KR20190092334A - 세탁물 처리 장치 및 그의 구동 방법 - Google Patents

Abstract

사물 인터넷을 위해 연결된 5G 환경에서 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 실행하여 세탁물 처리 장치를 구도시키는 세탁물 처리 장치 및 그의 구동 방법이 개시된다. 본 발명의 일 실시 예에 따른 세탁물 처리 장치 및 그의 구동 방법은, 세탁물 처리 장치의 행정 중에 모터의 구동전류 및 드럼의 회전속도를 획득하는 단계와, 획득된 모터의 구동전류 및 드럼의 회전속도에 기초하여 세탁물 처리 장치 내부에 위치한 세탁물에 대한 부하의 종류를 구분하는 단계와, 부하의 종류에 대응하여 세탁물 처리 장치의 코스 변경 여부를 결정하는 단계와, 세탁물 처리 장치의 코스 변경을 결정한 경우, 부하의 종류에 대응하는 추천 코스를 출력하는 단계와, 추천 코스에 대한 선택 신호 수신 시, 세탁물 처리 장치의 행정을 추천 코스로 변경하는 단계를 포함할 수 있다.

Description

세탁물 처리 장치 및 그의 구동 방법{APPARATUS FOR TREATING LAUNDRY AND METHOD FOR OPERATING THE SAME}

본 발명은 세탁물 처리 장치 및 그의 구동 방법에 관한 것으로, 더욱 상세하게는 인공지능 및/또는 기계학습 알고리즘을 이용하여 부하 특성에 맞는 최적의 패턴으로 세탁물 처리를 수행할 수 있도록 하는 세탁물 처리 장치 및 그의 구동 방법에 관한 것이다.

세탁물 처리장치는, 세탁물의 세탁 및 건조 등의 세탁물을 처리하는 장치에 해당한다. 이러한 세탁물 처리장치 내로 세탁물이 투입되면, 사용자는 세탁물의 종류, 세탁물의 부피 또는 무게, 세탁물의 오염 정도에 따라 세탁 코스를 정하고, 예를 들어 불림 여부, 세탁, 행굼, 및 탈수의 횟수와 건조 여부 등을 정하고, 정해진 코스에 해당하는 파라미터 값이 세탁물 처리장치에 입력되면, 세탁물 처리장치는 입력된 파라미터 값에 따라 동작하게 된다.

한편, 세탁물 처리장치에 도입된 최근의 기술로서 무게 센서를 이용하여 세탁물의 양이 측정되고, 카메라를 통해 세탁물의 종류가 감지될 수 있다.

특히 선행기술 1은 세탁물의 무게를 감지하고, 드럼 내부를 촬영하여 촬영된 영상으로 드럼 내부의 세탁물의 부피를 감지하며, 감지된 부피와 무게를 바탕으로 세탁물의 밀도를 연산하여 세탁물의 포질(布質)을 감지하는 세탁장치의 제어 방법에 대한 기술을 개시하고 있다.

또한, 선행기술 2는 카메라를 이용하여 세탁물의 종류를 감지하고, 세탁물의 종류에 따라 세탁 코스를 선택하는 세탁기 제어 시스템에 대한 기술을 개시하고 있다.

즉, 선행기술 1 및 선행기술 2의 경우 부하의 종류에 따라 세탁 코스를 선택하여 부하 특성에 맞는 세탁 행정이 수행되도록 하는 것은 가능하다. 그러나, 선행기술 1 및 선행기술 2는 이미지 처리(카메라)를 바탕으로 부하(세탁물)가 무엇인지 판단하는 것에 관한 것으로, 이미지를 얻기 위한 화상 장비가 필수적으로 필요하여 비용이 상승하는 문제가 있다.

전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

국내 공개특허공보 제10-2017-0090162호(2017.08.07. 공개) 국내 공개특허공보 제10-2013-0044764호(2013.05.03. 공개)

본 개시의 실시 예의 일 과제는, 인공지능 및/또는 기계학습 알고리즘을 이용하여 부하 특성에 맞는 최적의 패턴으로 세탁물 처리를 수행할 수 있도록 하여 세탁물 처리 장치의 성능을 향상시키는데 있다.

본 개시의 실시 예의 일 과제는, 사용자가 세탁물에 대한 부하에 대응하지 않는 코스를 선택하더라도 부하의 종류를 분석하여 해당 부하에 대응하는 코스를 추천 및/또는 변경할 수 있도록 함으로써, 사용 편의성 및 이용 만족도를 향상시키는데 있다.

본 개시의 실시 예의 일 과제는, 세탁물에 대한 부하의 종류의 구분을 위해 별도 부품을 추가하지 않고 기계학습 알고리즘을 이용함으로써, 비용을 감소시키고 세탁물 처리 장치의 성능을 향상시키는데 있다.

본 개시의 실시 예의 일 과제는, 언밸런스 에러(Unbalance Error, UE)를 예측하여 사용자에게 알람을 제공함으로써, 세탁물 처리 장치에 대한 사용자의 이용 만족도를 향상시키는데 있다.

본 개시의 실시 예의 일 과제는, 기계학습 알고리즘을 이용하여 포 유동 가능 부하와 포 유동 불가능 부하를 보다 정밀하게 분류함으로써, 정교화된 결과물을 얻을 수 있도록 하는데 있다.

본 개시의 실시 예의 일 과제는, 사용자의 사용 데이터를 누적해 기계학습 알고리즘의 업데이트를 수행하여 세탁물 처리 장치에 대한 사용자의 제품 신뢰도를 향상시키고 세탁물 처리 장치의 성능을 향상시키는데 있다.

본 개시의 실시 예의 일 과제는, 세탁물 처리 장치, 사용자 단말기 및 AI스피커 중 하나 이상을 통해 추천 코스 및 UE 발생 여부를 사용자에게 제공함으로써, 사용자의 이용 만족도를 향상시키는데 있다.

본 개시의 실시예의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.

본 개시의 일 실시 예에 따른 세탁물 처리 장치의 구동 방법은, 인공지능 및/또는 기계학습 알고리즘을 이용하여 부하 특성에 맞는 최적의 패턴으로 세탁물 처리를 수행하는 단계를 포함할 수 있다.

구체적으로 본 개시의 일 실시 예에 따른 세탁물 처리 장치의 구동 방법은, 세탁물 처리 장치의 행정 중에 모터의 구동전류 및 드럼의 회전속도를 획득하는 단계와, 획득된 모터의 구동전류 및 드럼의 회전속도에 기초하여 세탁물 처리 장치 내부에 위치한 세탁물에 대한 부하의 종류를 구분하는 단계와, 부하의 종류에 대응하여 세탁물 처리 장치의 코스 변경 여부를 결정하는 단계와, 세탁물 처리 장치의 코스 변경을 결정한 경우, 부하의 종류에 대응하는 추천 코스를 출력하는 단계와, 추천 코스에 대한 선택 신호 수신 시, 세탁물 처리 장치의 행정을 추천 코스로 변경하는 단계를 포함할 수 있다.

본 개시의 일 실시 예에 따른 세탁물 처리 장치의 구동 방법을 통하여, 사용자가 세탁물에 대한 부하에 대응하지 않는 코스를 선택하였더라도 부하의 종류를 분석하여 해당 부하에 대응하는 코스를 추천 및/또는 변경할 수 있도록 함으로써, 사용 편의성 및 이용 만족도를 향상시킬 수 있다.

또한, 세탁물에 대한 부하의 종류를 구분하는 단계는, 모터의 구동전류 및 드럼의 회전속도의 변화 추이를 분석하는 단계와, 변화 추이에 기초하여 세탁물에 대한 부하의 종류를 구분하는 단계를 포함할 수 있다.

또한, 획득하는 단계는, 급수 전 행정인 제1 모션 구간 및 급수 후 행정인 제2 모션 구간에서 모터의 구동전류 및 드럼의 회전속도를 획득하는 단계를 포함할 수 있다.

또한, 획득하는 단계는, 드럼의 회전속도의 측정 RPM이 기설정한 설정 RPM에 도달한 후 설정시간이 경과하면, 모터의 구동전류 및 드럼의 회전속도를 획득하는 데이터 추출 단계를 포함할 수 있다.

또한, 세탁물에 대한 부하의 종류를 구분하는 단계는, 데이터 추출 단계에서, 모터의 구동전류 및 드럼의 회전속도의 측정 값이 일정 주기를 갖는 경우 포(布) 유동 미 발생 조건의 제1 부하로 구분하고, 그렇지 않은 경우 포 유동 발생 조건의 제2 부하로 구분하는 단계를 포함할 수 있다.

본 개시의 일 실시 예에 따른 세탁물에 대한 부하의 종류를 구분하는 단계와 획득하는 단계를 통하여, 세탁물에 대한 부하의 종류의 구분을 위해 별도 부품을 추가하지 않고 기계학습 알고리즘을 이용함으로써, 비용을 감소시키고 세탁물 처리 장치의 성능을 향상시킬 수 있다.

또한, 세탁물에 대한 부하의 종류를 구분하는 단계는, 세탁물 처리 장치 동작 시에 모터의 구동전류 및 드럼의 회전속도로부터 부하의 종류를 구분하도록 미리 훈련된 심층 신경망을 이용하여, 세탁물 처리 장치의 행정 중에 획득되는 모터의 구동전류 및 드럼의 회전속도로부터 부하의 종류를 구분하는 단계를 포함할 수 있다.

본 개시의 일 실시 예에 따른 세탁물에 대한 부하의 종류를 구분하는 단계를 통하여, 기계학습 알고리즘을 이용하여 포 유동 가능 부하와 포 유동 불가능 부하를 보다 정밀하게 분류함으로써, 정교화된 결과물을 얻을 수 있도록 하여 세탁물 처리 장치에 대한 사용자의 신뢰도를 향상시킬 수 있다.

또한, 코스 변경 여부를 결정하는 단계는, 모터의 구동전류 및 드럼의 회전속도의 변화량을 감지하여 언밸런스 에러(Unbalance Error, UE) 발생 여부를 예측하는 단계와, UE 발생을 예측한 경우, 세탁물 처리 장치의 코스 변경 여부를 결정하는 단계를 포함할 수 있다.

본 개시의 일 실시 예에 따른 코스 변경 여부를 결정하는 단계를 통하여, 언밸런스 에러(Unbalance Error, UE)를 예측하여 사용자에게 알람을 제공함으로써, 세탁물 처리 장치에 대한 사용자의 이용 만족도를 향상시킬 수 있다.

또한, 추천 코스를 출력하는 단계는, 세탁물 처리 장치에 구비된 스피커를 통하여 추천 코스를 출력하는 단계를 포함할 수 있다.

또한, 추천 코스를 출력하는 단계는, 세탁물 처리 장치와 네트워크를 통하여 연계된 사용자 단말기를 통하여 추천 코스를 출력하는 단계와, 사용자 단말기에 추천 코스로 변경해야 하는 이유를 포함하는 콘텐츠를 출력하는 단계를 포함할 수 있다.

본 개시의 일 실시 예에 따른 추천 코스를 출력하는 단계를 통하여, 세탁물 처리 장치, 사용자 단말기 및 AI스피커 중 하나 이상을 통해 추천 코스 및 UE 발생 여부를 사용자에게 제공함으로써, 사용자의 이용 만족도를 향상시킬 수 있다.

또한, 추천 코스로 변경하는 단계는, 추천 코스에 대한 선택을 포함하는 발화음성 수신 시, 세탁물 처리 장치의 행정을 추천 코스로 변경하는 단계를 포함할 수 있다.

본 개시의 일 실시 예에 따른 추천 코스로 변경하는 단계를 통하여, 인공지능 및/또는 기계학습 알고리즘을 이용해 부하 특성에 맞는 최적의 패턴으로 세탁물 처리를 수행할 수 있도록 함으로써, 세탁물 처리 장치의 성능을 향상시킬 수 있다.

본 개시의 일 실시 예에 따른 세탁물 처리 장치는, 세탁물 처리 장치의 행정 중에 모터의 구동전류 및 드럼의 회전속도를 획득하는 획득부와, 획득한 모터의 구동전류 및 드럼의 회전속도에 기초하여 세탁물 처리 장치 내부에 위치한 세탁물에 대한 부하의 종류를 구분하는 분석부와, 부하의 종류에 대응하여 세탁물 처리 장치의 코스 변경 여부를 결정하는 설정부와, 세탁물 처리 장치의 코스 변경을 결정한 경우, 부하의 종류에 대응하는 추천 코스를 출력하는 추천부와, 추천 코스에 대한 선택 신호 수신 시, 세탁물 처리 장치의 행정을 추천 코스로 변경하는 동작 제어부를 포함할 수 있다.

본 개시의 일 실시 예에 따른 세탁물 처리 장치를 통하여, 사용자가 세탁물에 대한 부하에 대응하지 않는 코스를 선택하였더라도 부하의 종류를 분석하여 세탁물 처리 장치의 행정 중에 해당 부하에 대응하는 코스를 추천하거나 자동으로 변경할 수 있도록 함으로써, 세탁물 처리 장치에 대한 사용 편의성 및 이용 만족도를 향상시킬 수 있다.

또한, 분석부는, 모터의 구동전류 및 드럼의 회전속도의 변화 추이를 분석하고, 변화 추이에 기초하여 세탁물에 대한 부하의 종류를 구분할 수 있다.

또한, 획득부는, 급수 전 행정인 제1 모션 구간 및 급수 후 행정인 제2 모션 구간에서 모터의 구동전류 및 드럼의 회전속도를 획득할 수 있다.

