KR20190082693A - 세탁기 동적 수평 불량 감지 방법, 장치 및 시스템 - Google Patents

Abstract

사물 인터넷을 위해 연결된 5G 환경에서 빅데이터, 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 실행하여 세탁기의 동적 수평 불량을 감지할 수 있는 동적 수평 불량 감지 시스템이 개시된다. 본 발명의 일 실시 예에 따른 세탁기의 동적 수평 불량을 감지하기 위한 세탁 시스템은 세탁기 및 세탁기와 원격으로 통신하는 서버를 포함하고, 세탁기는 세탁기의 캐비닛에 부착된 진동센서, 및 세탁기의 작동 동안 상기 진동센서에 의해 감지된 진동 신호를 수신하여 진동 데이터로 프로세싱하는 제어부를 포함하고, 서버는 제어부로부터 진동 데이터를 수신하고, 세탁기의 작동 동안 세탁기의 다리들 중 2개의 다리를 연결하는 진동축들을 중심으로 진동 축들을 구성하지 않는 세탁기의 다리들이 계속 바뀌면서 진동하는 세탁기의 동적 수평 상태에서, 진동하는 다리들이 바닥으로부터 뜸의 정도가 특정 범위를 벗어나면 동적 수평 불량 상태로 결정하기 위해, 동적 수평 불량 결정한 후 결정된 변위, 변위비 및 위상 중 하나 이상의 피처 및 상기 피처에 대한 동적 수평 또는 동적 수평 불량 결과값으로 하는 학습 데이터 세트를 기계학습 알고리즘을 통해 학습시킨다.

Description

세탁기 동적 수평 불량 감지 방법, 장치 및 시스템 {WASHING MACHINE DYNAMIC HORIZONTAL UNBALANCE DETECTION METHOD, APPARATUS AND SYSTEM}

본 발명은 진동센서를 이용한 세탁기의 동적 수평 불량을 감지하는 방법, 장치 및 시스템을 포함하는 세탁기, 또는 건조기, 또는 모터의 회전으로 동적 수평 불량이 발생하는 기타 장치에 관한 것이다. 보다 구체적으로는, 세탁기의 작동 중 세탁기 진동(이하 '캐비닛 진동'을 의미함)으로 세탁기의 다리들이 세탁물의 회전으로 바닥으로부터 진동하는 동적 수평 상태가 심하게 요동하여 불균형(불량) 상태로 바뀌는지 감지하는 장치 또는 진동 감지 시스템에 관한 것이다.

일반적으로, 세탁기는 바닥면에 수평으로 설치되어야 세탁기로서의 기능을 충분히 발휘할 수 있다. 최초에 세탁기를 설치할 때 세탁기를 평평한 곳에 위치시키고 높이를 조절하여 수평을 맞추어야 한다. 세탁기의 수평의 종류는 두 종류가 있다. 하나는 세탁기가 정지해 있을 때 세탁기가 중력 방향에 대해서 수직으로 설치된 것을 말하며, 일반적으로 많이 알려져 있고, 이를 정적 수평(이하 '정적 수평'이라고 함)이라고 한다.

한국특허출원공보 KR10-2013-0070808호(이하, '선행 기술 1')는 세탁기의 수평 조절 장치 및 방법에 관한 것으로, 세탁기의 수평 조절 장치는 가속도 센서, 중력 센서 또는 자이로 센서 중 적어도 하나를 구비하여 바닥면에 대한 세탁기의 기울기를 측정하는 기울기 측정부, 세탁기의 높이를 조절하는 높이 조절부, 및 기울기 측정부에서 측정되는 기울기에 기초하여 세탁기의 수평 상태 여부를 판단하였다.

도 1은 선행기술 1의 세탁기 정적 수평불량 감지 및 수평 조절 방법을 기재한 흐름도이다. 종래의 세탁기는 세탁기에 진동 센서를 구비하여, 바닥면에 대한 세탁기의 기울기(수평)를 측정하고, 수평 상태가 아니면 세탁기의 높이를 조정하는 기구부를 통해 수평을 맞추었다. 세탁기에 전원이 인가되면, 기울기 측정부로부터 세탁기의 기울기 좌표값을 전달받고, 제어부는 기울기 측정부로부터 전달받은 세탁기의 기울기 좌표값에 기초하여 세탁기의 '정적 수평 상태' 여부를 판단하였다. 구체적으로, 제어부는 기울기 측정부로부터 전달받은 세탁기의 기울기 좌표값이 미리 정의된 기준범위 내에 속하는지를 확인하여 세탁기가 '정적 수평 상태'에 있는지 여부를 판단할 수 있었다.

한국특허출원공보 KR10-2007-0021786호(이하, '선행 기술 2')는 2이상의 세탁기 축에 대해 가속도 변화를 검출할 수 있는 다축 가속도 센서를 이용하여 세탁기의 수평상태를 검출할 수 있는 방법 및 장치에 관한 것으로, 세탁기 수평상태 검출 장치는, 세탁기의 2축 이상의 기울기를 검출하여 기울기 정보 신호를 출력하는 다축 가속도 센서, 및, 상기 기울기 정보 신호를 입력받아 세탁기 수평도를 연산하여 수평정보 신호를 출력하는 마이콤을 포함하여 구성되었다.

선행 기술 1 및 선행기술 2는 모두 세탁기가 동작하지 않을 때 수평 상태인 정적 수평 상태를 검출할 뿐, 세탁기가 작동 중에 수평을 이루는 동적 수평을 검출할 수 없었다.

도 2는 동적수평 불량에 의한 탈수 소음 증가 현상을 도시한 그래프이다. 세탁기의 '동적 수평'은 세탁기가 동작하면서 바뀌는 수평상태를 말한다. 세탁기는 통상 4개의 다리를 가진다. 평면을 정의하는데 3개의 점만 있으면 충분하기 때문에, 3개의 다리만 있어도 세탁기는 바닥면에 서 있을 수 있다. 따라서 세탁기의 4개의 다리가 바닥의 평면상에 존재하지 않는 경우에는 하나의 다리가 바닥면에서 떨어져 있게 된다. 이러한 경우는 세탁기가 정지해 있을 때는 문제가 되지 않으나, 세탁기가 동작할 때의 진동에 의해서 바닥에 닿은 다리가 계속 바뀌어지면서 수평상태가 변하게 되고, 다리가 바닥을 치는 소음을 발생시키게 된다. 세탁기가 작동 중 움직이고 있는 상태에서 세탁기의 다리들의 수평상태가 변하게 되므로 이러한 상태를 동적 수평(이하 '동적 수평'이라고 함)으로 구분한다.

'동적 수평'이란 4개의 다리가 모두 바닥면에 접촉하고 있는 상태를 정의한다. 정적 수평에서 세탁기의 4개의 다리가 모두 바닥에 접촉하고 있는 상태라도, 세탁기가 작동 중 세탁물의 편심 회전으로 인해 세탁기의 일부 다리들이 바닥에서 떨어지는 상태가 발생한다. 동적 수평이 깨지게 되면 다리가 바닥을 치는 현상이 발생하고, 이로 인해 도 2와 같이 소음이 크게 증가하게 된다. 또한 무게 중심이 불안정해지므로 세탁기가 이동(walking)이 더 쉽게 발생하는 문제점이 있었다.

이와 같이 소음 진동 문제에서 동적 수평은 매우 중요하지만, 종래의 수평감지 방식은 오로지 정적 수평만을 감지하고 동적 수평문제를 감지하지 못하는 단점이 있었다.

본 발명의 일 과제는 종래 세탁기가 정적 수평만을 감지하고 동적 수평을 감지하지 못하는 문제점을 해결하는 것이다.

구체적으로 세탁기의 캐비닛에 진동센서를 부착시키고, 세탁기가 동작할 때 발생하는 동적 수평 불량('불균형'이라고도 함)을 감지하는 구성을 갖추는 것이다.

본 발명의 다른 과제는 세탁기 또는 서버에 저장된 세탁기 캐비닛의 진동에 관한 데이터를 기계학습 알고리즘을 통해 세탁기의 다리가 바닥으로부터 뜬 정도를 감지하는 것이다.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기 또는 다른 목적을 달성하기 위해, 본 발명의 일 실시 예에 따른 세탁기의 동적 수평 불량을 감지하는 방법 및 시스템은 진동 센서 및 진동센서로부터의 신호를 프로세싱하는 제어부를 포함하는 세탁기 및 세탁기와 통신하는 서버로 구성될 수 있다.

본 발명의 일 실시 예에 따른 세탁기의 동적 수평 불량을 감지하는 방법 및 세탁 시스템은 세탁기를 작동시키는 구성, 세탁기의 작동 중 바닥과 접촉하는 세탁기의 다리들 중 2개의 다리를 연결하는 특정 진동 축으로부터 일정 거리로 떨어져 세탁기의 캐비닛에 부착된 진동센서에서 진동을 감지하는 구성, 제어부에서 세탁기의 작동 중 진동센서에 의해 감지된 진동 신호를 수신하여 진동 데이터로 프로세싱하는 구성, 및 제어부 또는 제어부로부터 진동 데이터를 수신한 서버에서, 세탁기의 다리들 중 2개의 다리를 연결하는 진동축들을 중심으로 진동 축들을 구성하지 않는 세탁기의 다리들이 계속 바뀌면서 진동하는 세탁기의 동적 수평 상태에서, 진동하는 다리들이 바닥으로부터 뜸의 정도가 특정 범위를 벗어나면 동적 수평 불량 상태로 결정하도록 진동 데이터를 프로세싱하는 동적 수평 불량을 결정하는 구성을 포함할 수 있다.

본 발명의 다른 실시 예에서, 동적 수평 불량을 결정하는 구성은 세탁기의 작동 중 진동센서에 의해 감지되는 신호로부터 결정되는 i)진동 센서의 변위, ii)상기 변위의 좌우 성분에 대한 상하 성분의 비인 변위비, 및 iii)상기 변위가 바닥면과 평행한 진동 축을 포함하는 수평면과 이루는 각도인 위상 중 하나 이상을 기초로 동적 수평 불량을 결정하는 것을 포함할 수 있다.

