KR101841248B1

KR101841248B1 - 세탁물 처리기기 및 그 제어방법

Info

Publication number: KR101841248B1
Application number: KR1020160125760A
Authority: KR
Inventors: 최우현; 박윤식; 권배근
Original assignee: 엘지전자 주식회사
Priority date: 2016-09-29
Filing date: 2016-09-29
Publication date: 2018-03-22

Abstract

본 발명의 일 측면에 따른 세탁물 처리기기는, 포가 투입되어 회전하는 세탁조, 세탁조를 회전시키는 모터, 기설정된 목표 속도까지 모터를 가속시키도록 제어하는 제어부, 및, 모터의 속도를 감지하는 센서를 포함하는 센싱부를 포함하고, 제어부는, 목표 속도에 도달하는 시점까지 센싱부에서 감지되는 속도 데이터를 머신 러닝(machine learning)으로 기학습된 인공신경망(Artificial Neural Network)의 입력 데이터로 사용하여 포량을 감지함으로써, 포량을 정확하고 빠르게 감지할 수 있다.

Description

세탁물 처리기기 및 그 제어방법{Washing machine and method for controlling the same}

본 발명은 세탁물 처리기기 및 그 동작 방법에 관한 것이다. 더욱 상세하게는 본 발명은 머신 러닝(machine learning) 기반의 포량 감지를 수행하는 세탁물 처리기기 및 그 동작 방법에 관한 것이다.

일반적으로, 세탁물 처리기기는 세탁, 탈수 및/또는 건조 등의 여러 작용을 통해 세탁물을 처리하는 장치이다.

세탁물 처리기기는 세탁물이 잠기도록 물을 공급하고, 적당량의 세제를 세탁수에 용해시켜 세탁물에 묻은 때를 제거하는 장치이다.

이러한 세탁물 처리기기는 세제의 유화작용과, 세탁조 또는 세탁날개의 회전에 의해 발생하는 수류작용 및 세탁날개가 가하는 기계력을 이용하여 의류나 침구 등의 세탁물을 세탁하는 세탁물 처리기기와, 열풍이나 냉풍을 가하여 세탁물을 건조시키는 건조기, 스팀을 가하여 의류의 주름을 제거하는 리프레셔(refresher) 등이 있으며, 건조 겸용 세탁물 처리기기와 같이 여러 기능을 복합적으로 제공하는 것도 있다.

세탁물 처리기기는 세탁물을 오염을 제어하기 위한 과정으로, 세탁행정, 헹굼행정, 탈수행정을 수행한다. 세탁물 처리기기는 세탁 과정에서, 탈수행정뿐 아니라, 세탁과 헹굼 행정 중에도 탈수를 수행하여, 세탁물에 포함되는 물을 제거하게 된다.

탈수동작은 모터가 고속으로 회전동작함에 따라, 내부에서 세탁물에 대하여 원심력이 작용함에 따라, 세탁물 내부의 물이 세탁물로부터 제거되는 원리이다.

이러한 탈수 동작은, 모터가 고속으로 회전하는 만큼, 세탁물의 양(포량)과 세탁물의 엉킴에 의해 영향을 받게 된다. 세탁물이 많을수록, 고속회전이 어렵고, 많은 세탁물이 엉켜 어느 일측으로 치우치면 언밸런스로 인하여, 고속회전에 의해 세탁물 처리기기가 손상되는 문제가 발생하게 된다.

따라서 세탁물 처리기기는 탈수 수행 전, 세탁물의 양을 정확하게 판단하여 세탁물의 양에 따라 탈수의 회전속도를 조절한다.

종래 기술 1(공개특허공보 10-2006-0061319호)은 모터 속도를 일정 회전수까지 가속 후, 등속 제어를 하면서 얻어지는 편심값, DC전압, 모터토크값 정보들을 아래 수식을 이용하여 계산하여 포량을 감지하는 방법에 대해서 개시하고 있다.

포량값 = 정속구간 전류량의 평균 + DC전압보상값 - 편심보상값 + a

(a=실험을 통해 획득한 상수)

DC전압보상값 = (DC 전압검지값-b) x t

(b=실험상수, t는 정속구간동안의 시간)

편심보상값 = 정속구간에서의 편심값 x d

(d=실험상수)

종래 기술 1은, 포량값을 추정하는데 사용되는 상수가 많고, 대부분 실험값들이기 때문에 전문가의 설정이 필요로 하며 설정값이 정확하지 않아 포량 감지의 정확도를 높이는데 한계가 있다.

또한, 종래 기술 1은, 포량 감지 정확도를 향상시키기 위해서는 설정값들(실험상수)을 정확히 찾아야 하며, 이를 찾는데 많은 시간이 소요될 수 있다.

종래 기술 2(공개특허공보 특1999-0065538호)는 기설정된 속도로 모터를 가속하면서 가속에 소요된 시간과 상기 설정된 속도로 모터를 회전하면서 모터 회전속도 변화량을 측정하여 포량을 감지하는 방법에 대해서 개시하고 있다.

종래 기술 2는, 측정한 시간과 모터 회전 속도 변화값을 기설정된 포량감지 비교값과 비교하여 포량의 많고 적음을 감지하는데, 단순히 값의 크고 작음을 비교하여 포량을 비교한다.

따라서, 종래 기술 2는 단순히 포량의 많고 적음의 정도만 구별 가능하기 때문에 다양한 종류의 포량을 정밀 감지하는데 한계가 발생한다.

또한, 종래 기술 2도, 비교를 위해 사람이 설정 값을 미리 모두 찾는 번거로움이 발생할 수 있다.

세탁물의 양을 정확하게 측정하지 못하는 경우, 고속으로 동작하는 탈수동작을 수행하는데 많은 시간이 소요되므로, 전체 세탁시간이 증가하고, 그에 따른 에너지 소비량이 증가하는 문제점이 있다.

따라서, 세탁물의 양을 정확하게 감지하는 방법에 대한 다양한 연구가 진행되고 있다.

한편, 최근에는 인공지능과 딥러닝 등 머신 러닝에 관한 관심이 크게 증가하고 있다.

종래의 머신 러닝은 통계학 기반의 분류, 회귀, 군집 모델이 중심이었다. 특히, 분류, 회귀 모델의 지도 학습에서는 학습 데이터의 특성과 이러한 특성을 기반으로 새로운 데이터를 구별하는 학습 모델을 사람이 사전에 정의했다. 이와 달리, 딥러닝은 컴퓨터가 스스로 특성을 찾아내고 판별하는 것이다.

딥러닝의 발전을 가속화한 요인 중 하나로 오픈소스로 제공되는 딥러닝 프레임워크를 들 수 있다. 예를 들어, 딥러닝 프레임워크로는 캐나다 몬트리올 대학교의 시아노(Theano), 미국 뉴욕 대학교의 토치(Torch), 캘리포니아 버클리 대학교의 카페(Caffe), 구글의 텐서플로우(TensorFlow) 등이 있다.

딥러닝 프레임워크들의 공개에 따라, 효과적인 학습 및 인식을 위해, 딥러닝 알고리즘 외에 학습 과정, 학습 방법, 학습에 시용하는 데이터의 추출 및 선정이 더욱 중요해지고 있다.

또한, 인공지능과 머신 러닝을 다양한 제품, 서비스에 이용하기 위한 연구가 증가하고 있다.

1. 공개특허공보 10-2006-0061319호 (공개일자 2006. 6. 7.) 2. 공개특허공보 특1999-0065538호 (공개일자 1999. 8. 5.)

본 발명의 목적은, 세탁물의 양(포량)을 빠르고 정확하게 감지할 수 있어, 신뢰성 높은 세탁물 처리기기 및 그 제어방법을 제공함에 있다.

본 발명의 목적은, 감지된 포량을 이용하여 소음진동, 세탁시간, 에너지 소모를 감소시킬 수 있는 세탁물 처리기기 및 그 제어방법을 제공함에 있다.

본 발명의 목적은, 머신 러닝에 기반하여 세탁물의 양(포량)을 빠르고 정확하게 감지할 수 있는 세탁물 처리기기 및 그 제어방법을 제공함에 있다.

본 발명의 목적은, 효율적으로 머신 러닝을 수행할 수 있고, 포량 감지에 사용할 수 있는 데이터를 추출하는 세탁물 처리기기 및 그 제어방법을 제공함에 있다.

상기 또는 다른 목적을 달성하기 위해 본 발명의 일 측면에 따른 세탁물 처리기기는, 포가 투입되어 회전하는 세탁조, 세탁조를 회전시키는 모터, 기설정된 목표 속도까지 모터를 가속시키도록 제어하는 제어부, 및, 모터의 속도를 감지하는 센서를 포함하는 센싱부를 포함하고, 제어부는, 목표 속도에 도달하는 시점까지 센싱부에서 감지되는 속도 데이터를 머신 러닝(machine learning)으로 기학습된 인공신경망(Artificial Neural Network)의 입력 데이터로 사용하여 포량을 감지함으로써, 포량을 정확하고 빠르게 감지할 수 있다.

상기 또는 다른 목적을 달성하기 위해 본 발명의 일 측면에 따른 포가 투입되어 회전하는 세탁조와 세탁조를 회전시키는 모터를 포함하는 세탁물 처리기기의 제어방법은, 기설정된 목표 속도까지 모터를 가속시키는 단계, 센싱부가 모터의 속도를 감지하는 단계, 및, 목표 속도에 도달하는 시점까지 상기 센싱부에서 감지되는 속도 데이터를 머신 러닝(machine learning)으로 기학습된 인공신경망의 입력 데이터로 사용하여 포량을 감지하는 단계를 포함할 수 있다.

본 발명의 실시 예들 중 적어도 하나에 의하면, 세탁물의 양(포량)을 빠르고 정확하게 감지할 수 있어, 신뢰성 높은 세탁물 처리기기 및 그 제어방법을 제공할 수 있다.

또한, 본 발명의 실시 예들 중 적어도 하나에 의하면, 감지된 포량을 이용하여 소음진동, 세탁시간, 에너지 소모를 감소시킬 수 있다.

또한, 본 발명의 실시 예들 중 적어도 하나에 의하면, 머신 러닝에 기반하여 세탁물의 양(포량)을 빠르고 정확하게 감지할 수 있는 세탁물 처리기기 및 그 제어방법을 제공할 수 있다.

