KR20190099151A - 식기 세척기와 통신하는 서버 - Google Patents

식기 세척기와 통신하는 서버 Download PDF

Info

Publication number
KR20190099151A
KR20190099151A KR1020190095453A KR20190095453A KR20190099151A KR 20190099151 A KR20190099151 A KR 20190099151A KR 1020190095453 A KR1020190095453 A KR 1020190095453A KR 20190095453 A KR20190095453 A KR 20190095453A KR 20190099151 A KR20190099151 A KR 20190099151A
Authority
KR
South Korea
Prior art keywords
failure
dishwasher
cause
information
server
Prior art date
Application number
KR1020190095453A
Other languages
English (en)
Inventor
임성주
옥창석
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
Publication of KR20190099151A publication Critical patent/KR20190099151A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L15/00—Washing or rinsing machines for crockery or tableware
    • A47L15/0018—Controlling processes, i.e. processes to control the operation of the machine characterised by the purpose or target of the control
    • A47L15/0063—Controlling processes, i.e. processes to control the operation of the machine characterised by the purpose or target of the control using remote monitoring or controlling of the dishwasher operation, e.g. networking systems
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L12/2823—Reporting information sensed by appliance or service execution status of appliance services in a home automation network
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L15/00—Washing or rinsing machines for crockery or tableware
    • A47L15/0018—Controlling processes, i.e. processes to control the operation of the machine characterised by the purpose or target of the control
    • A47L15/0049—Detection or prevention of malfunction, including accident prevention
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2401/00—Automatic detection in controlling methods of washing or rinsing machines for crockery or tableware, e.g. information provided by sensors entered into controlling devices
    • A47L2401/02—Consumable products information, e.g. information on detergent, rinsing aid or salt; Dispensing device information, e.g. information on the type, e.g. detachable, or status of the device
    • A47L2401/023—Quantity or concentration of the consumable product
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2401/00—Automatic detection in controlling methods of washing or rinsing machines for crockery or tableware, e.g. information provided by sensors entered into controlling devices
    • A47L2401/10—Water cloudiness or dirtiness, e.g. turbidity, foaming or level of bacteria
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2401/00—Automatic detection in controlling methods of washing or rinsing machines for crockery or tableware, e.g. information provided by sensors entered into controlling devices
    • A47L2401/12—Water temperature
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2401/00—Automatic detection in controlling methods of washing or rinsing machines for crockery or tableware, e.g. information provided by sensors entered into controlling devices
    • A47L2401/14—Water pressure or flow rate
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2401/00—Automatic detection in controlling methods of washing or rinsing machines for crockery or tableware, e.g. information provided by sensors entered into controlling devices
    • A47L2401/26—Loading door status, e.g. door latch opened or closed state
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2401/00—Automatic detection in controlling methods of washing or rinsing machines for crockery or tableware, e.g. information provided by sensors entered into controlling devices
    • A47L2401/30—Variation of electrical, magnetical or optical quantities
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
    • A47L2501/00—Output in controlling method of washing or rinsing machines for crockery or tableware, i.e. quantities or components controlled, or actions performed by the controlling device executing the controlling method
    • A47L2501/26—Indication or alarm to the controlling device or to the user
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L2012/2847—Home automation networks characterised by the type of home appliance used
    • H04L2012/285—Generic home appliances, e.g. refrigerators
    • 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
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Automation & Control Theory (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Debugging And Monitoring (AREA)
  • Computer And Data Communications (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

식기 세척기와 통신하는 서버가 개시된다. 본 발명의 실시 예에 따른 식기 세척기와 통신하는 서버는, 하나 이상의 식기 세척기와 통신하는 통신부, 복수의 불량 발생 원인들 및 상기 복수의 불량 발생 원인들에 각각 대응하는 동작 정보를 이용하여 획득한 학습 결과를 저장하는 메모리, 및, 상기 하나 이상의 식기 세척기 중 특정 식기 세척기로부터 상기 특정 식기 세척기의 동작 정보를 수신하고, 상기 특정 식기 세척기의 동작 정보 및 상기 학습 결과를 이용하여 상기 특정 식기 세척기의 불량 발생 원인을 획득하는 프로세서를 포함하고, 상기 학습 결과는, 상기 복수의 불량 발생 원인들과 상기 동작 정보 사이의 관계에 상응하는 관계 파라미터를 포함한다.