본 발명의 다른 실시 예에서, 동적 수평 불량을 결정하는 구성은 진동 센서가 세탁기 캐비닛의 모서리의 가운데에 위치될 경우 위상을 통하여 동적 수평 불량을 결정하고, 진동 센서가 네 모서리가 서로 교차하는 꼭지점에 위치될 경우 변위비를 통해 동적 수평 불량을 결정하는 것을 포함할 수 있다.

본 발명의 다른 실시 예에서, 동적 수평 불량을 결정하는 방법 및 시스템은 세탁기의 최초 설치시 시범 운전을 통해 수행되고, 동적 수평 불량을 결정한 후에, 세탁기 패널부 또는 스마트 폰 앱을 통해 동적 수평 불량 상태 여부를 사용자에게 알리거나, 사용자에게 수평 재조절 방법을 알리거나, 사용자에게 수평 재조절을 요청하는 구성을 더 포함할 수 있다.

본 발명의 다른 실시 예에서, 동적 수평 불량을 결정하는 구성은 제어부 또는 서버에서 동적 수평 불량을 결정하는 구성에서 결정된 변위, 변위비 및 위상 중 하나 이상의 피처들 및 상기 피처들에 대해 레이블된 동적 수평 또는 동적 수평 불량 결과값들을 수집하여 학습 데이터 세트(training data set)를 생성하고, 동적 수평 불량을 결정하기 위해 학습 데이터 세트를 기계학습 알고리즘을 통해 학습시켜서 학습된 모델을 결정하고, 그리고, 학습된 모델을 결정한 후에 수신된 진동 데이터에 대해 학습된 모델을 통해 동적 수평 불량을 결정하는 것을 포함할 수 있다.

본 발명의 다른 실시 예에서, 동적 수평 불량을 결정하는 구성은 제어부 또는 서버가 학습된 모델을 통해 동적 수평 불량을 결정한 이후에 세탁기를 작동시키고 수신된 진동 데이터 및 이후 추가적인 진동 데이터를 서버에서 재학습시켜서 재학습된 모델을 생성하고, 그리고 재학습된 모델을 생성한 이후에 세탁기를 작동시키고 추가적인 진동 데이터를 수신하고 재학습된 모델을 통해 동적 수평 불량 결정하는 것을 더 포함할 수 있다.

본 발명의 다른 실시 예에서, 동적 수평 불량을 결정하는 방법 및 시스템은 제어부 또는 서버에서 동적 수평 불량을 결정하는 구성의 결과를 저장하는 구성, 및 세탁기 패널부, 또는 스마트 폰 앱을 통해 동적 수평 불량 상태 여부를 사용자에게 알리거나, 사용자에게 수평 재조절을 요청하는 구성을 더 포함할 수 있다.

본 발명의 다른 실시 예에서, 기계학습 알고리즘은 세탁기를 복수 회 작동시킬 때 기계학습 알고리즘은 세탁기를 복수 회 작동시킬 때 나이브 베이즈 분류(Naive Bayes Classification)가 적용되고, 동적 수평 불량 상태 여부를 사용자에게 알리거나, 사용자에게 수평 재조절을 요청하는 단계는 누적된 진동 데이터에 나이브 베이즈 분류를 사용하여 동적 수평 불량 예측의 신뢰도가 특정% 이상일 때만 동적 수평 불량 상태 여부를 사용자에게 알리거나, 사용자에게 수평 재조절을 요청하는 것을 포함할 수 있다.

본 발명의 다른 실시 예에서, 서버에서 동적 수평 불량을 결정하는 구성은 세탁기와 동일한 제품 다른 세탁기에 대해 동적 수평 및 동적 수평 불량을 결정한 변위, 변위비 및 위상 중 하나 이상의 피처들 및 상기 피처들에 대해 레이블된 동적 수평 또는 동적 수평 불량 결과값들을 수집하여 저장하고, 하나 이상의 피처들 및 상기 피처들에 대해 레이블된 동적 수평 또는 동적 수평 불량 결과값들로 학습 데이터 세트를 생성하고, 동적 수평 불량을 결정하기 위해 학습 데이터 세트를 기계학습 알고리즘을 통해 학습시켜서 학습된 모델을 결정하고, 그리고 동일한 제품 다른 세탁기에 대해 학습된 모델을 동일 조건의 세탁기 적용하여 세탁기의 동적 수평 불량을 결정하는 것을 포함할 수 있다.

본 발명의 다른 실시 예에서, 기계학습 알고리즘의 학습 데이터 세트는 기계학습 알고리즘의 학습에 사용될 학습 데이터의 품질을 높이기 위해 데이터 전처리 과정을 거칠 수 있다.

본 발명의 다른 실시 예에 따른 세탁기는 세탁기의 작동 중 바닥과 접촉하는 세탁기의 다리들 중 2개의 다리를 연결하는 진동 축으로부터 일정 거리로 떨어져 세탁기의 캐비닛에 부착된 진동센서, 세탁기의 작동 중 진동센서에 의해 감지된 진동 신호를 수신하여 진동 데이터로 프로세싱하는 제어부;를 포함할 수 있다.

본 발명의 다른 실시 예에서, 제어부는 세탁기의 다리들 중 2개의 다리를 연결하는 진동축들을 중심으로 진동 축들을 구성하지 않는 세탁기의 다리들이 계속 바뀌면서 진동하는 세탁기의 동적 수평 상태에서, 진동하는 다리들이 바닥으로부터 뜸의 정도가 특정 범위를 벗어나면 동적 수평 불량 상태로 결정하도록 진동 데이터를 프로세싱할 수 있다.

본 발명의 다른 실시 예에서, 제어부는 세탁기의 작동시 진동센서에 의해 감지되는 신호로부터 결정되는 i)진동 센서의 변위, ii)상기 변위의 수평 성분에 대한 수직 성분의 비인 변위비, 및 iii)상기 변위가 바닥면과 평행한 진동 축을 포함하는 수평면과 이루는 각도인 위상 중 하나 이상을 기초로 동적 수평 불량 상태로 결정할 수 있다.

본 발명의 다른 실시 예에서, 세탁기는 4개의 다리를 갖고, 제어부는 변위비를 기초로 후방좌측(BL)다리 뜸, 후방우측(BR)다리 뜸, 및 수평 중 하나를 결정할 수 있다.

본 발명의 다른 실시 예에서, 제어부는 진동 센서가 세탁기 캐비닛의 모서리의 가운데에 위치될 경우 위상을 통하여 동적 수평 불량을 결정하고, 진동 센서가 네 모서리가 서로 교차하는 꼭지점에 위치될 경우 변위비를 통해 동적 수평 불량을 결정할 수 있다.

본 발명의 다른 실시 예에서, 제어부는 세탁기의 최초 설치시 시범 운전을 통해 동적 수평 불량 상태를 결정하고, 세탁기 패널부 또는 스마트 폰 앱을 통해 동적 수평 불량 상태 여부를 사용자에게 알리거나, 사용자에게 수평 재조절을 요청할 수 있다.

본 발명의 다른 실시 예에서, 제어부는 동적 수평 불량 결정한 후 결정된 변위, 변위비 및 위상 중 하나 이상의 피처 및 상기 피처에 대해 레이블된 동적 수평 또는 동적 수평 불량 결과값으로 학습 데이터 세트를 생성하고, 세탁기의 복수 회 작동으로 학습 데이터 세트를 메모리에 누적시키고, 세탁기의 동적 수평 불량을 결정하기 위해 학습 데이터 세트를 기계학습 알고리즘을 통해 학습시켜서 학습된 모델을 결정하고, 그리고 학습된 모델을 결정한 후에 수신된 진동 데이터에 대해 학습된 모델을 통해 동적 수평 불량을 결정할 수 있다.

본 발명에 의하면, 세탁기의 동적 진동 불량을 감지함으로써, 사용자에게 설치 불량 여부를 안내할 수 있다.

또한, 세탁기의 동적 평형 불량을 바로 잡는 방법을 안내함으로써 동적 수평 불량으로 인한 소음을 감소시킬 수 있다.

또한, 세탁기 또는 서버에 저장된 데이터를 기계학습 알고리즘을 통해 세탁기의 동적 수평 불량을 판단하고, 서버는 동일한 제품의 세탁기에 대한 데이터를 누적하여 기계학습 알고리즘을 적용시킴으로써, 보다 개선된 세탁기의 동적 수평 불량을 판단할 수 있다.

