red neuronal artificial (ANN) entrenada de antemano basándose en el aprendizaje automático. La red neuronal artificial puede actualizarse mediante el módulo de aprendizaje 61 del peso de la ropa sucia/la calidad de la ropa sucia.

El módulo de reconocimiento 62 del peso de la ropa sucia/la calidad de la ropa sucia puede determinar el peso de la ropa sucia y la calidad de la ropa sucia basándose en la red neuronal artificial. En el caso en el que el peso de la ropa sucia se clasifique en cinco etapas, como en esta realización, el módulo de reconocimiento 62 del peso de la ropa sucia/la calidad de la ropa sucia puede determinar el nivel al que pertenece el peso de la ropa sucia, y también puede determinar el nivel al que pertenece la calidad de la ropa sucia, usando el valor de corriente actual detectado por el conjunto de detección de corriente 75 como datos de entrada de la red neuronal artificial (ANN).

El módulo de reconocimiento 62 del peso de la ropa sucia/la calidad de la ropa sucia puede incluir una red neuronal artificial (ANN) entrenada para clasificar el peso de la ropa sucia y la calidad de la ropa sucia basándose en criterios predeterminados. Por ejemplo, el módulo de reconocimiento 62 del peso de la ropa sucia/la calidad de la ropa sucia puede incluir una red neuronal profunda (DNN) entrenada basándose en aprendizaje profundo, tal como una red neuronal convolucional (CNN), una red neuronal recurrente (RNN) y una red de creencias profundas (DBN).

La red neuronal recurrente (RNN) puede tener una estructura de red neuronal artificial que se usa con frecuencia en el procesamiento del lenguaje natural y similares y es eficaz para procesar datos de series de tiempo que varían con el tiempo y que se forman acumulando capas en cada instancia.

La red de creencias profundas (DBN) tiene una estructura de aprendizaje profundo formada por el apilamiento de múltiples capas de una máquina de Boltzmann restringida (RBM), que es una técnica de aprendizaje profundo. La red de creencias profundas (DBN) puede tener un número predeterminado de capas formadas mediante la repetición del aprendizaje de la máquina de Boltzmann restringida (RBM).

La red neuronal convolucional (CNN) es un modelo que imita una función del cerebro humano, construido sobre la suposición de que, cuando una persona reconoce un objeto, el cerebro extrae características básicas del objeto y reconoce el objeto basándose en el resultado de un procesamiento complejo en el cerebro.

Mientras tanto, la red neuronal artificial puede entrenarse ajustando los coeficientes de ponderación de conexión entre los nodos (si es necesario, ajustando también los valores de sesgo) para producir la salida deseada a partir de una entrada determinada. La red neuronal artificial puede actualizar continuamente los valores de coeficiente de ponderación a través del aprendizaje. Se pueden utilizar procedimientos tales como la propagación inversa para entrenar la red neuronal artificial.

El módulo de reconocimiento 62 del peso de la ropa sucia/la calidad de la ropa sucia puede determinar al menos uno entre el peso de la ropa sucia y la calidad de la ropa sucia introducida en la cuba de lavado 4 a partir de la salida de una capa de salida usando el valor de corriente actual como datos de entrada y basándose en los coeficientes de ponderación entre nodos incluidos en la red neuronal profunda (DNN).

La figura 7 es una vista breve que muestra un ejemplo de la red neuronal artificial. La figura 8 es una vista breve que muestra un proceso de determinación de la calidad de la ropa sucia mediante el peso de la ropa sucia usando el valor de corriente actual del motor en el estado de estar dividido en un proceso de aprendizaje y un proceso de reconocimiento. A continuación, se dará una descripción con referencia a las figuras 7 y 8. El aprendizaje profundo, que es un subcampo del aprendizaje automático, permite el aprendizaje basado en datos a través de múltiples capas.