또한, 본 발명의 실시 예들 중 적어도 하나에 의하면, 효율적으로 머신 러닝을 수행할 수 있고, 포량 감지에 사용할 수 있는 데이터를 추출할 수 있다.

한편, 그 외의 다양한 효과는 후술될 본 발명의 실시 예에 따른 상세한 설명에서 직접적 또는 암시적으로 개시될 것이다.

도 1은 본 발명의 일 실시 예에 따른 세탁물 처리기기가 도시된 사시도이다.
도 2는 본 발명의 일 실시 예에 따른 세탁물 처리기기의 내부 블록도이다.
도 3과 도 4는 딥러닝(Deep Learning)에 대한 설명에 참조되는 도면이다.
도 5는 본 발명의 일 실시 예에 따른 서버의 간략한 내부 블록도의 일예이다.
도 6은 본 발명의 일 실시 예에 따른 세탁물 처리기기와 서버의 제어방법에 관한 설명에 참조되는 도면이다.
도 7은 본 발명의 일 실시 예에 따른 세탁물 처리기기의 주요 구성에 대한 블록도이다.
도 8은 본 발명의 일 실시 예에 따른 세탁물 처리기기의 제어방법을 도시한 순서도이다.
도 9는 포량별 시간에 따른 모터 속도 변화 패턴을 예시한 도면이다.
도 10 내지 도 13은 본 발명의 실시 예에 따른 포량 인식에 관한 설명에 참조되는 도면이다.
도 14는 본 발명의 일 실시 예에 따른 세탁물 처리기기의 제어방법을 도시한 순서도이다.
도 15는 본 발명의 실시 예에 따른 포량 인식에 관한 설명에 참조되는 도면이다.
도 16은 본 발명의 일 실시 예에 따른 포량 감지 인식률을 종래의 방법과 비교한 실험 결과를 나타내는 도면이다.
도 17은 본 발명의 일 실시 예에 따른 세탁물 처리기기와 서버의 제어방법을 도시한 순서도이다.
도 18은 본 발명의 일 실시 예로 세탁물 처리기기가 도시된 사시도이다.
도 19는 본 발명의 일 실시 예에 따른 세탁물 처리기기의 제1 세탁부 및 제2 세탁부의 구성이 도시된 블록도이다.

이하에서는 첨부한 도면을 참조하여 본 발명의 실시 예를 상세하게 설명한다. 그러나 본 발명이 이러한 실시 예에 한정되는 것은 아니며 다양한 형태로 변형될 수 있음은 물론이다.

도면에서는 본 발명을 명확하고 간략하게 설명하기 위하여 설명과 관계 없는 부분의 도시를 생략하였으며, 명세서 전체를 통하여 동일 또는 극히 유사한 부분에 대해서는 동일한 도면 참조부호를 사용한다.

한편, 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 단순히 본 명세서 작성의 용이함만이 고려되어 부여되는 것으로서, 그 자체로 특별히 중요한 의미 또는 역할을 부여하는 것은 아니다. 따라서, 상기 "모듈" 및 "부"는 서로 혼용되어 사용될 수도 있다.

도 1은 본 발명의 일 실시 예에 따른 세탁물 처리기기가 도시된 사시도이고, 도 2는 본 발명의 일 실시 예에 따른 세탁물 처리기기의 내부 블록도이다.

도 1과 도 2를 참조하면, 캐비닛(111)은 세탁물 처리기기(100)의 외관을 형성하는 것으로, 캐비닛(111) 내부에는 물이 담기는 터브(미도시)가 배치된다. 상기 터브의 내부에는 세탁물이 수용되는 드럼(세탁조, 122)이 회전 가능하게 구비될 수 있다.

세탁물 처리기기(100)는, 캐비닛(111)과, 캐비닛(111) 내부에 배치되며 물이 담기는 터브(미도시), 세탁물을 수용할 수 있고 회전가능하게 구비되는 드럼(122)과, 드럼(122)을 구동시키는 모터(미도시)와, 터브에 세탁수를 공급하는 세탁수 공급장치(미도시)와, 세정이 끝난 후에 세탁수를 외부로 배출하는 배수장치(미도시)를 포함할 수 있다.

캐비닛(111)은, 캐비닛 본체(112)와, 캐비닛 본체(112)의 전면에 배치되어 결합하는 캐비닛 커버(113)와, 캐비닛 커버(113) 상측에 배치되며 세탁물 처리기기(100)의 운전을 제어하는 컨트롤패널(116)과, 컨트롤패널(116) 상측에 배치되며 캐비닛 본체(112)와 결합하는 탑 플레이트(115)를 포함할 수 있다.

한편, 캐비닛 커버(113)는 세탁물이 출입하는 홀(미도시)과, 홀을 개폐 가능하도록 회동하는 도어(114)를 포함할 수 있다.

컨트롤패널(116)은, 세탁물 처리기기(100)의 운전을 조작하는 복수의 조작키(117)를 포함하는 입력부(125)가 컨트롤패널(116)에 배치되고, 세탁물 처리기기(100)의 운전 상태를 신호음으로 출력하는 오디오출력부(160)와, 운전 상태를 문자, 숫자, 특수기호, 이미지 등으로 표시하는 표시부(118)를 포함할 수 있다.

상기 입력부(125)는 조작키가 키, 버튼, 스위치, 로터리스위치, 터치입력수단과 같은 형태로 누름, 접촉, 압력, 회전 등에 의해 일정 신호를 인가하는 입력수단으로 구성될 수 있다.

오디오출력부(160)로부터 출력되는 오디오는 컨트롤패널(116)의 배면에 형성되는 소리유로 또는 소리안내부를 통해 조작부(117)의 키가 형성된 부분의 틈을 통해 외부로 방출될 수 있다.

또한, 별도의 출력홀(119)이 구비되는 경우 출력홀(119)을 통해 오디오출력부(160)로부터 출력되는 음이 외부로 방출될 수 있다.

한편, 도 1은 세탁물 처리기기(100)의 일예를 도시한 것으로 본 발명은 이에한정되지 않는다.

예를 들어, 세탁물 처리기기(100)는 프론트로드(Front Load) 또는 탑로드(Top Load) 방식으로 구현될 수 있다.

또한, 세탁물 처리기기(100)는 세탁 기능과 건조 기능을 함께 제공하는 건조 겸용 세탁물 처리기기일 수도 있다.

도 2를 참조하면, 본 발명의 일 실시 예에 따른 세탁물 처리기기(100)는, 세탁물 처리기기(100)의 전반적인 동작을 제어하는 제어부(140), 및, 상기 제어부(140)의 제어에 따라 세탁물 처리기기 내의 부하들을 구동하는 부하 구동부(180)를 포함할 수 있다.

상기 제어부(140)는 세탁, 헹굼, 탈수 및 건조의 일련의 세탁과정을 제어할 수 있다.

상기 제어부(140)는 미리 설정되어 있는 알고리즘에 따라, 세탁, 헹굼, 행정을 진행할 수 있고, 상기 부하 구동부(180)는 상기 제어부(140)의 제어에 따라, 모터, 급수밸브, 배수밸브 등의 부하를 구동시킬 수 있다.

부하 구동부(180)는 제어부(140)로부터 인가되는 제어신호에 대응하여, 세탁물 처리기기(100)가 설정된 동작을 수행하도록 그 구동을 제어할 수 있다. 그에 따라 세탁물 처리기기(100)는 세탁행정, 헹굼행정, 탈수행정과 같은 일련의 행정을 수행하여 세탁물의 오염을 제거하게 된다.

한편, 부하 구동부(180)는 모터로 동작제어신호를 인가하는 모터 구동부(도 7의 181)를 포함할 수 있다.

예를 들어, 세탁물 처리기기의 경우, 부하 구동부(180)는 세탁조(또는 드럼)가 회전하여 세탁물의 오물이 제거되도록, 세탁조(또는 드럼)를 회전시키는 모터를 구동하고 그 동작을 제어한다. 또한, 제어부(140)의 제어명령에 대응하여, 급수 또는 배수가 수행되도록 밸브를 제어하게 된다.

도 2를 참조하면, 세탁물 처리기기(100)는, 세탁 과정에서 다양한 테이터를 감지하는 센싱부(150)를 포함할 수 있다.

한편, 센싱부(150)는 온도, 압력, 전압, 전류, 수위, 회전수, 속도 등을 감지하는 감지수단을 적어도 하나 포함하여, 감지 또는 측정되는 데이터를 제어부(140)로 인가할 수 있다. 예를 들어, 센싱부(150)는 세탁조(또는 드럼)의 회전속도 등을 감지할 수 있다.

도 2를 참조하면, 세탁물 처리기기(100)는 입력부(125), 표시부(118), 메모리(145), 오디오출력부(160), 외부 기기와 통신 연결되도록 하나 이상의 통신 모듈을 구비하는 통신부(170)를 더 포함할 수 있다.

입력부(125)는 사용자 조작에 의해 소정의 신호 또는 데이터를 세탁물 처리기기(100)로 입력하는 입력수단이 적어도 하나 구비되며, 조작부(117)를 포함할 수 있다.

조작부(117)는 세탁물 처리기기(100)의 동작에 따라, 세탁 코스, 각종 설정과 같은 데이터를 입력받아 제어부(140)로 인가한다.

이때, 조작부(117)를 포함하는 입력부(125)는 버튼, 돔 스위치(dome switch), 터치 패드(정압/정전), 조그 휠, 조그 스위치, 핑거 마우스, 로터리 스위치, 조그 다이얼 등으로 구성될 수 있으며, 누름, 회전, 압력, 접촉 등의 조작에 의해 소정의 입력데이터를 발생하는 장치라면 어느 것이나 적용 가능하다.

오디오출력부(160)는 제어부(140)의 제어명령에 의해 동작이 온/오프 되며, 오디오 신호를 출력할 수 있다.

이때, 오디오출력부(160)는 스피커, 버저 등과 같이 소리를 출력하는 수단을 포함할 수 있다,

표시부(118)는 제어부(140)의 제어명령에 대응하여, 입력부(125) 및 조작부(117)에 의해 입력되는 정보, 세탁물 처리기기(100)의 동작상태 정보, 동작완료 등에 따른 정보를 화면에 표시할 수 있다. 또한, 오동작시 오동작에 관한 고장정보를 화면에 표시한다.