Description

식기 세척기와 통신하는 서버 {SEVER COMMUNICATING WITH DISH WHAHER}
본 발명은, 식기 세척기의 불량 발생 원인을 판단할 수 있는, 식기 세척기와 통신하는 서버에 관한 것이다.
인공 지능(artificial intelligence)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 의미한다.
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.
한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다.
한편 식기세척기는 분사 노즐에서 분사되는 고압의 세척수를 이용하여, 식기표면에 묻어 있는 오염물을 식기에서 분리하여 식기를 세척하는 기기이다.
식기 세척기는 세척수를 급수, 분사, 가열, 배수하며, 건조 행정을 하는 등, 다양하고 복잡한 동작을 수행한다. 따라서 식기 세척기는 불량이 자주 발생하는 단점을 가지고 있다.
식기 세척기의 특정 부품에 불량이 발생한 경우 이를 감지하는 방법에 대해서 대한민국 공개특허공보 10-2006-0034108에서 개시하고 있다.
한편 식기 세척기에는 매우 다양한 유형의 불량이 발생할 수 있으며, 불량 발생시 고객이 고장을 감지하고 서비스 센터 등에 수리를 의뢰하고 있다.
다만 고객이 고장을 감지하기까지, 그리고 고객이 고장을 감지한 후 서비스 센터에서 수리 기사가 출동하여 실제 수리가 진행되기 까지는 많은 시간이 소요되며, 이에 따라 고객은 식기 세척기가 정상 동작 할 때까지 오랜 시간을 기다려야 하는 문제가 있다.
또한 식기 세척기의 수리를 위해서는 불량 발생 원인을 정확히 판단하는 것이 중요하다. 다만 고객은 단순히 급수 장애, 배수 장애, 건조 장애 등의 증상만을 설명할 수 있을 뿐, 구체적으로 어떤 원인에 의하여 불량이 발생한지에 대해서는 설명하기가 어렵다.
따라서 수리 기사는 사전 정보 없이 현장에서 직접 식기 세척기를 조작하거나 분해해서 불량의 원인을 파악해야 한다. 이 경우 숙련되지 않은 수리 기사는 불량의 원인 파악이나 불량의 원인에 따른 수리에 어려움을 겪을 수 있으며, 필요한 부품을 구비하지 않은 경우 필요한 부품을 가지고 재 방문을 해야 하는 문제가 발생할 수 있다.
또한 식기 세척기에서 발생한 불량은, 고장에 의해서가 아니라, 고객의 잘못된 사용법에 의한 것인 경우가 많다. 다만 이러한 경우에도, 고객의 잘못된 사용법에 의한 불량임을 파악하기가 어려워, 고객과의 상담 시간이 길어지거나 수리 기사가 직접 방문해야 하는 문제가 발생할 수 있다.
본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은 식기 세척기에서 수집되는 정보들을 이용하여 다양한 불량 발생 원인을 파악하기 위함이다.
또한 본 발명의 목적은, 불량의 발생 원인을 미리 파악하여, 수리가 진행되기까지 소요되는 시간을 줄이기 위함이다.
또한 본 발명의 목적은, 불량이 고객의 잘못된 사용에 의해 발생된 경우 이를 안내하기 위함이다.
본 발명의 실시 예에 따른 식기 세척기와 통신하는 서버는, 불량 발생 원인 및 불량 발생 원인에 대응하는 동작 정보를 이용하여 뉴럴 네트워크를 트레이닝 하고, 특정 식기 세척기의 동작 정보를 트레이닝된 뉴럴 네트워크에 입력하여 불량의 발생 원인을 획득한다.