El aprendizaje profundo puede exhibir una colección de algoritmos de aprendizaje automático que extraen datos centrales de una pluralidad de datos a través de una secuencia de capas ocultas.

La estructura de aprendizaje profundo puede incluir una red neuronal artificial (ANN). Por ejemplo, la estructura de aprendizaje profundo puede incluir una red neuronal profunda (DNN), tal como una red neuronal convolucional (CNN), una red neuronal recurrente (RNN) y una red de creencias profundas (DBN).

En referencia a la figura 7, la red neuronal artificial (ANN) puede incluir una capa de entrada, capas ocultas y una capa de salida. La red neuronal profunda (DNN) incluye una pluralidad de capas ocultas. Cada capa incluye una pluralidad de nodos y cada capa está relacionada con la siguiente. Los nodos pueden estar conectados entre sí mientras tienen coeficientes de ponderación.

La salida de un nodo arbitrario que pertenece a una primera capa oculta (capa oculta 1) se convierte en entrada para al menos un nodo que pertenece a una segunda capa oculta (capa oculta 2). En este momento, la entrada a cada nodo puede ser un valor obtenido al aplicar un coeficiente de ponderación a la salida de un nodo de la capa anterior. Un coeficiente de ponderación puede significar fuerza de conexión entre nodos. El proceso de aprendizaje profundo puede ser un proceso de descubrimiento de un coeficiente de ponderación apropiado.

Se describirá un conocido proceso de reconocimiento facial para comprender mejor el aprendizaje profundo. Un ordenador puede distinguir entre píxeles brillantes y píxeles oscuros dependiendo del brillo de los píxeles, puede distinguir entre formas simples, tales como contornos y bordes, y puede distinguir entre formas complicadas y objetos de una imagen de entrada. Finalmente, el ordenador puede captar una forma que prescribe el rostro de un ser humano. La materialización de dicha característica (prescripción de la forma facial del ser humano) se obtiene finalmente de la capa de salida a través de una pluralidad de capas ocultas.

La memoria 76 puede almacenar datos de entrada para detectar el peso de la ropa sucia y datos necesarios para entrenar la red neuronal profunda (DNN). La memoria 76 puede almacenar datos de velocidad del motor adquiridos por el conjunto de detección y/o datos de velocidad en el estado de ser añadidos o procesados mediante un período predeterminado. Además, la memoria 76 puede almacenar coeficientes de ponderación y sesgos que constituyen una estructura de red neuronal profunda (DNN).

Como alternativa, en algunas realizaciones, los coeficientes de ponderación y los sesgos que constituyen la estructura de la red neuronal profunda pueden almacenarse en una memoria incorporada en el módulo de reconocimiento 62 del peso de la ropa sucia/la calidad de la ropa sucia.

Mientras tanto, el módulo de aprendizaje 61 del peso de la ropa sucia/la calidad de la ropa sucia puede realizar el aprendizaje usando el valor de corriente actual detectado por el conjunto de detección de corriente 75 como datos de entrenamiento. Es decir, siempre que se reconozca o determine el peso de la ropa sucia y/o la calidad de la ropa sucia, el módulo de aprendizaje 61 de peso de la ropa sucia/calidad de la ropa sucia puede añadir el resultado de la determinación a la base de datos con el fin de actualizar la estructura de la red neuronal profunda (DNN), tal como coeficientes de ponderación o sesgos. Como alternativa, después de que los datos de entrenamiento estén asegurados un número predeterminado de veces, el procedimiento de aprendizaje puede realizarse usando los datos de entrenamiento asegurados para actualizar la estructura de la red neuronal profunda (DNN), tal como los coeficientes de ponderación.

El aparato de tratamiento de ropa sucia puede transmitir datos sobre la corriente actual adquiridos por el conjunto de detección de corriente 75 a un servidor (no mostrado) conectado a una red de comunicación a través del conjunto de comunicación 73, y puede recibir datos relacionados con el aprendizaje automático desde el servidor. En este caso, el aparato de tratamiento de ropa sucia puede actualizar la red neuronal artificial basándose en los datos relacionados con el aprendizaje automático recibidos desde el servidor.