표시부(118)는 세탁설정 및 동작상태를 문자, 이미지, 아이콘, 특수문자 중 적어도 하나의 조합으로 화면에 표시하고, 동작상태에 따른 각종 알림을 표시할 수 있다.

메모리(145)에는 세탁물 처리기기(100)의 동작제어를 위한 제어 데이터, 입력되는 세탁설정 데이터, 세탁설정에 따라 산출되는 세탁시간 데이터, 세탁 코스에 대한 데이터, 세탁물 처리기기의 에러 발생 여부를 판단하기 위한 데이터가 저장될 수 있다.

또한, 메모리(145)에는 세탁물 처리기기(100) 동작 중 센싱부(150)를 통해 감지 또는 측정되는 데이터와, 통신부(170)를 통해 송수신되는 데이터가 저장될 수 있다.

한편, 세탁물 처리기기(100)는 데이터를 임시 저장하는 버퍼를 포함할 수 있고, 상기 버퍼는 제어부(140) 또는 메모리(145)에 포함될 수 있다.

제어부(140)는 통신부(170)를 통해 수신된 각종 데이터를 처리하여 메모리 (145)를 갱신할 수 있다. 예를 들어, 통신부(170)를 통해 입력된 데이터가 메모리(145)에 기저장된 운전 프로그램에 대한 업데이트 데이터인 경우에는 이를 이용하여 메모리(145)에 업데이트시키고, 입력된 데이터가 신규한 운전 프로그램인 경우에는 메모리(145)에 이를 추가로 저장시킬 수 있다.

제어부(140)는 세탁물 처리기기(100)로 입력되거나 출력되는 데이터의 흐름을 제어하고, 센싱부(150)로부터 입력된 데이터에 기초하여 제어명령을 생성하여 인가할 수 있다.

본 발명의 일 실시 예에 따른 세탁물 처리기기(100)는, 머신 러닝(machine learning) 기반의 포량 감지를 수행할 수 있다.

본 발명의 일 실시 예에 따른 세탁물 처리기기(100)는, 포가 투입되어 회전하는 세탁조, 상기 세탁조를 회전시키는 모터, 기설정된 목표 속도까지 상기 모터를 가속시키도록 제어하는 제어부(140) 및 상기 모터의 속도를 감지하는 센서를 포함하는 센싱부(150)를 포함할 수 있다.

여기서, 상기 제어부(140)는, 상기 목표 속도에 도달하는 시점까지 상기 센싱부(150)에서 감지되는 속도 데이터를 머신 러닝(machine learning)으로 기학습된 인공신경망(Artificial Neural Network)의 입력 데이터로 사용하여 포량을 감지할 수 있다.

상기 제어부(140)는, 센싱부(150) 등에서 감지되는 데이터 등 입력 데이터가 있으면 머신 러닝(machine learning)으로 기학습된 데이터에 기반하여 포량 레벨을 인식하는 포량 인식 모듈(141)을 포함할 수 있다.

포량 감지는 실제 세탁조 안의 포를 무게 및 종류에 따라 기설정된 복수의 포량 레벨(Level)로 분류하는 작업으로, 특히, 탈수행정 진입에 있어 중요한 요소이다.

상기 포량 인식 모듈(141)은 센싱부(150)가 감지하는 모터의 현재 속도 데이터 패턴을 기저장된 데이터와 비교하여 복수의 포량 레벨 중 하나로 판정하여 출력할 수 있다.

상기 포량 인식 모듈(141)은 머신 러닝(machine learning)으로 기학습된 인공신경망(Artificial Neural Networks: ANN)이 탑재되어, 포량 인식 과정을 수행할 수 있다.

예를 들어, 포량의 레벨을 7개의 레벨, 제1 내지 제7 레벨 중 어느 하나의 레벨로 인식하도록 설정된 경우에, 상기 포량 인식 모듈(141)은 센싱부(150)가 감지하는 모터의 현재 속도 데이터 패턴을 인공신경망(ANN)의 입력 데이터로 사용하여 포량을 감지하고, 제1 내지 제7 레벨 중 어느 하나를 감지 결과 포량 레벨로 출력할 수 있다.

머신 러닝은 컴퓨터에게 사람이 직접 로직(Logic)을 지시하지 않아도 데이터를 통해 컴퓨터가 학습을 하고 이를 통해 컴퓨터가 알아서 문제를 해결하게 하는 것을 의미한다.

딥러닝(Deep Learning)은. 인공지능을 구성하기 위한 인공신경망(ANN)에 기반으로 해 컴퓨터에게 사람의 사고방식을 가르치는 방법으로 사람이 가르치지 않아도 컴퓨터가 스스로 사람처럼 학습할 수 있는 인공지능 기술이다.

상기 인공신경망(ANN)은 소프트웨어 형태로 구현되거나 칩(chip) 등 하드웨어 형태로 구현될 수 있다.

포량 인식 모듈(141)은 포량을 소정 기준에 따라 복수의 포량 레벨을 구분하여 인식하도록 학습된 소프트웨어 또는 하드웨어 형태의 인공신경망(ANN)을 포함할 수 있다.

예를 들어, 포량 인식 모듈(141)은 딥러닝(Deep Learning)으로 학습된 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등 심층신경망(Deep Neural Network: DNN)을 포함할 수 있다.

포량 인식 모듈(141)은 입력되는 속도 데이터를 입력 데이터로 하여 상기 심층신경망(DNN)에 포함된 노드들 사이의 가중치(weight)들에 기초하여 세탁물 처리기기(100)에 투입된 포량을 판별할 수 있다.

도 3과 도 4는 딥러닝(Deep Learning)에 대한 설명에 참조되는 도면이다.

머신 러닝(Machine Learning)의 일종인 딥러닝(Deep Learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습하는 것이다.

딥러닝(Deep learning)은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝(Machine Learning) 알고리즘의 집합을 나타낼 수 있다.

딥러닝 구조는 인공신경망(ANN)를 포함할 수 있으며, 예를 들어 딥러닝 구조는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등 심층신경망(DNN)으로 구성될 수 있다

도 3을 참조하면, 인공신경망(ANN)은 입력 레이어(Input Layer), 히든 레이어(Hiddent Layer), 및 출력 레이어(Output Layer)를 포함할 수 있다. 각 레이어는 복수의 노드들을 포함하고, 각 레이어는 다음 레이어와 연결된다. 인접한 레이어 사이의 노드들은 웨이트(weight)를 가지고 서로 연결될 수 있다.

도 4를 참조하면, 컴퓨터(머신)는 투입된 입력 데이터(410)로부터 일정한 패턴을 발견해 특징맵(Feature Map)을 형성한다. 컴퓨터(머신)는 하위레벨 특징(420)부터, 중간레벨 특징(430), 상위레벨 특징(440)까지 추출하여, 대상을 인식하고 그 결과를 출력(450)할 수 있다.

인공신경망은 다음 순서의 레이어로 갈수록 더욱 상위레벨의 특징으로 추상화할 수 있다.

도 3과 도 4를 참조하면, 각 노드들은 활성화 모델에 기초하여 동작할 수 있고, 활성화 모델에 따라 입력값에 대응하는 출력값이 결정될 수 있다.

임의의 노드, 예를 들어, 하위레벨 특징(420)의 출력값은 해당 노드와 연결된 다음 레이어, 예를 들어, 중간레벨 특징(430)의 노드로 입력될 수 있다. 다음 레이어의 노드, 예를 들어, 중간레벨 특징(430)의 노드는 하위레벨 특징(420)의 복수의 노드로부터 출력되는 값들을 입력받을 수 있다.

이때, 각 노드의 입력값은 이전 레이어의 노드의 출력값에 웨이트(weight)가 적용된 값일 수 있다. 웨이트(weight)는 노드간의 연결 강도를 의미할 수 있다.

또한, 딥러닝 과정은 적절한 웨이트(weight)를 찾아내는 과정으로도 볼 수 있다.

한편, 임의의 노드, 예를 들어, 중간레벨 특징(430)의 출력값은 해당 노드와 연결된 다음 레이어, 예를 들어, 상위레벨 특징(440)의 노드로 입력될 수 있다. 다음 레이어의 노드, 예를 들어, 상위레벨 특징(440)의 노드는 중간레벨 특징(430)의 복수의 노드로부터 출력되는 값들을 입력받을 수 있다.

인공신경망은 각 레벨에 대응하는 학습된 레이어(layer)를 이용하여, 각 레벨에 대응하는 특징 정보를 추출할 수 있다. 인공신경망은 순차적으로 추상화하여, 가장 상위 레벨의 특징 정보를 활용하여 소정 대상을 인식할 수 있다.

예를 들어, 딥러닝에 의한 얼굴인식 과정을 살펴보면, 컴퓨터는 입력 영상으로부터, 픽셀의 밝기에 따라 밝은 픽셀과 어두운 픽셀을 구분하고, 테두리, 에지 등 단순한 형태를 구분한 후, 조금 더 복잡한 형태와 사물을 구분할 수 있다. 최종적으로 컴퓨터는 인간의 얼굴을 규정하는 형태를 파악할 수 있다.

본 발명에 따른 딥러닝 구조는 공지된 다양한 구조를 이용할 수 있다. 예를 들어, 본 발명에 따른 딥러닝 구조는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등일 수 있다.

RNN(Recurrent Neural Network)은, 자연어 처리 등에 많이 이용되고 있으며, 시간의 흐름에 따라 변하는 시계열 데이터(Time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아올려 인공신경망 구조를 구성할 수 있다.

DBN(Deep Belief Network)은 딥러닝 기법인 RBM(Restricted Boltzman Machine)을 다층으로 쌓아 구성되는 딥러닝 구조이다. RBM(Restricted Boltzman Machine) 학습을 반복하여, 일정 수의 레이어가 되면 해당 개수의 레이어를 가지는 DBN(Deep Belief Network)를 구성할 수 있다.

CNN(Convolutional Neural Network)은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델이다.

한편, 인공신경망의 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(Back Propagation) 등의 방법이 사용될 수 있다.

한편, 메모리(145)에는 포량 감지를 위한 입력 데이터, 상기 심층신경망(DNN)을 학습하기 위한 데이터가 저장될 수 있다.

메모리(145)에는 센싱부(150)가 획득하는 모터 속도 데이터 및/또는 속도 데이터들이 소정 구간별로 합산되거나 연산 처리된 데이터들이 저장될 수 있다.

