KR20190087348A - 의류처리장치 및 의류처리장치의 동작 방법 - Google Patents

의류처리장치 및 의류처리장치의 동작 방법 Download PDF

Info

Publication number
KR20190087348A
KR20190087348A KR1020190080791A KR20190080791A KR20190087348A KR 20190087348 A KR20190087348 A KR 20190087348A KR 1020190080791 A KR1020190080791 A KR 1020190080791A KR 20190080791 A KR20190080791 A KR 20190080791A KR 20190087348 A KR20190087348 A KR 20190087348A
Authority
KR
South Korea
Prior art keywords
information
temperature
clothes
user
processing apparatus
Prior art date
Application number
KR1020190080791A
Other languages
English (en)
Inventor
이효성
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190080791A priority Critical patent/KR20190087348A/ko
Publication of KR20190087348A publication Critical patent/KR20190087348A/ko
Priority to US16/562,246 priority patent/US11150676B2/en

Links

Images

Classifications

    • D06F58/28—
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/1902—Control of temperature characterised by the use of electric means characterised by the use of a variable reference value
    • G05D23/1904—Control of temperature characterised by the use of electric means characterised by the use of a variable reference value variable in time
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/04—Signal transfer or data transmission arrangements
    • D06F34/05—Signal transfer or data transmission arrangements for wireless communication between components, e.g. for remote monitoring or control
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F58/00—Domestic laundry dryers
    • D06F58/20—General details of domestic laundry dryers 
    • D06F58/26—Heating arrangements, e.g. gas heating equipment
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F58/00—Domestic laundry dryers
    • D06F58/30—Drying processes 
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F58/00—Domestic laundry dryers
    • D06F58/32—Control of operations performed in domestic laundry dryers 
    • D06F58/34—Control of operations performed in domestic laundry dryers  characterised by the purpose or target of the control
    • D06F58/36—Control of operational steps, e.g. for optimisation or improvement of operational steps depending on the condition of the laundry
    • D06F58/38—Control of operational steps, e.g. for optimisation or improvement of operational steps depending on the condition of the laundry of drying, e.g. to achieve the target humidity
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F58/00—Domestic laundry dryers
    • D06F58/32—Control of operations performed in domestic laundry dryers 
    • D06F58/34—Control of operations performed in domestic laundry dryers  characterised by the purpose or target of the control
    • D06F58/36—Control of operational steps, e.g. for optimisation or improvement of operational steps depending on the condition of the laundry
    • D06F58/44—Control of operational steps, e.g. for optimisation or improvement of operational steps depending on the condition of the laundry of conditioning or finishing, e.g. for smoothing or removing creases
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/026—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/1917—Control of temperature characterised by the use of electric means using digital means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • D06F2058/2829—
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2101/00—User input for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/02—Characteristics of laundry or load
    • D06F2103/08—Humidity
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/28—Air properties
    • D06F2103/32—Temperature
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/14—Temperature of laundry
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/28—Electric heating
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/30—Blowers
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/56—Remaining operation time; Remaining operational cycles
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F58/00—Domestic laundry dryers
    • D06F58/10—Drying cabinets or drying chambers having heating or ventilating means
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/10—Weather information or forecasts
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/042—Public Land Mobile systems, e.g. cellular systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • H04W84/20—Master-slave selection or change arrangements

Landscapes

  • Engineering & Computer Science (AREA)
  • Textile Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Control Of Washing Machine And Dryer (AREA)
  • Air Conditioning Control Device (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)

Abstract

사물 인터넷을 위해 연결된 5G 환경에서 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 실행하여 의류의 온도 및 작동시간을 제어하는 의류처리장치 및 의류처리장치의 동작 방법이 개시된다. 개시되는 내용의 일 실시예에 따른 의류처리장치는 통신부, 제어부, 메모리, 수납고, 순환유로, 온도센서, 온도조절부 및 송풍팬을 포함한다. 통신부는 기상정보와 복수 개의 연계기기들 각각의 작동정보를 수집한다. 그리고, 통신부는 휴대단말기, 웨어러블기기 및 차량으로부터 사용자의 활동정보나 생체정보를 수집한다. 수집된 정보는 군집화, 딥러닝 및 강화학습을 통해 사용자가 선호하는 의류의 온도로 도출되고, 도출된 목표온도를 기초로 의류의 온도가 조절된다.