또한, 획득부는, 드럼의 회전속도의 측정 RPM이 기설정한 설정 RPM에 도달한 후 설정시간이 경과하면, 모터의 구동전류 및 드럼의 회전속도를 획득하는 데이터 추출을 수행할 수 있다.

또한, 분석부는, 데이터 추출 수행 시, 모터의 구동전류 및 드럼의 회전속도의 측정 값이 일정 주기를 갖는 경우 포 유동 미 발생 조건의 제1 부하로 구분하고, 그렇지 않는 경우 포 유동 발생 조건의 제2 부하로 구분할 수 있다.

본 개시의 일 실시 예에 따른 분석부와 획득부를 통하여, 세탁물에 대한 부하의 종류의 구분을 위해 별도 부품을 추가하지 않고 기계학습 알고리즘을 이용함으로써, 비용을 감소시키고 세탁물 처리 장치의 성능을 향상시킬 수 있다.

또한, 분석부는, 세탁물 처리 장치 동작 시에 모터의 구동전류 및 드럼의 회전속도로부터 부하의 종류를 구분하도록 미리 훈련된 심층 신경망을 이용하여, 세탁물 처리 장치의 행정 중에 모터의 구동전류 및 드럼의 회전속도로부터 부하의 종류를 구분할 수 있다.

본 개시의 일 실시 예에 따른 분석부를 통하여, 기계학습 알고리즘을 이용하여 포 유동 가능 부하와 포 유동 불가능 부하를 보다 정밀하게 분류함으로써, 정교화된 결과물을 얻을 수 있도록 하여 세탁물 처리 장치에 대한 사용자의 신뢰도를 향상시킬 수 있고, 성능을 향상시킬 수 있다.

또한, 분석부는, 모터의 구동전류 및 드럼의 회전속도의 변화량을 감지하여 언밸런스 에러(Unbalance Error, UE) 발생 여부를 예측하고, 설정부는, UE 발생을 예측한 경우, 세탁물 처리 장치의 코스 변경 여부를 결정할 수 있다.

본 개시의 일 실시 예에 따른 분석부와 설정부를 통하여, 언밸런스 에러(Unbalance Error, UE)를 예측하여 사용자에게 알람을 제공하고, UE 발생에 따른 조치를 취할 수 있도록 함으로써, 세탁물 처리 장치에 대한 사용자의 이용 만족도 및 편의성을 향상시킬 수 있다.

또한, 추천부는, 세탁물 처리 장치에 구비된 스피커를 통하여 추천 코스를 출력할 수 있다.

또한, 추천부는, 세탁물 처리 장치와 네트워크를 통하여 연계된 사용자 단말기를 통하여 추천 코스를 출력하고, 사용자 단말기에 추천 코스로 변경해야 하는 이유를 포함하는 콘텐츠를 출력할 수 있다.

본 개시의 일 실시 예에 따른 추천부를 통하여, 세탁물 처리 장치, 사용자 단말기 및 AI스피커 중 하나 이상을 통해 추천 코스, UE 발생 여부 및 추천 코스로 변경해야 하는 이유를 포함하는 콘텐츠를 사용자에게 제공함으로써, 사용자의 이용 만족도를 향상시킬 수 있다.

또한, 동작 제어부는, 추천 코스에 대한 선택을 포함하는 발화음성 수신 시, 세탁물 처리 장치의 행정을 추천 코스로 변경할 수 있다.

본 개시의 일 실시 예에 따른 동작 제어부를 통하여, 인공지능 및/또는 기계학습 알고리즘을 이용해 부하 특성에 맞는 최적의 패턴으로 세탁물 처리를 수행할 수 있도록 함으로써, 세탁물 처리 장치의 성능을 향상시킬 수 있다.

이 외에도, 본 발명의 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체가 더 제공될 수 있다.

전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.

본 개시의 실시 예에 의하면, 인공지능 및/또는 기계학습 알고리즘을 이용하여 부하 특성에 맞는 최적의 패턴으로 세탁물 처리를 수행할 수 있도록 함으로써, 세탁물 처리 장치의 성능을 향상시킬 수 있다.

또한, 사용자가 세탁물에 대한 부하에 대응하지 않는 코스를 선택하더라도 부하의 종류를 분석하여 해당 부하에 대응하는 코스를 추천 및/또는 변경할 수 있도록 함으로써, 사용 편의성 및 이용 만족도를 향상시킬 수 있다.

또한, 세탁물에 대한 부하의 종류의 구분을 위해 별도 부품을 추가하지 않고 기계학습 알고리즘을 이용함으로써, 비용을 감소시키고 세탁물 처리 장치의 성능을 향상시킬 수 있다.

또한, 언밸런스 에러(Unbalance Error, UE)를 예측하여 사용자에게 알람을 제공함으로써, 세탁물 처리 장치에 대한 사용자의 이용 만족도를 향상시킬 수 있다.

또한, 기계학습 알고리즘을 이용하여 포 유동 가능 부하와 포 유동 불가능 부하를 보다 정밀하게 분류함으로써, 정교화된 결과물을 얻을 수 있도록 할 수 있다.

또한, 사용자의 사용 데이터를 누적해 기계학습 알고리즘의 업데이트를 수행하여 세탁물 처리 장치에 대한 사용자의 제품 신뢰도를 향상시키고 세탁물 처리 장치의 성능을 향상시킬 수 있다.

또한, 세탁물 처리 장치, 사용자 단말기 및 AI스피커 중 하나 이상을 통해 추천 코스 및 UE 발생 여부를 사용자에게 제공함으로써, 사용자의 이용 만족도를 향상시킬 수 있다.

또한, 세탁물 처리 장치 자체는 대량 생산된 획일적인 제품이지만, 사용자는 세탁물 처리 장치를 개인화된 장치로 인식하므로 사용자 맞춤형 제품의 효과를 낼 수 있다.

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

도 1은 본 발명의 일 실시 예에 따른 세탁물 처리 장치, 출력장치, 사용자 단말기, 연동장치, 서버 및 이들을 서로 연결하는 네트워크를 포함하는 세탁물 처리 환경의 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 구조를 개략적으로 설명하기 위하여 도시한 도면이다.
도 3은 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 개략적인 블록도이다.
도 4는 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 부하 분류 과정을 설명하기 위한 개략적인 도면이다.
도 5는 도 3의 본 발명의 일 실시 예에 따른 세탁물 처리 장치 중 처리부의 개략적인 블록도이다.
도 6은 본 발명의 일 실시 예에 따른 데이터 획득 구간을 설명하기 위한 예시도이다.
도 7 및 도 8은 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 부하 종류 구분 제어를 설명하기 위한 예시도이다.
도 9 및 도 10은 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 추천 코스 출력을 설명하기 위한 예시도이다.
도 11은 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 추천 코스 변경 결과를 설명하기 위한 예시도이다.
도 12는 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 구동 방법을 도시한 흐름도이다.
도 13은 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 딥러닝 업데이트 방법을 도시한 흐름도이다.

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.

이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 본 발명의 일 실시 예에 따른 세탁물 처리 장치, 출력장치, 사용자 단말기, 연동장치, 서버 및 이들을 서로 연결하는 네트워크를 포함하는 세탁물 처리 환경의 예시도이다.

도 1을 참조하면, 세탁물 처리 환경(1)은 세탁물 처리 장치(100), 출력장치(200), 사용자 단말기(300), 연동장치(400), 서버(500) 및 네트워크(600)를 포함할 수 있다.

세탁물 처리 장치(100)는 세탁, 탈수 및/또는 건조 등의 여러 작용을 통해 세탁물을 처리하는 장치이다. 세탁물 처리 장치(100)는 물과 세제를 이용하여 세탁물(이하, 포(布)라고도 함.)에 묻은 오염을 제거하는 세탁기, 젖은 세탁물이 투입된 드럼을 고속으로 회전시켜 세탁물을 탈수시키는 탈수기, 세탁물이 투입된 드럼 내로 건조 공기를 공급하여 세탁물을 건조시키는 건조기, 건조 기능과 세탁 기능을 함께 갖춘 건조 겸용 세탁기 등을 포함할 수 있다. 이하 세탁물 처리 장치(100)의 상세한 구조는 도 2를 참조하여 설명하기로 한다.

본 실시 예에서 세탁물 처리 장치(100)는 제어를 위해 사용자로부터 서비스 요청 정보를 수신할 수 있다. 세탁물 처리 장치(100)가 사용자로부터 서비스 요청 정보를 수신하는 방법은, 사용자로부터 UI(user interface, 도 3의 120)에 대한 터치(또는 버튼 입력) 신호를 수신하는 경우, 사용자로부터 서비스 요청에 대응하는 발화 음성을 수신하는 경우 등을 포함할 수 있다.

본 실시 예에서 세탁물 처리 장치(100)는 소정의 공간(예를 들어, 가정, 회사, 병원 등)에 구비되어, 세탁물 처리 장치(100)와 동일한 공간에 배치되어 오디오 신호 및 비디오 신호 중 적어도 하나를 출력하는 하나 이상의 출력장치(200)를 검색하고, 세탁물 처리 장치(100)의 동작 모드에 대응하여 검색된 하나 이상의 출력장치(200)의 출력 신호를 조정할 수 있다. 여기서 세탁물 처리 장치(100)의 동작 모드는 예를 들어, 세탁물 처리 장치(100)의 현재 동작 상태를 알려주는 상태 알림 모드 또는 콘텐츠를 재생하는 콘텐츠 재생 모드를 포함할 수 있다. 또한, 세탁물 처리 장치(100)는 동작 모드에 대응하여 검색된 하나 이상의 출력장치(200) 중 적어도 하나를 선택하고, 선택한 출력장치(200)로 오디오 신호 및 비디오 신호 중 적어도 하나를 전송할 수 있다.

여기서, 출력장치(200)를 선택한다는 것은, 세탁물 처리 장치(100)의 UI 및 스피커(도 3의 171)를 통하여 세탁물 처리 장치(100)의 현재 동작 상태, 예를 들어 현재 수행 중인 세탁 행정 상태 정보를 출력하는 상태 알림 모드 시에, 현재 동작 상태 정보(비디오 신호, 예를 들어, 세탁물 처리 진행 과정 등)를 출력할 어느 한 출력장치(200)를 선택하거나, 현재 동작 상태 정보 음성(오디오 신호)을 출력할 어느 한 출력장치(200)를 선택하거나, 현재 동작 상태 정보 및 현재 동작 상태 정보 음성을 출력할 어느 한 출력장치(200)를 선택하는 것을 포함할 수 있다.

또한, 출력장치(200)를 선택한다는 것은, 콘텐츠 재생 모드 시에, 콘텐츠에 포함된 비디오 신호를 출력할 어느 한 출력장치(200)를 선택하거나, 콘텐츠에 포함된 오디오 신호를 출력할 어느 한 출력장치(200)를 선택하거나, 콘텐츠에 포함된 비디오 신호 및 오디오 신호를 출력할 어느 한 출력장치(200)를 선택하는 것을 포함할 수 있다. 여기서 콘텐츠(content 또는 contents)는, 네트워크(600)를 통하여 접근 가능한, 문자, 부호, 음성, 음향, 음원, 이미지, 동영상(비디오 및 오디오) 등으로 이루어지는 디지털 정보 또는 개별 정보 요소를 통칭하는 개념을 포함할 수 있다. 이러한 콘텐츠는, 예를 들면, 텍스트, 이미지, 동영상, 음원, 링크(예를 들면, 웹 링크) 등의 데이터 또는 이러한 데이터 중 적어도 두 가지의 조합을 포함하여 구성될 수 있다. 특히 본 실시 예에서, 콘텐츠는 예를 들어, 추천코스로 변경해야 하는 이유를 설명하거나, 언밸런스 에러(unbalance error, UE) 발생하여 포 풀림이 불가하다는 내용을 설명하기 위한 텍스트, 이미지, 동영상 등을 포함할 수 있다.

이러한 출력장치(200)는 오디오 신호 및 비디오 신호 중 적어도 하나 이상을 출력하는 전자장치로서, 예를 들어, TV(210), 2채널 스피커(220), AI스피커(230), 자체 스피커 등을 포함할 수 있다. 본 실시 예에서 출력장치(200)를 상술한 전자장치로 한정하고 있으나, 이에 국한되지 않고 다양한 홈 어플라이언스(예를 들어, 건조기, 의류 처리 장치, 에어컨, 냉장고, 청소기 등)를 포함할 수 있다.

사용자 단말기(300)는 세탁물 처리 장치 구동 어플리케이션 또는 세탁물 처리 장치 구동 사이트에 접속한 후 인증 과정을 통하여 세탁물 처리 장치(100)의 구동 또는 제어를 위한 서비스를 제공받을 수 있다. 본 실시 예에서 인증 과정을 마친 사용자 단말기(300)는 세탁물 처리 장치(100)를 구동하고, 세탁물 처리 장치(100)의 동작을 제어할 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.

한편, 본 실시 예에서 세탁물 처리 장치(100)는 세탁물, 특히 의류 처리를 위하여 연동장치(400)와 연동할 수 있으며, 연동한 연동장치(400)를 제어할 수 있다. 예를 들어, 연동장치(400)는 건조기(410) 및 의류 처리 장치(420)를 포함할 수 있다. 즉 본 실시 예에서, 세탁물 처리 장치(100)는 세탁물, 특히 의류의 종류를 분석하며, 분석 결과에 대응하여 건조기(410) 및 의류 처리 장치(420)의 동작모드를 자동으로 설정하고, 설정한 동작모드에 따라 동작하도록 제어할 수 있다.