본 발명의 실시 예에 따른 식기 세척기와 통신하는 서버는, 불량 발생 원인을 식기 세척기의 사용자 측 디바이스나 서비스 업체 서버에 전송한다.
본 발명의 실시 예에 따른 식기 세척기와 통신하는 서버는, 사용자의 오 조작에 따라 불량이 발생된 경우, 오 조작에 대응하는 사용법을 식기 세척기의 사용자 측 디바이스에 전송한다.
본 발명에 따르면, 다양한 불량 상태에서 수집된 동작 정보를 이용하여 뉴럴 네트워크를 트레이닝 함으로써, 불량을 판단하기 위한 장치나 알고리즘을 불량 유형에 따라 개별적으로 구비 하지 않아도, 식기 세척기에서 발생할 수 있는 다양한 불량 원인을 파악할 수 있는 장점이 있다.
본 발명에 따르면, 불량의 발생 및 불량 발생 원인을 미리 파악하여 고객에게 제공할 수 있다. 이에 따라 고객은 불량의 발생 사실을 빨리 인지할 수 있으며 서비스 업체에 수리 서비스를 빨리 요청할 수 있다. 또한 고객은 서비스 업체에 정확한 불량 발생 원인을 전달하여 빠르고 정확한 서비스를 받을 수 있다.
또한 본 발명에 따르면, 불량의 발생 및 불량 발생 원인을 미리 파악하여 서비스 센터에 제공할 수 있다. 따라서 서비스 센터는 불량의 발생을 미리 파악하여 수리 서비스 제공을 준비할 수 있으며, 현장을 찾아가지 않아도 불량 발생 원인을 빠르고 정확하게 인지하고, 수리 방법을 미리 숙지하거나 필요한 부품을 미리 준비할 수 있다.
또한 본 발명에 따르면, 사용자의 잘못된 사용법으로 인한 것임을 파악하여 올 바른 사용법을 안내하기 때문에, 비용 및 시간을 절약하고 제품의 수명을 늘릴 수 있는 장점이 있다.
도 1은 본 발명과 관련된 서버를 설명하기 위한 블록도이다.
도 2는 본 발명의 실시 예에 따른, 식기 세척기의 불량의 발생 원인 판단 시스템을 설명하기 위한 도면이다.
도 3은 본 발명의 실시 예에 따른, 식기 세척기의 불량 발생 원인 판단 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 실시 예에 따른, 식기 세척기에서 발생하는 증상, 불량 발생 원인 및 동작 정보를 설명하기 위한 도면이다.
도 5는 본 발명의 실시 예에 따른, 뉴럴 네트워크의 트레이닝 하여 학습 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 실시 예에 따른 식기 세척기의 불량 발생 원인을 획득하는 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 실시 예에 따른 불량 발생 원인을 사용자에게 전송하는 방법을 설명하기 위한 도면이다.
도 8은 본 발명의 실시 예에 따른, 오 조작에 대응하는 사용법을 사용자에게 제공하는 방법을 설명하기 위한 도면이다.
도 9는 본 발명의 실시 예에 따른, 고장을 예측하거나 유지 보수 정보를 전달하는 방법을 설명하기 위한 도면이다.
도 10은 본 발명의 실시 예에 따른, 고객의 피드백에 기초하여 학습 모델에서 출력한 불량 발생 원인이 맞는지를 확인하는 방법을 설명하기 위한 도면이다.
도 11은 본 발명의 실시 예에 따른, 고객의 피드백에 기초하여 불량 발생 원인을 결정하는 방법을 설명하기 위한 도면이다.
도 12는 본 발명의 실시 예에 따른, 수신된 동작 정보를 이용하여 뉴럴 네트워크를 다시 트레이닝 함으로써 학습 모델을 업데이트 하는 방법을 설명하기 위한 도면이다.
도 13은 본 발명의 하나의 실시예에 따른 식기세척기의 개략 정단면도이다.
도 14는 본 발명의 하나의 실시예에 따른 식기세척기 내부의 전기신호, 물, 세제 및 공기의 흐름을 설명하기 위한 도면이다.