또한, 서버에서 네트워크를 이용하여 사용자에게 동적 수평 설치 불량 여부 및 수평 재조절 방법을 안내할 수 있다.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 종래 세탁기의 정적 수평불량 감지 및 수평 조절 방법을 기재한 흐름도이다.
도 2는 동적수평 불량에 의한 탈수 소음 증가 현상을 도시한 그래프이다.
도 3은 본 발명의 일 실시 예에 따른 세탁 시스템의 세탁기, 사용자 단말기, 출력장치 및 이들을 서로 연결한 네트워크를 포함하는 동적 수평 불량 감지 시스템의 구동 환경의 예시도이다.
도 4는 본 발명의 일 실시 예에 따른 세탁기의 동적 수평이 깨졌을 때 진동의 크기 및 방향을 도시한 예시도이다.
도 5a는 본 발명의 일 실시 예에 따른 세탁기의 동적 수평이 깨졌을 때 후방좌측다리 뜸의 축방향 진동 패턴에 대한 예시도이다.
도 5b는 본 발명의 일 실시 예에 따른 세탁기의 동적 수평이 깨졌을 때 후방우측다리 뜸의 축방향 진동 패턴에 대한 예시도이다.
도 6은 본 발명의 일 실시 예에 따른 세탁기의 동적 수평이 깨졌을 대 진동 센서 위치에 따른 변위비 변화 패턴의 예시도이다.
도 7은 본 발명의 일 실시 예에 따른 세탁기의 수평 상태 감지를 위한 결정 트리에 대한 예시도이다.
도 8은 본 발명의 일 실시 예에 따른 세탁기에서 동적 수평상태에 따른 사용 진동 데이터(변위비)의 분포의 예시도이다.
도 9는 본 발명의 일 실시 예에 따른 세탁기의 수평 상태와 변위 크기의 상관관계의 예시도이다.
도 10은 본 발명의 일 실시 예에 따른 세탁기에 DNN(Deep Neural Network)을 적용하여 수평 상태를 감지한 결과의 예시도이다.
도 11은 본 발명의 일 실시 예에 따른 세탁기의 탈수 속도 및 가속구간 프로파일의 예시도이다.
도 12는 본 발명의 일 실시 예에 따른 세탁기의 기계학습에 사용할 학습 데이터의 예시도이다.
도 13는 동적 수평을 감지하기 위한 딥러닝 구조 및 결과의 예시도이다.
도 14은 본 발명의 일 실시 예에 따른 세탁기의 예측/실제의 발생 건수에 관한 혼동 매트릭스의 예시도이다.
도 15는 본 발명의 일 실시 예에 따른 세탁기 또는 동적 수평 불량 감지 시스템의 동적 수평을 감지하는 방법의 흐름도이다.
도 16은 본 발명의 일 실시 예에 따른 세탁기 또는 동적 수평 불량 감지 시스템의 동적 수평 불량을 감지하는 방법의 흐름도이다.
도 17은 본 발명의 일 실시 예에 따른 세탁기의 동적 수평 불량 감지 시스템에서 동적 수평 불량 결과를 알리는 방법의 예시도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

본 발명을 설명함에 있어서, 정의되는 각 구성요소들의 명칭은 본 발명에서의 기능을 고려하여 정의 내려진 것이다. 따라서 본 발명의 기술적 구성요소를 한정하는 의미로 이해되어서는 아니 될 것이다. 또한, 각 구성요소에 정의된 각각의 명칭들은 당업계에서 다른 명칭으로 호칭될 수 있다.

이하, 첨부한 도면을 참조하여 본 발명의 일실시 예에 따른 세탁기(100)를 상세히 설명한다.

1. 세탁기 및 동적 수평 불량 감지 시스템의 구동 환경

도 3은 본 발명의 일 실시 예에 따른 세탁 시스템의 세탁기(100), 사용자 단말기, 출력장치 및 이들을 서로 연결한 네트워크를 포함하는 동적 수평 불량 감지 시스템의 구동 환경의 예시도이다. 세탁기의 동적 수평 불량을 감지할 수 있는 세탁기(100) 또는 감지 시스템은 사물 인터넷을 위해 연결된 5G 환경에서 빅데이터, 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 이용하여 정밀한 동적 수평 불량 여부를 결정할 수 있다.

도 3을 참조하면, 세탁 시스템의 구동 환경(1)은 세탁기(100), 서버(200), 사용자 단말기(300), 출력장치(400), 및 네트워크(500)를 포함할 수 있다. 출력장치(400)는 인공지능 스피커, 인공지능 TV, 기타 커뮤니케이션 장치를 포함할 수 있다. 세탁기(100)는 통신부를 포함할 수 있고, 유선 또는 무선 네트워크(500)를 통해 서버(200)로 진동 센서(110)의 데이터들을 전송할 수 있고, 서버(200)는 세탁기의 동적 수평 불량에 관한 정보 및 각종 세탁정보를 세탁기(100), 사용자 단말기(300) 및 인공지능 스피커와 같은 출력기기(400)에 데이터를 송신할 수 있다.

세탁기(100)는 통신부, 입력부, 진동센서(110)를 포함하는 센싱부, 디스플레이를 포함하는 출력부, 메모리를 포함하는 메모리부, 전원 공급부, 세탁조 등 세탁에 필요한 물리적인 장치들을 포함하는 세탁부, 및 세탁기 MCU를 포함하는 제어부를 포함할 수 있다.

세탁기(100)의 센싱부는 세탁하는데 제어가 필요한 요소들을 감지하는 센서들을 포함하고, 본 발명에서는 특별한 언급이 없는 한, 세탁기(100)의 진동을 감지하는 진동센서(110)를 의미한다.

본 발명의 일 실시 예에 따른 세탁기(100)는 세탁기의 작동 중 바닥과 접촉하는 세탁기(100)의 다리들 중 2개의 다리를 연결하는 특정 진동 축으로부터 일정 거리로 떨어져 세탁기(100)의 캐비닛에 부착된 진동센서(110), 세탁기(100)의 작동 중 진동센서(110)에 의해 감지된 진동 신호를 수신하여 진동 데이터로 프로세싱하는 제어부를 포함할 수 있다. 이 때 세탁기(100)에서 측정된 진동 및 운전데이터를 서버로 보낸다.

세탁기 제어부 또는 서버는 세탁기(100)의 다리들 중 2개의 다리를 연결하는 진동축들을 중심으로 진동 축들을 구성하지 않는 세탁기(100)의 다리들이 계속 바뀌면서 진동하는 세탁기(100)의 동적 수평 상태에서, 진동하는 다리들이 바닥으로부터 뜸의 정도가 특정 범위를 벗어나면 동적 수평 불량 상태로 결정하도록 진동 데이터를 프로세싱할 수 있다. 세탁기 제어부 또는 서버는 세탁기(100)의 작동시 진동센서(110)에 의해 감지되는 신호로부터 결정되는 i)진동 센서(110)의 변위크기(도 9 참조), ii)변위의 수평 성분에 대한 수직 성분의 비인 변위비(도 6 및 도 8 참조), 및 iii)변위가 바닥면과 평행한 진동 축을 포함하는 수평면과 이루는 각도인 위상 중 하나 이상을 기초로 동적 수평 불량 상태로 결정할 수 있다. 서버는 이러한 진동센서 정보로부터 수평감지를 진단하여 저장하고, 고객에게 전송할 수 있다. 세탁기 제어부 또는 서버는 세탁기(100)의 최초 설치시 시범 운전을 통해 동적 수평 불량 상태를 결정하고, 세탁기 패널부 또는 스마트 폰 앱을 통해 동적 수평 불량 상태 여부를 사용자에게 알리거나, 사용자에게 수평 재조절을 요청할 수 있다.

세탁기 제어부는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치, 예를 들어 MCU를 포함할 수 있다. 세탁기 제어부는 진동 센서(110)로부터 변위크기, 변위량 및 위상 중 하나 이상의 진동 데이터를 수신하고, 동적 수평 불량 여부를 결정할 수 있는 구성을 포함한다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

본 실시 예에서 세탁기(100)는 출력장치(400)의 검색과, 출력장치(400)에서 출력되는 오디오 신호의 음량 조정과, 출력장치(400)의 선택에 대하여 딥러닝(Deep Learning) 등 기계학습(machine learning)을 수행할 수 있고, 메모리부는, 기계학습에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.

한편, 세탁기(100) 및 서버(200)에는 인공신경망(artificial neural network)이 탑재될 수 있고, 세탁기(100)와 동일한 공간에 배치되어 오디오 신호 및 비디오 신호 중 적어도 하나를 출력하고 있는 하나 이상의 출력장치(400)를 검색하고, 동작 모드에 대응하여 검색된 하나 이상의 출력장치(400)의 출력 신호를 조정할 수 있도록 기계학습 기반의 출력장치(400) 검색 및 출력 신호 조정을 수행할 수 있다. 또한 세탁기(100)는 동작 모드에 대응하여 검색된 하나 이상의 출력장치(400) 중 적어도 하나를 선택하고, 선택한 출력장치(400)로 오디오 신호 및 비디오 신호 중 적어도 하나를 전송할 수 있도록 기계학습 기반의 출력장치(400) 선택 및 출력 신호 전송을 수행할 수 있다.

세탁기 통신부는 네트워크(500)와 연동하여 출력장치(400), 사용자 단말기(300) 및/또는 서버(400) 간의 송수신 신호를 패킷 데이터 형태로 제공하는데 필요한 통신 인터페이스를 제공할 수 있다. 또한, 통신부(110)는 각종 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등)을 지원할 수 있으며, M2M(machine to machine) 통신, V2X(vehicle to everything communication) 통신, D2D(device to device) 통신 등을 지원할 수 있다.

본 실시 예에서 사용자 단말기(300)는 사용자가 조작하는 데스크 탑 컴퓨터, 스마트폰, 노트북, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 사용자 단말기(300)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 사용자 단말기(300)는 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 차용될 수 있다. 선택적 실시 예로 사용자 단말기(300)는 상술한 출력장치(400) 중 어느 하나로 동작할 수 있다.

서버(200)는 각종 인공지능 알고리즘을 적용하는데 필요한 빅데이터 및 세탁기(100)를 동작시키는 데이터를 제공하는 데이터베이스 서버일 수 있다. 그 밖에 서버(200)는 사용자 단말기(300)에 설치된 세탁기 구동 애플리케이션 또는 세탁기 구동 웹 브라우저를 이용하여 세탁기(100)의 동작을 원격에서 제어할 수 있도록 하는 웹 서버 또는 애플리케이션 서버를 포함할 수 있다.

여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

기계학습(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 기계학습은, 경험적 데이터를 기반으로, 학습 데이터(트레이닝 데이터) 세트 및/또는 테스트 데이터 세트를 생성하여 학습을 하여 학습된 모델을 결정하고, 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 기계학습의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.

서버(200)는 세탁기(100)로부터 동작중인 하나 이상의 출력장치(400)를 검색결과 및 세탁기(100)의 동작 모드를 수신하고, 동작 모드에 대응하여 검색된 하나 이상의 출력장치(400)의 출력 신호 조정 제어 신호를 세탁기(100)로 전송할 수 있다. 또한 서버(200)는 세탁기(100)로부터 세탁기(100)의 동작 모드를 수신하고, 하나 이상의 출력장치(400) 중 적어도 하나를 선택한 결과를 세탁기(100)로 전송하고, 세탁기(100)가 선택한 출력장치(400)로 오디오 신호 및 비디오 신호 중 적어도 하나를 전송하도록 제어할 수 있다.