Description

의류처리장치 및 의류처리장치의 동작 방법{CLOTHES TREATING APPARATUS AND METHOD FOR OPERATING THE CLOTHES TREATING APPARATUS}
개시되는 내용은 의류처리장치 및 의류처리장치의 동작 방법에 관한 것으로, 보다 상세하게는 기상정보, 사물인터넷 기반의 가전장치, 웨어러블기기, 차량 및 휴대단말기 등을 통해 수집된 데이터를 기계학습 함으로써, 보관된 의류를 사용자의 상태에 적합한 온도로 조절해서 제공하는 의류처리장치 및 의류처리장치의 동작 방법에 관한 것이다.
일반적으로 의류처리장치는 의복의 세탁, 건조, 보관과 관련된 장치들로서 의류를 보관하거나, 관리 또는 처리하기 위한 것이다.
의류처리장치는 세탁기, 건조기, 구김제거기, 먼지제거기 등이 있다.
관련기술로서, 대한민국공개특허 제10-2016-0111685호는 '의류처리장치 및 그 제어방법을 개시한다. 관련기술은 의류의 건조, 먼지제거 및 주름제거가 수행되는 의류처리장치 및 그 제어방법에 관한 것이다.
관련기술은 의류가 거치되는 케이스를 포함하고, 케이스에는 스팀유닛을 통해 스팀이 공급된다. 스팀유닛은 송풍유닛, 온도센서, 히트펌프유닛 및 제어유닛을 포함한다. 이러한 구성들을 통해 의류가 보관된 케이스로 열풍이 순환되고, 제어유닛은 열풍의 온도를 제어한다. 하지만, 관련기술에 개시된 의류처리장치는 의류의 건조를 위해 스팀유닛을 채택한 것으로, 스팀유닛을 통해 순환되는 열풍은 의류의 건조를 위해 상대적으로 높은 온도이다. 따라서, 케이스 내부에 보관된 의류를 인출해 사용자가 착용할 경우에 의류는 상대적으로 뜨거운 상태일 수밖에 없었다. 의복을 의류처리장치에서 인출하여 입는 과정에서 의류가 뜨거운 상태로 인출되는 것은 사용자가 바로 착용하는 것을 어렵게 만들고, 소정의 시간이 경과한 후 의류의 온도가 낮아지길 기다려야 한다는 문제점이 있었다.
전술한 관련기술은 발명자가 개시되는 내용을 위해 보유하고 있었거나, 개시되는 내용의 도출 과정에서 습득한 기술 정보로서, 반드시 개시되는 내용의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
개시되는 내용의 일 과제는, 실내외의 환경, 사용자의 활동상태, 사용자의 신체상태를 감지해 사용자가 선호하는 의류의 온도를 예측하고, 사용자가 선호하는 온도로 세팅된 의류를 사용자에게 제공하는 것이다.
개시되는 내용의 다른 과제는, 5G망으로 연결된 사물인터넷을 활용함으로써 빠른 정보의 수집 및 광범위한 데이터들을 활용해 사용자에게 맞춰진 의류관리를 제공하는 것이다.
개시되는 내용의 또 다른 과제는, 사용자의 생활패턴, 행동패턴을 파악해 사용자의 예상 외출시간을 도출하고, 사용자가 의류를 인출할 확률이 높은 시간대를 파악함으로써 적시에 관리된 의류를 사용자에게 제공하는 것이다.
개시되는 내용의 또 다른 과제는, 온도나 인출시간을 예측하기 위한 알고리즘을 인공지능 및 기계학습을 통해 반복적으로 갱신해 나감으로써 사용을 할수록 정확성이 향상되는 예측알고리즘을 제공하는 것이다.
개시되는 내용의 또 다른 과제는, 사용자의 외출을 예측하고, 예측된 시간에 맞추어 가동됨으로써 전기에너지를 절약하는 것이다.
개시되는 내용의 과제들은 이상에서 언급한 내용들로 제한되지 않으며, 언급되지 않은 또 다른 과제나 목적들은 하기의 설명에 의해서 이해될 수 있을 것이다.
개시되는 내용의 일 실시예에 따른 의류처리장치는, 본체, 도어, 순환유로, 통신부 및 제어부를 포함하고, 제어부는 통신부를 통해 수집된 기상정보, 연계기기들의 작동정보, 사용자의 활동정보 및 생체정보를 통해 사용자가 선호하는 목표온도를 도출한다. 제어부는 도출된 목표온도에 맞춰 의류의 온도를 조절한다.
구체적으로는, 본체는 내측공간에 의류를 걸어서 수납할 수 있도록 마련된 수납고를 포함한다.
도어는 수납고를 열거나 닫을 수 있도록 본체에 결합된다.
순환유로는 본체의 내부에 형성되는 공기유로이다. 순환유로에는 송풍팬을 통해 공기가 순환된다. 순환유로는 수납고로 연결되어 수납고로 공기가 유입되는 흡기구, 수납고와 연결되어 수납고로부터 공기가 복귀하는 배기구, 흡기구의 공기온도를 계측하는 제1온도센서, 배기구의 공기온도를 계측하는 제2온도센서 및 공기를 가열 또는 냉각시키는 온도조절부를 포함한다.
개시되는 내용의 일 실시예에 따른 의류처리장치에서, 통신부는 제1통신부, 제2통신부 및 제3통신부를 포함한다. 제1통신부는 무선통신을 이용해 서버에 접속하고, 기상정보를 수집한다. 제2통신부는 연계기기들 각각의 작동정보를 수신한다. 제3통신부는 차량, 휴대단말기 및 웨어러블기기를 포함하는 이동기기로부터 사용자의 활동정보 및 생체정보를 수집한다.
그리고, 제어부는 통신부를 통해 수집된 정보를 딥 러닝을 통해 분석함으로써 목표온도를 도출한다.
개시되는 내용의 일 실시예에 따른 의류처리장치는, 통신부를 통해 수집된 정보들이 제어부에서 군집화 과정을 거친 후 딥 러닝을 통해 분석된다.
개시되는 내용의 일 실시예에 따른 의류처리장치에서, 통신부를 통해 수집된 정보들은 특징공간 상에 도식화되어 k개의 특징점으로 분류가 이뤄지며, k개의 단어로 형성되는 사전으로 작성된다.
개시되는 내용의 일 실시예에 따른 의류처리장치에서, 제어부는 통신부를 통해 수집된 정보들을 사전에 대입하는 과정을 거쳐 딥 러닝을 수행한다.
개시되는 내용의 일 실시예에 따른 의류처리장치에서, 목표온도는 비지도 학습을 통해 학습된 딥러닝모델을 수행해 도출된다.
개시되는 내용의 일 실시예에 따른 의류처리장치에서, 딥러닝모델은 사용자가 추가정보를 입력해 설정을 변경하면 처리부에서 사용자가 입력한 추가정보를 반영해 강화학습을 수행한다. 그리고, 사용자가 입력한 추가정보와 목표온도의 차가 작을수록 큰 보상값을 갖도록 갱신된다.
개시되는 내용의 일 실시예에 따른 의류처리장치에서, 제어부는 수집된 정보들을 분석해 목표온도를 도출하는 온도관리부, 수집된 정보들을 분석해 의류의 예상 인출시간을 도출하는 스케줄관리부가 포함되는 처리부를 포함한다. 그리고, 제어부는 예상 인출시간에 수납고가 목표온도로 유지되도록 온도조절부 및 송풍팬을 제어한다.
개시되는 내용의 일 실시예에 따른 의류처리장치에서, 딥러닝모델은 처리부에서 예상 인출시간과 의류의 실제 인출시간 차이를 반영해 강화학습을 수행한다. 그리고, 예상인출시간과 실제 인출시간의 차이가 작을수록 큰 보상을 갖도록 갱신된다.
개시되는 내용의 일 실시예에 따른 의류처리장치의 동작 방법은 외부 장치를 통해 수집된 정보들을 이용해 의류처리장치를 동작시키는 방법이다.
제1단계는, 기상정보, 연계기기들 각각의 작동정보, 사용자의 위치정보, 이동정보 및 생체정보를 수집한다.
제2단계는, 기상정보, 연계기기들 각각의 작동정보, 사용자의 위치정보, 이동정보 및 생체정보를 제어부에서 온도예측 알고리즘을 통해 분석함으로써 목표온도를 도출한다.
제3단계는, 목표온도로 의류처리장치에 의류가 수납되는 수납고의 온도를 제어한다.
제4단계는, 기상정보, 연계기기들 각각의 작동정보, 사용자의 위치정보, 이동정보 및 생체정보를 제어부에서 인출시간 예측 알고리즘을 통해 분석함으로써 예상 인출시간을 도출한다.
제5단계는, 예상 인출시간에 의류처리장치의 의류가 수납되는 수납고의 온도가 목표온도가 되도록 제어한다.
제6단계는, 사용자가 의류를 인출한 실제 인출시간과 예상 인출시간의 차이를 분석해 강화학습을 수행하고, 실제인출시간과 예상 인출시간의 차가 작아지도록 예상 인출시간을 도출하기 위한 딥러닝모델을 갱신한다.
개시되는 내용의 일 실시예에 따른 의류처리장치의 동작 방법에서 제2단계는, 기상정보, 연계기기들 각각의 작동정보, 사용자의 위치정보, 이동정보 및 생체정보를 제어부에서 군집화 수행한 후, 온도예측 알고리즘이 수행된다.