또한, 실시 예에 따라서는, 메모리(145)에는 상기 심층신경망(DNN) 구조를 이루는 웨이트(weight), 바이어스(bias)들이 저장될 수 있다.

또는, 실시 예에 따라서는, 상기 심층신경망 구조를 이루는 웨이트(weight), 바이어스(bias)들은 상기 포량 인식 모듈(141)의 임베디드 메모리(embedded memory)에 저장될 수 있다.

한편, 상기 포량 인식 모듈(141)은 상기 센싱부(150)가 모터의 1회 구동으로 속도 데이터를 획득할 때마다 상기 감지된 속도 데이터를 트레이닝(training) 데이터로 사용하여 학습 과정을 수행하거나, 소정 개수 이상의 속도 데이터가 획득된 후 학습 과정을 수행할 수 있다.

즉, 상기 포량 인식 모듈(141)은 포량을 인식, 판별할 때마다 감지 결과를 추가하여 웨이트(weight) 등 심층신경망(DNN) 구조를 업데이트(update)하거나, 소정 횟수의 트레이닝 데이터가 확보된 후에 확보된 트레이닝 데이터로 학습 과정을 수행하여 웨이트(weight) 등 심층신경망(DNN) 구조를 업데이트할 수 있다.

또는, 세탁물 처리기기(100)는 통신부(170)를 통하여 상기 센싱부(150)에서 획된 속도 데이터를 소정 서버로 전송하고, 상기 소정 서버로부터 머신 러닝과 관련된 데이터를 수신할 수 있다.

이 경우에, 세탁물 처리기기(100)는, 상기 소정 서버로부터 수신된 머신 러닝과 관련된 데이터에 기초하여 포량 인식 모듈(141)을 업데이트(update)할 수 있다.

도 5는 본 발명의 일 실시 예에 따른 서버의 간략한 내부 블록도의 일예이다.

도 5를 참조하면, 서버(50)는, 통신부(520), 저장부(530), 학습모듈(540), 및 프로세서(510)를 구비할 수 있다.

프로세서(510)는, 서버(50)의 전반적인 동작을 제어할 수 있다.

한편, 서버(50)는, 상기 세탁물 처리기기(100) 등 홈 어플라이언스 제조사가 운영하는 서버 또는 서비스 제공자가 운영하는 서버일 수 있고, 일종의 클라우드(Cloud) 서버일 수 있다.

통신부(520)는, 휴대 단말기, 세탁물 처리기기(100) 등 홈 어플라이언스, 게이트웨이 등으로부터 상태 정보, 동작 정보, 조작 정보 등 각종 데이터를 수신할 수 있다.

그리고 통신부(520)는 수신되는 각종 정보에 대응하는 데이터를 휴대 단말기, 세탁물 처리기기(100) 등 홈 어플라이언스, 게이트웨이 등으로 송신할 수 있다.

이를 위해, 통신부(520)는 인터넷 모듈, 이동 통신 모듈 등 하나 이상의 통신 모듈을 구비할 수 있다.

저장부(530)는, 수신되는 정보를 저장하고, 이에 대응하는 결과 정보 생성을 위한 데이터를 구비할 수 있다.

또한, 저장부(530)는, 머신 러닝에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.

학습모듈(540)은 상기 세탁물 처리기기(100) 등 홈 어플라이언스의 학습기 역할을 수행할 수 있다.

상기 학습모듈(540)에는 인공신경망, 예를 들어, CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등 심층신경망(Deep Neural Network: DNN)을 포함될 수 있고, 심층신경망을 학습할 수 있다.

상기 학습모듈(540)의 학습 방법으로는 자율학습(unsupervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다.

한편, 상기 프로세서(510)는 설정에 따라 학습 후 상기 세탁물 처리기기(100) 등 홈 어플라이언스의 인공신경망 구조를 학습된 인공신경망 구조로 업데이트시키도록 제어할 수 있다.

도 6은 본 발명의 일 실시 예에 따른 세탁물 처리기기와 서버의 제어방법에 관한 설명에 참조되는 도면이다.

도 6을 참조하면, 세탁물 처리기기(100)의 포량 인식 모듈(141)에는 심층신경망(DNN) 구조(141a)가 탑재될 수 있다.

기학습된 심층신경망(DNN) 구조(141a)는 인식용 입력 데이터를 입력받고, 입력 데이터로부터 포량을 인식하여, 그 결과를 출력할 수 있다.

심층신경망(DNN) 구조(141a)가 인식하지 못하는 데이터(unknown data)는 메모리(145) 또는 포량 인식 모듈(141) 내의 자체 저장공간(141b)에 저장될 수 있다.

한편, 포량 인식 모듈(141)이 인식하지 못하는 데이터(unknown data)는 통신부(170)를 통하여 서버(50)로 전송될 수 있다. 또한, 포량 인식 모듈(141)이 인식에 성공한 데이터도 서버(50)로 전송될 수 있다.

서버(50)는 학습된 웨이트(weight)들의 구성을 생성할 수 있고, 서버(50)는 심층신경망(DNN) 구조를 트레이닝(training) 데이터를 사용하여 학습할 수 있다.

서버(50)는 수신한 데이터에 기초하여, 심층신경망(DNN)을 학습시킨 후, 업데이트된 심층신경망(DNN) 구조 데이터를 세탁물 처리기기(100)로 전송하여 업데이트하게 할 수 있다.

도 7은 본 발명의 일 실시 예에 따른 세탁물 처리기기의 주요 구성에 대한 블록도이다.

도 7을 참조하면, 본 발명의 일 실시 예에 따른 세탁물 처리기기는, 세탁 행정 제어 알고리즘을 포함하는 제어부(140), 제어부(140)로부터 수신하는 목표 모터 속도(request-rpm; rrpm)와 유지시간을 입력으로 하여 드럼(세탁조)의 속도를 제어하는 모터 구동부(181), 모터 구동부(181)의 전류값을 통해 드럼(세탁조)에 토크를 전달하여 세탁조를 회전시키는 모터(185), 상기 모터(185)의 속도를 감지하는 센싱부(150)를 포함할 수 있다.

상기 제어부(140)의 제어 동작에 의해, 모터 구동부(181)가 제어되며, 모터 구동부(181)는 모터(185)를 구동하게 된다. 세탁조는 모터(185)의 구동에 의해 회전할 수 있다.

모터 구동부(181)는, 모터(185)를 구동시키기 위한 것으로, 인버터(미도시), 및 인버터 제어부(미도시)를 포함할 수 있다. 또한, 모터 구동부(181)는, 인버터에 입력되는 직류 전원을 공급하는, 컨버터 등을 더 포함하는 개념일 수 있다.

예를 들어, 인버터 제어부(미도시)가 펄스폭 변조(PWM) 방식의 스위칭 제어 신호를 인버터(미도시)로 출력하면, 인버터(미도시)는 고속 스위칭 동작을 하여, 소정 주파수의 교류 전원을 모터(185)에 공급할 수 있다.

상기 센싱부(150)는, 모터(185)가 목표 속도(rrpm)에 도달하기까지 감지되는 현재 모터 속도(current-rpm; crpm) 데이터를 제어부(140)로 전달한다.

제어부(140)는 수신하는 현재 모터 속도 데이터를 입력 데이터로 이용하여 포량을 감지하게 된다.

도 8은 본 발명의 일 실시 예에 따른 세탁물 처리기기의 제어방법을 도시한 순서도이다.

도 7과 도 8을 참조하면, 제어부(140)는 기설정된 목표 속도(rrpm)까지 모터(185)를 가속시키도록 제어할 수 있다(S810).

예를 들어, 모터 구동부(181)는 상기 제어부(140)의 제어에 따라 모터(185)를 기설정된 목표 속도(rrpm)까지 가속 구동할 수 있다.

상기 모터(185)의 구동에 따라, 포가 투입되어 회전하는 세탁조(드럼)가 회전하게 된다.

한편, 센싱부(150)는, 상기 모터(185)의 속도를 감지할 수 있고, 상기 모터(185)의 속도 변화를 모니터링(monitoring)할 수 있다(S820).

상기 모터(185)의 속도가 상기 목표 속도(rrpm)에 도달하면(S830), 상기 제어부(140)는, 상기 모터(185)의 속도가 상기 목표 속도(rrpm)에 도달할 때까지의 가속 구간에서 획득된 데이터를 입력 데이터로 이용하여 머신 러닝(machine learning) 기반의 포량 감지 과정을 수행할 수 있다(S850).

즉, 상기 제어부(140)는, 상기 목표 속도(rrpm)에 도달하는 시점까지 상기 센싱부(150)에서 감지되는 속도 데이터를 머신 러닝으로 기학습된 인공신경망(Artificial Neural Network)의 입력 데이터로 사용하여 포량을 감지할 수 있다(S850).

예를 들어, 제어부(140)의 포량 인식 모듈(도 2의 141)에는 딥러닝 심층신경망(DNN) 구조 중 하나로 DBN(Deep Belief Network)이 탑재되고, 기학습된 DBN은 입력 데이터에 포함된 상기 목표 속도(rrpm)에 도달하는 시점까지 상기 센싱부(150)에서 감지되는 속도 데이터의 패턴과 크기에 기초하여 포량을 인식하여 그 결과를 출력할 수 있다.

도 9는 포량별 시간에 따른 모터 속도 변화 패턴을 예시한 도면이다.

도 9는 각각 포량 감지 시행을 할 경우에 검출되는 포량 종류(레벨)별 시간에 따른 현재 모터 속도(crpm) 변화 패턴을 도시한 것으로, 포량 레벨이 높을수록 무거운 포량을 의미한다.

도 9를 참조하면, 각 레벨별 현재 모터 속도는 목표 모터 속도(rrpm)까지 도달하는 동안의 패턴이 서로 상이함을 확인할 수 있다.

이러한 시간에 따른 현재 모터 속도의 패턴을 DBN(Deep Belief Network) 등 인공신경망이 학습하여 포량 감지에 활용하게 된다.

도 9를 참조하면, 가벼울수록 목표 모터 속도에 빠르게 도달하는 것을 확인할 수 있으며, 반대로 무거울수록 천천히 도달하는 것은 관찰할 수 있다.