네트워크(500)는 세탁기(100)와, 출력장치(400)와, 사용자 단말기(300)와, 서버(200)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(500)는 예컨대 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(500)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.

네트워크(500)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(500)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(500)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(500)는 사물 등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.

2. 동적 수평이 깨졌을 때의 세탁기의 진동

도 4는 본 발명의 일 실시 예에 따른 세탁기(100)의 동적 수평이 깨졌을 때 진동의 크기 및 방향을 도시한 예시도이다. 진동 센서(110)는 가속도 센서, 속도 센서, 변위 센서, 자이로 센서 및 중력센서 중 하나일 수 있다. 세탁기(100)의 작동 중 동적 수평 불량 감지에 사용되는 센서의 사양 및 적용되는 제품에 따라 다양하게 선택될 수 있다. 진동 센서(110)는 메인 PCB에 통합될 수 있다. 세탁기(100)의 동작을 제어하는 제어부에 진동센서(110)를 포함시킬 수 있고, 제어부 및 진동 센서(110)를 캐비닛의 특정 위치에 부착한다. 이를 통해 세탁기(100)가 동작할 때 발생하는 캐비닛의 진동의 변위를 추정할 수 있다.

도 4에서 세탁기(100)의 진동은 강체 진동을 가정하여, 세탁기 바닥의 진동이 없고, 다리 고무 변형이 없고 점 접촉한 것으로 가정한다. 또한, 센서 변위 계산시 회전축 동작만 하는 경우로 가정한다.

진동센서(110)는 캐비닛 상단 모서리 및 꼭지점들에 위치할 수 있고, 도 4에서와 같이, 가로 660mm 세로 660mm의 세탁기(100)라고 가정할 때 세탁기(100)의 전방좌측 꼭지점을 기준으로 세로로 660mm의 후방좌측(BL) 꼭지점을 거쳐 진동축을 구성하는 후방우측(BR) 꼭지점까지의 변위(1320mm) 상에 위치할 수 있으며, 이러한 세탁기(100)의 상부 모서리 상에 진동센서(110)가 위치할 수 있는 변위를 α좌표로 정의한다. 도 4에는 후방좌측(BL) 꼭지점과 가까운 모서리 부분에 위치한다. 진동센서(110)의 α좌표 상의 위치에서 세탁기(100)의 대각선 진동축을 중심으로 한 진동에 따라 세탁기(100)가 놓이는 바닥으로부터 세탁기 다리가 뜨는 높이(β)가 결정될 수 있다. 도 2에 도시된 바와 같이, 세탁기(100)가 놓이는 바닥으로부터 세탁기 다리가 뜨는 높이(β)가 클수록 소음이 증가한다.세탁기(100)의 진동으로 인한 진동 센서(110)의 변위 및 위상을 측정하기 위해, α좌표 상의 진동 센서(110)의 위치에서 세탁기(100)의 가로 방향을 진동센서(110)의 X축으로, X축과 직교하는 방향을 Y축으로, 그리고 XY평면과 직교하는 상방을 Z축으로 하는 XYZ좌표를 설정할 수 있다.

도 2는 후방우측(BR) 다리를 조절하여 후방우측(BR) 다리의 뜸 정도로 소음을 측정할 결과이다. 도 2에서 후방우측(BR) 다리가 -3/4mm인 경우(101) 후방우측(BR) 다리가 뜨게 되고 소음이 최대가 되며, 그리고 후방우측(BR) 다리가 +4/4mm인 경우(102) 후방좌측(BL) 다리가 뜨게 되고 소음이 최대가 됨을 알 수 있다. 바닥으로부터 세탁기(100) 다리가 뜨는 높이(β)를 알면, 동적 수평 불균형의 정도 및 소음의 정도를 예측할 수 있다.

도 4의 좌측과 같이 후방좌측(BL) 다리가 들려 있는 경우, 드럼세탁기(100)의 무게중심은 통상 앞쪽에 쏠려 있기 때문에 앞쪽 두 다리와 오른쪽 두다리가 바닥에 닿게 된다. 무게 중심이 뒤쪽인 경우는 반대가 된다. 세탁기(100)의 드럼의 회전하기 시작하고, 드럼내의 세탁물이 편심에 의해, 세탁기(100)가 진동하기 시작하면, 그 힘에 의해 세탁기 캐비닛은 닿아 있는 대각선의 두 다리를 회전축으로 반복 운동을 하게 된다. 세탁기의 다리가 뜬 위치에 따라 센서(110)의 진동 방향이 바뀌게 되고, 다리가 뜬 정도에 따라 진동의 크기가 달라지므로 이를 이용하여 다리가 뜬 방향을 감지할 수 있다.

진동 센서(110)의 위치에 대해, 센서(110)의 변위의 크기는 회전축으로부터 멀수록 커지게 되므로, 회전축으로부터 센서(110)까지의 거리(r)가 가장 큰 상단에 위치할수록 감지하기 유리하다. 세탁기(100)의 하단에 설치된 경우, 낮은 수준의 진동을 정밀하게 감지하기 위해서는 더 감도 높은 센서가 필요하다.

진동 센서(110)는 예를 들어, 진동 센서(110)의 변위, 변위의 수평 성분에 대한 수직 성분(상하/좌우)의 비인 변위비, 및 변위가 바닥면과 평행한 진동 축을 포함하는 수평면과 이루는 각도인 위상을 감지할 수 있다. 일 실시 예에서, 진동 센서(110)는 진동 축(120, 130)과 세탁기 캐비닛의 상부 모서리 또는 상부 모서리들이 만나는 꼭지점에 배치될 수 있다. 세탁기 제어부 및/또는 서버는 진동 센서(110)가 세탁기 캐비닛의 모서리의 가운데에 위치될 경우 위상을 통하여 동적 수평 불량을 결정하고, 진동 센서(110)가 네 모서리가 서로 교차하는 꼭지점에 위치될 경우 변위비를 통해 동적 수평 불량을 결정할 수 있다.

3. 동적 수평 감지 원리

도 5a는 본 발명의 일 실시 예에 따른 세탁기(100)의 동적 수평이 깨졌을 때 후방좌측(BL)다리 뜸의 축방향 진동 패턴에 대한 예시도이고, 도 5b는 본 발명의 일 실시 예에 따른 세탁기(100)의 동적 수평이 깨졌을 때 후방우측(BR)다리 뜸의 축방향 진동 패턴에 대한 예시도이다. 도 5a 및 도 5b는 위상을 이용하여 진동 방향을 감지하는 경우를 도시한다.

도 4에 도시된 바와 같이, 후방좌측(BL)이 떠있는 경우, 도 5a와 같이 센서(110)의 변위는 (+,+,+)-(-,-,-)방향으로 발생하고, 후방우측(BR)이 떠있는 경우는 도 5b와 같이 센서(110)의 변위는 (-,+,+)-(+,-,-)방향으로 변동하게 된다. 도 5a는 후방좌측(BL) 다리가 뜬 경우 X좌표변위(140), Y좌표변위(141) 및 Z좌표변위(142)가 위상차 없이 동일한 방향임을 나타내고, 도 5b는 후방좌측(BL) 다리가 뜬 경우 X좌표변위(140)와, Y좌표변위(141) 및 Z좌표변위(142)가 서로 180도 위상차로 역방향임을 나타낸다. 따라서 위상 또는 각 축에 따른 진동의 내적값으로 다리가 뜬 방향을 알 수 있다. 동적 수평이 잘 맞는 경우는 그 사이의 위상을 가진다.

도 6은 본 발명의 일 실시 예에 따른 세탁기(100)의 동적 수평이 깨졌을 때 진동 센서(110) 위치에 따른 변위비 변화 패턴의 예시도이다. 도 6은 변위비를 이용하여 진동 방향을 감지하는 경우를 도시한다.

진동 방향이 X,Y,Z축 중 어느 쪽으로 치우쳐 있는지에 따라, 즉 진동 방향에 따라, 각 축 방향 변위의 비율이 달라지게 된다. 이 특징을 이용하여 다리가 뜬 방향을 감지할 수 있다. 동적 수평이 잘 맞는 경우는, 상하의 진동이 0에 가깝기 때문에 비가 0으로 나오게 된다. 도 6에 도시된 바와 같이, 센서(110)가 전방좌측 다리와 후방우측(BR)다리의 회전축(120)을 중심으로 진동하면, 후방좌측(BL)뜸 변위비 곡선(152)에서와 같이, α 좌표에서 후방좌측(BL)이 뜨는 경우 변위비는 α좌표로 660mm(후방좌측(BL) 꼭지점)에서 최대(0.5 이상)가 되고 0mm 및 1320mm(후방우측(BR) 꼭지점)에서 최소(0)가 된다. 반대로, 센서(110)가 다른 회전축(130)을 중심으로 바뀌어 진동하면, 후방우측(BR)뜸 변위비 곡선(151)에서와 같이, 후방우측(BR)이 뜨는 경우 변위비는 α좌표로 0mm 및 1320mm에서 최대(0.5 이상)되고 600mm(후방좌측(BL) 꼭지점)에서 최소(0)가 된다. 이와 같이, 진동 방향에 따라 변위비가 달라짐을 알 수 있다. 도 4에서와 같이, 후방좌측(BL)꼭지점 근처에 후방 모서리 상에 부착된 진동 센서(110)는 α좌표로 660mm를 지난 측정 위치(150)에 위치될 때, 후방좌측(BL) 뜨는 경우 변위비가 후방우측(BR) 뜨는 경우의 변위비보다 큰 것을 를 측정할 수 있다. 따라서, 진동 센서의 위치(α)에서 변위비를 알면, 후방좌측(BL)이 뜬 경우인지 후방우측(BR)이 뜬 경우인지 진동 방향을 알 수 있고, 진동의 크기도 알 수 있다.