개시되는 내용의 일 실시예에 따른 의류처리장치의 동작 방법에서 온도예측 알고리즘은, 처리부에서 메모리에 저장된 딥러닝모델을 참조해 수행한다.
개시되는 내용의 일 실시예에 따른 의류처리장치의 동작 방법에서 인출시간 예측 알고리즘은, 메모리에 저장된 딥러닝모델을 상기 제어부에 포함된 처리부에서 참조해 수행한다.
개시되는 내용의 일 실시예에 따른 의류처리장치의 동작 방법에서 제1단계는, 5G 기반의 사물인터넷망을 이용해 의류처리장치와 연계기기들이 서로 통신한다.
개시되는 내용에 의하면, 사용자의 생활패턴, 신체상태 등과 같은 특수한 조건들을 고려해 사용자에게 적합한 온도를 예측하고, 의류의 온도를 제어함으로써 사용자의 상황에 맞춰 세팅된 의류를 사용자에게 제공할 수 있다.
개시되는 내용에 의하면, 5G망으로 연결된 사물인터넷을 활용해 데이터를 수집함으로써 사용자에게 적합한 온도를 예측하기 위한 방대한 데이터를 상대적으로 빠른시간에 수집할 수 있다.
개시되는 내용에 의하면, 사용자의 외출확률이 높은 시간대에 의류를 관리하여 사용자에게 제공함으로써 별도의 조작 없이도 사용자가 관리된 의류를 착용할 수 있다.
개시되는 내용에 의하면, 사용을 할수록 예측알고리즘의 정확성이 향상되므로, 사용자 개인에게 최적화된 의류관리를 제공할 수 있게 된다.
개시되는 내용에 의하면, 적시에 작동되어 의류의 관리를 수행하므로 불필요한 작동이 감소함으로써 전기에너지의 낭비를 줄일 수 있다.
개시되는 내용의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 개시되는 내용의 일 실시예에 따른 의류처리장치, 이동기기, 가전기기, 서버 및 이들을 서로 연결하는 네트워크를 포함하는 의류처리장치 제어 환경의 예시도이다.
도 2는 개시되는 내용의 일 실시예에 따른 의류처리장치와 서버 간 통신 환경의 예시도이다.
도 3은 개시되는 내용의 다른 실시예에 따른 의류처리장치와 서버 간 통신 환경의 예시도이다.
도 4는 개시되는 내용의 일 실시예에 따른 의류처리장치에서 내부의 순환되는 공기의 유동경로를 개략적으로 도시한 단면도이다.
도 5는 개시되는 내용의 일 실시예에 따른 의류처리장치의 블록도이다.
도 6은 개시되는 내용의 일 실시예에 따른 의류처리장치의 메모리를 나타낸 블록도이다.
도 7은 개시되는 내용의 일 실시예에 따른 의류처리장치에서 수집된 정보들을 군집화하는 과정을 도시한 예시도이다.
도 8은 개시되는 내용의 일 실시예에 따른 의류처리장치에서 제1데이터세트가 군집화모델에 적용되는 과정을 도시한 예시도이다.
도 9는 개시되는 내용의 일 실시예에 따른 의류처리장치의 목표온도 설정과정을 도시한 흐름도이다.
도 10은 개시되는 내용의 일 실시예에 따른 의류처리장치에서 수납고를 목표온도로 설정하기 위한 제어 과정을 도시한 블록도이다.
도 11은 개시되는 내용의 일 실시예에 따른 의류처리장치에서 예상 인출시간의 도출 과정을 도시한 흐름도이다.
도 12는 개시되는 내용의 일 실시예에 따른 의류처리장치에서 수행되는 강화학습 모델을 설명하기 위한 예시도이다.
이하, 설명을 위한 개시되는 내용의 실시예들을 첨부도면을 참조하면서 보다 상세하게 서술하고자 한다. 상세한 설명 전체에 걸쳐 동일한 참조번호는 동일한 구성요소를 나타낸다.
도 1은 개시되는 내용의 일 실시예에 따른 의류처리장치(300), 이동기기(100), 가전기기, 서버(10) 및 이들을 서로 연결하는 네트워크를 포함하는 의류처리장치(300) 제어 환경의 예시도이고, 도 2는 개시되는 내용의 일 실시예에 따른 의류처리장치(300)와 서버(10) 간 통신 환경의 예시도이며, 도 3은 개시되는 내용의 다른 실시예에 따른 의류처리장치(300)와 서버(10) 간 통신 환경의 예시도, 도 4는 개시되는 내용의 일 실시예에 따른 의류처리장치(300)에서 내부의 순환되는 공기의 유동경로를 개략적으로 도시한 단면도이다.
도 1 내지 도 3에 도시된 바와 같이, 개시되는 내용에서 의류처리장치(300)의 제어 환경은 의류처리장치(300), 이동기기(100), 연계기기(200), 서버(10) 및 네트워크를 포함한다.
의류처리장치(300)는 본체(380) 및 도어(390)를 포함한다. 본체(380)는 내부에 의류가 수납될 수 있는 공간인 수납고(370)가 마련되고, 수납고(370)에는 의류를 걸어서 보관할 수 있는 지지부재가 배치될 수 있다.
수납고(370)는 본체(380)에 결합된 도어(390)가 본체(380)에 대하여 열리거나 닫힘에 따라, 외부로 개방됨으로써 의류가 인출되거나 수납될 수 있고, 또는 외부와 단절된 상태로 의류가 보관될 수 있다.
도 4에 도시된 바와 같이, 수납고(370)는 흡기구(342), 배기구(344) 및 환기구(346)를 포함할 수 있다. 흡기구(342) 및 배기구(344)는 본체(380) 내부로 공기가 순환하는 순환유로(348) 상에 배치되고, 순환유로(348)는 각각 흡기구(342)와 배기구(344)를 통해 수납고(370)와 연결된다. 즉, 본체(380)의 내부에선 일련의 공기가 순환유로(348)를 따라 흐르고, 순환유로(348)를 통해 일 방향으로 이동하는 공기는 흡기구(342)를 통해 수납고(370)로 유입되며, 배기구(344)를 통해 다시 순환유로(348)로 복귀한다.
이러한 공기의 흐름은 송풍팬(340)을 통해 이뤄질 수 있다. 이때, 흡기구(342)와 인접한 위치에 제1온도센서(320)가, 배기구(344)와 인접한 위치에는 제2온도센서(330)가 설치될 수 있다.
그리고, 순환유로(348) 상에서 제1온도센서(320)와 제2온도센서(330)의 사이에는 온도조절부가 배치될 수 있다. 온도조절부는 쿨러(350) 및 히터(360)의 조합으로서 제어부(400)의 제어에 따라 순환유로(348)를 통과하는 공기를 가열하거나 냉각시키는 역할을 수행한다.
수납고(370)는 외부와 통기될 수 있도록 환기구(346)를 더 포함할 수 있다.
다시, 도 1에 도시된 바를 살펴보면, 이동기기(100)는 사용자가 소지하거나, 착용하거나, 탑승할 수 있는 기기를 일컫는다. 개시되는 내용의 일 실시예에서 이동기기(100)는 휴대단말기(110), 웨어러블기기(120) 및 차량(130)을 포함할 수 있다.
의류처리장치(300)는 등록된 휴대단말기(110)로부터 GPS신호를 수신해 사용자의 위치변화 데이터를 수집할 수 있다. 또한, 사용자의 GPS가 변화하는 추세를 분석해 사용자의 이동정보도 수집할 수 있다. 그리고, 웨어러블기기(120)를 통해서는 사용자의 심박수, 체온과 같은 생체정보가 수집될 수 있다.
차량(130)은 차량(130)의 시동정보, 차량(130)의 이동정보를 의류처리장치(300) 또는 서버(10)로 전송할 수 있다.
이동기기(100)와 의류처리장치(300) 및/또는 서버(10)와의 통신은 5G 기반의 인터넷망을 통해 수행될 수 있다. 이는 예시적인 것으로서 개시되는 내용이 적용되는 실시예에 따라서 다양한 통신수단을 통해 구현될 수 있을 것이다.
개시되는 내용에서 연계기기(200)는 서버(10)와 통신이 가능하게 마련된 사물인터넷(Internet of Things, IoT) 기반의 가전용 전자기기를 칭한다.
연계기기(200)는 서버(10)와 통신이 가능하게 마련된 공기정화기(210), 공기조화기(220), TV(230), 보일러(240) 등이 될 수 있다.
연계기기(200)들은 각각의 작동상태를 서버(10)로 송출하고, 서버(10)로부터 다른 연계기기(200)들의 작동상태를 수신할 수 있다.
전술한 의류처리장치(300)와 휴대단말기(110) 의류처리장치(300)와 연계기기(200)들 간의 정보교환 또는 정보수집은 서버(10)를 매개로 이루어질 수 있다.