또한, 목표 속도 도달 이후 각 포량별 현재 모터 속도(crpm)는 하락하는데, 무거운 포량일수록 큰 관성으로 인해 목표 속도 도달 이후 변화 속도가 큰 것을 확인할 수 있다.

따라서, 실시 예에 따라서는 가속 구간 외에 감속 구간에서 획득되는 모터 속도 모니터링 데이터도 포량 인식의 입력 데이터로 사용할 수 있다.

즉, 제어부(140)는, 상기 목표 속도(rrpm)를 소정 시간 유지하다가 감속하도록 제어하고, 상기 목표 속도(rrpm)를 유지하는 구간과 감속하는 구간에서 상기 센싱부(150)에서 감지되는 속도 데이터 중 적어도 일부도 머신 러닝(machine learning)으로 기학습된 인공신경망의 입력 데이터로 사용하여 포량을 감지할 수 있다.

하지만, 세탁물 처리기기(100)에 구비되는 시스템 자원에는 한계가 존재하므로 정확성을 희생하지 않는 범위에서 데이터량을 간소화하는 것이 바람직하다. 따라서, 가속 구간에서 획득되는 속도 데이터를 사용하여 포량을 인식하는 것이 시스템 구성 비용 및 처리 속도 면에서 더욱 바람직하다.

또한, 입력 및 처리 데이터의 간소화를 위하여, 센싱부(150)에서 감지되는 속도 데이터(ccpm) 모두를 그대로 입력 데이터로 사용하지 않고, 소정 연산 처리 후에 입력 데이터로 사용할 수 있다.

예를 들어, 제어부(140)는, 상기 목표 속도(rrpm)에 도달하는 시점까지 상기 센싱부(150)에서 감지되는 속도 데이터를 복수의 시간구간으로 구분하고, 상기 구분된 복수의 시간구간에서의 속도 데이터들 중 적어도 일부를 상기 입력 데이터로 사용할 수 있다.

또한, 제어부(140)는, 상기 구분된 복수의 시간구간에서의 속도 데이터들을 시간구간(윈도우)별로 합산(sum)할 수 있고(S840), 구간별로 합산된 데이터를 상기 입력 데이터로 사용할 수 있다.

도 10 내지 도 13은 본 발명의 실시 예에 따른 포량 인식에 관한 설명에 참조되는 도면이다.

도 10과 도 11은, 시간구간(윈도우)별 현재 모터 속도 누적(합산) 방법과 인공신경망 적용에 대한 도면이다.

도 10을 참조하면, 포량 감지 시행 구간 동안 검출한 현재 모터 속도(crpm)를 동일한 시간간격으로 나누어 구간별 누적(합산)을 통해 시간 흐름에 따른 현재 모터 속도 변화를 수치화할 수 있다.

한편, 시간구간(윈도우) 길이가 길수록 현재 모터 속도의 변화량에 대한 해상도(resolution)가 낮아지기 때문에 적절한 윈도우 길이를 선택해야 한다.

따라서, 도 10에서 예시된 것과 같이 시간구간(윈도우) 길이를 10으로 설정할 수 있으나, 더욱 바람직하게는 시간구간(윈도우) 길이는 포량 감지 성능 95% 이상을 고려하여 4 이하의 길이로 설정할 수 있다. 이 경우에, 현재 모터 속도값의 차원은 60개일 수 있다. 여기서, 차원은 입력 데이터의 개수를 의미하며, 시간에 따른 현재 모터 속도를 계측하는 본 발명에서는 시간 단위로 계측된 60개의 현재 모터 속도값을 사용할 수 있다.

한편, 각 윈도우 별로 누적된 현재 모터 속도값들(crpm w1 내지 w4)을 딥러닝 인공신경망의 입력(crpm w1 내지 w4)으로 두고 인공 신경망 계산을 통해 해당 모터 속도 패턴이 어떠한 포량인지 결정하게 된다.

도 11을 참조하면, 인공신경망(ANN)은, 입력 레이어(Input Layer), 히든 레이어(Hiddent Layer), 및 출력 레이어(Output Layer), 3종류의 층으로 구성된다.

입력 레이어는 현재 모터 속도의 차원(crpm w1 내지 w4)으로 구성된다.

히든 레이어의 구조는 포량의 종류 및 각 포량 레벨들의 현재 모터 속도 데이터의 복잡도를 기반으로 포량 감지 성능을 통해 결정하게 된다.

출력 레이어는 각 포량 레벨 수와 동일하며, 새로 입력된 모터 속도 패턴이 어떤 포량인지를 나타내는 확률 값들이 각 출력 노드에 저장되고, 가장 큰 값을 가지는 노드가 해당 모터 속도 패턴의 포량으로 결정된다.

도 10과 도 11에서 도시된 실시예는 7 레벨(level)의 포에 대한 현재 모터 속도 데이터(Current-RPM: CRPM)의 시간적 변화 패턴을 DNN에 학습시켜 포량 레벨을 분류한다. 따라서, 출력 레이어가 7 레벨의 포량에 대응하여 7개의 노드로 구성된다.

종래의 포량 감지 방법의 경우 단순 경사도의 기울기 합을 이용하였지만, 본 발명은 DNN은 시간에 따른 CRPM 변화 패턴을 특징으로 사용한다.

또한, 임베디드 환경의 제한된 자원 때문에 계산 경량화, 딥러닝 입력 차원 축소 및 DNN 네트워크 구조 간소화를 위하여 속도 데이터들을 복수의 시간구간으로 나누고 복수의 시간구간별로 합산하여 이용할 수 있다.

도 12는 포량 인식기의 구성도를 예시한 것으로, 학습 과정과 인식과정으로 나눠진다.

한편, 상기 포량 인식기는 포량 인식 모듈(141) 및/또는 서버(50)의 학습 모듈(540)일 수 있다.

도 12를 참조하면, 각 포량 종류(레벨) 별로 포량 감지 시행 중 검출되는 현재 모터 속도 값들을 수집하여 포량 별 현재 모터 속도 데이터베이스(DB)를 구축하고, 시간구간(윈도우) 누적 계산(1220) 후 포량 감지 인공 신경망 학습(1230)을 통해 신경망의 파라미터(parameter)들(가중치(weight)와 편향(bias))을 추정하여 모델을 구할 수 있다(점선 흐름).

실시예에 따라서는, 상기 포량 별 현재 모터 속도 데이터베이스(DB)는 세탁물 처리기기(100) 내의 메모리부(145), 서버(50)의 저장부(530)에 저장되거나 포량 인식기에 구비되는 임베디드 메모리에 저장될 수 있다.

학습된 모델 파라미터를 이용하여 모터의 구동시 감지되어 새로 입력되는 윈도우 누적 현재 모터 속도값(1210)이 어떤 포량(레벨)인지 감지(1240)할 수 있다(실선 흐름).

본 발명의 일 실시 예에 따르면, 상기 모터 가속 단계(S810), 상기 모터 속도 감지 단계(S820), 상기 포량 감지 단계(S860) 등을 반복적으로 수행할 수 있다.

즉, 1회의 포량 감지 결과를 최종 포량 감지 결과로 사용할 수 있지만, N회의 포량 감지를 수행하고(S860), N개의 포량 감지 결과에 기초하여 최종 포량 감지 결과를 판별함으로써, 포량 감지 결과의 정확도를 더욱 향상시킬 수 있다(S870).

한편, 제어부(140)는, 상기 세탁조의 회전, 상기 모터의 가속, 상기 포량 감지 과정을 반복적으로 수행하도록 제어하고, 반복적으로 수행된 복수의 포량 감지 결과의 빈도수(frequency)에 기초하여 최종 포량을 판별할 수 있다.

즉, 다수의 딥러닝 기반 인공신경망의 포량감지 결과들의 최빈값(Frequency)을 이용하여 최종 포량 감지를 수행할 수 있다.

예를 들어, 포량 인식 모듈(141)은, 상기 복수의 포량 감지 결과에서, 가장 많은 빈도수를 가지는 감지 결과를 상기 세탁조의 투입된 세탁물의 양(포량)으로 판별할 수 있다. 즉, 복수의 감지 결과 중 가장 많이 판정된 포량을 최종 포량으로 선정할 수 있다.

또는 포량 인식 모듈(141)은, 신뢰값이 가장 높은 감지 결과를 최종 포량으로 판별할 수 있다. 즉, 복수의 감지 결과 중 가장 높은 신뢰값을 보이는 감지 결과에서 판정된 포량을 최종 포량으로 선정할 수 있다.

또는 포량 인식 모듈(141)은, 상기 복수의 포량 감지 결과의 평균값을 최종 포량으로 선정할 수 있다.

또는, 상기 제어부(140)는, 가장 많은 빈도수를 가지는 포량 감지 결과가 기준 횟수 이상이면 상기 가장 많은 빈도수를 가지는 포량 감지 결과를 상기 최종 포량으로 판별하고, 상기 기준 횟수 미만이면 상기 복수의 포량 감지 결과의 평균값을 상기 최종 포량으로 판별할 수 있다.

즉, 동일한 포량 감지 결과가 기준 횟수 이상 나오면 해당 결과를 신뢰하여 최종 포량으로 선택하고, 기준 횟수 미만이면 복수의 포량 감지 결과의 평균값을 상기 최종 포량으로 판별할 수 있다.

도 13은 총 5번의 포량 감지 시행 프로파일을 예시한다.

모터 구동부(181)는 제어부(140)에서 전달받은 목표 모터 속도와 유지시간을 이용하여 모터 속도를 가속하게 된다. 예를 들어, 목표 모터 속도(rrpm)은 46 rpm을 사용하고, 각 시행 별 모터 속도 유지시간은 약 2.4초 정도로 설정할 수 있다.

모터 구동부(181)는 상기 각 시행 별 모터 속도 유지시간 이후, 모터 속도를 감속하게 된다.

한편, 센싱부(150)는 각 시행 별 현재 모터 속도를 검출하여 제어부(140)로 전달하고, 제어부(140)는 센싱부(150)에서 획득한 데이터를 입력 데이터로 사용하여 총 5번의 포량 감지를 시행할 수 있다.

도 14는 본 발명의 일 실시 예에 따른 세탁물 처리기기의 제어방법을 도시한 순서도로, 도 13에서 예시된 것과 같이 총 5번의 포량 감지를 시행하여 최종적으로 포량을 판별하는 과정을 예시한다.