La figura 9(a) es un gráfico que muestra el valor de corriente actual detectado por el conjunto de detección de corriente y la figura 9(b) es un gráfico que muestra valores promedio obtenidos procesando un filtro de promedio móvil. La figura 10 es un gráfico que muestra valores de corriente detectados por el conjunto de detección de corriente. La figura 11 es un gráfico que muestra valores obtenidos procesando los valores de corriente del gráfico mostrado en la figura 9 para ser usados como datos de entrada de la red neuronal artificial. La figura 12 es un diagrama de flujo que muestra un procedimiento de control del aparato de tratamiento de ropa sucia según la realización de la presente invención. En lo sucesivo, se describirá el procedimiento de control del aparato de tratamiento de ropa sucia según la realización de la presente invención con referencia a las figuras 9 to 12.

El controlador 60 realiza el control de modo que el motor 9 gire a una velocidad diana predeterminada (S1, S2, S4 y S5). Durante la rotación del motor 9, la velocidad de rotación de la cuba de lavado 4 (o el motor 9) es detectada por el conjunto de detección de velocidad 74 (S2).

La velocidad diana puede establecerse como una velocidad de rotación de la cuba de lavado 4 a la que el estado en el que la ropa sucia se adhiere al tambor 42 se puede mantener cuando la cuba de lavado 4 se hace girar continuamente una o más revoluciones en una dirección mientras se mantiene la velocidad diana. La velocidad diana puede ser de 60 a 80 rpm, preferiblemente 80 rpm. Preferiblemente, en el estado anterior a que la velocidad de rotación de la cuba de lavado 4 alcance la velocidad diana, la ropa sucia se mueve en el tambor 42 (es decir, la ropa sucia se eleva a una altura predeterminada y luego se deja caer mediante la rotación del tambor 42).

Mientras tanto, la velocidad diana puede establecerse basándose en el estado en el que se suministra agua a la cuba de almacenamiento de agua 3 y, por tanto, una parte de la cuba de lavado 4 se sumerge en el agua. Es decir, la ropa sucia puede moverse cuando la cuba de lavado 4 gira a la velocidad diana en el estado en el que una parte de la cuba de lavado 4 está sumergida en el agua. En otras palabras, durante la rotación de la cuba de lavado 4, la ropa sucia no se adhiere constantemente al tambor 42 sino que puede elevarse a una altura predeterminada y, a continuación, dejarse caer.

Los valores de corriente actual usados para determinar el peso de la ropa sucia y la calidad de la ropa sucia incluyen valores adoptados en un período en el que la ropa sucia se mueve durante la rotación de la cuba de lavado 4. Es decir, el controlador 60 puede adoptar los valores de corriente actual que son necesarios basándose en la velocidad de rotación de la cuba de lavado 4 (o la velocidad de rotación del motor 9) detectada por el conjunto de detección de velocidad 74.

Específicamente, el controlador 60 ordena al conjunto de accionamiento del motor 71 que acelere el motor 9 y, cuando la velocidad de rotación detectada por el conjunto de detección de velocidad 74 alcanza una primera velocidad de rotación predeterminada V1, puede almacenar el valor de corriente actual de ese momento en la memoria 76 (S3 y S4).

Cuando la cuba de lavado 4 está en un estado detenido, la fuerza aplicada a la ropa sucia incluye la gravedad y la fuerza normal generada por la superficie interna del tambor 42, y estas dos fuerzas están en equilibrio. Cuando se hace girar la cuba de lavado 4, la fuerza de los elevadores 20 en la dirección de rotación de la cuba de lavado 4 se aplica a la ropa sucia.