서버(500)는 각종 인공 지능 알고리즘을 적용하는데 필요한 빅데이터와, 세탁물 처리 장치(100)를 동작시키는 데이터를 제공하는 데이터베이스 서버일 수 있다. 그 밖에 서버(500)는 사용자 단말기(300)에 설치된 세탁물 처리 장치 구동 어플리케이션 또는 세탁물 처리 장치 구동 웹 브라우저를 이용하여 세탁물 처리 장치(100)의 동작을 원격에서 제어할 수 있도록 하는 웹 서버 또는 어플리케이션 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, 인공 지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접적으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공 지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공 지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.

서버(500)는 세탁물 처리 장치(100)로부터 서비스 요청 정보를 수신하여 분석하고, 서비스 요청 정보에 대응하는 서비스 응답 정보를 생성하여 세탁물 처리 장치(100)로 전송할 수 있다. 특히, 서버(500)는 세탁물 처리 장치(100)로부터 사용자의 서비스 요청에 대응하는 발화 음성을 수신하고, 음성 인식 처리를 통하여 발화 음성의 처리 결과를 서비스 응답 정보로 생성하여 세탁물 처리 장치(100)로 제공할 수 있다. 여기서, 세탁물 처리 장치(100)의 프로세싱 능력에 따라, 세탁물 처리 장치(100) 내에서 상술한 사용자의 서비스 요청에 대응하는 발화 음성을 인식 처리하고 그 처리 결과를 서비스 응답 정보로 생성할 수도 있다.

네트워크(600)는 세탁물 처리 장치(100)와, 출력장치(200)와, 사용자 단말기(300)와, 연동장치(400)와, 서버(500)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(600)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(600)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(600)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(600)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(600)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(600)는 사물 등 분산된 구성 요소들 간에 정보를 주고받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.

도 2는 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 구조를 개략적으로 설명하기 위하여 도시한 도면이다. 이하의 설명에서 도 1에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

도 2를 참조하면, 세탁물 처리 장치(100)는 외관을 형성하는 캐비닛(110)과, 캐비닛(110)의 내부에 구비되며 캐비닛(110)에 의해 지지되는 터브(130)와, 터브(130) 내부에 회전 가능하게 구비되어 세탁물이 투입되는 드럼(131)과, 드럼(131)에 토크를 인가하여 드럼을 회전시키는 구동부(140)와, 사용자가 세탁코스의 선택 및 실행을 가능하게 하는 UI(120)를 포함할 수 있다. 이때 구동부(140)는 예를 들어, 모터를 포함할 수 있고, UI(120)는 입력 인터페이스(121) 및 출력 인터페이스(122)를 포함할 수 있다.

또한, 캐비닛(110)은 본체(111)와, 본체(111)의 전면에 구비되어 결합되는 커버(112)와, 본체(111)의 상부에 결합되는 탑플레이트(115)를 포함할 수 있다. 커버(112)는 세탁물의 출입이 가능하도록 구비되는 개구부(114)와, 개구부(114)를 선택적으로 개폐하는 도어(113)를 포함할 수 있다. 그리고 드럼(131)은 내부에 투입된 세탁물이 세탁되는 공간을 형성할 수 있고, 구동부(140)에서 동력을 제공받아 회전할 수 있다. 또한 드럼(131)은 다수의 통공(132)을 구비하므로 터브(130)에 저장된 세탁수는 통공(132)을 통해 드럼(131)의 내부로 유입될 수 있고, 드럼(131) 내부의 세탁수는 터브(130)로 유출될 수 있다. 따라서, 드럼(131)이 회전하면 드럼(131) 내부에 투입된 세탁물은 터브(130)에 저장된 세탁수와 마찰하는 과정에서 오물이 제거될 수 있다. 한편, 드럼(131)은 세탁물의 교반을 위한 리프터(135)를 더 포함할 수 있다.

UI(120)는 사용자가 세탁(세탁물 처리 장치(100)의 전체 행정 과정 포함)과 관련한 정보를 입력할 수 있을 뿐만 아니라, 세탁과 관련한 정보를 확인할 수 있는 구성이다. 즉, 사용자와의 인터페이스를 위한 구성이다. 따라서, UI(120)는 사용자가 제어명령의 입력이 가능한 입력 인터페이스(121a, 121b)와, 제어명령에 따른 제어정보를 표시하는 출력 인터페이스(122)를 포함하여 이루어질 수 있다. 그리고 UI(120)는 제어명령에 따라 구동부(140)의 동작을 포함하여 세탁물 처리 장치(100)의 구동을 제어하는 제어부(도 3의 192)를 포함할 수 있다. 본 실시 예에서, UI(120)는 세탁물 처리 장치(100)의 컨트롤을 위해 입력 및 출력이 가능한 컨트롤패널을 의미할 수 있다. 이를 위해 UI(120)는 터치 인식 디스플레이 제어기 또는 이외의 다양한 입출력 제어기로 구성될 수 있다. 일 예로, 터치 인식 디스플레이 제어기는 장치와 사용자 사이에 출력 인터페이스 및 입력 인터페이스를 제공할 수 있다. 터치 인식 디스플레이 제어기는 전기 신호를 제어부(192)와 송수신할 수 있다. 또한, 터치 인식 디스플레이 제어기는 사용자에게 시각적인 출력을 표시하며, 시각적 출력은 텍스트, 그래픽, 이미지, 비디오와 이들의 조합을 포함할 수 있다. 이와 같은 UI(120)는 예를 들어 터치 인식이 가능한 OLED(organic light emitting display) 또는 LCD(liquid crystal display) 또는 LED(light emitting display)와 같은 소정의 디스플레이 부재일 수 있다.

즉, 본 실시 예에서 UI(120)는 세탁물 처리 장치(100)의 동작 전반을 사용자가 제어할 수 있도록, 소정의 제어 명령을 입력 받는 입력 인터페이스(121)의 기능을 수행할 수 있다. 또한, UI(120)는 제어부(192)의 제어 하에 세탁물 처리 장치(100)의 작동 상태를 표시할 수 있는 출력 인터페이스(122)의 기능을 수행할 수 있다. 본 실시 예에서 UI(120)는 세탁물 처리 장치(100) 내부의 세탁물에 대한 부하의 종류에 대응하여 세탁물 처리 장치(100)의 동작모드 설정 및/또는 추천 결과를 표시할 수 있다. 또한 UI(120)는 추천 코스로 변경해야 하는 이유, UE가 발생하여 포 풀림이 불가한 상황인 것에 대한 설명 등을 포함하는 콘텐츠를 출력할 수 있다. 그리고 UI(120)는 세탁물 처리 장치(100)와 연동된 연동장치(400)의 동작모드 설정 결과를 표시할 수 있다. 선택적 실시 예로 UI(120)는 사용자 선호도를 분석한 결과를 기반으로 사용자 맞춤형 세탁 모드 추천 결과를 표시할 수 있다. 더 나아가 UI(120)는 사용자 선택에 의한 콘텐츠 및 정보를 표시할 수 있다.

또한, 본 실시 예에서 세탁물 처리 장치(100)는, 수도 꼭지 등의 외부 수원으로부터 공급된 물을 터브(130)로 안내하는 적어도 하나의 급수호스(미도시)와, 적어도 하나의 급수호스를 단속하는 급수부(133)를 구비할 수 있다. 그리고 세탁물 처리 장치(100)는 터브(130) 또는 드럼(131) 내로 세제, 섬유 유연제 등의 첨가제를 공급하는 디스펜서(미도시)를 구비할 수 있으며, 디스펜서에는 첨가제들이 그 종류에 따라 구분되어 수용될 수 있다. 디스펜서는 세제를 수용하는 세제 수용부(미도시)와, 섬유 유연제를 수용하는 유연제 수용부(미도시)를 포함할 수 있다. 그리고 세탁물 처리 장치(100)는 급수부(133)를 통해 공급된 물을 디스펜서의 각 수용부로 선택적으로 안내하는 급수공급관(미도시)을 구비할 수 있다. 급수부(133)는 각각의 급수공급관을 단속하는 급수밸브를 포함할 수 있고, 급수공급관은 세제 수용부 및 섬유 유연제 수용부로 물을 각각 공급할 수 있도록 각각의 급수공급관을 포함할 수 있다.

한편 배수부(134)는 터브(130)에서 물이 배출되도록 하는 배수구(미도시)와, 배출된 물을 펌핑하는 펌프(미도시)를 포함할 수 있다. 펌프는 배출된 물을 배수관(미도시)으로 압송하는 기능과, 순환관(미도시)로 압송하는 기능을 선택적으로 수행할 수 있다. 이때 펌프에 의해 압송되어 순환관을 따라 안내되는 물을 순환수라고 할 수 있다. 펌프는 물을 압송하기 위한 임펠러(미도시)와, 임펠러가 수용되는 펌프 하우징(미도시)과, 임펠러를 회전시키는 펌프 모터(미도시)를 포함할 수 있다. 펌프 하우징에는 물이 유입되는 유입포트(미도시)와, 임펠러에 의해 압송된 물을 배수관으로 토출하는 배수 토출포트(미도시)와, 임펠러에 의해 압송된 물을 순환관으로 토출하는 순환수 토출포트(미도시)가 형성될 수 있다. 여기서 펌프 모터는 정/역 회전이 가능한 것일 수 있다. 즉 본 실시 예에서는 임펠러가 회전되는 방향에 따라, 배수 토출포트를 통해 물이 토출되거나, 순환수 토출포트를 통해 물이 토출될 수 있다. 이러한 구성은, 펌프 하우징의 구조를 적절하게 설계함으로써 구현될 수 있으며, 이와 같은 기술은 공지된 것인 바, 구체적인 설명은 생략하기로 한다.

한편, 펌프는 유량(또는, 토출 수압) 가변이 가능한 것으로, 이를 위해, 펌프를 구성하는 펌프 모터는 회전속도 제어가 가능한 가변속 모터일 수 있다. 펌프 모터는 BLCD 모터(Brushless Direct Current Motor)가 적당하나, 반드시 이에 한정되어야 하는 것은 아니다. 모터의 속도 제어를 위한 드라이버가 더 구비될 수 있고, 상기 드라이버는 인버터 드라이버일 수 있다. 인버터 드라이버는 AC 전원을 DC 전원으로 변환하여, 목표한 주파수로 모터에 입력할 수 있다. 또한 펌프 모터는 제어부에 의해 제어될 수 있으며, 제어부는 비례-적분 제어기(PI controller: Proportional-Integral controller), 비례-적분-미분 제어기(PID controller: Proportional-Integral-Derivative controller) 등을 포함하여 구성될 수 있다. 상기 제어기는 펌프 모터의 출력값(예를 들어, 출력 전류)을 입력으로 받아, 이를 바탕으로 펌프 모터의 회전수가 기 설정된 목표 회전수를 추종하도록 상기 드라이버의 출력값을 제어할 수 있다. 또한, 제어부는 펌프 모터뿐만 아니라, 세탁기의 작동 전반을 제어할 수 있다.

한편, 본 실시 예에서, 세탁물 처리 장치(100)는 터브(130)의 전면에, 터브(130)의 입구 둘레를 따라 적어도 하나의 밸런서(미도시)를 구비할 수 있다. 밸런서는 터브(130)의 진동을 저감하기 위한 것으로, 소정의 중량을 갖는 중량체이며, 복수 개가 구비될 수 있다. 예를 들어, 터브(130)의 전면 상부에, 좌, 우 양측으로 각각 밸런서가 구비되고, 터브(130)의 전면 하부에도 밸런서가 구비될 수 있다.

감지부(150)는 모터 구동 전류 센서(도 3의 151) 및 드럼 회전 속도 센서(도 3의 152)를 필수적으로 포함하도록 구성될 수 있다. 그 밖에 도시되지 않은 센서들 중에서 세탁수에 잔류하는 화학물질을 검출하는 센서, 오염된 세탁물질을 감지하기 위한 후각 센서 등이 감지부(150)에 추가로 구성될 수 있다. 그 밖에 파동 센서(미도시)에 의한 반사파를 통해 세탁물에 포함된 이물질 등이 감지될 수 있다. 예를 들어 세탁물에 동전 등의 금속이 포함된 경우에, 파동 센서의 반사파의 특징을 이용하여 동전 등의 이물질이 검출될 수 있다. 모터 구동 전류 센서는 모터의 구동 전류를 감지하고, 드럼 회전 속도 센서는 드럼의 회전 속도를 감지하여 세탁물의 종류 감지에 기초가 되는 센싱 데이터를 출력할 수 있다. 한편 본 실시 예에서는 감지부(150)의 위치가 터브(130) 상측에 구비되는 것으로 도시하고 있으나 이에 한정되지 않으며, 감지부(150)에 포함되는 센서들은 각각 다른 곳에 위치할 수 있다. 예를 들어, 모터 구동 전류 센서는 모터 측에 구비될 수 있고, 드럼 회전 속도 센서는 드럼 내에 구비될 수 있다.

도 3은 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 개략적인 블록도이다. 이하의 설명에서 도 1 및 도 2에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

도 3을 참조하면, 세탁물 처리 장치(100)는 통신부(160), 스피커(171), 마이크로폰(172), 메모리(180), 처리부(191) 및 제어부(192)를 포함할 수 있다.