한편, 도 6에서 알 수 있듯이, 센서(110)가 모서리의 중심에 있을 경우는 후방좌측(BL)뜸/후방우측(BR)뜸의 변위비의 크기가 이론상 같기 때문에 변위비로는 어느 쪽 다리가 떠 있는지 알기 어렵고 위상을 통해서만 알 수 있다. 따라서 변위비를 사용하는 수평감지 방식은 센서(110)를 가능한 한 모서리 쪽에 배치하는 것이 유리하다. 반대로 상단의 네 모서리 중 꼭지점에 센서(110)가 위치하게 되면 상하 방향 진동의 변위 크기가 0에 가까워지므로 상하 방향의 위상을 측정하기가 어렵고, 변위비를 통하여 감지하는 것이 유리하다. 일반적으로는 위상을 감지하기가 신호처리상 더 어렵기 때문에 변위비를 사용하는 것이 진동 감지에 바람직하다.

도 7은 본 발명의 일 실시 예에 따른 세탁기(100)의 수평 상태 감지를 위한 결정 트리(Decision Tree)에 대한 예시도이다. 도 7은 변위비에 따라 후방좌측(BL) 뜸, 정상, 후방우측(BR) 뜸의 3 분류(classification)를 하고, 변위크기에 따라 -1.5, -1, 수평 정상(-0.5~0.5), 1, 1.5의 5 분류(classification)를 도시한 결정트리이다. 도 7을 참조하면, 변위 비를 이용하여 수평 정상 또는 불량 여부 및 수평 불량의 방향(후방좌측(BL) 뜸 또는 후방우측(BR) 뜸) 및 불량의 정도를 판단할 수 있다. 그리고, 다리가 많이 뜰 수록 캐비닛 진동이 커진다는 특성을 이용하여(도 9 참조), 수평 불량의 정도를 판단할 수 있다. 변위비 및 변위크기를 고려하면 -1.5, -1, 수평정상(-0.5~0.5), 1, 1.5의 5 분류로 분류할 수 있다.

구체적으로, 변위비에 따라 후방좌측(BL) 뜸(0.444>변위비>0.0657), 정상(0.0657>변위비), 후방우측(BR)(변위비>0.444) 뜸의 3 분류(classification)로 수평 불량 여부 및 의 불량의 진동 방향(후방좌측(BL) 뜸 및 후방우측(BR) 뜸)을 알 수 있고, 그리고 변위비 판단후 변위 크기의 고려로 바닥으로부터의 뜬 정도(-1.5, -1 및 1, 1.5)를 추가로 구분할 수 있다. 도 7에서는 후방좌측(BL) 뜸(0.444>변위비>0.0657)을 판단한 후 변위 크기(변위크기>0.440)를 고려하면, 바닥으로부터 후방좌측(BL) 다리가 뜬 정도(-1.5 및 -1)를 구분할 수 있고, 후방우측(BR) 뜸(변위비>0.444)을 판단한 후 변위 크기(변위크기>0.910)를 고려하면, 바닥으로부터 후방우측(BR) 다리가 뜬 정도(1.5 및 1)를 구분할 수 있다.

4. 빅데이터 및 기계학습(Machine Learning) 알고리즘을 통한 학습

이러한 도 7의 결정트리에서 사용된 변위비와 변위크기는 딥러닝을 이용한 도 8 내지 도 10의 실제 값과 예측값의 실험 결과로 얻을 수 있다.

본 발명의 일 실시 예에 따른 동적 수평 불량을 결정하는 장치 및/또는 서버는 빅데이터 및 기계학습을 통해 세탁기(100)의 동적 수평 불량여부를 결정할 수 있다. 동적 수평 불량을 결정하는 장치 및/또는 서버는 진동 센서(110)에 의해 감지된 신호로부터의 진동 데이터를 수집하는 메모리부를 포함한다. 세탁기 제어부 및/및/또는 서버는 세탁기(100)의 복수 회 작동으로 동적 수평 불량 결정한 후 결정된 변위, 변위비 및 위상 중 하나 이상의 피처들 및 상기 피처들에 대해 레이블된 동적 수평 또는 동적 수평 불량 결과값들을 수집하여 학습 데이터 세트를 생성하고, 세탁기(100)의 동적 수평 불량을 결정하기 위해 학습 데이터 세트를 기계학습 알고리즘을 통해 학습시켜서 학습된 모델을 결정하고, 그리고 학습된 모델을 결정한 후에 수신된 진동 데이터에 대해 학습된 모델을 통해 동적 수평 불량을 결정할 수 있다.

본 발명의 다른 실시 예에서, 세탁기 제어부 및/또는 서버는 학습된 모델을 통해 동적 수평 불량을 결정한 이후에 세탁기(100)를 작동시키고 수신된 진동 데이터 및 이후 추가적인 진동 데이터를 서버에서 재학습시켜서 재학습된 모델을 생성하고, 그리고 재학습된 모델을 생성한 이후에 세탁기(100)를 작동시키고 추가적인 진동 데이터를 수신하고 재학습된 모델을 통해 동적 수평 불량 결정할 수 있다. 세탁기 제어부 및/또는 서버는 학습된 모델로 판단한 후에도 계속 진동 데이터를 수집하고, 기계학습모델을 적용하여 재학습시켜서, 재학습된 모델로 성능을 향상시킬 수 있다.

본 발명의 다른 실시 예에서, 서버는 세탁기(100)와 동일한 제품 세탁기에 대해 동적 수평 및 동적 수평 불량을 결정한 변위, 변위비 및 위상 중 하나 이상의 피처들 및 상기 피처들에 대해 레이블된 동적 수평 또는 동적 수평 불량 결과값들을 수집하여 저장할 수 있고, 하나 이상의 피처들 및 상기 피처들에 대해 레이블된 동적 수평 또는 동적 수평 불량 결과값들로 학습 데이터 세트를 생성하고, 동적 수평 불량을 결정하기 위해 학습 데이터 세트를 기계학습 알고리즘을 통해 학습시켜서 학습된 모델을 결정하고, 그리고 동일한 제품 세탁기에 대해 학습된 모델을 세탁기(100)에 적용하여 세탁기(100)의 동적 수평 불량을 결정하는 것을 포함할 수 있다. 따라서, 서버는 세탁기(100) 사용 초기에 설치되어 진동 데이터가 수집되지 않은 동일한 제품의 세탁기들에 대해 수집된 진동 데이터들을 기초로 학습된 기계학습 모델을 적용하여 동적 수평 여부를 판단할 수 있다.

도 8은 본 발명의 일 실시 예에 따른 세탁기(100)에서 동적 수평상태에 따른 사용 진동 데이터(변위비)의 분포의 예시도이다. 도 8은 수평 성분에 대한 수직 성분(상하/좌우) 진동 변위비를 입력 레이어로 하고 -1.5, -1.0, 0.5, 0.0, 0.5, 1.0, 1.5을 출력 레이어의 딥러닝 구조로 학습시킨 결과를 도시한 예시도이다. 변위비에 따라, 도 7의 결정트리에서 3분류의 기준이 된 수평정상-후방우측(BR) 뜸 구분선 및 후방좌측(BL) 뜸-후방우측(BR) 뜸 구분선이 도 8에 나타나 있다. 수평정상-후방우측(BR) 뜸 구분선의 경계 변위비는 수평정상과 후방우측(BR) 뜸 구분 변위비인 0.0657이고, 후방좌측(BL) 뜸-후방우측(BR) 뜸 구분선의 변위비는 후방좌측(BL) 및 후방우측(BR) 뜸 구분 변위비인 0.444이다. 도 8의 3개의 점선 영역은 각각 변위비 0.0 부근인 정상평균의 수평정상 영역, 변위비 0.0657과 0.444 사이인 후방우측(BR) 뜸 불량 평균의 후방우측(BR) 뜸 영역, 및 변위비 0.444 이상인 후방좌측(BL) 뜸 불량 평균의 후방좌측(BL) 뜸 영역을 나타낸다. 점선 영역 밖의 X는 DNN학습 모델이 적용됐을 때 잘못 분류된 오류를 나타낸다.

도 9는 본 발명의 일 실시 예에 따른 세탁기(100)의 수평 상태와 변위 크기의 상관관계의 예시도이다. 도 9는 변위 크기의 입력 레이어와 5 분류(-1.5, -1.0, 0.5, 0.0, 0.5, 1.0, 1.5)의 출력 레어어로 학습한 딥러닝 구조에 따른 변위크기를 도시하였다. 도 9를 참조하면, 후방좌측(BL) 뜸 및 후방우측(BR) 뜸의 점선 영역이 도시되고, 변위크기 -1.5와 -1.0의 구분선인 0.444, 및 1과 1.5의 구분선 0.910이 도시되었다.

도 10은 본 발명의 일 실시 예에 따른 세탁기(100)에 딥러닝 구조인 심층 신경망(DNN, Deep Neural Network)을 적용하여 수평 상태를 감지한 결과의 예시도이다. 도 10은 도 9의 딥러닝 구조의 5 분류(-1.5, -1.0, 0.5, 0.0, 0.5, 1.0, 1.5)를 적용한 수평 상태 감지 결과이다. 레이블된 5 분류(-1.5, -1.0, 0.5, 0.0, 0.5, 1.0, 1.5)에 따른 DNN의 5 분류(-1.5, -1.0, 0.5, 0.0, 0.5, 1.0, 1.5) 예측 결과는 각 분류마다 약간의 오류가 있음을 알 수 있다.

도 8 및 도 10의 DNN 적용 결과에 오류가 존재하는 이유는 세탁기(100) 터브, 캐비닛의 진동은 일반적으로 드럼 내의 포들이 불평형이 심할수록 커지는 경향이 있고, 세탁기(100)의 진동(이하 캐비닛 진동을 의미함)은 세탁물의 종류, 양, 드럼 내에 분산된 정도에 따라 매 운전 때마다 크기나 특성이 달라질 수 있기 때문이다.