서버(10)는 각종 인공지능 알고리즘을 적용하는데 필요한 빅데이터 및 의류처리장치(300)를 동작시키는 데이터를 제공하는 데이터베이스(520) 서버(10)일 수 있다.
여기서 인공지능(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.
머신러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함한다.
구체적으로 머신러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기 보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.
서버(10)는 의류처리장치(300)와의 신호 송수신을 수행할 수 있다. 특히 이동기기(100) 및/또는 연계기기(200)로부터 서버(10)로 입력된 사용자의 이동정보, 생체정보, 차량(130)이동정보 및 연계기기(200)들의 작동정보들을 서버(10)로부터 의류처리장치(300)가 내려받을 수 있다.
이는 도 2에 도시된 바와 같이, 통신부(310)를 통해 수행될 수 있다.
개시되는 내용의 일 실시예에서는 도 2에 도시된 바와 같이, 서버(10)는 이동기기(100)와 연계기기(200)로부터 수집된 정보들을 저장하는 역할을 수행할 수 있다.
통신부(310)는 서버(10)로부터 이동기기(100)를 통해 수집한 사용자의 위치정보, 이동정보, 생체정보, 차량(130)이용정보를 내려받고, 연계기기(200)를 통해 수집한 각각의 연계기기(200)들의 작동정보 또한 내려받을 수 있다. 더하여, 의류처리장치(300)가 설치된 지역의 기상정보 또는 사용자가 위치한 장소의 기상정보를 내려받을 수도 있다.
제어부(400)는 수집된 정보들을 머신러닝을 통해 분석하고 그 결과를 이용해 의류처리장치(300)의 제어를 수행할 수 있다.
의류처리장치(300)에서 제어란, 온도조절부의 쿨러(350) 및 히터(360)를 통한 온도조절, 송풍팬(340)의 작동여부나 세기를 제어해 수납고(370)에 소정의 공기유동을 유도함과 아울러 수납고(370)의 온도를 미리 정해진 온도로 유지시키는 것이다.
또는, 수납고(370)에 보관된 의류에 진동을 가하거나, 습기를 제거하는 등의 다양한 제어가 병행하여 수행될 수 있을 것이다.
제어부(400)는 처리부(410)를 포함할 수 있다. 처리부(410)는 메모리(500)에 저장된 머신러닝 모델을 참조해서 수집된 정보들을 분석할 수 있다.
개시되는 내용의 일 실시예에서 메모리(500)에 저장되는 머신러닝 모델은 군집화모델(512, clustering model), 딥러닝모델(514, deep learning model), 강화학습모델(516, reinforcement learning model)일 수 있다.
개시되는 내용의 다른 실시예로서 도 3에 도시된 바와 같이, 제어부(400) 및 메모리(500)가 서버(10)에 포함될 수 있다.
이때, 서버(10)는 기상정보를 수신하기 위한 제1통신부(312), 연계기기(200)로부터 연계기기(200)의 작동정보를 수집하는 제2통신부(314), 이동기기(100)로부터 사용자의 위치정보, 이동정보, 차량(130)이용정보 및 생체정보를 수집하는 제3통신부(316)를 포함할 수 있다.
그리고, 의류처리장치(300)는 서버(10)와 통신을 수행하는 제4통신부(318)를 포함할 수 있다. 서버(10)는 제1통신부(312), 제2통신부(314) 및 제3통신부(316)를 통해 수집한 기상정보, 연계기기(200)의 작동정보, 사용자의 위치정보, 이동정보, 생체정보 및 차량(130)이용정보 등을 제어부(400)에서 분석한다. 제어부(400)는 역시 메모리(500)에 저장된 머신러닝 모델을 참조해 수집된 정보들을 분석하고, 의류처리장치(300)는 분석된 결과를 제4통신부(318)를 통해 내려받아 송풍팬(340) 및 온도조절부의 쿨러(350) 및/또는 히터(360)를 제어한다.
네트워크는 의료처리장치와 이동기기(100), 연계기기(200) 및 서버(10)를 연결하는 역할을 수행할 수 있다.
이러한 네트워크는 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, 개시되는 내용의 범위가 이에 한정되는 것은 아니다. 또한 네트워크는 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.
네트워크는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크는 사물 등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.
도 5는 개시되는 내용의 일 실시예에 따른 의류처리장치(300)의 블록도이다.
도 5에 도시된 바와 같이, 개시되는 내용의 일 실시예에 따른 의류처리장치(300)는 통신부(310), 제어부(400) 및 메모리(500)를 포함한다. 그리고, 수납고(370)와 연결되는 순환유로(348)에는 제1온도센서(320), 제2온도센서(330), 송풍팬(340), 쿨러(350) 및 히터(360)가 설치될 수 있다.
제어부(400)는 머신러닝을 수행하는 처리부(410)를 포함할 수 있다. 처리부(410)는 기상정보, 연계기기(200)의 작동정보, 사용자의 위치정보, 이동정보 및 생체정보로 이루어진 제1데이터세트를 입력값으로 해 목표온도를 도출하는 온도관리부(412)와 제1데이터세트 또는 제1데이터세트로부터 의류의 예상인출시간을 도출하기 위한 정보들만을 따로 분류한 제2데이터세트를 입력값으로 해 예상인출시간을 도출하는 스케줄관리부(414)를 포함할 수 있다. 메모리(500)는 머신러닝 모델이 저장되는 모델저장부(510), 수집된 데이터 또는 연산을 위한 프로그램이 저장되는 데이터베이스(520)를 포함할 수 있다.
통신부(310)는 네트워크와 연동하여 의류처리장치(300), 이동기기(100), 연계기기(200) 및 서버(10)간의 송수신 신호를 패킷 데이터 형태로 제공하는데 필요한 통신 인터페이스를 제공할 수 있다. 또한, 통신부(310)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.
개시되는 내용의 일 실시예에서 처리부(410)는 도 5에 도시된 바와 같이 제어부(400)의 외부에 구비될 수도 있고, 제어부(400) 내부에 구비되어 제어부(400)처럼 동작할 수도 있으며, 도 1의 서버(10) 내부에 마련될 수도 있다.
제어부(400)는 일종의 중앙처리장치로서 메모리(500)에 탑재된 제어프로그램을 구동하여 의류처리장치(300) 전체의 동작을 제어할 수 있다.
제어부(400)는 송풍팬(340) 및 운전조작부의 쿨러(350) 및 히터(360)를 제어하여 본체(380)에 마련된 수납고(370)로 순환하는 공기의 양과 속도, 온도 등을 제어할 수 있다.
제어부(400)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 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, 개시되는 내용의 범위가 이에 한정되는 것은 아니다.
개시되는 내용의 일 실시예에서 제어부(400)는 기상정보, 연계기기(200)들로부터 수집된 연계기기(200)들 각각의 작동정보를 분석해 수납고(370)에 저장된 의류의 온도를 결정한다. 이를 위해, 군집화(clustering), 딥러닝(Deep Learning)등 머신 러닝(machine learning)을 수행할 수 있고, 메모리(500)는 군집화나 머신 러닝에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.