Mientras tanto, en el caso de que el peso de la ropa sucia sea grande, la fuerza de los elevadores 20 puede no aplicarse directamente a parte de la ropa sucia. En el caso en el que la velocidad de rotación de la cuba de lavado 4 sea igual o menor que una velocidad predeterminada, parte de la ropa sucia puede no moverse aunque la cuba de lavado 4 se esté haciendo girar. Como alternativa, incluso en el caso en el que las cubetas de lavado 4, en las que se recibe ropa sucia que tiene el mismo peso y está hecha del mismo material, se hacen girar a la misma velocidad, la ropa sucia se puede mover de manera diferente debido a diversos factores, tales como la posición de la ropa sucia en la cuba de lavado 4.

Es decir, en la fase inicial de un período de aceleración del motor 9, diversos factores, tales como la posición de la ropa sucia en la cuba de lavado 4, pueden reflejarse excesivamente en el valor de corriente aplicado al motor 9, además del peso de la ropa sucia y la calidad de la ropa sucia. La primera velocidad de rotación V1 puede significar la velocidad predeterminada.

Preferiblemente, por lo tanto, el valor de corriente inicial en el período de aceleración se excluye como datos de entrada para determinar el peso de la ropa sucia y la calidad de la ropa sucia. El valor de corriente hasta que la velocidad de rotación V del motor 9 alcanza la primera velocidad de rotación V1 no puede usarse como datos de entrada, y el valor de corriente detectado después de que la velocidad de rotación V del motor 9 alcanza la primera velocidad de rotación V1 puede usarse como datos de entrada.

La primera velocidad de rotación V1 puede ser menor que una segunda velocidad de rotación V2, y puede ser una velocidad de rotación a la que se mueve la ropa sucia en la cuba de lavado 4. La primera velocidad de rotación V1 puede ser de 10 a 20 rpm. En el caso de que la cuba de lavado 4 se haga girar a una velocidad inferior a 10 rpm, la ropa sucia puede no moverse en la cuba de lavado 4. La ropa sucia en la cuba de lavado 4 comienza a moverse cuando la velocidad de rotación de la cuba de lavado 4 es de aproximadamente 10 rpm, y se mueve en la cuba de lavado 4 independientemente del peso de la ropa sucia cuando la velocidad de rotación V de la cuba de lavado 4 alcanza 20 rpm. En esta realización, la primera velocidad de rotación se establece en 20 rpm.

Cuando la velocidad de rotación V de la cuba de lavado 4 alcanza la segunda velocidad de rotación predeterminada V2, el controlador 60 puede no almacenar más el valor de corriente actual y puede procesar el valor de corriente actual (S5 y S6). Aquí, la segunda velocidad de rotación V2 es la velocidad diana.

Mientras tanto, el gradiente de aceleración desde la primera velocidad de rotación V1 hasta la segunda velocidad de rotación V2 puede ser uniforme. Preferiblemente, el gradiente de aceleración se mantiene uniforme para mejorar la confiabilidad al detectar un cambio en el patrón de corriente.

El gradiente de aceleración no debe ser demasiado alto de modo que se exhiba claramente un cambio en el movimiento de la ropa sucia en la cuba de lavado 4. El gradiente de aceleración es, preferiblemente, de 1,5 a 2,5 rpm/s, más preferiblemente de 2,0 rpm/s. Sin embargo, la presente invención no se limita a ello. El gradiente de aceleración puede tener un valor lo más pequeño posible dentro de un intervalo controlable por el controlador 60.

Como se muestra en la figura 6, el procesamiento del valor de corriente actual es un proceso de procesamiento de los valores de corriente Iq obtenidos en puntos de tiempo predeterminados según un algoritmo predeterminado para generar datos de entrada In1, In2, In3, In4 ... de la capa de entrada de la red neuronal artificial (S6).

Este proceso puede incluir una etapa de obtener el promedio de los valores de corriente actual Iq y una etapa de procesar los valores promedio obtenidos según una regla de análisis predeterminada para generar datos de entrada de la red neuronal artificial. En particular, el número de datos de entrada procesados según la regla de análisis es menor que el número de valores promedio.