본 발명의 일 실시 예에 따르면, 포량 감지는 한번만 수행하는 것이 아니라 포량 감지 성능을 개선하기 위해 다수의 포량 감지 시행을 통해 최종 포량을 감지한다.

도 13과 도 14의 예에서는 총 5번의 포량 감지를 수행한다.

도 14를 참조하면, 먼저, 최초의 포량 감지를 시행하면서, 포량 감지 카운팅은 포량 감지 시행수를 1로 설정한다(S1410).

이후, 포량 감지 시행 횟수를 판별하는데(S1420), 최초의 포량 감지 시행에서는 5번의 시행횟수에 도달하지 않았으므로, 목표 모터 속도(rrpm)까지 모터를 가속한다(S1430).

각 포량 감지 과정에서는 제어부(140)의 제어에 따라 목표 모터 속도(rrpm)까지 모터를 가속하면서, 센싱부(150)는 모터의 현재 모터 속도(crpm)를 모니터링하면서 검출한다(S1430).

한편, 목표 모터 속도(rrpm)까지 모터가 가속되면(S1450), 검출된 현재 모터 속도(crpm)값들을 동일한 시간구간(윈도우 길이)으로 나눈 후, 각 윈도우별 현재 속도를 누적할 수 있다(S1460).

현재 모터 속도(crpm)값들을 시간구간별로 누적한 값들은 딥러닝 기반 포량 감지의 입력으로 전달되어, 딥러닝으로 학습된 인공신경망이 포량을 감지할 수 있다(S1470).

1회의 포량 감지가 끝나면 포량 감지 시행수를 1 증가시키고(S1480), 다시 포량 감지 시행 횟수를 판별할 수 있다(S1420).

상기 과정을 5번의 시행횟수에 도달할 때까지 반복할 수 있다.

한편, 본 실시 예에서는 딥러닝 포량 감지를 통해 나온 총 5개의 포량 감지 결과들을 활용하여 최종 포량을 판별한다.

예를 들어, 최종 포량 판별은 총 5번의 포량 감지 시행으로부터 감지 결과들의 최빈수를 확인하고(S1490), 해당 최빈수가 3 이상일 경우, 최빈 포량값을 최종으로 간주할 수 있다(S1491).

즉, 동일 포량이 3번 이상 감지되면, 해당 포량을 최종 포량으로 선정할 수 있다.

또한, 복수의 감지 결과들의 최빈수를 확인하여(S1490), 최빈수가 3 미만일 경우 전체 포량값의 평균을 취하여 최종 포량값으로 결정할 수 있다(S1492).

한편, 제어부(140)는, 상기 감지된 포량에 기초하여 세탁 행정, 탈수 행정을 제어할 수 있다(S1495). 즉, 본 발명은 딥러닝 기반 인공신경망으로부터 최종 결정된 포량 감지 결과를 세탁물 처리기기 행정 제어에 사용할 수 있다.

한편, 실시예에 따라서는 2이상의 목표 속도를 설정하여 이용할 수 있다.

도 15는 본 발명의 실시 예에 따른 포량 인식에 관한 설명에 참조되는 도면으로, 제1 목표 모터 속도와 상기 제1 목표 모터 속도보다 더 빠른 제2 목표 모터 속도를 이용하는 경우를 예시한 것이다.

도 15와 같이, 2회는 제1 목표 모터 속도까지 모터를 가속하면서 감지되는 속도 데이터를 인공신경망의 입력 데이터로 사용하고, 2회는 제1 목표 모터 속도까지 모터를 가속하면서 감지되는 속도 데이터를 인공신경망의 입력 데이터로 사용할 수 있다. 또한, 다시 추가적으로 소정 횟수의 제1 목표 모터 속도까지 모터를 가속하면서 감지되는 속도 데이터를 인공신경망의 입력 데이터로 사용할 수 있다.

또는 제1 목표 모터 속도까지 모터를 가속하면서 감지되는 데이터는 포량 감지의 입력 데이터로 사용하고, 제2 목표 모터 속도까지 모터를 가속하면서 감지되는 데이터는 편심량 감지의 입력 데이터로 사용할 수 있다.

도 16은 본 발명의 일 실시 예에 따른 포량 감지 인식률을 종래의 방법과 비교한 실험 결과를 나타내는 도면이다.

도 16은 실제 프런트로드(Front Load) 방식의 세탁물 처리기기에 딥러닝 기반 포량 감지 방법을 포팅 후, 포량 감지 시료테스트를 3,971번 수행한 결과를 나타낸다.

다수의 포량을 투입하면서 1~7 레벨별로 포량 감지 테스트를 진행한 결과, 본 발명의 실시 예에 따른 포량 감지 방법은 기존 포량 감지 알고리즘 대비 약 39%(59.08% -> 98.10%)의 포량 감지 성능 개선 결과를 보였다.

실시 예에 따라서는, 통신부(170)를 통하여, 포량 인식용 입력 데이터를 소정 서버로 전송할 수 있고, 상기 소정 서버로부터 머신 러닝과 관련된 데이터를 수신하여, 인공신경망을 업데이트(update)할 수 있다.

도 17은 본 발명의 일 실시 예에 따른 세탁물 처리기기와 서버의 제어방법을 도시한 순서도이다.

본 발명에 따른 세탁물 처리기기(100)의 포량 인식 모듈(141)에는 심층신경망(DNN) 구조가 탑재될 수 있다.

기학습된 심층신경망(DNN) 구조는 인식용 입력 데이터를 입력받고(S1710), 입력 데이터에 기초하여 포량을 감지하고, 그 결과를 출력할 수 있다(S1720).

한편, 포량 인식 모듈(141)이 인식하지 못하는 데이터(unknown data)는 통신부(170)를 통하여 서버(50)로 전송될 수 있다(S1730). 또한, 포량 인식 모듈(141)이 인식에 성공한 데이터도 서버(50)로 전송될 수 있다.

서버(50)는 학습된 웨이트(weight), 바이어스(bias)들의 구성을 생성할 수 있고, 서버(50)는 심층신경망(DNN) 구조를 트레이닝(training) 데이터를 사용하여 학습할 수 있다(S1740).

서버(50)는 수신한 데이터에 기초하여, 심층신경망(DNN)을 학습시킨 후(S1740), 업데이트된 심층신경망(DNN) 구조 데이터를 세탁물 처리기기(100)로 전송할 수 있다(S1750).

세탁물 처리기기(100)는 서버(50)로부터 수신한 데이터에 기초하여 심층신경망(DNN) 구조를 업데이트할 수 있다(S1760).

기존 포량 감지 기술은 전문가가 다수의 기설정된 문턱값(threshold)을 설정하고 이를 기반으로 포량을 감지하는 방법으로써 포량 감지 성능 향상에 한계가 있었다.

본 발명은 이를 해결하고자 새로운 알고리즘으로써 시간에 따라 변하는 모터 속도의 패턴을 분석하여 포량 감지에 활용할 수 있다.

세탁조(드럼)를 기설정된 속도(request-rpm; rrpm)로 회전시키면서 획득한 모터 속도의 시간에 따른 패턴은 세탁물의 무게, 즉 포량에 따라 서로 상이하다. 따라서, 포량에 따라 기설정된 속도(rrpm)까지 도달하는 시간 동안 현재 모터 속도(current-rpm; crpm)의 시간 패턴이 서로 다르므로 이러한 특성을 포량 감지 개선을 위한 특징으로 활용할 수 있다.

본 발명은, 다양한 포량으로부터 획득한 모터 속도의 패턴 특징값을 사람이 아닌 머신 러닝(machine learning) 기술 중 하나인 딥러닝 기반 인공신경망(ANN)을 통해 정밀하게 포량을 감지할 수 있다.

이에 따라, 최종적으로 사용자의 제품사용의 만족도를 향상시킬 수 있다.

또한. 본 발명은, 감지되는 현재 모터 속도(crpm) 데이터를 균등한 윈도우(window) 구간으로 나누고, 각 윈도우에 포함된 모터 현재 속도(crpm) 값들을 누적하여 각 윈도우 별 누적된 모터 속도 값들을 최종 특징으로 활용할 수 있다.

본 발명은, 윈도우 별 누적 현재 모터 속도(crpm)값들을 각 포량 별로 획득하고, 이를 딥러닝 기반 인공신경망의 학습 데이터베이스로 정의하고 인공신경망을 이루는 가중치(weight)와 편향(bias)을 학습(Learning)할 수 있다.

또한, 학습된 인공신경망의 가중치(weight)와 편향(bias)을 기반으로 새로 들어온 현재 모터 속도(crpm)값을 입력 데이터로 하여 최종 포량을 감지하고, 해당 포량 감지 결과를 추후 세탁행정 제어에 활용할 수 있다.

본 발명에 따르면, 포량 감지 성능이 향상되고, 동시에 포량에 따른 세탁/탈수시간을 정확히 추정 할 수 있다.

또한, 본 발명에 따르면, 탈수행정에 있어 정확한 포량 감지로 언밸런스 발생율 감소 및 소음진동 최적화 가능하며, 궁극적으로 사용자의 제품 만족도 향상 효과가 있다.

또한, 본 발명에 따르면, 포량 오감지로 인해 진동 및 소음으로 인한 부품 손상 및 교체주기 최소화가 가능하다.

한편, 상술한 포량 감지 기법은, 세탁물 처리기기의 동작 중, 세탁 행정, 헹굼 행정, 탈수 행정 중, 세탁 행정과 탈수 행정시에 적용되는 것이 가능하다. 또한, 감지된 포량에 따라, 공급되는 세탁수량, 세탁수의 수위 등이 결정될 수 있다.

도 1에서는 세탁물 처리기기로, 프론트 로드(front load) 방식을 예시하나, 본 발명의 실시 예에 따른 포량 감지 방법은, 탑 로드(top load) 방식에도 적용 가능하다.

또한, 본 발명의 실시 예에 따른 포량 감지 방법은, 프론트 로드(front load) 방식과 탑 로드(top load) 방식이 결한된 방식에도 적용 가능하다.

도 18은 본 발명의 일 실시 예로 세탁물 처리기기가 도시된 사시도이다.

도 18을 참고하면, 세탁물 처리기기(101)는, 제1 세탁부(140) 및 제2 세탁부(150)를 포함한다.