도 9는 실제 사용에서 세탁기(100)의 동적 수평 상태가 변함에 따라 진동 데이터가 어떻게 변화하는지를 나타낸 것이다. 도 8에서 예측한 바와 같이 후방좌측(BL)뜸은 0.5정도의 상하/좌우 진동변위 비 값을 가지고, 후방우측(BR)뜸은 0.2 정도의 변위비 값을 가지고 있다. 동적 수평이 잘 맞는 경우는, 상하 진동이 0에 가까워지면서 변위비도 0으로 나오고 있음을 확인할 수 있다. 실제 사용에서는 포의 양, 종류, 분포에 따라서 어느 정도의 산포가 있으며, 이를 반영해야만 좀더 좋은 감지 결과를 얻을 수 있다.

그러나 그 외에도 분류가 잘되는 산포 분류가 잘 되지 않는 이상점(outlier)들이 있음을 알 수 있다. 그 이유는 다리가 뜬 경우라도, 세탁물의 불균형(Unbalance)이 아주 작다면 세탁기(100)의 진동 자체가 아주 작아지기 때문에 상하 진동이 0에 가까워질 수 있고, 이런 경우는 동적 수평 상태와 구분이 되기 어렵기 때문이다. 반대로 동적 수평이 잘 맞는 상태라도 불균형이 크다면, 상하진동이 크게 발생할 수 있으므로, 후방우측뜸(BR뜸), 후방좌측뜸(BL뜸)과 구분이 어려운 경우가 발생할 수 있다.

이를 보완하기 위해서는 1) 드럼 내 포의 불균형(Unbalance)을 정밀하게 감지하고, 이를 수평 상태 진단에 활용하거나, 2) 여러 번의 운전 데이터를 서버에 저장하고, 누적에 의한 방법으로 정확도를 높이는 방법, 3) 더 많은 rpm에서의 진동(크기, 비, 위상 등) 데이터를 입력으로 사용하는 방법이 있다.

도 11은 본 발명의 일 실시 예에 따른 세탁기(100)의 탈수 속도 및 가속구간 프로파일의 예시도이다. 세탁기(100)의 탈수 동작은 드럼 회전을 시작하여 최대 속도에 도달하게 된다. 전술한 바와 같이, 변위크기와 변위비를 이용하여 수평감지를 하는 경우, 같은 세탁기, 같은 세탁포 분포 상태라도 드럼의 회전 속도에 따라 진동은 달라지게 된다. 따라서 도 11은 가속구간(170)과, 속도 유지 구간(180)에서 변위 및 변위비를 추정하고, 어느 rpm에서의 진동값이 수평을 감지하기에 더 유리한지 파악하면 이를 통해 더 높은 동적 수평 불량 감지 성능을 얻을 수 있다.

도 12는 본 발명의 일 실시 예에 따른 세탁기(100)의 기계학습에 사용할 학습 데이터의 예시도이다. 실제 진동 데이터는 데이터 세트의 품질을 떨어트리는 이상값 또는 손상된 값이 포함될 수 있다. 학습 데이터는 불완전(데이터에 특성이 없거나 값이 누락됨), 노이즈 많음(데이터에 잘못된 레코드 또는 이상값 존재), 및 불일치(데이터에 충돌하는 레코드 또는 일치하지 않는 값 존재)의 일반적인 데이터 품질 문제가 자주 발생한다. 따라서, 기계학습 및 인공신경망 모델의 성능을 높이기 위해 학습시키는 데이터를 전처리할 수 있다. 도 12는 어느 rpm에서의 진동값이 수평을 감지하기에 더 유리한지 파악하기 위해, 학습 데이터에 사용하는 피처의 중요도를 F-score로 평가한 도표이다. 도 12의 도표에 따르면, 피처 중요도가 높은 상위 피처들인 470_Dy, 3402_Dy, 600_ratio, 470_ratio, 3402_Dz을 선택하면 더 좋은 성능을 얻을 수 있을 것이다. 따라서, 진동 데이터의 전처리를 통해 이러한 중요 데이터를 선택함으로써 진동 감지 성능을 높일 수 있다.

.

도 13은 동적 수평을 감지하기 위한 딥러닝 구조 및 결과의 예시도이다. 도 13은 도 12의 피처 중요도 평가에 이용되는 F-score가 높은 상위 5개 피처인 470_Dy, 3402_Dy, 600_ratio, 470_ratio, 3402_Dz의 입력 레이어, 후방좌측 뜸(BL 1mm), 수평(0), 우방우측 뜸(BR 1mm)의 출력 레이어, 및 6개의 히든 레이어로 구성된 딥러닝 구조로 학습시킨 결과, 검증 정확도(val acc)가 0.95인 것을 도시한다. 이는 이러한 F-score가 높은 피처를 사용한 경우 95%의 검증 정확도(accuracy)를 얻을 수 있음을 보여준다.

신경망 모델에 학습 데이터 세트를 학습시키기 전에 데이터 전처리하면 더 높은 감지 성능을 얻을 수 있는데, K-select법을 통해 우선 인자를 선택하여 신경망 모델을 적용한 결과, 도 13에 도시된 바와 같이 기존 결정 트리 대비 5~10%의 더 높은 감지 성능을 얻어 낼 수 있었다. SVM등 기타 다른 Machine Learning 기술을 적용하여도 성능 개선이 이루어졌다.

도 14는 본 발명의 일 실시 예에 따른 세탁기(100)의 예측/실제의 발생 건수에 관한 혼동 매트릭스의 예시도이다. 도 14는 누적 진동 데이터에 나이브 베이즈 (Naive Bayesian) 분류를 사용하여 예측의 신뢰도가 특정 %이상일 때, 예를 들어 99.9% 또는 98.5% 이상일 때만 고객에게 수평 불량 상태를 알리는 실시 예이다. 나이브 베이즈 분류는 조건부 확률을 이용하여 예측과 예측의 정확도를 추정하는 방법이다. 도 14의 혼동 메트릭스에서 전체 159회를 실행했을 때 후방좌측(BL)뜸의 Precision은 100%, 수평정상의 Precision은 93%, 그리고 후방우측(BR) 뜸의 Precision은 98%이다. 후방우측(BR) 뜸의 Precision을 고려하여, 세탁기(100)를 복수 회 작동시킬 때 동적 수평 불량의 예측의 신뢰도를 높이기 위해 나이브 베이지 분류를 사용할 수 있다.

전체 159회 실행 중 예측이 후방우측(BR)뜸이 나온 경우 도 14에서 발생한 건수를 확인하면, 실제 후방우측(BR)뜸일 확률은 46/47=97.8%, 정상일 확률 1/47%, 후방좌측(BL)뜸일 확률 0%가 되고 확률값이 가장 높은 후방우측(BR)뜸 판정하게 된다. 이 때 예측이 맞을 확률은 97.8%가 된다. 그러나 알림을 하는 기준인 99.9%에는 미달하므로, 알림을 하지 않는다.

수평상태가 변하지 않았음을 가정하고, 세탁기(100)가 한번 더 운전하여 예측이 또 후방우측(BR)뜸이 나온 경우(BR뜸, BR뜸 나온 경우)의 조건부 확률을 계산하면, 실제 후방우측(BR)뜸일 확률은 46/51*46/51/(1/65*1/65+46/51*46/51)=99.97%가 된다. 따라서, 기준인 99.9% 이상이므로 알림을 하게 된다.

누적이 많아질수록 정확도는 올라가지만, 불량을 늦게 감지하는 문제가 있다. 대략적으로 예측 정확도가 90% 이상이면 통상 3~4번의 데이터가 누적되었을때 99.9% 수준의 예측이 가능하며, 1년에 100번 정도 운전을 하면 10년에 한번 틀리는 수준의 예측 정확도가 나오므로, 누적데이터는 3~4번 정도가 바람직하다.

도 15는 본 발명의 일 실시 예에 따른 세탁기(100) 또는 동적 수평 불량 감지 시스템에서 동적 수평을 감지하는 방법의 흐름도이다. 이하의 설명에서 도 1 내지 도 14에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

도 15을 참조하면, 세탁기(100)가 작동을 시작하면(S610), S620단계에서, 세탁기(100)의 작동 중 바닥과 접촉하는 세탁기(100)의 다리들 중 2개의 다리를 연결하는 특정 진동 축으로부터 일정 거리로 떨어져 세탁기(100)의 캐비닛에 부착된 진동센서(110)에서 진동을 감지한다.

S630단계에서, 제어부에서 세탁기(100)의 작동 동안 진동센서(110)에 의해 감지된 진동 신호를 수신하여 진동 데이터로 프로세싱한다. 일 실시 예에서 프로세싱되는 진동 데이터는 변위크기, 변위비, 및 위상 중 하나 이상이다.

S640에서, 제어부 또는 제어부로부터 진동 데이터를 수신한 서버는 세탁기(100)의 다리들 중 2개의 다리를 연결하는 진동축들을 중심으로 진동 축들을 구성하지 않는 세탁기(100)의 다리들이 계속 바뀌면서 진동하는 세탁기(100)의 동적 수평 상태에서, 진동하는 다리들이 바닥으로부터 뜸의 정도가 특정 범위를 벗어나면 동적 수평 불량 상태로 결정하도록 진동 데이터를 프로세싱한다.

S650에서, 제어부 및/또는 서버는 동적 수평 불균형을 결정하는 단계의 결과를 저장하고, S660에서, 세탁기 패널부, 또는 스마트 폰 앱을 통해 동적 수평 불균형 상태 여부를 사용자에게 알리거나, 사용자에게 수평 재조절을 요청한다. 동적 수평 불균형을 결정하는 방법은 세탁기(100)의 최초 설치시 시범 운전을 통해 수행될 수 있다.