En referencia a la figura 8, el controlador 60 puede adquirir valores de corriente a intervalos de tiempo predeterminados a través del conjunto de detección de corriente 75. En esta realización, se obtienen un total de 545 valores de corriente actual a intervalos de tiempo predeterminados en un período en el que la velocidad de rotación de la cuba de lavado 4 se acelera desde la primera velocidad de rotación V1 hasta la segunda velocidad de rotación V2.

El controlador 60 puede promediar los valores de corriente actual así obtenidos en cada período de tiempo predeterminado. En este momento, el controlador 60 puede usar un filtro de promedio móvil. El promedio móvil es obtener un promedio mientras se cambia un período de modo que se pueda ver un cambio. Por ejemplo, suponiendo que los valores de corriente actual son Iq1, Iq2, Iq3... Iqn en una secuencia de serie temporal, Iq 1 a Iql (l<n) se promedian para obtener M1, y Iqm (m>1) a Iqm s-1 (siendo s el número de Iq usado para obtener cada promedio móvil) son promediado para obtener M2. De esta forma, se pueden obtener promedios móviles mientras se cambia continuamente un período.

En el caso de que se establezcan apropiadamente periodos de tiempo en los que se obtiene el promedio móvil, el número de valores de promedio móvil M1, M2 ... puede ser menor que el número de valores de corriente actual totales Iq. Sin embargo, a medida que aumenta la duración de un período de tiempo (ventana), se reduce la resolución de un cambio en la corriente actual. Por lo tanto, es necesario seleccionar adecuadamente la duración del período de tiempo. En esta realización, el controlador 60 obtiene 50 promedios móviles a partir de 545 valores de corriente Iq usando el filtro de promedio móvil.

El controlador 60 puede procesar los valores de corriente actual y los promedios móviles según la regla de análisis predeterminada para generar datos de entrada In1, In2, In3, In4 ... La regla de análisis puede configurarse para seleccionar un período en el que se obtienen los datos de entrada finales de modo que las características (peso de la ropa sucia/calidad de la ropa sucia) que se van a obtener se exhiben bien.

En esta realización, se generan un total de 14 datos de entrada, y los datos de entrada incluyen 9 valores de corriente DATOS1 a DATOS9 obtenidos en la fase inicial de aceleración del motor 9 (16° a 24° valores de corriente actual) y cinco valores promedio DATOS10 a DATA14 en períodos posteriores divididos según una condición predeterminada. En particular, los cinco valores promedio se obtienen basándose en los promedios móviles obtenidos previamente, por lo que es posible procesar la operación más rápidamente que sumando los valores de corriente actual en períodos respectivos. Mientras tanto, los datos de entrada In1, In2, In3, In4 ... In14 así obtenidos se convierten en los valores de entrada de los respectivos nodos de la capa de entrada.

Los coeficientes de ponderación y sesgos asignados a los nodos que constituyen la red neuronal artificial se establecen a través de aprendizaje automático. Dicho aprendizaje automático se repite basándose en un patrón de corriente o de valores de corriente actual. Además, dado que las características sobre el peso de la ropa sucia y/o la calidad de la ropa sucia se reflejan en el patrón de corriente (o el valor de corriente actual) como se describió anteriormente, el aprendizaje automático se puede realizar en datos que se almacenan previamente o se añaden mediante funcionamiento del aparato de tratamiento de ropa sucia hasta que se obtenga un resultado exacto (es decir, peso y calidad exactos de la ropa sucia introducida en la cuba de lavado 4), por lo que es posible establecer coeficientes de ponderación y sesgos mejorados o exactos.