제1 세탁부(140)와 제2 세탁부(150)는, 상하로 배치된다. 제1 세탁부(140)는 제2 세탁부(150) 상부에 배치되고, 제1 세탁부(140)와 제2 세탁부(150)는 상호 결합 및 분리가 가능하다.

제1 세탁부(140)는 프런트로드(Front Load) 세탁물 처리기기의 형태이고, 제2 세탁부(150)는 탑로드(Top Load) 세탁물 처리기기의 형태이다.

제2 세탁부(150)는 서랍과 같이 전후 방향으로 슬라이딩되어 개폐되는 구조이다. 제2 세탁부(150)가 전면으로 당겨지면, 제2 세탁부(150)의 상단이 드러난다. 제2 세탁부(150)의 상단에 제2 입력부(125b), 제2 출력부(152) 및 제2 도어(157)가 배치된다.

제1 세탁부(140)는 제1 입력부(125a), 제1 출력부(142) 및 제1 도어(147)를 포함할 수 있고, 제2 세탁부(150)는, 제2 입력부(125b), 제2 출력부(152) 및 제2 도어(157)를 포함할 수 있다.

제1 세탁부(140) 및 제2 세탁부(150)는 각각 별개의 입력부(144, 154)와 출력부(142, 152)를 구비하여, 상호 독립적으로 명령이 입력될 수 있고, 입력된 명령에 대응한 동작을 수행할 수 있다.

제1 세탁부(140) 및 제2 세탁부(150)는 각각 물이 담기는 저수조, 세탁물을 수용하고 저수조 내에서 회전가능하게 구비되는 세탁조(148, 158), 세탁조를 회전시키는 모터, 저수조 또는 세탁조 내로 물을 공급하는 급수장치 및 저수조 내의 물을 배수시키는 배수장치 등을 포함할 수 있고, 상호 독립적으로 세탁을 수행한다.

제1 세탁부(140)는 세탁조의 용량이 제2 세탁부(150)의 세탁조의 용량보다 큰 것으로 도시하였으나, 제1 세탁부(140)의 세탁조의 용량은 제2 세탁부(150)의 세탁조의 용량과 같거나, 작을 수도 있다. 각 세탁부(140, 150)의 세탁조 용량에 대해서는 별도의 한정을 두지 않는다.

제1 세탁부(140) 및 제2 세탁부(150)는 세탁 기능과 건조 기능을 함께 제공하는 건조 겸용 세탁물 처리기기일 수도 있다.

도 19는 본 발명의 일 실시 예에 따른 세탁물 처리기기의 제1 세탁부 및 제2 세탁부의 구성이 도시된 블록도이다.

도 19의 (a)에 도시된 바와 같이, 제1 세탁부(140)는 제1 입력부(125a), 제1 출력부(142), 제1 세탁조(148), 제1 모터(185a), 제1 모터 구동부(185a), 제1 센싱부(150a), 제1 히터제어부(187a), 제1 히터(187a), 제1 통신부(170a), 제1 메모리(145a), 그리고 제1 세탁부(140)의 동작 전반을 제어하는 제1 제어부(140a)를 포함한다.

도 19의 (b)에 도시된 바와 같이, 제2 세탁부(150)는 제2 입력부(125b), 제2 출력부(152), 제2 세탁조(158), 제2 모터(185b), 제2 모터 구동부(181b), 제2 센싱부(150b), 제2 히터제어부(187b), 제2 히터(189b), 제2 통신부(170b), 제2 메모리(145b), 그리고 제2 세탁부(150)의 동작 전반을 제어하는 제2 제어부(140b)를 포함한다.

이때, 제1 세탁부(140)의 구성은 도 1을 참조하여 설명한 세탁물 처리기기(100)의 구성과 유사하므로 간략히 설명하기로 한다.

또한, 제2 세탁부(150)의 구성은 세탁을 수행하는 동작에 있어서 하기에서 설명하는 제1 세탁부(140)의 구성과 동일하게 적용되며, 그에 대한 설명은 생략하기로 한다.

제1 입력부(125a)는 적어도 하나의 버튼, 스위치, 터치패드와 같은 입력수단을 포함하여, 전원입력, 세탁코스, 수위, 온도 등의 세탁설정을 입력한다. 제1 입력부(125a)는 진행키와 해제키 그리고 동시종료키를 포함할 수 있다.

제1 입력부(125a)는 조작 입력에 대한 신호를 제1 제어부(140a)로 입력한다.

제1 출력부(142)는 제1 입력부(125a)에 의해 입력된 세탁설정에 대한 정보를 표시하고, 제1 세탁부의 동작상태를 출력하는 디스플레이부를 포함하고, 소정의 효과음 또는 경고음을 출력하는 스피커, 버저 등을 포함한다. 디스플레이부는 제1 세탁부의 세탁설정 및 동작상태를 문자, 이미지, 아이콘, 특수문자 중 적어도 하나의 조합으로 화면에 표시하고, 동작상태에 다른 알림을 표시한다.

제1 메모리(145a)에는 세탁물 처리기기의 동작제어를 위한 제어 데이터, 입력되는 세탁설정 데이터, 세탁설정에 따라 산출되는 세탁시간 데이터, 세탁코스에 대한 데이터, 세탁물 처리기기의 에러 발생 여부를 판단하기 위한 데이터가 저장된다. 또한, 제1 메모리(145a)에는 세탁물 처리기기 동작 중 제1 센싱부(150a)를 통해 감지 또는 측정되는 데이터와, 제1 통신부(170a)를 통해 송수신되는 데이터가 저장된다. 특히 제1 메모리(145a)에는 제2 통신부로부터 수신된 세탁시간 데이터가 저장될 수 있다.

제1 통신부(170a)는 제2 세탁부(150)와 유선 또는 무선으로 연결되어 데이터를 송수신한다. 제1 통신부(170a)는 제1 제어부(140a)의 제어명령에 대응하여 세탁을 시작하는 경우, 세탁 중 이상이 발생하는 경우, 세탁이 종료되는 경우, 세탁 설정 또는 동작상태에 대한 데이터 또는 세탁시간 데이터를 제2 세탁부의 제2 통신부(170b)와 송수신한다.

또한, 제1 통신부(170b)는 외부의 전자기기, 서버 등과도 통신할 수 있다.

제1 센싱부(150a)는 복수의 센서를 포함하여 세탁물 처리기기의 전압 또는 전류를 측정하고, 온도, 수압 등의 데이터를 측정하여 제1 제어부(140a)로 입력한다. 이때, 제1 센싱부(150a)는 제1 수위센서(161), 제1 온도센서(162)를 포함한다. 제1 수위센서(161)는 제1 세탁조(148) 내에 설치되어, 세탁수의 수위를 감지하여 수위데이터를 제1 제어부(140a)로 입력하고, 제1 온도센서(162)는 세탁수의 수온을 측정한다. 제1 온도센서(162)는 복수개가 각각 상이한 위치에 설치되어, 세탁수의 수온뿐 아니라, 제어회로 내부의 온도, 세탁수 히팅 또는 건조를 위한 제1 히터(187a) 동작 시, 히터의 온도를 감지하여 제1 제어부(140a)로 입력한다.

제1 모터 구동부(185a)는 제1 제어부(140a)는 제어명령에 따라, 제1 세탁조(148)에 연결된 제1 모터(185a)가 회전 동작하도록 동작전원을 공급한다. 제1 모터 구동부(185a)는 설정에 따라 제1 모터(185a)의 회전방향, 회전각 및 회전속도를 제어한다. 제1 모터 구동부(185a)는 설정된 세탁코스 및 진행되는 세탁, 헹굼, 탈수에 따라 제1 모터(185a)가 상이하게 동작하도록 제어한다.

이때, 제1 모터 구동부(185a)는 제1 모터의 회전방향, 회전각 및 회전속도를 상이하게 제어함으로써, 제1 세탁조(148) 내의 세탁수의 특정 형태의 수류를 형성하도록 한다.

제1 히터제어부(187a)는 제어부(110)의 제어명령에 대응하여 제1 히터(187a)로 인가되는 동작전원을 제어함으로써, 제1 히터(187a)가 동작하거나 동작 정지하도록 한다. 제1 히터제어부(187a)는 가동되는 제1 히터의 수를 변경하거나, 제1 히터의 온도를 가변하여 제1 히터의 동작을 제어한다.

제1 히터(187a)는 적어도 하나 구비될 수 있고, 세탁수를 가열하거나 또는 건조동작시 열을 발생시킨다. 건조동작 시, 히터(171)는 열을 발생시키고, 발생된 열은, 구비되는 건조팬(미도시)에 의해 제1 세탁조(148) 내에서 순환하면서 세탁물을 건조시킨다.

제1 제어부(140a)는 세탁, 헹굼, 탈수 및 건조의 일련의 세탁과정을 제어한다.

제1 제어부(140a)는 제1 입력부(125a)로부터 입력되는 운전설정에 따라 제1 세탁조(148)에 대한 급수 및 배수가 수행되고, 제1 모터 구동부(185a)로 제어명령을 인가하여, 제1 모터(185a)의 동작에 따라 제1 세탁조(148)가 회전하여 세탁이 수행되도록 한다. 또한, 제1 제어부(140a)는 히터제어부(170)로 제어명령을 인가하여 제1 히터(187a)가 동작하여 세탁수를 가열하거나, 또는 건조동작이 수행되도록 한다.

제1 제어부(140a)는 입력되는 운전설정을 제1 메모리(145a)에 저장하고, 운전설정 또는 동작상태가 제1 출력부(142)를 통해 출력되도록 한다. 또한, 제1 제어부(140a)는 제1 통신부(170a)를 통해 데이터가 제2 세탁부(150)로 전송되도록 하고, 제2 세탁부(150)의 데이터를 수신한다.

제1 제어부(140a)는 제1 세탁부 동작 시, 제1 세탁부 동작에 대한 데이터를 제1 통신부(170a)를 통해 제2 세탁부로 전송하고, 또한 제2 세탁부 동작 시 제2 세탁부의 데이터를 수신하여 제2 세탁부의 동작을 확인한다.

그에 따라 제1 제어부(140a)는 제1 세탁부(140)와 제2 세탁부(150)가 동시에 동작하는지 여부를 판단하고, 세탁설정이 입력되는 시간에 대응하여 제1 세탁부와 제2 세탁부에 동시에 세탁을 종료하도록 동시종료를 설정한다.