통신부(160)는 네트워크(600)와 연동하여 세탁물 처리 장치(100), 출력장치(200), 사용자 단말기(300), 연동장치(400) 및/또는 서버(500) 간의 송수신 신호를 패킷 데이터 형태로 제공하는데 필요한 통신 인터페이스를 제공할 수 있다. 또한, 통신부(160)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.

스피커(171)는 세탁물 처리 장치(100)의 동작과 관련한 정보를 청각 데이터로 출력할 수 있다. 즉 스피커(171)는 세탁물 처리 장치(100)의 동작과 관련한 정보를 오디오 데이터로 출력할 수 있는데, 제어부(192)의 제어에 따라 경고음, 동작모드, 동작상태, 에러상태 등의 알림 메시지와, 사용자의 음성 명령에 대응하는 정보, 사용자 음성 명령에 대응하는 처리 결과 등을 오디오로 출력할 수 있다. 또한 스피커(171)는 제어부(192)로부터의 전기 신호를 오디오 신호로 변환하여 출력할 수 있다. 그리고 스피커(171)는 세탁물 처리 장치(100)와 유/무선 통신 가능한 기기로부터의 오디오 신호(예를 들어, 음악 재생 등)를 출력할 수 있다. 한편, 스피커(171)는 일 실시 예로, 그 위치 및 구현 방법이 한정되지 않으며, 오디오 신호 출력을 위한 출력 수단을 모두 포함할 수 있다.

마이크로폰(172)은 제어부(192)의 제어 하에, 세탁물 처리 장치(100)를 향하여 사용자가 발화한 발화 음성을 입력 받을 수 있다. 또한 본 실시 예에서는, 사용자의 발화 음성을 더 정확하게 수신하기 위해 복수의 마이크를 구비할 수 있다. 여기서, 복수의 마이크 각각은 서로 다른 위치에 이격되어 배치될 수 있고, 수신한 사용자의 발화 음성을 전기적인 신호로 처리할 수 있다. 본 실시 예에서는 마이크로폰(172)을 통해 수신한 사용자의 발화 음성의 음성 인식을 수행하기 위하여 음성인식부(미도시)를 포함할 수 있다. 음성인식부는 사용자의 발화 음성을 수신하는 과정에서 발생하는 노이즈를 제거하기 위한 다양한 노이즈 제거 알고리즘을 사용할 수 있다. 선택적 실시 예로 음성인식부는 사용자의 발화 음성 수신 시에 노이즈를 제거하는 필터(미도시), 필터에서 출력되는 신호를 증폭하여 출력하는 증폭기(미도시) 등 음성 신호 처리를 위한 각종 구성 요소들을 포함할 수 있다. 한편, 마이크로폰(172)은 일 실시 예로, 그 위치 및 구현 방법이 한정되지 않으며, 오디오 신호 입력을 위한 입력 수단은 제한 없이 차용될 수 있다.

메모리(180)는 세탁물 처리 장치(100)의 다양한 기능을 지원하는 정보를 저장할 수 있다. 메모리(180)는 세탁물 처리 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 어플리케이션(application)), 세탁물 처리 장치(100)의 동작을 위한 정보들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신 통해 외부 서버로부터 다운로드 될 수 있다. 또한, 메모리(180)는 세탁물 처리 장치(100)와 인터랙션을 수행하려는 한 명 이상의 사용자 정보를 저장할 수 있다. 이러한 사용자 정보는 인식된 사용자가 누구인지 식별하는데 사용될 수 있는 얼굴 정보 및 체형 정보(예를 들어, 영상인식부(미도시) 또는 생체인식부(미도시)에 의해 촬영)와, 음성 정보 등을 포함할 수 있다.

또한, 메모리(180)는 세탁물 처리 장치(100)를 구동시킬 수 있는 기동어가 저장되어 있어서, 사용자가 기동어를 발화하면 처리부(191)에서 이를 인식하여 비활성화 상태였던 세탁물 처리 장치(100)를 활성화 상태로 변경할 수 있다. 또한 메모리(180)는 사용자의 음성 명령(예를 들어, 세탁물 처리 장치(100)를 제어하기 위한 명령어 등)에 대응하여 세탁물 처리 장치(100)가 수행해야 할 작업 정보 등을 저장할 수 있다. 또한 본 실시 예에서, 메모리(180)는 세탁물 처리 장치(100)의 전체 행정 정보와, 출력장치(200) 및 연동장치(400)의 성능 정보와, 해당 사용자임을 특정할 수 있는 사용자의 특성 정보(예를 들어, 얼굴 정보, 음성 정보 등)와, 특정 사용자의 경우 설정할 세탁물 처리 장치(100)의 모드 및 옵션 등을 저장할 수 있다. 여기서 세탁물 처리 장치(100)의 모드 및 옵션은 전체 행정 중 수행할 행정과 행정의 순서 및 세부적인 구동 방법 등을 의미할 수 있다. 또한, 여기서 출력장치(200) 및 연동장치(400) 성능 정보는, 출력 세기 정보, 채널 수 정보, 그 외 출력 성능을 나타내는 다양한 정보 등을 포함할 수 있다.

본 실시 예에서 메모리(180)는 제어부(192)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 여기서, 메모리(180)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 메모리(180)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, 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 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.

처리부(191)는 세탁물 처리 장치(100)의 행정 중에 모터의 구동전류 및 드럼의 회전속도를 획득하여 세탁물 처리 장치(100) 내부에 위치한 세탁물에 대한 부하의 종류를 구분할 수 있다. 또한 처리부(191)는 부하의 종류에 대응하여 세탁물 처리 장치(100)의 코스 변경 여부를 결정할 수 있고, 세탁물 처리 장치(100)의 코스 변경을 결정한 경우, 부하의 종류에 대응하는 추천 코스를 출력할 수 있다. 그리고 처리부(191)는 추천 코스에 대한 선택 신호 수신 시, 세탁물 처리 장치(100)를 추천 코스로 변경할 수 있다. 또한, 처리부(191)는 세탁물 처리 장치(100) 동작 시에 모터의 구동전류 및 드럼의 회전속도로부터 부하의 종류를 구분하도록 미리 훈련된 심층 신경망을 이용하여, 세탁물 처리 장치(100)의 행정 중에 모터의 구동전류 및 드럼의 회전속도로부터 부하의 종류를 구분할 수 있다.

본 실시 예에서 처리부(191)는 도 3에 도시된 바와 같이 제어부(192)의 외부에 구비될 수도 있고, 제어부(192) 내부에 구비되어 제어부(192)처럼 동작할 수도 있으며, 도 1의 서버(500) 내부에 구비될 수도 있다. 이하 처리부(191)의 상세한 동작은 도 6을 참조하여 설명하기로 한다.

제어부(192)는 일종의 중앙처리장치로서 메모리(180)에 탑재된 제어 소프트웨어를 구동하여 세탁물 처리 장치(100) 전체의 동작을 제어할 수 있다. 본 실시 예에서, 제어부(192)는 모터의 구동전류 및 드럼의 회전속도를 획득하여 세탁물 처리 장치(100) 내부에 위치한 세탁물에 대한 부하의 종류를 구분할 수 있다. 그리고 제어부(192)는 부하의 종류에 대응하여 세탁물 처리 장치(100)의 코스 변경 여부를 결정할 수 있으며, 세탁물 처리 장치(100)의 코스 변경을 결정한 경우, 부하의 종류에 대응하는 추천 코스를 출력하여 세탁물 처리 장치(100)가 추천 코스에 따라 동작하도록 제어할 수 있다.

한편, 본 실시 예에서, 세탁물 처리 장치(100)는 드럼(도 2의 131) 내부에 패들(paddles, 미도시)이 구비되어 있어서, 드럼의 회전에 따라 세탁물이 패들에 걸려서 회전할 수 있도록 하고, 이에 낙차에 따라 드럼 내에서 세탁물이 하강하도록 할 수 있다. 이러한 세탁물의 운동 특성은 세탁물의 무게, 부피, 즉 밀도와 관련되고, 이러한 밀도는 세탁물의 종류와 관계될 수 있다. 따라서, 드럼의 회전에 따른 세탁물의 운동 특성을 통해 세탁물의 종류가 파악될 수 있다. 이때 세탁물의 운동 특성은 모터의 구동전류 및 드럼의 회전속도에 기초하여 알 수 있으며, 즉 본 실시 예에서는, 세탁물 처리 장치(100)의 운전 특성을 통해 세탁물에 대한 부하의 종류를 구분할 수 있다.

도 4는 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 부하 분류 과정을 설명하기 위한 개략적인 도면이다. 도 4를 참조하면, 제어부(192)는 사용자로부터 코스선택이 입력되면, 입력된 코스에 대응하여 미리 설정된 프로세스에 따라 포량 감지, 세탁 행정, 헹굼 행정 및 탈수 행정을 수행할 수 있다.

보다 구체적으로, 제어부(192)는 사용자의 조작에 의해 세탁 운전이 실시되면, 드럼 내부에 수용된 세탁물 즉 부하의 중량을 판단하여 세탁물에 적합한 물의 양 및 세탁 시간을 판단할 수 있다. 그리고 제어부(192)는 급수부(133)를 통해서 터브 내측으로 설정량의 세탁수가 공급되어 드럼 내부의 세탁물을 적시게 할 수 있다. 이때, 제어부(192)는 급수부(133)와 연결된 세제공급장치를 통해서 세제 및 섬유 유연제가 터브 내부로 같이 공급되도록 할 수 있다. 이후, 제어부(192)는 설정량의 세탁수가 급수된 후에는 구동부(140)의 구동에 의해 드럼이 정역회전하게 되며, 이때, 제어부(192)는 드럼 내부의 리프트가 드럼 내부의 세탁물을 끌어올린 후 낙하시키는 과정을 반복하면서 세탁물의 세탁이 이루어지게 할 수 있다. 그리고, 제어부(192)는 세탁행정이 완료된 후에는 터브 내부의 오염된 세탁수를 배수부(134)를 통해 배수하게 되며, 세탁수의 배수가 완료되면 새로운 세탁수를 공급하여 헹굼행정을 진행할 수 있다. 한편, 행궁행정이 완료된 후에는 터브 내부의 오염된 세탁수를 배수부(134)를 통해 배수하게 되며, 세탁행정과 헹굼행정에서 엉킨 세탁물을 풀어주는 포분산이 진행될 수 있다. 이후, 헹굼행정의 포분산이 완료된 이후, 제어부(192)는 드럼에 수납된 세탁물의 언밸런스 감지, 과도거품의 감지, 물참현상의 감지를 진행하면서 탈수행정을 수행할 수 있다.

즉, 본 실시 예에서, 세탁물 처리 장치(100)는 드럼 내부에 수용된 세탁물 즉 부하의 중량, 종류 등 부하의 특성을 판단하여 세탁물에 적합한 물의 양 및 세탁 시간을 판단하고, 해당 부하에 대응하는 코스를 선택하여야 최적의 세탁을 수행 할 수 있다. 그러나 세탁물 처리 장치(100)의 코스는 사용자가 부하(세탁물)가 무엇인지 판단하여 선택하도록 하여, 사용자가 매번 수 많은 코스를 일일이 선택해야 하는 번거로움이 있을 수 있다. 이에, 사용자가 예를 들어, 이불을 빨래하는 경우에도 코스 입력이 번거로워 일반 코스로 진행하는 경우가 발생하여 세탁물 처리 장치(100)를 최적의 성능으로 동작시킬 수 없을 수 있다.

따라서, 본 실시 예에서, 제어부(192)는 감지부(150)의 모터 구동 전류 센서(151)로부터 모터의 구동전류를 입력 받고, 드럼 회전 속도 센서(152)로부터 드럼의 회전속도를 입력 받아, 미리 학습한 심층 신경망에 입력 데이터로 입력하여 딥러닝의 결과물로 일반부하와 특수부하를 구분할 수 있다. 이때, 제어부(192)는 포량 감지 구간 및 세탁 행정 구간에서 모터의 구동전류 및 드럼의 회전속도를 입력 받을 수 있으며, 또한 세탁 행정 구간은 예를 들어, 텀블링 모션, 롤링 모션 등과 같이 일정 RPM을 유지하는 모션에서 모터의 구동전류 및 드럼의 회전속도를 입력 받을 수 있다. 즉, 본 실시 예에서는, 포량 감지 구간에서의 모터의 구동전류, 포량 감지 구간에서의 드럼의 회전속도, 포량 감지 구간에서의 모터의 구동전류 및 세탁 행정 구간에서의 드럼의 회전속도를 입력 데이터(input)로 하여 지도학습 기반 심층 신경망 모델을 통해 일반부하 및 특수부하의 출력 데이터(output)를 얻을 수 있다. 다만 입력 데이터는 이에 한정되지 않는다.