En la red de inteligencia artificial construida como se describió anteriormente, la información sobre el peso de la ropa sucia y la calidad de la ropa sucia puede reflejarse en la salida de la capa de salida, y el controlador 60 puede determinar el peso de la ropa sucia y/o la calidad de la ropa sucia basándose en un nodo que genera el valor más grande, entre los nodos de la capa de salida.

El controlador 60 puede introducir los datos de entrada generados en la etapa S6 en la red neuronal artificial para obtener el peso de la ropa sucia y/o la calidad de la ropa sucia a partir de la salida de la capa de salida (S7). Posteriormente, el controlador 60 puede establecer un algoritmo de lavado basándose en el peso de la ropa sucia y/o la calidad de la ropa sucia obtenida en la etapa S7, y puede controlar el funcionamiento (marcha) del aparato de tratamiento de la ropa sucia según el algoritmo de lavado establecido (S8). El algoritmo de lavado puede incluir un nivel de suministro de agua, tiempo de lavado, tiempo de aclarado, tiempo de centrifugado y secado, y un patrón de accionamiento del motor en cada ciclo (por ejemplo, velocidad de rotación, tiempo de rotación, aceleración y frenado).

La figura 13 es un gráfico que muestra los patrones de corriente mediante carga en el estado de superposición entre sí. La figura 14 es un gráfico que muestra la clasificación de los patrones de corriente correspondientes a la carga de 0 a 6 kg en la figura 13. La figura 15 es un gráfico que muestra la clasificación de los patrones de corriente correspondientes a la carga de 7 a 9 kg en la figura 13. A continuación, se dará una descripción con referencia a las figuras 13 a 15. P0 a P9 que se muestran en estas figuras indican un peso de carga (peso de la ropa sucia) de 0 a 9 kg.

La ropa sucia puede quedar constreñida por la puerta 2. Este fenómeno puede ocurrir en el caso de que se introduzca un gran peso de ropa sucia en la cuba de lavado 4, por lo que la ropa sucia entra en estrecho contacto o interfiere con la puerta 2. La constricción de la ropa sucia afecta a la carga aplicada al motor 9. En el proceso de determinar el peso de la ropa sucia y/o la calidad de la ropa sucia, por lo tanto, es preferible excluir el valor de corriente actual obtenido mientras la cuba de lavado 4 se hace girar (o se acelera) en el estado en el que la ropa sucia está constreñida.

En referencia a las figuras 14 y 15, los patrones de corriente P0 a P6 cuando el peso de la carga es de 0 a 6 kg y los patrones de corriente P7 a P9 cuando el peso de la carga es de 7 a 9 kg son bastante diferentes entre sí. Es decir, en el caso de un gran peso de ropa sucia (en esta realización, de 7 a 9 kg), se puede ver que el valor de corriente actual aumenta y disminuye (o fluctúa) periódicamente en la fase inicial de aceleración de la cuba de lavado 4. La razón de esto es que, cuando parte de la ropa sucia está constreñida por la puerta 2 y la cuba de lavado 4 interfiere con la ropa sucia constreñida, la carga del motor 9 aumenta y que, cuando la interferencia se debilita o se elimina, la carga del motor 9 se reduce. Es decir, se produce un cambio en la carga del motor 9 debido a la constricción de la ropa sucia en respuesta al ciclo de rotación de la cuba de lavado 4.

Dicho patrón de cambio de carga puede aprenderse a través de aprendizaje automático, y el resultado del aprendizaje puede almacenarse en la memoria 76 en forma de una base de datos. Se puede construir una red neuronal artificial usando el resultado del aprendizaje. El controlador 60 puede determinar la constricción de la ropa sucia (o la captura de la ropa sucia) a través de la salida de la capa de salida basándose en la red neuronal artificial así construida.

Aunque la descripción anterior se ha realizado a modo de ejemplo basándose en un aparato de tratamiento de ropa sucia de tipo de carga frontal, en el que la cuba de lavado 4 gira alrededor de un eje sustancialmente horizontal, el aparato de tratamiento de ropa sucia según la presente invención y el procedimiento de control del mismo se puede aplicar a un aparato de tratamiento de lavado de ropa sucia del tipo de carga superior.