군집화는 수집된 정보, 즉, 수집된 데이터를 특징공간상에서 분류하고, 분류된 클래스의 수, 분포 등으로 수집된 데이터들이 갖는 특징들을 추출한다.
머신 러닝의 일종인 딥러닝(deep learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습할 수 있다. 딥러닝은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝 알고리즘의 집합을 나타낼 수 있다.
딥러닝 구조는 인공신경망(ANN)을 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. 개시되는 내용의 일 실시예에 따른 딥러닝 구조는 공지된 다양한 구조를 이용할 수 있다. 예를 들어, 개시되는 내용에 따른 딥러닝 구조는 CNN, RNN, DBN 등을 포함할 수 있다. RNN은, 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. DBN은 딥러닝 기법인 RBM(restricted boltzman machine)을 다층으로 쌓아 구성되는 딥러닝 구조를 포함할 수 있다. RBM 학습을 반복하여, 일정 수의 레이어가 되면 해당 개수의 레이어를 가지는 DBN을 구성할 수 있다. CNN은 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 모델을 포함할 수 있다.
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, 제어부(400)에는 인공신경망(artificial neural network)이 탑재될 수 있고, 수신되는 기상정보, 연계기기(200)들 각각의 작동정보, 사용자의 위치정보, 이동정보, 생체정보 등을 입력 데이터로 하는 머신러닝을 기반으로 해 사용자가 선호하는 의류의 온도를 찾아가는 학습을 수행할 수 있다.
제어부(400)는 인공신경망, 예를 들어, CNN, RNN, DBN 등 심층신경망(deep neural network: DNN)을 포함할 수 있고, 심층신경망을 학습할 수 있다. 이러한 인공신경망의 머신 러닝 방법으로는 비지도학습(unsupervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다. 제어부(400)는 설정에 따라 학습 후 인공신경망 구조를 업데이트 시키도록 제어할 수 있다.
전술한 제어부(400)에 인공신경망이 탑재되는 것, 제어부(400)가 인공신경망을 포함한다는 것은 제어부(400)에서 인공신경망 모델이 학습되고, 연산되는 과정을 뜻한다. 따라서, 인공신경망을 활용한 딥러닝의 수행도 인공신경망 모델이 메모리(500)의 모델저장부(510)에 저장되고, 저장된 인공신경망 모델을 제어부(400)가 참조하는 형태로 실시될 수 있다.
개시되는 내용의 일 실시예에서는 환경의 변화, 사용자의 활동, 사용자의 신체상태에 따라서 함께 변화할 수 있는 사용자의 선호하는 의류온도를 찾고, 사용자에게 제공될 의류를 그 온도에 맞춰 제공하고자 하는 것이다.
하지만, 사용자의 선호하는 의류온도와 관련해서는 신뢰할 수 있는 결과값을 미리 확보할 수 없기에 비지도 학습을 통해 사용자의 선호하는 의류온도에 접근해 가는 방식이 사용될 수 있다.
메모리(500)는 의류처리장치(300)의 동작에 필요한 각종 정보들을 기록하는 것으로, 휘발성 또는 비휘발성 기록 매체를 포함할 수 있다. 여기서, 메모리(500)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 개시되는 내용의 범위가 이에 한정되는 것은 아니다. 이러한 메모리(500)는 내장메모리 및/또는 외장메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD. CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, Xd 카드, 또는 메모리스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.
도 6은 개시되는 내용의 일 실시예에 따른 의류처리장치(300)의 메모리(500)를 나타낸 블록도이다.
도 6에 도시된 바와 같이 개시되는 내용의 일 실시예에서 메모리(500)는 모델저장부(510) 및 데이터베이스(520)를 포함한다.
모델저장부(510)에는 군집화를 수행하기 위한 군집화모델(512), 딥러닝을 수행하기 위한 딥러닝모델(514)이 저장될 수 있다.
전술하였던 바와 같이, 제어부(400) 및/또는 처리부(410)는 메모리(500)에 저장된 군집화모델(512) 또는 딥러닝모델(514)을 참조해 정보의 분석을 수행할 수 있다.
개시되는 내용의 일 실시예에서는 통신부(310)를 통해 수집되는 모든 정보를 제1데이터세트라 정의한다. 그리고, 제1데이터세트로부터 시계열과 관련된 정보를 별도로 추출한 데이터들을 제2데이터세트로 정의한다.
제어부(400)는 제1데이터세트를 입력값으로 해 분석을 수행한다. 여기에서 분석은 다음과 같은 과정을 거친다. 먼저, 메모리(500)의 모델저장부(510)에 저장된 군집화모델(512)을 통해 제1데이터세트를 분류하는 작업이 선행된다. 그리고, 군집화모델(512)을 참조해 처리부(410)에서 군집화가 수행된 후, 군집화를 통해 분류된 데이터값들로 딥러닝을 수행한다. 딥러닝은 처리부(410)가 모델저장부(510)에 저장된 딥러닝모델(514)을 참조함으로써 수행될 수 있다.
위와 같은 과정을 거쳐 제1데이터세트를 분석하며, 사용자가 선호하는 의류의 온도인 목표온도를 도출한다. 목표온도는 머신러닝을 통해 수행된 하나의 결과물로서 사용자가 선호하는 의류의 온도는 사용자에 따라 주관적일 수 있으나, 사용자로부터 수집되는 생체정보, 사용자가 사용하는 가전기기의 정보 등 제1데이터세트로부터 얻어지는 사용자의 반응, 활동을 통해 근사치에 해당하는 결과에 차츰 접근할 수 있게 된다.
도 7은 개시되는 내용의 일 실시예에 따른 의류처리장치(300)에서 수집된 정보들을 군집화하는 과정을 도시한 예시도이고, 도 8은 개시되는 내용의 일 실시예에 따른 의류처리장치(300)에서 제1데이터세트가 군집화모델(512)에 적용되는 과정을 도시한 예시도이다.
개시되는 내용의 일 실시예에서 메모리(500)의 모델저장부(510)에 저장되는 군집화모델(512)은 K평균군집화(K-means clustering)모델일 수 있다. K평균군집화는 수집된 정보 즉, 수집된 데이터들을 특징공간상에 도식화 하고, 도식환된 데이터들을 K개의 특징으로 분류해 K개의 군집을 이루도록 한다. 이때, K는 임의의 숫자이고 K는 미리 정해진 숫자로 치환되어 분류를 수행할 수도 있다. K평균군집화를 통해 특징공간상에 도식화된 데이터들의 군집은 K개의 중심(centroid)을 갖는다. 이때, K개의 중심을 단어(word)라고 하고, K개의 중심이 모인 중심들의 집합을 사전(dictionary)이라 칭한다. 즉, 데이터들을 군집화해 얻어진 K개의 특징점(중심) 각각은 단어이고, 각 단어들이 모여 사전을 형성할 수 있다. 도 8에 도시된 바와 같이 사전은 일련의 인덱스(index)로 정리될 수 있다. 예를 들어 K개=3개인 경우를 가정한다면, K1에 속하는 데이터값의 수 X1, K2에 속하는 데이터값의 수 X2, K3에 속하는 데이터값의 수 X3를 도식화하여 저장하고, 새롭게 입력되는 데이터로부터 각각의 K1, K2, K3에 속하는 데이터값을 추출한 후, 정리된 인덱스에 대입하면 새롭게 입력되는 데이터의 특징을 도출할 수 있게 된다.