한편, 본 실시 예에서, 세탁물 처리 장치(100)는 드럼이 다양한 형태로 구동될 수 있다. 즉, 일반적인 텀블 구동과 스핀 구동뿐만 아니라 더욱 다양한 형태로 드럼 구동이 이루어질 수 있다. 텀블 구동은 일반적인 드럼 세탁기의 세탁이나 헹굼 시 세탁물이 들어 올려진 후 낙하하는 드럼구동모션이며, 스핀 구동은 탈수 시 세탁물이 드럼 내부에 붙어 있는 상태로 계속해서 회전하게 되는 드럼구동모션이다. 본 실시 예에서 드럼구동모션은 드럼이 회전하는 RPM만 아니라 이와 연관되어 드럼 내부에서 세탁물이 유동하는 모션을 의미할 수 있다. 드럼구동모션은 드럼의 회전방향과 회전속도의 조합을 의미하고, 드럼구동모션에 의해 드럼 내부에 위치하는 세탁물은 낙하방향, 낙하시점이 달라지게 되고 따라서 드럼 내부에서의 세탁물의 유동이 달라질 수 있다. 그리고 드럼구동모션은 제어부(192)가 구동부(140)를 제어함으로써 구현할 수 있다. 세탁물은 드럼의 회전 시 드럼 내주면에 구비된 리프트에 의해 상승하게 되므로, 드럼의 회전속도와 회전방향을 제어함으로써 세탁물에 가해지는 충격을 달리할 수 있게 된다. 즉, 세탁물간의 마찰, 세탁물과 세탁수 간의 마찰, 그리고 세탁물의 낙하 충격 등의 기계력을 달리할 수 있게 된다. 다시 말하면, 세탁을 위해 세탁물을 두드리거나 비비는 정도를 달리할 수 있고, 세탁물의 분산이나 뒤집힘 정도를 달리할 수 있게 된다. 따라서, 본 실시 예에서는, 다양한 드럼구동모션을 구비한 세탁물 처리 장치(100)장치의 제어방법을 제공하여 세탁물의 종류, 세탁물의 오염정도, 각각의 행정, 각각의 행정을 이루는 세부적인 단계에 따라 드럼구동모션을 달리 하여 최적의 기계력으로 세탁물을 처리할 수 있게 된다. 이로 인해 세탁물의 세탁 효율을 향상시킬 수 있게 된다.

롤링모션(rolling motion)은 제어부(192)의 제어에 의해 구동부(140)가 드럼을 일방향으로 회전시키되, 드럼 내주면에 있는 세탁물이 드럼의 회전방향 약 90도 미만의 위치에서 드럼의 최저점으로 낙하하도록 제어되는 모션이다. 즉, 구동부(140)가 드럼을 약 40RPM으로 회전시키면 드럼의 최저점에 위치한 세탁물은 드럼의 회전방향을 따라 소정 높이 상승한 뒤 드럼의 최저점에서 회전방향 약 90도 미만의 위치에서 구르듯이 드럼의 최저점으로 유동하게 된다. 시각적으로는 드럼이 시계방향 회전 시 드럼의 3사분면에서 세탁물들이 지속적으로 구르는 형태가 될 수 있다. 세탁물은 롤링모션을 통해 세탁수와의 마찰, 세탁물간의 마찰, 그리고 드럼 내주면과의 마찰을 통해 세탁될 수 있다. 그리고 이러한 모션을 통해 세탁물의 뒤집힘이 충분히 발생되어 세탁물을 부드럽게 비벼빠는 효과를 얻을 수 있게 된다.

여기서, 드럼의 회전속도(RPM)는 드럼의 반경과의 관계에서 결정될 수 있다. 즉, 드럼의 회전속도(RPM)가 커질수록 드럼 내의 세탁물에는 원심력이 발생된다. 상기 원심력과 중력과의 크기 차이로 인해 드럼 내부에서의 세탁물의 유동이 달라지게 된다. 물론, 드럼의 회전력과 드럼과 세탁물 사이의 마찰력도 고려되어야 한다. 따라서, 롤링모션은 원심력과 마찰력이 중력(1G)보다 적게 발생되도록 드럼의 RPM이 결정될 수 있다.

텀블링모션(tumbling motion)은 구동부(140)가 드럼을 일방향으로 회전시키되 드럼 내주면에 있는 세탁물이 드럼의 회전방향 약 90도 내지 110도 위치에서 드럼의 최저점으로 낙하하도록 제어되는 모션이다. 텀블링모션은 드럼을 적정한 RPM으로 일방향으로 회전하도록 제어만 하면 기계력이 발생되므로 세탁과 헹굼 시 일반적으로 사용되는 드럼구동모션이다. 즉, 드럼에 투입된 세탁물은 구동부(140)가 구동되기 전 드럼의 최저점에 위치하게 된다. 구동부(140)가 드럼)에 토크를 제공하면 드럼은 회전하게 되고, 드럼의 내주면에 구비된 리프트는 드럼 내 최저점에서 소정높이까지 세탁물을 이동시키게 된다. 만약, 구동부(140)가 드럼을 약 46RPM정도로 회전시키면 세탁물은 상기 드럼의 최저점에서 회전방향 약 90도 내지 110도 위치에서 드럼의 최저점방향으로 낙하하게 된다. 텀블링 모션은 롤링모션에서의 원심력 보다는 큰 원심력이 발생하되, 중력보다는 적게 발생되도록 드럼의 RPM이 결정될 수 있다. 시각적으로 텀블링 모션은 드럼이 시계방향 회전 시 드럼의 최저점에서 3사분면으로부터 2사분면의 일부로 이동한 뒤 드럼 내주면에서 벗어나 드럼의 최저점으로 낙하하는 형태가 된다. 따라서, 텀블링 모션은 세탁물이 세탁수와의 마찰 및 낙하에 의해 유발되는 충격력에 의해 세탁될 수 있도록 하므로, 롤링모션에서의 기계력 보다 더 큰 기계력으로 세탁 및 헹굼을 수행할 수 있다. 그리고, 어느 정도 드럼 내부를 벗어나 낙하하는 모션이므로 엉켜진 세탁물을 분리하고 세탁물을 분산시키는 효과가 있게 된다.

제어부(192)는 통신부(160), 스피커(171) 및 출력 인터페이스(122) 중 적어도 하나 이상을 통해 추천 코스를 출력할 수 있다. 그리고 제어부(192)는 통신부(160), 마이크로폰(172), 입력 인터페이스(121) 중 적어도 하나 이상을 통해 사용자로부터 추천 코스 선택 신호가 입력되면, 추천 코스에 따라 급수부(133), 배수부(134) 및 구동부(140) 중 하나 이상을 제어할 수 있다. 즉 제어부(192)는 세탁물 처리 장치(100)의 전체 행정 중, 세탁물 처리 장치(100) 내부에 위치한 세탁물에 대한 부하의 종류에 대응하여 세탁물 처리 장치(100) 전체의 동작을 제어할 수 있다. 한편, 본 실시 예에서는 추천 코스를 출력한 후, 사용자로부터의 추천 코스 선택 신호가 입력되는 경우 추천 코스로 변경하는 것으로 기재하고 있다. 그러나 사용자가 세탁물에 대한 부하의 종류에 대응하여 추천 코스로 자동 변경되도록 미리 설정한 경우에는, 사용자로부터의 추천 코스 선택 신호가 입력되지 않더라도 추천 코스로 변경되도록 할 수 있다.

또한, 선택적 실시 예로, 제어부(192)는 사용자의 세탁물 처리 장치(100) 수동 조작 신호에 기초하여 사용자의 선호도를 분석하며, 사용자의 선호도를 분석한 결과를 기반으로 사용자 맞춤형 세탁 모드를 추천할 수도 있다.

여기서, 제어부(192)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, 본 발명의 범위가 이에 한정되는 것은 아니다.

본 실시 예에서 제어부(192)는 세탁물 처리 장치(100) 내부에 위치한 세탁물에 대한 부하의 종류 구분, 언밸런스 에러(Unbalance Error, UE) 발생 여부 예측, 음성 명령어 획득, 음성 명령어에 대응하는 세탁물 처리 장치(100)의 구동 동작 및 사용자 맞춤 세탁 모드 추천에 대하여 딥러닝(Deep Learning) 등 머신 러닝(machine learning)을 수행할 수 있고, 메모리(180)는, 머신 러닝에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.

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. 본 실시 예에 따른 딥러닝 구조는 공지된 다양한 구조를 이용할 수 있다. 예를 들어, 본 발명에 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.

즉 세탁물 처리 장치(100)에는 인공신경망(artificial neural network)이 탑재될 수 있으며, 즉 제어부(192)는 인공신경망, 예를 들어, CNN, RNN, DBN 등 심층신경망(deep neural network: DNN)을 포함할 수 있다. 따라서 제어부(192)는 세탁물 처리 장치(100) 내부에 위치한 세탁물에 대한 부하의 종류 구분, 언밸런스 에러(Unbalance Error, UE) 발생 여부 예측, 음성 명령어 획득, 음성 명령어에 대응하는 세탁물 처리 장치(100)의 구동 동작 및 사용자 맞춤 세탁 모드 추천을 위해 심층신경망을 학습할 수 있다. 이러한 인공신경망의 머신 러닝 방법으로는 자율학습(unsupervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다. 제어부(192)는 설정에 따라 학습 후 인공신경망 구조를 업데이트시키도록 제어할 수 있다.

도 5는 도 3의 본 발명의 일 실시 예에 따른 세탁물 처리 장치 중 처리부의 개략적인 블록도이다. 이하의 설명에서 도 1 내지 도 4에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 5를 참조하면, 처리부(191)는 획득부(1911), 분석부(1912), 설정부(1913), 추천부(1914), 동작 제어부(1915), 수집부(1916), 학습부(1917) 및 제공부(1918)를 포함할 수 있다.

획득부(1911)는 세탁물 처리 장치(100)의 행정 중에 모터의 구동전류 및 드럼의 회전속도를 획득할 수 있다. 즉 획득부(1911)는 감지부(도 3의 150)의 모터 구동 전류 센서(151)로부터 모터의 구동전류를 획득할 수 있고, 드럼 회전 속도 센서(152)로부터 드럼의 회전속도를 획득할 수 있다.

한편, 획득부(1911)는 세탁물 처리 장치(100)의 행정 중에, 급수 전 행정인 제1 구간 및 급수 후 행정인 제2 구간에서 모터의 구동전류 및 드럼의 회전속도를 획득할 수 있다. 예를 들어, 제1 구간은 포량 감지 구간으로, 획득부(1911)는 본 세탁 행정에 진입하기 전 급수를 하지 않은 상태에서 포량 감지 및 세탁물에 대한 부하 종류 구분을 위한 데이터를 획득할 수 있다. 즉, 획득부(1911)는 포량 감지 구간에서 1 차로 모터의 구동전류 및 드럼의 회전속도를 획득할 수 있다. 그리고 제2 구간은 예를 들어, 세탁 행정 구간으로, 획득부(1911)는 본 세탁 행정에 진입하여 급수한 후 세탁물에 대한 부하 종류 구분을 위한 데이터를 획득할 수 있다. 즉 획득부(1911)는 세탁 행정 구간에서, 2 차로 모터의 구동전류 및 드럼의 회전속도를 획득할 수 있다. 다만, 세탁물 처리 장치(100)의 행정은 크게 포량 감지, 세탁, 헹굼, 탈수로 구분할 수 있으나, 세탁 행정 구간에서도 헹굼 및 탈수 과정이 수행될 수 있다.

도 6은 본 발명의 일 실시 예에 따른 데이터 획득 구간을 설명하기 위한 예시도이다. 도 6을 참조하면, 획득부(1911)는 드럼의 회전속도(RPM)의 측정 RPM이 기설정한 설정 RPM에 도달한 후 설정시간이 경과하면, 모터의 구동전류 및 드럼의 회전속도를 획득하는 데이터 추출을 수행할 수 있다. 이때, 본 실시 예에서, 설정 RPM은 목표로 설정한 드럼의 회전속도인 기준 RPM의 일정범위 내의 값으로 설정될 수 있다. 예를 들어, 설정 RPM은 현재 측정 RPM의 상승 임계값으로 설정될 수 있으며, 따라서 상기 상승 임계값은 기준 RPM의 일정범위 내의 값일 수 있다. 즉, 본 실시 예에서는, 드럼의 회전속도(RPM)가 상승, 즉 가속되어 현재 측정 RPM이 설정 RPM에 도달한 후 설정시간 동안을 안정적인 데이터 추출을 위한 안정화 구간으로 설정할 수 있다. 이때 안정화 구간은 예를 들어 5초로 설정될 수 있다. 그리고 본 실시 예에서는, 안정화 구간을 거친 후, 일정시간 동안을 데이터 추출 구간으로 설정하여, 획득부(1911)에서 데이터(드럼의 회전속도 및 모터의 구동전류)를 획득하도록 할 수 있다. 또한 본 실시 예에서는 데이터 추출 구간 이후, 측정 RPM이 하강, 즉 드럼의 회전속도가 감속하기 시작하는 하강 임계값까지 분류 구간으로 설정하여 후술하는 분석부(1912)에서 세탁물에 대한 부하의 분류를 수행하도록 할 수 있다. 다만, 설정 RPM, 기준 RPM, 설정시간, 일정범위, 측정 RPM의 상승 임계값 및 측정 RPM의 하강 임계값은 세탁물 처리 장치(100)의 각 행정마다 다르게 설정될 수 있다. 즉, 도 6에 도시된 그래프는, RPM 정속 구간을 갖는 텀블 모션을 수행하는 세탁 행정 구간에서의 모터의 구동전류 및 드럼의 회전속도의 패턴을 예시로 도시한 것일 수 있다. 예를 들어, 포량 감지 구간에서의 안정화 구간, 데이터 추출 구간 및 분류 구간은 세탁 행정 대비 짧게 설정될 수 있다. 또한, 포량 감지 구간에서는 안정화 구간 및 분류 구간이 생략될 수도 있다.