도 16은 본 발명의 일 실시 예에 따른 세탁기(100) 또는 동적 수평 불량 감지 시스템의 동적 수평 불량을 감지하는 방법의 흐름도이다. 이하의 설명에서 도 1 내지 도 15에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

본 발명의 일 실시 예에서, S640단계의 세탁기(100)의 동적 수평 불량 결정 단계는 기계학습을 통해 세탁기(100)의 동적 수평 불량을 결정하는 방법(S641단계 내지 S648단계)을 포함할 수 있다.

S641단계에서, 제어부 및/또는 서버는 세탁기(100)의 복수 회 작동으로 변위, 변위비 및 위상 중 하나 이상의 피처들 및 상기 피처들에 대해 레이블된 동적 수평 또는 동적 수평 불균형 결과값들을 수집한다.

S642단계에서, 제어부 및/또는 서버는 기계학습(Marchine Learning) 알고리즘을 적용하기 위한 학습 데이터 세트(training data set) 및/또는 테스트 데이터 세트(test data set)를 생성한다. 테스트 데이터 세트는 학습 데이터 세트 중 일부를 분리한 것이기 때문에, 학습 데이터 세트만 생성하고, 나중에 학습 데이터 세트의 일부에서 테스트 데이터 세트를 선정할 수 있다. 딥러닝 구조 적용에 앞서 학습시킬 데이터의 품질이 중요하므로, 데이터 전처리로 동적 수평 불량 감지 성능을 높일 수 있다.

S643단계에서, 제어부 및/또는 서버는 학습 데이터 세트 및 테스트 데이터 세트를 메모리부에 저장한다.

S644단계에서, 제어부 및/또는 서버는 학습 데이터 세트를 기계학습 알고리즘을 통해 학습시킨다.

S645단계에서, 제어부 및/또는 서버는 학습 데이터 세트를 학습시킨 모델을 테스트 데이터 세트를 통해 테스트하여 학습된 모델을 결정한다.

S646단계에서, 학습된 모델을 결정한 후에 수신된 진동 데이터에 대해 학습된 모델을 통해 동적 수평 불균형을 결정한다. .

본 발명의 다른 실시 예에 따른 동적 수평 불균형 결정 단계(S640)는 학습된 모델을 재학습시킬 수 있다.

S647단계에서, 추가된 진동 및 작동 데이터들은 수평감지 알고리즘을 재학습시키는데 활용될 수 있기 때문에, 제어부 및/또는 서버는 학습된 모델을 통해 동적 수평 불균형을 결정한 이후에 세탁기(100)를 작동시키고 수신된 진동 데이터 및 이후 추가적인 진동 데이터를 서버에서 재학습시켜서 재학습된 모델을 생성할 수 있다.

S648단계에서, 제어부 및/또는 서버는 재학습된 모델을 생성한 후에 세탁기(100)를 작동시키고 추가적인 진동 데이터를 수신하고 재학습된 모델을 통해 동적 수평 불균형을 결정할 수 있다. ,

5. 수평감지 진단 알림 및 수평 재조절 서비스

도 17은 본 발명의 일 실시 예에 따른 세탁기(100)의 동적 수평 불량 감지 시스템에서 동적 수평 불량 결과를 알리는 방법의 예시도이다.

동적 수평 불량 감지 알고리즘을 통해서 수평 감지된 결과는 세탁기(100) 최초 설치시 그리고 사용자가 실사용할 때 활용될 수 있다. 세탁기(100)를 최초 설치한 후에 지정된 부하(젖은 타월1개, 또는 고무 고정 UB)를 투입하여 시운전하며, 이 때의 진동 값을 이용하여 수평 설치 상태가 어떤지를 감지하고, 설치기사에게 완벽한 수평상태를 맞추기 위하여 다리를 조절하는 가이드를 안내할 수 있다.

또한, 고객 사용자가 세탁기(100)를 실제 사용하는 도중에 이전 설치나, 워킹(walking) 등에 의해 수평상태가 변한 경우를 감지할 수 있다. 세탁기(100)의 진동데이터들은 WiFi 등을 통해 ThinQ 서버로 전송되어 저장되고, 진단 서버는 이 데이터로부터 개별 세탁기(100)의 수평 상태를 감지할 수 있다. 수평 상태의 불량이 감지되면, 진단서버는 WiFi 등을 통해 세탁기(100) 디스플레이 또는 LG전자(주)의 ThinQ 앱으로 고객에게 수평 상태 불량을 알린다. 세탁기 사용자인 고객은 디스플레이 버튼 누름 또는 ThinQ 앱 버튼 누름을 통해 간단하게 수평 재조절 설치 요청을 할 수 있으며, 재조절 요청 시 설치 기사 방문을 통해 수평 재조정 서비스를 진행한다. 고객이 자가조치가 가능할 경우, 수평 재조절 가이드를 알려주고, 최초 설치 진단 모드를 재수행 하게 하여 세탁기 수평을 재조절할 수 있다.

이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

이상 설명된 본 발명의 실시 예는 또한, 모터의 회전에 의해 다리가 진동하는 기타 다른 제품들, 예를 들어 건조기 등 다른 전자기기 내지 산업용 제품에도 그대로 적용될 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

1: 세탁시스템 구동환경 100: 세탁기
101: 후방우측(BR)다리 -3/4mm일 때 소음곡선
102: 후방우측(BR)다리 +4/4mm일 때 소음곡선
110: 진동센서 120: 후방좌측(BL)뜸 회전축
130: 후방우측(BR)뜸 회전축 140: X축방향 변위
141: Y축방향 변위 142: Z축방향 변위
150: 진동센서의 실측 위치 151: 후방우측(BR) 뜸 변위비 곡선
152: 후방좌측(BL) 뜸 변위비 곡선
170: 가속구간 180: 속도 유지 구간
200: 서버 300: 사용자 단말기
400: 출력장치 500: 네트워크

Claims (20)

1. 진동 센서 및 상기 진동센서로부터의 신호를 프로세싱하는 제어부를 포함하는 세탁기 또는 세탁기와 통신하는 서버에서, 세탁기의 동적 수평 불량을 결정하는 방법으로서,
   a) 세탁기를 작동시키는 단계;
   b) 세탁기의 작동 동안 바닥과 접촉하는 세탁기의 다리들 중 2개의 다리를 연결하는 특정 진동 축으로부터 일정 거리로 떨어져 세탁기의 캐비닛에 부착된 진동센서에서 진동을 감지하는 단계;
   c) 상기 제어부에서 세탁기의 작동 동안 상기 진동센서에 의해 감지된 진동 신호를 수신하여 진동 데이터로 프로세싱하는 단계; 및
   d) 세탁기의 다리들 중 2개의 다리를 연결하는 진동축들을 중심으로 진동 축들을 구성하지 않는 세탁기의 다리들이 바뀌면서 진동하는 세탁기의 동적 수평 상태에서, 진동하는 다리들이 바닥으로부터 뜸의 정도가 특정 범위를 벗어나면, 상기 제어부 또는 상기 제어부로부터 진동 데이터를 수신한 서버는 동적 수평 불량 상태로 결정하도록 상기 진동 데이터를 프로세싱하는, 동적 수평 불량 결정 단계;를 포함하는,
   세탁기의 동적 수평 불량을 결정하는 방법.
2. 제1항에 있어서,
   상기 d)동적 수평 불량 결정 단계는 세탁기의 작동 동안 상기 진동센서에 의해 감지되는 신호로부터 결정되는 i)진동 센서의 변위, ii)상기 변위의 수평 성분에 대한 수직 성분의 비인 변위비, 및 iii)상기 변위가 바닥면과 평행한 진동 축을 포함하는 수평면과 이루는 각도인 위상 중 하나 이상을 기초로 동적 수평 불량을 결정하는 것을 포함하는,
   세탁기의 동적 수평 불량을 결정하는 방법.
3. 제2항에 있어서,
   상기 d)동적 수평 불량 결정 단계는
   i) 상기 진동 센서가 세탁기 캐비닛의 모서리의 가운데에 위치될 경우 위상을 통하여 동적 수평 불량을 결정하고,
   ii) 상기 진동 센서가 네 모서리가 서로 교차하는 꼭지점에 위치될 경우 변위비를 통해 동적 수평 불량을 결정하는 것을 포함하는,
   세탁기의 동적 수평 불량을 결정하는 방법.
4. 제1항 내지 제3항 중 어느 한 항에 있어서,
   상기 동적 수평 불량을 결정하는 방법은 세탁기의 최초 설치시 시범 운전을 통해 수행되고,
   상기 d) 동적 수평 불량 결정 단계 후에, 세탁기 패널부 또는 스마트 폰 앱을 통해 동적 수평 불량 상태 여부를 사용자에게 알리거나, 사용자에게 수평 재조절 방법을 알리거나, 사용자에게 수평 재조절을 요청하는 단계를 더 포함하는,
   세탁기의 동적 수평 불량을 결정하는 방법.
5. 제2항에 있어서,
   상기 d)동적 수평 불량 결정 단계는
   상기 제어부 또는 서버가 상기 d) 동적 수평 불량 결정 단계에서 결정된 변위, 변위비 및 위상 중 하나 이상의 피처들 및 상기 피처에 대해 레이블된 동적 수평 또는 동적 수평 불량 결과값들을 수집하여 학습 데이터 세트(training data set)를 생성하고, 동적 수평 불량을 결정하기 위해 학습 데이터 세트를 기계학습 알고리즘을 통해 학습시켜서 학습된 모델을 결정하고, 그리고, 학습된 모델을 결정한 후에 수신된 진동 데이터에 대해 학습된 모델을 통해 동적 수평 불량을 결정하는 것을 포함하는,
   세탁기의 동적 수평 불량을 결정하는 방법.
   