개시되는 내용의 일 실시예에서 군집화는 딥러닝을 수행하기 전에 데이터를 전처리하는 과정이라 할 수 있다. 데이터를 특징별로 분류해 딥러닝의 효율을 높이고, 연산과정을 세분화함으로써 연산에 따른 시간의 경과를 줄이며, 불필요한 연산들을 제거할 수 있는 효과 또한 얻을 수 있다.
외부장치 즉, 이동기기(100), 연계기기(200) 및 서버(10)를 통해 수집된 정보들을 이용해 의류처리장치(300)를 동작시키는 방법으로서, 제1단계는, 기상정보, 연계기기(200)들 각각의 작동정보, 사용자의 위치정보, 이동정보 및 생체정보를 수집한다.
제2단계는, 기상정보, 연계기기(200)들 각각의 작동정보, 사용자의 위치정보, 이동정보 및 생체정보를 제어부(400)에서 온도예측 알고리즘을 통해 분석함으로써 목표온도를 도출한다. 온도예측 알고리즘은 전술하였던 군집화 및 딥러닝을 통해 사용자가 선호하는 의류 온도를 예측하는 일련의 머신러닝 알고리즘일 수 있다.
제3단계는, 목표온도로 의류처리장치(300)에 의류가 수납되는 수납고(370)의 온도를 제어한다. 수납고(370)의 온도 제어는 제어부(400)를 통해 송풍팬(340) 및 온도조절부가 제어됨으로써 수행될 수 있다.
제4단계는, 기상정보, 연계기기(200)들 각각의 작동정보, 사용자의 위치정보, 이동정보 및 생체정보를 제어부(400)에서 인출시간 예측 알고리즘을 통해 분석함으로써 예상 인출시간을 도출한다. 인출시간 예측 알고리즘은 제2단계에서와 같이 군집화 및 딥러닝을 통해 사용자의 외출시간을 예측해 의류가 인출될 확률이 높은 시간을 도출하는 일련의 머신러닝 알고리즘일 수 있다.
제5단계는, 예상 인출시간에 의류처리장치(300)의 의류가 수납되는 수납고(370)의 온도가 목표온도가 되도록 제어한다.
제6단계는, 사용자가 의류를 인출한 실제 인출시간과 예상 인출시간의 차이를 분석해 강화학습을 수행하고, 실제인출시간과 예상 인출시간의 차가 작아지도록 예상 인출시간을 도출하기 위한 딥러닝모델(514)을 갱신한다.
도 9는 개시되는 내용의 일 실시예에 따른 의류처리장치(300)의 목표온도 설정과정을 도시한 흐름도이다.
개시되는 내용의 일 실시예에 따른 의류처리장치(300)는 도 9에 도시된 바와 같은 동작 방법을 통해 목표온도를 도출하고, 도출되는 목표온도를 수정해 나갈 수 있다.
의류처리장치(300)의 동작 방법을 나누어서 살펴보면, 먼저 온도예측 알고리즘을 실행해 목표온도를 도출한다(S110). 수납고(370)의 온도가 도출된 목표온도로 유지되도록 송풍팬(340) 및 온도조절부를 제어하는 온도예측 제어를 수행한다(S120). 이때, 의류의 온도를 추가로 조절하기 위해 사용자가 추가정보를 입력(S130)하면 제어부(400)는 온도예측 알고리즘을 수정한다(S140). 온도예측 알고리즘은 강화학습을 통해 수정될 수 있으며, 상세한 설명은 후술한다.
도 10은 개시되는 내용의 일 실시예에 따른 의류처리장치(300)에서 수납고(370)를 목표온도로 설정하기 위한 제어 과정을 도시한 블록도이다.
도 10에 도시된 바와 같이, 흡기구(342)를 통해 수납고(370)로 유입되는 공기의 온도는 제1온도센서(320)를 통해 계측된다. 그리고, 배기구(344)를 통해 수납고(370)로부터 순환유로(348)로 복귀하는 공기의 온도는 제2온도센서(330)를 통해 계측된다. 개시되는 내용의 일 실시예에서는 목표온도와 제1온도센서(320)를 통해 계측되는 온도가 일치하도록 온도조절부를 제어한다. 그리고, 제1온도센서(320) 및 제2온도센서(330)를 통해 계측되는 온도의 차가 클수록 송풍팬(340)의 출력을 증가시켜, 수납고(370)가 일정한 온도를 유지하도록 할 수 있다. 이러한 작동은 제어부(400)가 쿨러(350) 및 히터(360)를 제어함으로써 수행된다.
도 11은 개시되는 내용의 일 실시예에 따른 의류처리장치(300)에서 예상 인출시간의 도출 과정을 도시한 흐름도이다.
도 11에 도시된 바와 같이, 의류의 예상 인출시간은 제1데이터세트 또는 제1데이터세트에서 시계열과 관련된 정보들만을 추출한 제2데이터세트를 입력 데이터로 사용해 분석을 수행하고, 예상 인출시간을 도출한다.
먼저, 처리부(410)는 모델저장부(510)에 저장된 군집화모델(512) 및 딥러닝모델(514)을 참조해 제1데이터세트 또는 제2데이터세트를 분류하고, 분석하는 인출시간 예측 알고리즘을 수행한다(S210). 인출시간 예측 알고리즘을 거쳐 예상 인출시간이 도출되면 예상 인출시간에 맞춰 송풍팬(340) 및 온도조절부의 히터(360) 또는 쿨러(350)를 작동시키는 인출시간 예측 제어를 수행한다(S220). 이때, 예상 인출시간에 의류의 인출이 이루어지지 않을 경우(S230), 실제 의류의 인출시간과 예상 인출시간의 차이를 극복하기 위한 강화학습이 수행될 수 있다. 강화학습은 예상 인출시간과 실제 인출시간의 차가 감소하는 경우 그 보상이 커지도록 설정될 수 있다. 강화학습은 보상이 커지는 방향으로 인출시간 예측 알고리즘을 수정해 나가고(S240), 이러한 과정이 반복됨으로써 인출시간 예측 알고리즘의 정확성이 향상된다.
도 12는 개시되는 내용의 일 실시예에 따른 의류처리장치(300)에서 수행되는 강화학습모델(516)을 설명하기 위한 예시도이다.
강화학습은 기계학습의 한 영역이다. 주어진 환경(environment) 안에서 정의된 에이전트(agent)가 현재의 상태(state)를 인식하고, 선택 가능한 행동(action)들 중 보상(reward)을 최대화하는 행동 혹은 행동 순서를 선택하는 방법이다.
도 12에 도시된 바와 같이, 개시되는 내용의 일 실시예에서 온도예측 알고리즘과 인출시간 예측 알고리즘을 예측알고리즘이라 칭하면, 에이전트는 예측 알고리즘이 된다. 예측 알고리즘을 통해 예측된 예측값 즉, 목표온도 또는 예상 인출시간이 의류처리장치(300)를 작동하는 과정에서 입력된 사용자의 추가정보 입력, 실제 사용자의 의류 인출시간 등을 통해 실제 발생된 사건들과 차이가 감지된 경우, 그 차이를 감소시키는 방향으로 행동이 취해진다. 행동은 보상이 최대가 되도록 설정되고, 보상은 각각 목표온도와 추가입력된 추가정보의 값이 갖는 차이, 예상 인출시간과 실제 인출시간의 차이가 작아질수록 커진다.
따라서, 제어부(400)는 추가조작정보가 입력되거나 실제 인출시간이 입력되면 예측알고리즘이 참조하는 군집화모델(512) 및 딥러닝모델(514)을 수정하게 된다. 이러한 과정이 반복되며, 군집화모델(512) 및 딥러닝모델(514)을 수행하는 예측알고리즘의 정확성이 향상된다.
이상에서는 개시되는 내용의 실시예들이 도면과 함께 설명되었으나, 이는 예시적인 것으로서 전술한 실시예들과 도면으로 본 발명이 한정되진 않는다. 통상의 지식을 가진 자라면 개시되는 내용의 기술사상 범위 내에서 개시되는 내용의 실시예들을 변형할 수 있음이 자명하다. 아울러 앞서 개시되는 내용의 일 실시예를 설명하면서 개시되는 내용의 구성에 따른 작용이나 효과를 명시적으로 기재하지 않았을지라도, 해당 구성에 의해 예측 가능한 효과들까지 인정되어야 함은 당연하다.
10: 서버
100: 이동기기 110: 휴대단말기
120: 웨어러블기기 130: 차량
200: 연계기기 210: 공기정화기
220: 공기조화기 230: TV
240: 보일러
300: 의류처리장치 310: 통신부
312: 제1통신부 314: 제2통신부
316: 제3통신부 318: 제4통신부
320: 제1온도센서 330: 제2온도센서
340: 송풍팬 342: 흡기구
344: 배기구 346: 환기구
348: 순환유로 350: 쿨러
360: 히터 370: 수납고
380: 본체 390: 도어
400: 제어부 410: 처리부
412: 온도관리부 414: 스케줄관리부
500: 메모리 510: 모델저장부
512: 군집화모델 514: 딥러닝모델
516: 강화학습모델
520: 데이터베이스