Mientras tanto, el procedimiento de controlar el aparato de tratamiento de ropa sucia según la realización de la presente invención puede implementarse como un código que puede escribirse en un medio de grabación legible por un procesador y, por lo tanto, ser leído por un procesador. El medio de grabación legible por un procesador puede ser cualquier tipo de dispositivo de grabación en el que se almacenan datos de una manera legible por un procesador. El medio de grabación legible por un procesador puede incluir, por ejemplo, memoria de solo lectura (ROM), memoria de acceso aleatorio (RAM), memoria de solo lectura de disco compacto (CD-ROM), cinta magnética, un disquete y un dispositivo óptico de almacenamiento de datos, y puede implementarse en forma de onda portadora transmitida a través de Internet. Además, el medio de grabación legible por un procesador puede distribuirse en una pluralidad de sistemas informáticos conectados a una red, de modo que se escriba en él código legible por un procesador y se ejecute a partir de él de manera descentralizada.

Como se desprende de la descripción anterior, el aparato de tratamiento de ropa sucia según la presente invención y el procedimiento de control del mismo son capaces de establecer el gradiente de aceleración de una cuba de lavado a un valor relativamente pequeño de 1,5 a 2,5 rpm/s cuando se hace girar la cuba de lavado mientras se acelera la cuba de lavado para detectar el peso de la ropa sucia/la calidad de la ropa sucia, de modo que las características de movimiento de la ropa sucia por peso de la ropa sucia o por calidad de la ropa sucia se muestren claramente durante el proceso anterior. En consecuencia, las características de movimiento de la ropa sucia por el peso de la ropa sucia o por la calidad de la ropa sucia pueden reflejarse minuciosamente en un patrón de corriente de un motor durante la aceleración de la cuba de lavado. Además, los datos del patrón de corriente pueden introducirse en una red neuronal artificial basándose en aprendizaje automático, por lo que es posible captar con exactitud información sobre la ropa sucia, tal como el peso de la ropa sucia o la calidad de la ropa sucia.

En particular, la clasificación de la ropa sucia por característica es posible basándose en diversos criterios, tales como el material de la ropa sucia, el contenido de agua de la ropa sucia, la diferencia volumétrica entre la ropa sucia seca y la ropa sucia húmeda, además del peso de la ropa sucia. Además, la exactitud puede mejorarse aún más con la acumulación de datos de entrenamiento (datos de corriente del motor) de aprendizaje automático.

Será evidente que, aunque las realizaciones preferidas se han mostrado y descrito anteriormente, la presente invención no se limita a las realizaciones específicas descritas anteriormente, y los expertos en la técnica pueden realizar diversas modificaciones y variaciones sin apartarse del alcance de las reclamaciones adjuntas.

Claims (14)

REIVINDICACIONES

1. Un aparato de tratamiento de ropa sucia, que comprende:

una cuba de lavado (4) configurada para recibir ropa sucia, estando configurada la cuba de lavado para ser giratoria;

un motor (9) configurado para hacer girar la cuba de lavado (4); un controlador (60) configurado para controlar el motor de modo que la cuba de lavado se acelere a una velocidad diana predeterminada a un gradiente de aceleración de 1,5 a 2,5 rpm/s dentro de un intervalo en el que la ropa sucia se mueve con relación a la cuba de lavado; y

una unidad de detección de corriente (75) configurada para detectar la corriente del motor,

en el que el controlador (60) está configurado para obtener datos correspondientes a al menos uno del peso de la ropa sucia o la calidad de la ropa sucia a partir de la salida de una capa de salida de una red neuronal artificial previamente entrenada basándose en el aprendizaje automático, usando datos relacionados con al menos un valor de corriente o un valor promedio de múltiples valores de corriente detectados por la unidad de detección de corriente (75) mientras se acelera la cuba de lavado como entrada a una capa de entrada de la red neuronal artificial.