분석부(1912)는 획득부(1911)에서 획득한 모터의 구동전류 및 드럼의 회전속도에 기초하여 세탁물 처리 장치(100) 내부에 위치한 세탁물에 대한 부하의 종류를 구분할 수 있다. 이때, 분석부(1912)는 모터의 구동전류 및 드럼의 회전속도의 변화 추이를 분석하고, 변화 추이에 기초하여 세탁물에 대한 부하의 종류를 구분할 수 있다.

도 7 및 도 8은 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 부하 종류 구분 제어를 설명하기 위한 예시도이다. 도 7 및 도 8을 참조하면, 분석부(1912)는 데이터 추출 수행 시, 모터의 구동전류 및 드럼의 회전속도의 측정 값이 일정 주기를 갖는 경우 포 유동 미 발생 조건의 제1 부하로 구분하고, 그렇지 않은 경우 포 유동 발생 조건의 제2 부하로 구분할 수 있다. 예를 들어, 제1 부하는 포 유동이 불가능한 특수부하, 제2 부하는 포 유동이 가능한 일반부하로 구분할 수 있다. 그리고 특수부하는 이불 등의 Bulky/Large 부하를 의미할 수 있다.

구체적으로, 본 실시 예에서, 도 7(a)는 드럼(도 2의 131) 내부에 포가 유동하는 상태를 도시한 것이며, 도 7(b) 및 도 7(c)는 포 유동 발생 조건의 부하에 대한 세탁물 처리 장치(100)의 운전 특성을 도시한 것이다. 도 7을 살펴보면, 드럼 내부가 포로 가득 차지 않은 포 유동 발생 조건의 경우, 데이터 추출 구간에서, 드럼의 회전속도(C_RPM) 및 모터의 구동전류(IqRef)의 주기성 특성이 나타나지 않음을 알 수 있다. 이는 세탁물 처리 장치(100)의 드럼이 일정 속도로 회전하고 있는 상태에서 내부의 리프터(도 2의 135) 및 부하 자체의 무게로 인하여 낙하가 발생하는데, 일정한 위치에서 낙하가 발생하지 않고 다양하게 포 유동이 발생하기 때문이다. 즉, 제2 부하는 낙하의 충격에 따라서 드럼의 회전속도(RPM)의 변동이 일어나고 그로 인하여 전류 제어값이 변경되어 예측 불가능한 전류(모터의 구동전류) 패턴이 발생될 수 있다.

반면, 도 8(a)는 드럼 내부에 포가 가득 차 포 유동이 발생하지 않는 상태를 도시한 것이며, 도 8(b) 및 도 8(c)는 포 유동이 발생하지 않는 조건의 부하에 대한 세탁물 처리 장치(100)의 운전 특성을 도시한 것이다. 도 8을 살펴보면, 드럼 내부가 포로 가득 차 있는 포 유동 불가능 조건의 경우, 데이터 추출 구간에서, 기설정된 드럼의 회전속도(R_RPM)를 기준으로 측정된 드럼의 회전속도(C_RPM)가 일정 주기로 동작하는 것을 알 수 있다. 다시 말해, 드럼의 회전속도 및 모터의 구동전류에 기초하여 살펴보면, 제2 부하의 드럼의 회전속도와 모터의 구동전류는 모터가 한 번 회전할 때 1 주기를 갖는 주기성의 특징이 있으며, 진폭은 언밸런스의 크기에 비례하는 특징이 있음을 알 수 있다. 이때, R_RPM(Request rpm)은 드럼의 회전속도에 대하여 기설정된 기준 RPM 값을 의미하고, C_RPM(Current rpm)은 드럼의 회전속도에 대하여 현재 측정되는 측정 RPM 값을 의미할 수 있다. 그리고 IqRef는 전류 제어값 즉 모터의 구동전류를 의미하고, Motor Angle은 모터의 회전 각을 의미할 수 있다.

그러나 세탁물 처리 장치(100)의 행정 중에는, 예를 들어, 세탁물(포)이 유동 가능한 일반부하이나 도어에 세탁물이 껴서 유동하지 못하는 경우, 포 유동이 불가능하나 세탁물이 완전히 가득 차 있는 상태가 아닌 약간의 공간이 존재하는 경우 등 다양한 상황이 발생할 수 있다. 따라서, 본 실시 예에서는, 세탁물에 대한 부하의 종류에 따라 나타나는 운전 특성을 보다 정밀하게 분석하기 위해서 미리 훈련된 심층 신경망을 이용할 수 있다. 즉, 분석부(1912)는 세탁물 처리 장치(100) 동작 시에 모터의 구동전류 및 드럼의 회전속도로부터 부하의 종류를 구분하도록 미리 훈련된 심층 신경망을 이용하여, 세탁물 처리 장치(100)의 행정 중에 모터의 구동전류 및 드럼의 회전속도로부터 부하의 종류를 구분할 수 있다. 즉, 본 실시 예에서, 세탁물에 대한 부하의 종류는 세탁물 처리 장치(100) 행정 중, 딥러닝을 이용한 모터의 구동전류 및 드럼의 회전속도의 실제값과 예측값의 실험 결과로 얻을 수 있다.

한편, 분석부(1912)는 모터의 구동전류 및 드럼의 회전속도의 변화량을 감지하여 언밸런스 에러(UE) 발생 여부를 예측할 수 있다. 즉, 본 실시 예에서는, 터브(도 2의 130)의 편심량, 즉 터브의 언밸런스(unbalance; UB)를 감지하여, 언밸런스 에러 발생 여부를 예측할 수 있다. 예를 들어, 편심량 감지는, 감지부(150)에서 감지된 모터의 구동전류의 리플 성분 및/또는 드럼의 회전 속도 변화량에 기초하여 수행될 수 있다.

본 실시 예에서, 분석부(1912)가 세탁물에 대한 부하의 종류를 특수부하로 구분한 경우, 세탁물의 언밸런스가 기준치를 넘어서면 진동 또는 소음이 일반부하보다 더 발생할 수 있다. 이에, 본 실시 예에서는, 탈수 행정 구간 진입 전에 언밸런스 정도를 측정하고 이를 기준치와 비교하여 언밸런스 에러 발생 여부를 예측할 수 있다. 그리고, 상기 기준치는 포량의 정도에 따라 다르게 설정될 수 있다. 예를 들어, 포량이 크면 관성이 크기 때문에 적은 언밸런스에서도 심하게 진동하게 되며, 따라서, 포량이 클수록 언밸런스의 기준치는 작게 설정될 수 있다. 여기서, 언밸런스 정도는 UB량을 이용하고 있는데, UB량은 언밸런스 정도를 파악하기 위해 정의되는 수치를 의미할 수 있다. 이는 다양한 방법으로 정의될 수 있는데, 예를 들면, UB량은 실험을 통해 얻은 상수와, 드럼 내의 포의 관성모멘트와, 드럼을 정속으로 회전시키도록 모터가 제어될 때 그 모터 회전수의 리플, 즉 변동치를 곱하여 구할 수 있다. 통상, 포량의 크기에 따라 상하 복수로 포량그룹을 설정해 놓고, 각 포량그룹에 대응하는 기준 UB량을 설정할 수 있다. 그래서, 분석부(1912)는 세탁물에 대한 부하의 종류를 구분하여, 해당 세탁물에 대응되는 기준 UB량을 이용해 밸런스 정도가 기준치 이하인지 아닌지를 판단할 수 있다. 예컨대, 포량그룹은 소량, 중소, 중량, 다량 등으로 구분될 수 있고, 각 포량그룹에 대응하도록 기준 UB량이 설정될 수 있다. 따라서, 분석부(1912)는 탈수 행정 구간에 진입하기 전에 UB량을 측정하고 이를 부하의 종류에 대응하는 기준 UB량과 비교하면 측정된 UB량이 기준 UB량 보다 큰 경우, UE 발생으로 탈수 행정 구간에 진입할 수 없음을 예측할 수 있다.

설정부(1913)는 부하의 종류에 대응하여 세탁물 처리 장치(100)의 코스 변경 여부를 결정할 수 있다. 또한, 설정부(1913)는 UE 발생을 예측한 경우, 세탁물 처리 장치(100)의 코스 변경 여부를 결정할 수 있다. 즉, 설정부(1913)는 부하의 종류가 특수부하일 때 세탁물 처리 장치(100)의 코스 변경 여부를 결정할 수 있고, 부하의 종류가 특수부하이면서 UE 발생이 예측될 때 세탁물 처리 장치(100)의 코스 변경 여부를 결정할 수 있다. 예를 들어, 세탁물이 이불인데 사용자가 일반코스를 선택한 경우, 분석부(1912)에서 분석 결과 특수부하이면 세탁물 처리 장치(100)의 코스 변경 여부를 결정할 수 있다.

도 9 및 도 10은 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 추천 코스 출력을 설명하기 위한 예시도이다. 이하의 설명에서 도 1 내지 도 8에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 9를 참조하면, 세탁물 처리 장치(100)는 전체 행정 중에 모터의 구동전류 및 드럼의 회전속도를 획득하여, 획득한 데이터를 서버(500)에 전송할 수 있다. 서버(500)에서는 예를 들어 머신러닝을 통해 데이터 분석을 수행하여 세탁물 처리 장치(100) 내부에 위치한 세탁물에 대한 부하의 종류를 구분할 수 있다. 이때 데이터 분석은 세탁물 처리 장치(100) 자체 내의 제어부(192) 및/또는 처리부(191)에서 수행될 수도 있다. 그리고 세탁물 처리 장치(100)는 부하의 종류에 대응하여 코스 변경 여부를 결정하여, 세탁물 처리 장치(100), AI스피커(230) 및 사용자 단말기(300) 중 적어도 하나 이상을 통해 부하의 종류에 대응하는 추천 코스를 출력할 수 있다.

즉, 추천부(1914)는 세탁물 처리 장치(100)의 코스 변경을 결정한 경우, 부하의 종류에 대응하는 추천 코스를 출력할 수 있다. 예를 들어, 추천부(1914)는 세탁물 처리 장치(100)에 구비된 스피커, 출력 인터페이스 등을 통하여 추천 코스를 출력할 수 있다. 또한, 추천부(1914)는 출력장치(200)를 통하여 추천 코스를 출력할 수 있는데, 특히 AI스피커(230)를 통하여 추천 코스를 출력할 수 있다.

또한, 도 10을 참조하면, 추천부(1914)는 세탁물 처리 장치(100)와 네트워크를 통하여 연계된 사용자 단말기(300)를 통하여 추천 코스를 출력할 수 있다. 본 실시 예에서는, 세탁물 처리 장치(100) 자체 내의 스피커와 사용자 단말기(300)의 스피커를 통해 음성으로 추천 코스를 출력할 수 있다. 또한 본 실시 예에서는, 세탁물 처리 장치(100) 자치 내의 출력 인터페이스와 사용자 단말기(300)의 화면(예를 들어, 세탁물 처리 장치 어플리케이션 등을 출력하는 화면)을 통해 문자로 추천 코스를 출력할 수 있다. 예를 들어, "특수부하로 인식되었습니다. 코스를 변경할까요?"라는 음성 및/또는 문자로 추천 코스로 변경할 지의 여부와, 추천 코스를 출력할 수 있다. 이때 추천부(1914)는 추천 코스로 변경해야 하는 이유를 포함하는 콘텐츠를 함께 출력할 수도 있다. 추천 코스로 변경해야 하는 이유를 포함하는 콘텐츠는, 예를 들어, 이불 코스로 변경했을 경우 세탁 효과가 상승한다는 것, 그리고 추천 코스로 변경하지 않을 경우 UE가 발생할 수 있음을 설명하기 위한 이미지, 문자, 동영상 등을 포함할 수 있다.

동작 제어부(1915)는 추천 코스에 대한 선택 신호 수신 시, 세탁물 처리 장치(100)를 추천 코스로 변경할 수 있다. 본 실시 예에서는, 추천부(1914)가 세탁물 처리 장치(100)의 코스 변경을 결정한 경우, 추천 코스 및/또는 추천 코스로 변경해야 하는 이유 등을 출력하면서 추천 코스로 변경할 것인지에 대한 선택을 요청할 수 있다. 이때 동작 제어부(1915)는 세탁물 처리 장치(100) 자체의 입력 인터페이스를 통해 사용자로부터 선택 신호를 입력 받거나, 사용자 단말기(300)를 통해 사용자로부터 선택 신호를 입력 받아 세탁물 처리 장치(100)를 추천 코스로 변경할 수 있다. 또한 동작 제어부(1915)는 추천 코스에 대한 선택을 포함하는 발화음성 수신 시, 세탁물 처리 장치(100)를 추천 코스로 변경할 수 있다. 이때 본 실시 예에서는, 세탁물 처리 장치(100) 자체의 마이크로폰을 통해 발화음성을 수신할 수 있고, AI스피커(230), 사용자 단말기(300), 연동장치(400) 등의 음성 수신 수단을 통해서도 발화음성을 수신할 수 있다.

한편, 본 실시 예에서는, 사용자의 선택 신호 수신 시, 세탁물 처리 장치(100)를 추천 코스로 변경할 수 있으나, 사용자가 자동 변경이 가능하도록 미리 설정한 경우에는, 부하의 종류에 대응하여 추천 코스로 자동 변경하도록 할 수 있다. 그리고 본 실시 예에서, UE 발생이 예측되는 경우, 동작 제어부(1915)는 UE 발생에 대하여 사용자에게 알림을 출력할 수 있다. 예를 들어, 동작 제어부(1915)는 세탁물 처리 장치(100)의 자체 스피커, UI, 그리고 사용자 단말기(300), 출력장치(200) 중 하나 이상을 통해 UE 발생에 대한 알람을 출력할 수 있다. .