Claims (15)

  1. 내측공간에 의류를 걸어 수납하는 수납고를 포함하는 본체;
    상기 수납고를 열거나 닫을 수 있도록 상기 본체에 결합되는 도어;
    상기 본체의 내부에 형성되는 공기유로로서, 송풍팬에 의해 공기가 순환되고, 상기 수납고로 공기가 유입되는 흡기구, 상기 수납고로부터 공기가 배출되는 배기구, 상기 흡기구 및 상기 배기구의 사이에 배치되어 가열 또는 냉각을 수행하는 온도조절부를 포함하는 순환유로;
    기상정보와 복수 개의 연계기기들 각각의 작동정보를 수집하는 통신부; 및
    상기 온도조절부 및 상기 송풍팬의 작동을 제어하는 제어부;를 포함하고,
    상기 제어부는 상기 통신부를 통해 수집된 기상정보 및 상기 연계기기들 각각의 작동정보를 분석해 목표온도를 도출하며, 도출된 상기 목표온도로 상기 수납고의 온도를 제어하는,
    의류처리장치.
  2. 제1항에 있어서,
    상기 통신부는,
    무선통신을 이용해 서버에 접속하고, 기상정보를 수집하는 제1통신부;
    상기 연계기기들 각각의 작동정보를 수신하는 제2통신부; 및
    차량, 휴대단말기 및 웨어러블기기를 포함하는 이동기기로부터 사용자의 위치정보, 이동정보 및 생체정보를 수집하는 제3통신부를 포함하고,
    상기 제어부는 상기 통신부를 통해 수집된 정보를 딥 러닝(deep lrarning)을 통해 분석함으로써 상기 목표온도를 도출하는,
    의류처리장치.
  3. 제2항에 있어서,
    상기 통신부를 통해 수집된 정보들은 제어부를 통해 군집화(clustering) 과정을 거쳐 딥 러닝을 통해 분석되는,
    의류처리장치.
  4. 제3항에 있어서,
    상기 통신부를 통해 수집된 정보들은 특징공간 상에 도식화되어 k개의 특징점으로 분류가 이뤄지며, k개의 단어로 형성되는 사전으로 작성되는,
    의류처리장치.
  5. 제4항에 있어서,
    상기 제어부는 상기 통신부를 통해 수집된 정보들을 상기 사전에 대입하는 과정을 거쳐 딥 러닝을 수행하는,
    의류처리장치.
  6. 제2항에 있어서,
    상기 목표온도는 비지도 학습(unsupervised learning)을 통해 학습된 딥러닝모델을 수행해 도출되는,
    의류처리장치.
  7. 제6항에 있어서,
    상기 딥러닝모델은,
    사용자가 추가정보를 입력해 설정을 변경하면 상기 처리부에서 사용자가 입력한 추가정보를 반영해 강화학습(reinforcement learning)을 수행하되, 사용자가 입력한 추가정보와 상기 목표온도의 차가 작을수록 큰 보상값을 갖도록 갱신되는,
    의류처리장치.
  8. 제2항에 있어서,
    상기 제어부는,
    수집된 정보들을 분석해 상기 목표온도를 도출하는 온도관리부, 수집된 정보들을 분석해 의류의 예상 인출시간을 도출하는 스케줄관리부가 포함되는 처리부를 포함하고,
    상기 제어부는,
    상기 예상 인출시간에 상기 수납고가 상기 목표온도로 유지되도록 상기 온도조절부 및 상기 송풍팬을 제어하는,
    의류처리장치.
  9. 제2항에 있어서,
    상기 제어부는,
    수집된 정보들을 분석해 상기 목표온도를 도출하는 온도관리부, 수집된 정보들을 분석해 의류의 예상 인출시간을 도출하는 스케줄관리부가 포함되는 처리부를 포함하고,
    상기 제어부는,
    상기 예상 인출시간에 상기 수납고가 상기 목표온도로 유지되도록 상기 온도조절부 및 상기 송풍팬을 제어하는,
    의류처리장치.
  10. 외부 장치를 통해 수집된 정보들을 이용해 의류처리장치를 동작시키는 방법으로서,
    기상정보, 연계기기들 각각의 작동정보, 사용자의 위치정보, 이동정보 및 생체정보를 수집하는 제1단계;
    상기 기상정보, 연계기기들 각각의 작동정보, 사용자의 위치정보, 이동정보 및 생체정보를 제어부에서 온도예측 알고리즘을 통해 분석함으로써 목표온도를 도출하는 제2단계;
    상기 목표온도로 상기 의류처리장치에 의류가 수납되는 수납고의 온도를 제어하는 제3단계;
    상기 기상정보, 연계기기들 각각의 작동정보, 사용자의 위치정보, 이동정보 및 생체정보를 제어부에서 인출시간 예측 알고리즘을 통해 분석함으로써 예상 인출시간을 도출하는 제4단계;
    상기 예상 인출시간에 상기 의류처리장치의 의류가 수납되는 상기 수납고의 온도가 상기 목표온도가 되도록 제어하는 제5단계; 및
    사용자가 의류를 인출한 실제 인출시간과 상기 예상 인출시간의 차이를 분석해 강화학습을 수행하고, 상기 실제인출시간과 상기 예상 인출시간의 차가 작아지도록 예상 인출시간을 도출하기 위한 딥러닝모델을 갱신하는 제6단계;를 포함하는,
    의류처리장치의 동작 방법.
  11. 제10항에 있어서,
    상기 제2단계는,
    상기 기상정보, 연계기기들 각각의 작동정보, 사용자의 위치정보, 이동정보 및 생체정보의 군집화가 제어부에서 수행된 후, 온도예측 알고리즘이 수행되는,
    의류처리장치의 동작 방법.
  12. 제11항에 있어서,
    상기 온도예측 알고리즘은,
    메모리에 저장된 딥러닝모델을 상기 제어부에 포함된 처리부에서 참조해 수행하는,
    의류처리장치의 동작 방법.
  13. 제10항에 있어서,
    상기 인출시간 예측 알고리즘은,
    메모리에 저장된 딥러닝모델을 상기 제어부에 포함된 처리부에서 참조해 수행하는,
    의류처리장치의 동작 방법.
  14. 제10항에 있어서,
    상기 제1단계는,
    5G 기반의 사물인터넷망을 이용해 상기 의류처리장치와 상기 연계기기들이 서로 통신하는,
    의류처리장치의 동작 방법.
  15. 컴퓨터를 이용하여 제10항 내지 제14항의 방법 중 어느 한 항의 방법을 실행시키기 위하여 상기 컴퓨터로 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
KR1020190080791A 2019-07-04 2019-07-04 의류처리장치 및 의류처리장치의 동작 방법 KR20190087348A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190080791A KR20190087348A (ko) 2019-07-04 2019-07-04 의류처리장치 및 의류처리장치의 동작 방법
US16/562,246 US11150676B2 (en) 2019-07-04 2019-09-05 Clothes treating apparatus and method for operating the clothes treating apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190080791A KR20190087348A (ko) 2019-07-04 2019-07-04 의류처리장치 및 의류처리장치의 동작 방법