6. 제5항에 있어서,
   상기 d)동적 수평 불량 결정 단계는
   상기 기계학습 알고리즘은 상기 변위, 변위비 및 위상 중 하나 이상을 입력 레이어로, 그리고 4개 다리를 갖는 세탁기의 후방좌측다리 뜸, 후방우측다리 뜸 및 수평정상을 출력 레이어로 하는 딥러닝 구조가 적용되는,
   세탁기의 동적 수평 불량을 결정하는 방법.
7. 제1항에 있어서,
   e) 상기 제어부 또는 서버가 상기 d) 동적 수평 불량을 결정하는 단계의 결과를 저장하는 단계; 및
   f) 세탁기 패널부, 또는 스마트 폰 앱을 통해 동적 수평 불량 상태 여부를 사용자에게 알리거나, 사용자에게 수평 재조절을 요청하는 단계;를 더 포함하는,
   세탁기의 동적 수평 불량을 결정하는 방법.
   
8. 제5항에 있어서,
   상기 기계학습 알고리즘은 세탁기를 복수 회 작동시킬 때 나이브 베이즈 분류(Naive Bayses Classification)가 적용되고,
   상기 f) 동적 수평 불량 상태 여부를 사용자에게 알리거나, 사용자에게 수평 재조절을 요청하는 단계는 상기 진동 데이터에 나이브 베이즈 분류를 사용하여 동적 수평 불량 예측의 신뢰도가 특정 % 이상일 때만 동적 수평 불량 상태 여부를 사용자에게 알리거나, 사용자에게 수평 재조절을 요청하는 것을 포함하는,
   세탁기의 동적 수평 불량을 결정하는 방법.
   
9. 제2항에 있어서,
   상기 서버에서 상기 d) 동적 수평 불량 결정 단계는
   상기 세탁기와 동일한 제품 세탁기에 대해 동적 수평 및 동적 수평 불량을 결정한 변위, 변위비 및 위상 중 하나 이상의 피처 및 상기 피처에 대한 동적 수평 또는 동적 수평 불량 결과값를 수신하여 저장하고,
   상기 변위, 변위비 및 위상 중 하나 이상의 피처들 및 상기 피처들에 대해 레이블된 동적 수평 또는 동적 수평 불량 결과값들을 수집하여 학습 데이터 세트를 생성하고, 동적 수평 불량을 결정하기 위해 학습 데이터 세트를 기계학습 알고리즘을 통해 학습시켜서 학습된 모델을 결정하고, 그리고
   동일한 제품 세탁기에 대해 학습된 모델을 상기 세탁기 적용하여 세탁기의 동적 수평 불량을 결정하는 것을 포함하는,
   세탁기의 동적 수평 불량을 결정하는 방법.
   
10. 제5항 또는 제9항에 있어서,
    상기 기계학습 알고리즘의 학습 데이터 세트는 기계학습 알고리즘의 학습에 사용될 학습 데이터의 품질을 높이기 위해 데이터 전처리 과정을 거치는,
    세탁기의 동적 수평 불량을 결정하는 방법.
    
11. 세탁기의 작동 동안 바닥과 접촉하는 세탁기의 다리들 중 2개의 다리를 연결하는 진동 축으로부터 일정 거리로 떨어져 세탁기의 캐비닛에 부착된 진동센서;
    세탁기의 작동 동안 상기 진동센서에 의해 감지된 진동 신호를 수신하여 진동 데이터로 프로세싱하는 제어부;를 포함하고,
    상기 제어부는 세탁기의 다리들 중 2개의 다리를 연결하는 진동축들을 중심으로 진동 축들을 구성하지 않는 세탁기의 다리들이 계속 바뀌면서 진동하는 세탁기의 동적 수평 상태에서, 진동하는 다리들이 바닥으로부터 뜸의 정도가 특정 범위를 벗어나면 동적 수평 불량 상태로 결정하도록 상기 진동 데이터를 프로세싱하는,
    세탁기의 동적 수평 불량을 결정하는 장치.
    
12. 제11항에 있어서,
    상기 제어부는 세탁기의 작동시 상기 진동센서에 의해 감지되는 신호로부터 결정되는 i)진동 센서의 변위, ii)상기 변위의 수평 성분에 대한 수직 성분의 비인 변위비, 및 iii)상기 변위가 바닥면과 평행한 진동 축을 포함하는 수평면과 이루는 각도인 위상 중 하나 이상을 기초로 동적 수평 불량 상태로 결정하는,
    세탁기의 동적 수평 불량을 결정하는 장치.
    
13. 제12항에 있어서,
    세탁기는 4개의 다리를 갖고,
    상기 제어부는 상기 변위비를 기초로 후방좌측다리 뜸, 후방우측다리 뜸, 및 수평 중 하나를 결정하는,
    세탁기의 동적 수평 불량을 결정하는 장치.
    
14. 제12항에 있어서,
    상기 제어부는
    i) 상기 진동 센서가 세탁기 캐비닛의 모서리의 가운데에 위치될 경우 위상을 통하여 동적 수평 불량을 결정하고,
    ii) 상기 진동 센서가 네 모서리가 서로 교차하는 꼭지점에 위치될 경우 변위비를 통해 동적 수평 불량을 결정하는,
    세탁기의 동적 수평 불량을 결정하는 장치.
    
15. 제11항 내지 제14항 중 어느 한 항에 있어서,
    상기 제어부는 세탁기의 최초 설치시 시범 운전을 통해 동적 수평 불량 상태를 결정하고, 세탁기 패널부 또는 스마트 폰 앱을 통해 동적 수평 불량 상태 여부를 사용자에게 알리거나, 사용자에게 수평 재조절을 요청하는,
    세탁기의 동적 수평 불량을 결정하는 장치.
    
16. 제12항 내지 제14항 중 어느 한 항에 있어서,
    상기 제어부는
    세탁기의 복수 회 작동으로 상기 동적 수평 불량 결정한 후 결정된 변위, 변위비 및 위상 중 하나 이상의 피처들 및 상기 피처들에 대해 레이블된 동적 수평 또는 동적 수평 불량 결과값들을 수집하여 학습 데이터 세트를 생성하고,
    세탁기의 동적 수평 불량을 결정하기 위해 상기 학습 데이터 세트를 기계학습 알고리즘을 통해 학습시켜서 학습된 모델을 결정하고, 그리고
    학습된 모델을 결정한 후에 수신된 진동 데이터에 대해 학습된 모델을 통해 동적 수평 불량을 결정하는,
    세탁기의 동적 수평 불량을 결정하는 장치.
    
17. 세탁기 및 세탁기와 원격으로 통신하는 서버를 포함하는, 세탁기의 동적 수평 불량을 결정하는 시스템으로서,
    상기 세탁기는
    세탁기의 작동 동안 바닥과 접촉하는 세탁기의 다리들 중 2개의 다리를 연결하는 진동 축으로부터 일정 거리로 떨어져 세탁기의 캐비닛에 부착된 진동센서; 및
    세탁기의 작동 동안 상기 진동센서에 의해 감지된 진동 신호를 수신하여 진동 데이터로 프로세싱하는 제어부;를 포함하고,
    상기 서버는
    상기 제어부로부터 상기 진동 데이터를 수신하고, 세탁기의 작동 동안 세탁기의 다리들 중 2개의 다리를 연결하는 진동축들을 중심으로 진동 축들을 구성하지 않는 세탁기의 다리들이 계속 바뀌면서 진동하는 세탁기의 동적 수평 상태에서, 진동하는 다리들이 바닥으로부터 뜸의 정도가 특정 범위를 벗어나면 동적 수평 불량 상태로 결정하도록 상기 진동 데이터를 프로세싱하고,
    세탁기의 복수 회 작동으로 상기 동적 수평 불량 결정한 후 결정된 변위, 변위비 및 위상 중 하나 이상의 피처들 및 상기 피처들에 대해 레이블된 동적 수평 또는 동적 수평 불량 결과값들을 수집하여 학습 데이터 세트를 생성하고,
    세탁기의 동적 수평 불량을 결정하기 위해 상기 학습 데이터 세트를 기계학습 알고리즘을 통해 학습시켜서 학습된 모델을 결정하고,
    학습된 모델을 결정한 후에 수신된 진동 데이터에 대해 학습된 모델을 통해 동적 수평 불량을 결정하는,
    세탁기의 동적 수평 불량을 결정하는 시스템.
    
18. 제17항에 있어서,
    상기 서버는 세탁기 패널부, 또는 스마트 폰 앱을 통해 동적 수평 불량 상태 여부를 사용자에게 알리거나, 사용자에게 수평 재조절 방법을 알리거나, 사용자에게 수평 재조절을 요청하는,
    세탁기의 동적 수평 불량을 결정하는 시스템.
19. 제17항에 있어서,
    상기 기계학습 알고리즘은 세탁기를 복수 회 작동시킬 때 나이브 베이즈 분류가 적용되고,
    상기 진동 데이터에 나이브 베이즈 분류를 사용하여 동적 수평 불량 예측의 신뢰도가 특정% 이상일 때만 동적 수평 불량 상태 여부를 사용자에게 알리거나, 사용자에게 수평 재조절을 요청하는 것을 포함하는,
    세탁기의 동적 수평 불량을 결정하는 시스템.
20. 제17항에 있어서,
    상기 서버는
    상기 세탁기와 동일한 제품 세탁기에 대해 동적 수평 및 동적 수평 불량을 결정한 변위, 변위비 및 위상 중 하나 이상의 피처들 및 상기 피처들에 대해 레이블된 동적 수평 또는 동적 수평 불량 결과값들을 수집하고,
    상기 하나 이상의 피처들 및 상기 피처들에 대해 레이블된 동적 수평 또는 동적 수평 불량 결과값들로 학습 데이터 세트를 생성하고, 동적 수평 불량을 결정하기 위해 학습 데이터 세트를 기계학습 알고리즘을 통해 학습시켜서 학습된 모델을 결정하고, 그리고
    동일한 제품 세탁기에 대해 학습된 모델을 상기 세탁기 적용하여 세탁기의 동적 수평 불량을 결정하는 것을 포함하는,
    세탁기의 동적 수평 불량을 결정하는 시스템.
    
    
    

Images