도 11은 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 추천 코스 변경 결과를 설명하기 위한 예시도이다. 본 실시 예에서는, 분석한 부하의 종류가 특수부하일 경우, 사용자 알림을 통해서 사용자가 세탁물 처리 장치(100) 내부의 세탁물에 대한 부하의 상황을 알 수 있도록 하고, 특수부하에 대응하는 추천 코스로 변경할 지 선택할 수 있도록 할 수 있다. 도 11을 참조하면, 사용자가 특수부하에 대응하여 이불 코스(Bulky/Large course)로 변경 선택한 경우, 탈수 행정 시 운전 특성의 변화를 알 수 있다. 즉, 세탁물에 대한 부하의 종류를 분석한 결과, 일반부하(실사용포)인 경우, 세탁물 처리 장치(100)의 코스가 일반 코스(Normal course)로 유지되고, 특수부하(이불)인 경우, 세탁물 처리 장치(100)의 코스가 이불 코스로 변경되어, 헹굼 시간이 증가하고 탈수 행정 시 최대 RPM이 감소하게 되는 것을 알 수 있다.

수집부(1916)는 미리 훈련된 심층 신경망 학습을 위한 파라미터를 수집할 수 있다. 이때, 심층 신경망 학습을 위한 파라미터는 모터의 구동전류 및 드럼의 회전속도를 포함할 수 있다. 다만 본 실시 예에서는 심층 신경망 학습을 위한 파라미터가 이에 한정되는 것은 아니며, 특수부하 구분이 가능한 파라미터는 모두 포함될 수 있다. 예를 들어, 세탁수의 양, 세탁물의 밀도 등을 포함할 수 있다. 이때 수집부(1916)는 학습 모델을 정교화하기 위해서 실제 사용자가 사용한 데이터를 수집할 수 있다. 이때, 수집부(1916)는 세탁물 처리 장치(100) 전체 행정 중 데이터를 수집할 수 있으며, 예를 들어 세탁 행정 구간에서는 정속 유지구간(예를 들어, 50rpm 이하)에서 데이터를 수집할 수 있고, 탈수 행정 구간에서는 예를 들어, 80rpm 이하 유지구간에서 데이터를 수집할 수 있다. 탈수 행정 구간에서 80rpm 이하 유지구간에서 데이터를 수집하는 이유는 80rpm 이상으로 드럼이 회전하는 경우 세탁물이 드럼에 붙어 정확한 데이터 수집이 불가능하기 때문이다.

수집부(1916)는 예를 들어, 사용자가 특수부하에 대응되는 코스(Bulky/Large course)를 선택하고 세탁을 시작한 경우, 학습 모델의 결과와 상관없이 특수부하로 구분하여 모터의 구동전류 및 드럼의 회전속도 등의 데이터를 서버 및/또는 메모리에 저장할 수 있다. 그 외의 코스를 선택하고 세탁을 시작한 경우에는, 추천 코스의 출력에 따라 코스를 특수부하에 대응하는 코스로 변경한 경우의 데이터를 서버 및/또는 메모리에 저장할 수 있다. 한편, 학습 모델의 결과 일반부하로 분석된 경우, 사용자에게 어떠한 부하를 넣었는지에 대해 요청하여 일반부하 또는 특수부하에 대해 라벨링하여 데이터를 저장할 수 있다.

학습부(1917)는 사용자가 세탁물 처리 장치(100)를 사용하면서 발생되는 데이터를 서버에 저장하여 빅데이터를 구성하고, 서버단에서 딥러닝을 실행하여 관련 파라미터를 세탁물 처리 장치(100) 내부에 업데이트하여 점차 정교해지도록 할 수 있다. 즉 본 실시 예는, 세탁물 처리 장치(100)의 초기 출시 시에는 실험실 조건의 딥러닝 파라미터를 내장하고, 사용자가 세탁물 처리 장치(100)를 사용할수록 누적되는 데이터를 통해 업데이트를 수행할 수 있다. 따라서 학습부(1917)는 수집부(1916)에서 수집한 데이터를 일반부하와 특수부하로 라벨링하여 지도학습을 통한 결과물을 얻을 수 있도록 하며, 이를 세탁물 처리 장치(100) 자체 메모리에 저장하여 진화하는 알고리즘이 완성되도록 할 수 있다. 즉, 학습부(1917)는 세탁물 처리 장치(100) 행정 중 모터의 구동전류 및 드럼의 회전속도 값들을 수집하여 학습 데이터 세트를 생성하고, 세탁물 처리 장치(100) 내부의 세탁물에 대한 부하의 종류를 구분하기 위해 학습 데이터 세트를 기계학습 알고리즘을 통해 학습시켜서 학습된 모델을 결정할 수 있다. 그리고 학습부(1917)는 실제 사용자가 사용한 데이터를 수집하여 서버에서 재학습시켜서 재학습된 모델을 생성할 수 있다. 따라서 본 실시 예는, 학습된 모델로 판단한 후에도 계속 데이터를 수집하고, 기계학습모델을 적용하여 재학습시켜서, 재학습된 모델로 성능을 향상시킬 수 있다.

제공부(1918)는 UI(120)에 건강/뷰티 정보와, 음악, 뉴스 등을 제공할 수 있다. 또한 제공부(1918)는 메신저 알림, 또는 사용자가 좋아하는 음악이 재생되도록 소정의 정보를 제공할 수도 있고, 사용자의 발화 음성 예를 들어, 오늘 날씨는 어때와 같은 발화 음성에 대응하여 오늘의 날씨를 제공해 줄 수 있다.

도 12는 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 구동 방법을 도시한 흐름도이다. 이하의 설명에서 도 1 내지 도 11에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

도 12를 참조하면, S1210단계에서, 세탁물 처리 장치(100)는 세탁물 처리 장치(100)의 행정 중에 모터의 구동전류 및 드럼의 회전속도를 획득한다. 세탁물 처리 장치(100)는 감지부(150)의 모터 구동 전류 센서(151)로부터 모터의 구동전류를 획득할 수 있고, 드럼 회전 속도 센서(152)로부터 드럼의 회전속도를 획득할 수 있다. 그리고 세탁물 처리 장치(100)는 급수 전 행정인 제1 구간 및 급수 후 행정인 제2 구간에서 모터의 구동전류 및 드럼의 회전속도를 획득할 수 있다. 예를 들어, 제1 구간은 포량 감지 구간이고, 제2 구간은 세탁 행정 구간일 수 있다. 즉, 세탁물 처리 장치(100)는 본 세탁 행정에 진입하기 전 급수를 하지 않은 상태에서 포량 감지 및 세탁물에 대한 부하 종류 구분을 위한 데이터를 1 차로 획득하고, 본 세탁 행정에 진입하여 급수한 후 세탁물에 대한 부하 종류 구분을 위한 데이터를 2 차로 획득할 수 있다.

또한, 세탁물 처리 장치(100)는 드럼의 회전속도(RPM)의 측정 RPM이 기설정한 설정 RPM에 도달한 후 설정시간이 경과하면, 모터의 구동전류 및 드럼의 회전속도를 획득하는 데이터 추출을 수행할 수 있다. 이때, 본 실시 예에서, 설정 RPM은 목표로 설정한 드럼의 회전속도인 기준 RPM의 일정범위 내의 값으로 설정될 수 있다. 예를 들어, 설정 RPM은 현재 측정 RPM의 상승 임계값으로 설정될 수 있으며, 따라서 상기 상승 임계값은 기준 RPM의 일정범위 내의 값일 수 있다. 즉, 본 실시 예에서는, 드럼의 회전속도(RPM)가 상승, 즉 가속되어 현재 측정 RPM이 설정 RPM에 도달한 후 설정시간 동안을 안정적인 데이터 추출을 위한 안정화 구간으로 설정할 수 있다. 그리고 본 실시 예에서는, 안정화 구간을 거친 후, 일정시간 동안을 데이터 추출 구간으로 설정하여, 데이터(드럼의 회전속도 및 모터의 구동전류)를 획득하도록 할 수 있다.

S1220단계에서, 세탁물 처리 장치(100)는 세탁물 처리 장치(100) 내부에 위치한 세탁물에 대한 부하의 종류를 구분한다. 세탁물 처리 장치(100)는 모터의 구동전류 및 드럼의 회전속도의 변화 추이를 분석하고, 변화 추이에 기초하여 세탁물에 대한 부하의 종류를 구분할 수 있다. 즉 세탁물 처리 장치(100)는 데이터 추출 수행 시, 모터의 구동전류 및 드럼의 회전속도의 측정 값이 일정 주기를 갖는 경우 포 유동 미 발생 조건의 제2 부하로 구분하고, 그렇지 않은 경우 포 유동 발생 조건의 제2 부하로 구분할 수 있다. 예를 들어, 제1 부하는 포 유동이 불가능한 특수부하, 제2 부하는 포 유동이 가능한 일반부하로 구분할 수 있다. 그러나 세탁물 처리 장치(100)의 행정 중에는, 예를 들어, 세탁물(포)이 유동 가능한 일반부하이나 도어에 세탁물이 껴서 유동하지 못하는 경우, 포 유동이 불가능하나 세탁물이 완전히 가득 차 있는 상태가 아닌 약간의 공간이 존재하는 경우 등 다양한 상황이 발생할 수 있다. 따라서, 본 실시 예에서는, 세탁물에 대한 부하의 종류에 따라 나타나는 운전 특성을 보다 정밀하게 분석하기 위해서 미리 훈련된 심층 신경망을 이용할 수 있다. 즉, 세탁물 처리 장치(100)는 모터의 구동전류 및 드럼의 회전속도로부터 부하의 종류를 구분하도록 미리 훈련된 심층 신경망을 이용하여, 세탁물 처리 장치(100)의 행정 중에 모터의 구동전류 및 드럼의 회전속도로부터 부하의 종류를 구분할 수 있다. 즉, 본 실시 예에서, 세탁물에 대한 부하의 종류는 세탁물 처리 장치(100) 행정 중, 딥러닝을 이용한 모터의 구동전류 및 드럼의 회전속도의 실제값과 예측값의 실험 결과로 얻을 수 있다.

S1230단계에서, 세탁물 처리 장치(100)는 부하의 종류에 대응하여 세탁물 처리 장치(100)의 코스 변경 여부를 결정한다. 즉 세탁물 처리 장치(100)는 부하의 종류가 특수부하일 때 세탁물 처리 장치(100)의 코스 변경 여부를 결정할 수 있다. 그리고 세탁물 처리 장치(100)는 부하의 종류가 특수부하이면서 UE 발생이 예측될 때 세탁물 처리 장치(100)의 코스 변경 여부를 결정할 수도 있다. 예를 들어, 세탁물이 이불인데 사용자가 일반코스를 선택한 경우, 분석 결과 특수부하이면 세탁물 처리 장치(100)의 코스 변경 여부를 결정할 수 있다.

S1240단계에서, 세탁물 처리 장치(100)는 코스 변경을 결정한 경우, 부하의 종류에 대응하는 추천 코스를 출력한다(S1230의 예). 세탁물 처리 장치(100)는 예를 들어, 세탁물 처리 장치(100)에 구비된 스피커, 출력 인터페이스 등을 통하여 추천 코스를 출력할 수 있다. 또한, 세탁물 처리 장치(100)는 출력장치(200)를 통하여 추천 코스를 출력할 수 있는데, 특히 AI스피커(230)를 통하여 추천 코스를 출력할 수 있다. 또한, 세탁물 처리 장치(100)는 세탁물 처리 장치(100)와 네트워크를 통하여 연계된 사용자 단말기(300)를 통하여 추천 코스를 출력할 수 있다. 본 실시 예에서는, 세탁물 처리 장치(100) 자체 내의 스피커와 사용자 단말기(300)의 스피커를 통해 음성으로 추천 코스를 출력할 수 있다. 또한 본 실시 예에서는, 세탁물 처리 장치(100) 자체 내의 출력 인터페이스와 사용자 단말기(300)의 화면(예를 들어, 세탁물 처리 장치 어플리케이션 등을 출력하는 화면)을 통해 문자로 추천 코스를 출력할 수 있다. 예를 들어, 특수부하로 인식되었습니다. 코스를 변경할까요?라는 음성 및/또는 문자로 추천 코스로 변경할 지의 여부와, 추천 코스를 출력할 수 있다.

S1250단계에서, 세탁물 처리 장치(100)는 출력한 추천 코스에 대하여 선택 신호가 수신되는지 확인한다. 이때 세탁물 처리 장치(100)는 세탁물 처리 장치(100) 자체의 입력 인터페이스를 통해 사용자로부터 선택 신호를 입력 받거나, 사용자 단말기(300)를 통해 사용자로부터 선택 신호를 입력 받을 수 있다. 또한 세탁물 처리 장치(100)는 추천 코스에 대한 선택을 포함하는 발화음성을 수신할 수 있는데, 세탁물 처리 장치(100) 자체의 마이크로폰을 통해 발화음성을 수신할 수 있고, AI스피커(230), 사용자 단말기(300), 연동장치(400) 등의 음성 수신 수단을 통해서도 발화음성을 수신할 수 있다.