Publications (1)

Publication Number Publication Date
KR20190087348A true KR20190087348A (ko) 2019-07-24

Family

ID=67481118

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190080791A KR20190087348A (ko) 2019-07-04 2019-07-04 의류처리장치 및 의류처리장치의 동작 방법

Country Status (2)

Country Link
US (1) US11150676B2 (ko)
KR (1) KR20190087348A (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021020633A1 (ko) * 2019-08-01 2021-02-04 엘지전자 주식회사 인공 지능형 의류 처리 장치와 그 구동방법
WO2021107667A1 (ko) * 2019-11-29 2021-06-03 삼성전자주식회사 사용자 단말 및 그 제어 방법
CN112927801A (zh) * 2021-01-24 2021-06-08 武汉东湖大数据交易中心股份有限公司 一种基于穿衣气象指数的健康预测模型的构建方法及装置
WO2021145551A1 (ko) * 2020-01-15 2021-07-22 삼성전자주식회사 전자 장치 및 그 제어 방법
WO2021150034A1 (ko) * 2020-01-22 2021-07-29 삼성전자 주식회사 오브젝트 케어를 위한 방법 및 그 전자 장치
CN113668211A (zh) * 2020-04-30 2021-11-19 云米互联科技(广东)有限公司 送风装置的控制方法、送风装置、智能晾晒系统及介质
WO2022025605A1 (ko) * 2020-07-30 2022-02-03 삼성전자주식회사 Iot 기반의 의류 처리 장치 및 그 제어 방법
WO2022181972A1 (ko) * 2021-02-25 2022-09-01 삼성전자주식회사 사용자 단말 장치 및 이를 포함하는 의류 처리 시스템

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112709057A (zh) * 2020-12-21 2021-04-27 青岛海尔空调器有限总公司 空调干衣除皱方法、空调及可读存储介质
JP7489579B2 (ja) 2021-02-26 2024-05-24 パナソニックＩｐマネジメント株式会社 除湿装置
CN114967995A (zh) * 2022-04-24 2022-08-30 珠海格力电器股份有限公司 一种干衣机界面控制方法、装置、存储介质以及电子装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090017826A (ko) * 2007-08-16 2009-02-19 엘지전자 주식회사 복합의류처리시스템
KR101685346B1 (ko) 2015-03-17 2016-12-20 엘지전자 주식회사 의류처리장치 및 그 제어방법
KR102602847B1 (ko) * 2016-06-03 2023-11-16 엘지전자 주식회사 의류처리장치
US20180323996A1 (en) * 2017-05-08 2018-11-08 Essential Products, Inc. Automatic generation of scenes using an assistant device
US20190378020A1 (en) * 2018-05-04 2019-12-12 Johnson Controls Technology Company Building energy system with energy data stimulation for pre-training predictive building models
KR20200119978A (ko) * 2019-04-11 2020-10-21 삼성전자주식회사 가전 기기 및 그 제어 방법

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021020633A1 (ko) * 2019-08-01 2021-02-04 엘지전자 주식회사 인공 지능형 의류 처리 장치와 그 구동방법
US11591736B2 (en) 2019-08-01 2023-02-28 Lg Electronics Inc. Artificial intelligent based clothes handling apparatus and driving method of the same
WO2021107667A1 (ko) * 2019-11-29 2021-06-03 삼성전자주식회사 사용자 단말 및 그 제어 방법
WO2021145551A1 (ko) * 2020-01-15 2021-07-22 삼성전자주식회사 전자 장치 및 그 제어 방법
WO2021150034A1 (ko) * 2020-01-22 2021-07-29 삼성전자 주식회사 오브젝트 케어를 위한 방법 및 그 전자 장치
CN113668211A (zh) * 2020-04-30 2021-11-19 云米互联科技(广东)有限公司 送风装置的控制方法、送风装置、智能晾晒系统及介质
CN113668211B (zh) * 2020-04-30 2023-07-04 云米互联科技(广东)有限公司 送风装置的控制方法、送风装置、智能晾晒系统及介质
WO2022025605A1 (ko) * 2020-07-30 2022-02-03 삼성전자주식회사 Iot 기반의 의류 처리 장치 및 그 제어 방법
US11936732B2 (en) 2020-07-30 2024-03-19 Samsung Electronics Co., Ltd. Internet of things based clothing processing apparatus, and control method thereof
CN112927801A (zh) * 2021-01-24 2021-06-08 武汉东湖大数据交易中心股份有限公司 一种基于穿衣气象指数的健康预测模型的构建方法及装置
CN112927801B (zh) * 2021-01-24 2024-05-14 武汉东湖大数据科技股份有限公司 一种基于穿衣气象指数的健康预测模型的构建方法及装置
WO2022181972A1 (ko) * 2021-02-25 2022-09-01 삼성전자주식회사 사용자 단말 장치 및 이를 포함하는 의류 처리 시스템

Also Published As

Publication number Publication date
US20200004278A1 (en) 2020-01-02
US11150676B2 (en) 2021-10-19

Similar Documents

Publication Publication Date Title
KR20190087348A (ko) 의류처리장치 및 의류처리장치의 동작 방법
US11255563B2 (en) Air conditioner and method for operating the air conditioner
US11568310B2 (en) Apparatus for generating temperature prediction model and method for providing simulation environment
US20210056384A1 (en) Apparatus for generating temperature prediction model and method for providing simulation environment
Cardoso et al. Weightless neural networks for open set recognition
CN110494697A (zh) 数据学习服务器和用于生成和使用其学习模型的方法
CN108050674A (zh) 空调设备的控制方法及装置、终端
Song et al. TWNFI—a transductive neuro-fuzzy inference system with weighted data normalization for personalized modeling
CN109102066A (zh) 基于模糊推理的在线时序数据预测方法、系统及存储介质
Ghasemi et al. Intrusion detection system using an optimized kernel extreme learning machine and efficient features
US20210088244A1 (en) Electronic apparatus for managing heating and cooling and controlling method of the same
KR20210078258A (ko) 공기 조화기 및 공기 조화기를 제어하기 위한 방법
US20190392251A1 (en) Method for building personal style database and apparatus therefor
KR20210055992A (ko) 인공지능 모델 관리 방법 및 장치
Ferreira et al. Energy savings in HVAC systems using discrete model-based predictive control
CN114353872A (zh) 一种机房温度的预测方法及装置
Homod et al. Deep clustering of Lagrangian trajectory for multi-task learning to energy saving in intelligent buildings using cooperative multi-agent
Lee et al. A fully autonomous kernel-based online learning neural network model and its application to building cooling load prediction
Jovanovic et al. The xgboost tuning by improved firefly algorithm for network intrusion detection
Bezerra et al. A self-adaptive approach for particle swarm optimization applied to wind speed forecasting
Gao et al. Fault diagnosis for cooling dehumidifier based on fuzzy classifier optimized by adaptive genetic algorithm
Hu et al. Deducing the classification rules for thermal comfort controls using optimal method
CN116485026A (zh) 一种基于室内人数的建筑热舒适度预测方法及装置
Li et al. The intrusion detection model based on parallel multi-artificial bee colony and support vector machine
Zahiri Classification rule discovery using learning automata

Legal Events

Date Code Title Description
G15R Request for early publication
A201 Request for examination