제1 제어부(140a)는 제1 세탁부에 대한 세탁설정이 입력되고, 소정시간 내에 제2 세탁부의 세탁설정이 입력되는 경우, 제2 세탁부의 세탁설정 데이터를 수신하여 동시동작을 판단하고, 동시종료를 설정한다. 또한, 제1 제어부(140a)는 제1 세탁부가 동작을 시작한 이후에 제2 세탁부에 세탁설정이 입력되는 경우, 제1 세탁부의 동작 시작 후 경과시간에 대응하여 제1 세탁부와 제2 세탁부가 동시에 종료하도록 설정하거나 또는 개별동작하도록 한다.

이때 제1 제어부(140a)는 제1 입력부를 통해 동시종료키가 입력되는 경우에는 제2 세탁부의 세탁설정 입력시간에 관계없이 제1 세탁부와 제2 세탁부가 동시에 종료되도록 설정할 수 있다.

제1 제어부(140a)는 제1 세탁부의 세탁시간과 제2 세탁부의 세탁시간 중 적어도 하나를 변경하여 제1 및 제2 세탁부가 동시에 종료되도록 설정하고, 변경되는 시간에 추가동작이 수행되도록 한다.

제1 제어부(140a)는 세탁시간이 변경되어 동시종료가 설정되는 경우, 동시종료에 대한 안내메시지를 제1 출력부(142)를 통해 출력하고, 제1 입력부(125a)의 진행키 또는 해제키의 입력에 대응하여 변경된 세탁시간에 따라 동작하도록 하거나, 또는 동시종료를 해제한다.

제1 제어부(140a)는 동시종료 설정 시, 제1 출력부(142)를 통해 동시종료가 설정됨을 나타내는 알림을 표시할 수 있다.

한편, 상기 제1 제어부(140a)는 도 1 내지 도 17을 참조하여 설명한 머신 러닝 기반의 인공신경망을 포함하여 포량 감지를 수행할 수 있다.

또한, 상기 제1 제어부(140a)는 인공신경망, 예를 들어, DBN 등 심층신경망이 탑재된 포량 인식 모듈을 포함할 수 있다.

또는, 제1 세탁부의 제1 제어부(140a)와 제2 세탁부의 제2 제어부(140b) 모두 머신 러닝으로 기학습된 인공신경망을 포함하여 포량 감지를 수행할 수 있다.

또는, 제1 세탁부의 제1 제어부(140a)가 머신 러닝으로 기학습된 인공신경망을 포함하고, 제1 세탁부와 제2 세탁부가 통신 연결되어 제1 세탁부가 마스터-슬레이브(master-slave) 구조의 마스터 역할을 수행할 수 있는 경우에는, 상기 제1 제어부(140a)가 제1 세탁부와 제2 세탁부에 투입되는 포량을 감지할 수도 있다.

가전의 지능화를 도모하기 위해서는 기존에 채택되었던 방식들보다 다양한 방면에 높은 정밀도(정확도)가 기반이 되어야 하며, 이런 지능화는 소비자의 만족도를 향상시킬 수 있다.

세탁물 처리기기의 경우, 소비자의 불만족 요소로 탈수 시 소음진동 및 정확한 세탁시간 예측을 고려할 수 있다. 이러한 요소들을 해결하기 위해서는 탈수 진입 전 포량을 감지하는 단계가 매우 중요하다.

따라서 본 발명은 머신 러닝 및 딥러닝 학습 기법을 활용하여 세탁물 처리기기 내에 들어 있는 포량을 정확하게 감지하는 방법을 제공한다.

본 발명은 머신 러닝 및 딥러닝 학습 기법을 활용하여 포량을 감지하기 때문에 전문가가 필요 없고, 실험을 통한 값을 찾는 수고로움이 적으며, 정확도 또한 향상된다.

본 발명에 따르면, 정밀해진 포량 감지 성능과 동시에 포량에 따라 탈수시간 및 소음진동을 감소시킬 수 있으므로 최종적으로 사용자의 제품사용 만족도를 향상시킬 수 있는 효과가 있다.

본 발명에 따른 세탁물 처리기기는 상기한 바와 같이 설명된 실시 예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시 예들은 다양한 변형이 이루어질 수 있도록 각 실시 예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.

한편, 본 발명의 실시 예에 따른 세탁물 처리기기의 제어방법은, 프로세서가 읽을 수 있는 기록매체에 프로세서가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 프로세서가 읽을 수 있는 기록매체는 프로세서에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 프로세서가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한, 인터넷을 통한 전송 등과 같은 캐리어 웨이브의 형태로 구현되는 것도 포함한다. 또한, 프로세서가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 프로세서가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

또한, 이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.

세탁물 처리기기: 100
제어부: 140
포량 인식 모듈: 141
센싱부: 150
통신부: 170
부하 구동부: 180

Claims

포가 투입되어 회전하는 세탁조;
상기 세탁조를 회전시키는 모터;
기설정된 목표 속도까지 상기 모터를 가속시키도록 제어하는 제어부; 및
상기 모터의 속도를 감지하는 센서를 포함하는 센싱부;를 포함하고,
상기 제어부는,
상기 목표 속도에 도달하는 시점까지 상기 센싱부에서 감지되는 속도 데이터를 머신 러닝(machine learning)으로 기학습된 인공신경망(Artificial Neural Network)의 입력 데이터로 사용하여 포량을 감지하고,
상기 세탁조의 회전, 상기 모터의 가속, 상기 포량 감지 과정을 반복적으로 수행하도록 제어하며,
가장 많은 빈도수를 가지는 포량 감지 결과가,
기준 횟수 이상이면 상기 가장 많은 빈도수를 가지는 포량 감지 결과를 최종 포량으로 판별하고,
상기 기준 횟수 미만이면 상기 복수의 포량 감지 결과의 평균값을 상기 최종 포량으로 판별하는 것을 특징으로 하는 세탁물 처리기기.
제1항에 있어서,
상기 제어부는, 상기 머신 러닝(machine learning)으로 기학습된 인공신경망이 탑재되는 포량 인식 모듈을 포함하는 것을 특징으로 하는 세탁물 처리기기.
제1항에 있어서,
상기 제어부는, 상기 목표 속도에 도달하는 시점까지 상기 센싱부에서 감지되는 속도 데이터를 복수의 시간구간으로 구분하고, 상기 구분된 복수의 시간구간에서의 속도 데이터들을 상기 입력 데이터로 사용하는 것을 특징으로 하는 세탁물 처리기기.
제3항에 있어서,
상기 제어부는, 상기 구분된 복수의 시간구간에서의 속도 데이터들을 합산(sum)하고, 구간별로 합산된 데이터를 상기 입력 데이터로 사용하는 것을 특징으로 하는 세탁물 처리기기.
삭제
삭제
삭제
제1항에 있어서,
상기 제어부는, 상기 목표 속도를 소정 시간 유지하다가 감속하도록 제어하고, 상기 센싱부에서 상기 목표 속도를 유지하다가 감속하는 구간 동안 감지되는 속도 데이터도 머신 러닝(machine learning)으로 기학습된 인공신경망의 입력 데이터로 사용하여 포량을 감지하는 것을 특징으로 하는 세탁물 처리기기.
제1항에 있어서,
상기 제어부는, 상기 감지된 포량에 기초하여 세탁 행정, 탈수 행정을 제어하는 것을 특징으로 하는 세탁물 처리기기.
제1항에 있어서,
상기 제어부의 제어에 따라 상기 모터를 구동하는 모터 구동부;를 더 포함하는 것을 특징으로 하는 세탁물 처리기기.
제1항에 있어서,
상기 입력 데이터를 소정 서버로 전송하고, 상기 소정 서버로부터 머신 러닝과 관련된 데이터를 수신하는 통신부;를 더 포함하는 것을 특징으로 하는 세탁물 처리기기.
제11항에 있어서,
상기 소정 서버로부터 수신된 머신 러닝과 관련된 데이터에 기초하여 상기 인공신경망을 업데이트(update)하는 것을 특징으로 하는 세탁물 처리기기.
포가 투입되어 회전하는 세탁조와 상기 세탁조를 회전시키는 모터를 포함하는 세탁물 처리기기의 제어방법에 있어서,
기설정된 목표 속도까지 상기 모터를 가속시키는 단계;
센싱부가 상기 모터의 속도를 감지하는 단계;
상기 목표 속도에 도달하는 시점까지 상기 센싱부에서 감지되는 속도 데이터를 머신 러닝(machine learning)으로 기학습된 인공신경망의 입력 데이터로 사용하여 포량을 감지하는 단계;
상기 모터 가속 단계, 상기 모터 속도 감지 단계, 상기 포량 감지 단계를 반복적으로 수행하는 단계; 및,
가장 많은 빈도수를 가지는 포량 감지 결과가, 기준 횟수 이상이면 상기 가장 많은 빈도수를 가지는 포량 감지 결과를 최종 포량으로 판별하고, 상기 기준 횟수 미만이면 상기 복수의 포량 판별 결과의 평균값을 상기 최종 포량으로 판별하는 최종 포량 판별 단계를 포함하는 세탁물 처리기기의 제어방법.
제13항에 있어서,
상기 포량 감지 단계는, 상기 목표 속도에 도달하는 시점까지 상기 센싱부에서 감지되는 속도 데이터를 복수의 시간구간으로 구분하고, 상기 구분된 복수의 시간구간에서의 속도 데이터들을 상기 입력 데이터로 사용하는 것을 특징으로 하는 세탁물 처리기기의 제어방법.
제14항에 있어서,
상기 구분된 복수의 시간구간에서의 속도 데이터들을 합산(sum)하는 단계;를 더 포함하고,
상기 포량 감지 단계는, 구간별로 합산된 데이터를 상기 입력 데이터로 사용하는 것을 특징으로 하는 세탁물 처리기기의 제어방법.
삭제
삭제
삭제
삭제
제13항에 있어서,
상기 모터가 상기 목표 속도를 소정 시간 유지하다가 감속하는 단계;를 더 포함하고,
상기 포량 감지 단계는, 상기 센싱부에서 상기 목표 속도를 유지하다가 감속하는 구간 동안 감지되는 속도 데이터도 머신 러닝(machine learning)으로 기학습된 인공신경망의 입력 데이터로 사용하여 포량을 감지하는 것을 특징으로 하는 세탁물 처리기기의 제어방법.