S1260단계에서, 세탁물 처리 장치(100)는 추천 코스에 대한 선택 신호 수신 시, 추천 코스로 변경한다(S1250의 예). 세탁물 처리 장치(100)는 사용자의 선택 신호 수신 시, 세탁물 처리 장치(100)를 추천 코스로 변경할 수 있으나, 사용자가 자동 변경이 가능하도록 미리 설정한 경우에는, 부하의 종류에 대응하여 추천 코스로 자동 변경하도록 할 수 있다. 그리고 본 실시 예에서, UE 발생이 예측되는 경우, 세탁물 처리 장치(100)는 UE 발생에 대하여 사용자에게 알림을 출력할 수 있다.

도 13은 본 발명의 일 실시 예에 따른 세탁물 처리 장치의 딥러닝 업데이트 방법을 도시한 흐름도이다. 이하의 설명에서 도 1 내지 도 12에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

도 13을 참조하면, S1310단계에서, 사용자에 의해 세탁물 처리 장치(100)의 전원 및 코스가 입력되면, 세탁물 처리 장치(100)는 세탁물 처리 장치(100)를 작동시킨다.

그리고 S1320단계에서, 세탁물 처리 장치(100)는 미리 훈련된 심층 신경망의 업데이트를 위한 파라미터를 수집할 수 있다. 이때 세탁물 처리 장치(100)는 학습 모델을 정교화하기 위해서 실제 사용자가 사용한 데이터를 수집할 수 있다. 그리고 세탁물 처리 장치(100)는 세탁물 처리 장치(100) 전체 행정 중 데이터를 수집할 수 있으며, 예를 들어 세탁 행정 구간에서는 정속 유지구간(예를 들어, 50rpm 이하)에서 데이터를 수집할 수 있고, 탈수 행정 구간에서는 예를 들어, 80rpm 이하 유지구간에서 데이터를 수집할 수 있다.

S1330단계에서, 세탁물 처리 장치(100)는 사용자가 특수부하에 대응되는 코스를 선택하였는지 확인한다. 예를 들어, 세탁물 처리 장치(100)는 사용자가 이불을 세탁하고자 하는 경우, Bulky/Large course가 선택되었는지 확인할 수 있다.

S1340단계에서, 세탁물 처리 장치(100)는 특수부하 감지 학습모델 동작을 수행한다(S1330단계의 아니오).

그리고 S1350단계에서, 세탁물 처리 장치(100)는 특수부하 감지 학습모델 동작 수행 결과, 특수부하로 출력되었는지 확인한다.

S1360단계에서, 세탁물 제어 장치(100)는 특수부하 감지 학습모델 동작 수행 결과, 일반부하로 출력된 경우, 사용자에게 어떠한 부하를 넣었는지에 대해 요청 확인한다(S1350의 아니오).

한편, S1370단계에서, 세탁물 제어 장치(100)는 사용자가 특수부하에 대응되는 코스(Bulky/Large course)를 선택하고 세탁을 시작한 경우(S1330의 예), 학습 모델의 결과와 상관없이 특수부하로 구분하여 모터의 구동전류 및 드럼의 회전속도 등의 데이터를 서버 및/또는 메모리에 저장할 수 있다. 또한, 특수부하에 대응되는 코스 이외의 코스를 선택하고 세탁을 시작한 경우, 세탁물 처리 장치(100)는 특수부하 감지 학습모델 동작 결과 특수부하로 출력되는 경우(S1350의 예), 특수부하로 구분하여 모터의 구동전류 및 드럼의 회전속도 등의 데이터를 서버 및/또는 메모리에 저장할 수 있다. 다시 말해, 세탁물 처리 장치(100)는 사용자가 추천 코스의 출력에 따라 코스를 특수부하에 대응하는 코스로 변경한 경우, 그 때의 데이터를 서버 및/또는 메모리에 저장할 수 있다. 그리서 세탁물 처리 장치(100)는 학습 모델의 결과 일반부하로 분석된 경우, 사용자에게 어떠한 부하를 넣었는지에 대해 요청하여 일반부하 또는 특수부하에 대해 라벨링하여 데이터를 저장할 수 있다.

S1380단계에서, 세탁물 처리 장치(100)는 사용자가 세탁물 처리 장치(100)를 사용하면서 발생되는 데이터를 서버에 저장하여 빅데이터를 구성하고, 서버단에서 딥러닝을 실행하여 관련 파라미터를 세탁물 처리 장치(100) 내부에 업데이트하여 점차 정교해지도록 할 수 있다. 즉 본 실시 예는, 세탁물 처리 장치(100)의 초기 출시 시에는 실험실 조건의 딥러닝 파라미터를 내장하고, 사용자가 세탁물 처리 장치(100)를 사용할수록 누적되는 데이터를 통해 업데이트를 수행할 수 있다. 따라서 세탁물 처리 장치(100)는 수집한 데이터를 일반부하와 특수부하로 라벨링하여 지도학습을 통한 결과물을 얻을 수 있도록 하며, 이를 세탁물 처리 장치(100) 자체 메모리에 저장하여 진화하는 알고리즘이 완성되도록 할 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.

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.

100 : 세탁물 처리 장치
200 : 출력장치
300 : 사용자 단말기
400 : 연동장치
500 : 서버
600 : 네트워크

Claims (20)

1. 세탁물 처리 장치의 구동 방법으로서,
   세탁물 처리 장치의 행정 중에 모터의 구동전류 및 드럼의 회전속도를 획득하는 단계;
   획득된 상기 모터의 구동전류 및 상기 드럼의 회전속도에 기초하여 상기 세탁물 처리 장치 내부에 위치한 세탁물에 대한 부하의 종류를 구분하는 단계;
   상기 부하의 종류에 대응하여 상기 세탁물 처리 장치의 코스 변경 여부를 결정하는 단계;
   상기 세탁물 처리 장치의 코스 변경을 결정한 경우, 상기 부하의 종류에 대응하는 추천 코스를 출력하는 단계; 및
   상기 추천 코스에 대한 선택 신호 수신 시, 상기 세탁물 처리 장치의 행정을 상기 추천 코스로 변경하는 단계를 포함하는,
   세탁물 처리 장치의 구동 방법.
   
2. 제 1 항에 있어서,
   상기 세탁물에 대한 부하의 종류를 구분하는 단계는,
   상기 모터의 구동전류 및 드럼의 회전속도의 변화 추이를 분석하는 단계; 및
   상기 변화 추이에 기초하여 상기 세탁물에 대한 부하의 종류를 구분하는 단계를 포함하는,
   세탁물 처리 장치의 구동 방법.
   
3. 제 1 항에 있어서,
   상기 획득하는 단계는,
   급수 전 행정인 제1 모션 구간 및 급수 후 행정인 제2 모션 구간에서 모터의 구동전류 및 드럼의 회전속도를 획득하는 단계를 포함하는,
   세탁물 처리 장치의 구동 방법.
   
4. 제 1 항에 있어서,
   상기 획득하는 단계는,
   상기 드럼의 회전속도의 측정 RPM이 기설정한 설정 RPM에 도달한 후 설정시간이 경과하면, 상기 모터의 구동전류 및 상기 드럼의 회전속도를 획득하는 데이터 추출 단계를 포함하는,
   세탁물 처리 장치의 구동 방법.
   
5. 제 4 항에 있어서,
   상기 세탁물에 대한 부하의 종류를 구분하는 단계는,
   상기 데이터 추출 단계에서, 상기 모터의 구동전류 및 상기 드럼의 회전속도의 측정 값이 일정 주기를 갖는 경우 포(布) 유동 미 발생 조건의 제1 부하로 구분하고, 그렇지 않은 경우 포 유동 발생 조건의 제2 부하로 구분하는 단계를 포함하는,
   세탁물 처리 장치의 구동 방법.
   
6. 제 1 항에 있어서,
   상기 세탁물에 대한 부하의 종류를 구분하는 단계는,
   세탁물 처리 장치 동작 시에 모터의 구동전류 및 드럼의 회전속도로부터 부하의 종류를 구분하도록 미리 훈련된 심층 신경망을 이용하여, 상기 세탁물 처리 장치의 행정 중에 획득되는 상기 모터의 구동전류 및 상기 드럼의 회전속도로부터 상기 부하의 종류를 구분하는 단계를 포함하는,
   세탁물 처리 장치의 구동 방법.
   
7. 제 1 항에 있어서,
   상기 코스 변경 여부를 결정하는 단계는,
   상기 모터의 구동전류 및 드럼의 회전속도의 변화량을 감지하여 언밸런스 에러(Unbalance Error, UE) 발생 여부를 예측하는 단계; 및
   상기 UE 발생을 예측한 경우, 상기 세탁물 처리 장치의 코스 변경 여부를 결정하는 단계를 포함하는,
   세탁물 처리 장치의 구동 방법.
   
8. 제 1 항에 있어서,
   상기 추천 코스를 출력하는 단계는,
   상기 세탁물 처리 장치에 구비된 스피커를 통하여 상기 추천 코스를 출력하는 단계를 포함하는,
   세탁물 처리 장치의 구동 방법.
   
9. 제 1 항에 있어서,
   상기 추천 코스를 출력하는 단계는,
   상기 세탁물 처리 장치와 네트워크를 통하여 연계된 사용자 단말기를 통하여 상기 추천 코스를 출력하는 단계; 및
   상기 사용자 단말기에 상기 추천 코스로 변경해야 하는 이유를 포함하는 콘텐츠를 출력하는 단계를 포함하는,
   세탁물 처리 장치의 구동 방법.
   
10. 제 1 항에 있어서,
    상기 추천 코스로 변경하는 단계는,
    상기 추천 코스에 대한 선택을 포함하는 발화음성 수신 시, 상기 세탁물 처리 장치의 행정을 상기 추천 코스로 변경하는 단계를 포함하는,
    세탁물 처리 장치의 구동 방법.
    
11. 세탁물을 처리하는 세탁물 처리 장치로서,
    세탁물 처리 장치의 행정 중에 모터의 구동전류 및 드럼의 회전속도를 획득하는 획득부;
    상기 획득한 모터의 구동전류 및 드럼의 회전속도에 기초하여 상기 세탁물 처리 장치 내부에 위치한 세탁물에 대한 부하의 종류를 구분하는 분석부;
    상기 부하의 종류에 대응하여 상기 세탁물 처리 장치의 코스 변경 여부를 결정하는 설정부;
    상기 세탁물 처리 장치의 코스 변경을 결정한 경우, 상기 부하의 종류에 대응하는 추천 코스를 출력하는 추천부; 및
    상기 추천 코스에 대한 선택 신호 수신 시, 상기 세탁물 처리 장치의 행정을 상기 추천 코스로 변경하는 동작 제어부를 포함하는,
    세탁물 처리 장치.
    
12. 제 11 항에 있어서,
    상기 분석부는,
    상기 모터의 구동전류 및 드럼의 회전속도의 변화 추이를 분석하고, 상기 변화 추이에 기초하여 상기 세탁물에 대한 부하의 종류를 구분하는,
    세탁물 처리 장치.
    
13. 제 11 항에 있어서,
    상기 획득부는,
    급수 전 행정인 제1 모션 구간 및 급수 후 행정인 제2 모션 구간에서 모터의 구동전류 및 드럼의 회전속도를 획득하는,
    세탁물 처리 장치.
    
14. 제 11 항에 있어서,
    상기 획득부는,
    상기 드럼의 회전속도의 측정 RPM이 기설정한 설정 RPM에 도달한 후 설정시간이 경과하면, 상기 모터의 구동전류 및 상기 드럼의 회전속도를 획득하는 데이터 추출을 수행하는,
    세탁물 처리 장치.
    
15. 제 14 항에 있어서,
    상기 분석부는,
    상기 데이터 추출 수행 시, 상기 모터의 구동전류 및 상기 드럼의 회전속도의 측정 값이 일정 주기를 갖는 경우 포 유동 미 발생 조건의 제1 부하로 구분하고, 그렇지 않는 경우 포 유동 발생 조건의 제2 부하로 구분하는,
    세탁물 처리 장치.
    
16. 제 11 항에 있어서,
    상기 분석부는,
    세탁물 처리 장치 동작 시에 모터의 구동전류 및 드럼의 회전속도로부터 부하의 종류를 구분하도록 미리 훈련된 심층 신경망을 이용하여, 상기 세탁물 처리 장치의 행정 중에 상기 모터의 구동전류 및 상기 드럼의 회전속도로부터 상기 부하의 종류를 구분하는,
    세탁물 처리 장치.
    
17. 제 11 항에 있어서,
    상기 분석부는,
    상기 모터의 구동전류 및 드럼의 회전속도의 변화량을 감지하여 언밸런스 에러(Unbalance Error, UE) 발생 여부를 예측하고,
    상기 설정부는,
    상기 UE 발생을 예측한 경우, 상기 세탁물 처리 장치의 코스 변경 여부를 결정하는,
    세탁물 처리 장치.
    
18. 제 11 항에 있어서,
    상기 추천부는,
    상기 세탁물 처리 장치에 구비된 스피커를 통하여 상기 추천 코스를 출력하는,
    세탁물 처리 장치.
    
19. 제 11 항에 있어서,
    상기 추천부는,
    상기 세탁물 처리 장치와 네트워크를 통하여 연계된 사용자 단말기를 통하여 상기 추천 코스를 출력하고, 상기 사용자 단말기에 상기 추천 코스로 변경해야 하는 이유를 포함하는 콘텐츠를 출력하는,
    세탁물 처리 장치.
    
20. 제 11 항에 있어서,
    상기 동작 제어부는,
    상기 추천 코스에 대한 선택을 포함하는 발화음성 수신 시, 상기 세탁물 처리 장치의 행정을 상기 추천 코스로 변경하는,
    세탁물 처리 장치.

Images