2. El aparato de tratamiento de ropa sucia según la reivindicación 1, en el que el gradiente de aceleración es 2,0 rpm/s.

3. El aparato de tratamiento de ropa sucia según la reivindicación 1 o 2, en el que el gradiente de aceleración es un valor mínimo controlable por el controlador.

4. El aparato de tratamiento de ropa sucia según cualquiera de las reivindicaciones 1 a 3, en el que el gradiente de aceleración se mantiene en un valor uniforme hasta que el motor se acelera a la velocidad diana.

5. El aparato de tratamiento de ropa sucia según cualquiera de las reivindicaciones 1 a 4, en el que el controlador (75) está configurado para determinar la constricción de la ropa sucia basándose en la salida de la capa de salida.

6. El aparato de tratamiento de ropa sucia según cualquiera de las reivindicaciones 1 a 5, en el que, cuando a la cuba de lavado (4) se le hace girar una o más revoluciones en una dirección en una velocidad de rotación de la cuba de lavado en la que se obtiene el valor de corriente, la ropa sucia ubicada en el lado más bajo de la cuba de lavado se eleva a una altura predeterminada mediante la rotación de la cuba de lavado y a continuación se deja caer mientras se separa de la cuba de lavado.

7. El aparato de tratamiento de ropa sucia según cualquiera de las reivindicaciones 1 a 6, que comprende además:

una unidad de detección de velocidad (74) configurada para detectar una o más velocidades de rotación del motor (9), en el que

el controlador (60) está configurado para seleccionar uno o más valores de corriente correspondientes a un período durante el cual la velocidad de rotación del motor se acelera desde una primera velocidad de rotación hasta la velocidad diana, entre los valores de corriente obtenidos por la unidad de detección de corriente (75), basándose en los uno o más valores de velocidad detectados por la unidad de detección de velocidad (74) y para usar datos relacionados con los uno o más valores de corriente seleccionados como datos de entrada.

8. El aparato de tratamiento de ropa sucia según la reivindicación 7, en el que la velocidad diana es de 60 a 80 rpm.

9. El aparato de tratamiento de ropa sucia según la reivindicación 7 u 8, en el que la primera velocidad de rotación es de 10 a 20 rpm.

10. Un procedimiento de control de un aparato de tratamiento de ropa sucia, comprendiendo el procedimiento:

(a) acelerar (S1) una cuba de lavado que tiene ropa sucia introducida en ella hasta una velocidad diana predeterminada a un gradiente de aceleración de 1,5 a 2,5 rpm/s dentro de un intervalo en el que la ropa sucia se mueve con relación a la cuba de lavado;

(b) obtener (S4) al menos un valor de corriente de un motor configurado para hacer girar la cuba de lavado mientras se acelera el tubo de lavado; y

(c) obtener (S7) datos correspondientes a al menos uno del peso de la ropa sucia o la calidad de la ropa sucia a partir de la salida de una capa de salida de una red neuronal artificial previamente entrenada basándose en el aprendizaje automático, usando datos relacionados con el al menos un valor de corriente o un valor promedio de múltiples valores de corriente como entrada a una capa de entrada de la red neuronal artificial.

11. El procedimiento según la reivindicación 10, en el que el gradiente de aceleración es 2,0 rpm/s.

12. El procedimiento según la reivindicación 10 u 11, en el que el gradiente de aceleración es un valor mínimo controlable por un controlador.

13. El procedimiento según cualquiera de las reivindicaciones 10 a 12, en el que el gradiente de aceleración se mantiene en un valor uniforme hasta que el motor se acelera a la velocidad diana.

14. El procedimiento según cualquiera de las reivindicaciones 10 a 13, que comprende además determinar la constricción de la ropa sucia basándose en la salida de la capa de salida.