도 15는 본 발명의 또 다른 실시 예에 따른, 식기 세척기를 설명하기 위한 블록도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함한다" 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.
본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.
도 1은 본 발명과 관련된 서버를 설명하기 위한 블록도이다.
서버(100)는 무선 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 프로세서(180) 및 전원 공급부(190)를 포함할 수 있다.
무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.
방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다.
이동통신 모듈(112)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.
무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 서버(100)에 내장되거나 외장될 수 있다. 무선 인터넷 모듈(113)은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.
무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있다.
근거리 통신 모듈(114)은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.
위치정보 모듈(115)은 이동 서버의 위치(또는 현재 위치)를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Positioning System) 모듈 또는 WiFi(Wireless Fidelity) 모듈이 있다. 예를 들어, 서버는 GPS모듈을 활용하면, GPS 위성에서 보내는 신호를 이용하여 이동 서버의 위치를 획득할 수 있다.
입력부(120)는 영상 신호 입력을 위한 카메라(121), 오디오 신호를 수신하기 위한 마이크로폰(122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어명령으로 처리될 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 서버(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 서버(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면,
프로세서(180)는 입력된 정보에 대응되도록 서버(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 서버(100)의 전?후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
러닝 프로세서(130)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정, 및 기계 학습 알고리즘 및 기술을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성 될 수 있다.
러닝 프로세서(130)는 서버에 의해 수신, 검출, 감지, 생성, 사전 정의 또는 다른 방식으로 출력되거나 수신, 검출, 감지, 생성, 사전 정의 또는 다른 방식으로 다른 컴포넌트, 디바이스, 서버 또는 서버와 통신하는 장치에 의해 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함 할 수 있다.
러닝 프로세서(130)는 서버에 통합되거나 구현된 메모리를 포함 할 수 있다. 일부 실시 예에서, 러닝 프로세서(130)는 메모리(170)를 사용하여 구현 될 수 있다.
선택적으로 또는 부가 적으로, 러닝 프로세서(130)는 서버에 직접 결합된 외부 메모리 또는 서버와 통신하는 서버에서 유지되는 메모리와 같이 서버와 관련된 메모리를 사용하여 구현 될 수 있다.
다른 실시 예에서, 러닝 프로세서(130)는 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 서버에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현 될 수 있다.
러닝 프로세서(130)는 일반적으로 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 다른 머신에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다.
러닝 프로세서(130)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(180) 또는 서버의 하나 이상의 다른 제어기에 의해 이용될 수 있다.
이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판돈 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등을 포함한다.
프로세서(180)는 데이터 분석 및 기계 학습 알고리즘을 사용하여 결정되거나, 생성된 정보에 기초하여 서버의 적어도 하나의 실행 가능한 동작을 결정 또는 예측할 수 있다. 이를 위해, 프로세서(180)는 러닝 프로세서(130)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 상기 서버를 제어할 수 있다.
프로세서(180)는 지능적 에뮬레이션(즉, 지식 기반 시스템, 추론 시스템 및 지식 획득 시스템)을 구현하는 다양한 기능을 수행 할 수 있다. 이는 적응 시스템, 기계 학습 시스템, 인공 신경망 등을 포함하는, 다양한 유형의 시스템(예컨대, 퍼지 논리 시스템)에 적용될 수 있다.
프로세서(180)는, 또한 I/O 처리 모듈, 환경 조건 모듈, 음성 - 텍스트 (STT) 처리 모듈, 자연어 처리 모듈, 작업 흐름 처리 모듈 및 서비스 처리 모듈과 같이, 음성 및 자연 언어 음성 처리를 수반하는 연산을 가능하게 하는 서브 모듈을 포함할 수 있다.
이들 서브 모듈들 각각은, 서버에서의 하나 이상의 시스템 또는 데이터 및 모델, 또는 이들의 서브셋 또는 수퍼 셋에 대한 액세스를 가질 수 있다. 또한, 이들 서브 모듈들 각각은, 어휘 색인, 사용자 데이터, 작업 흐름 모델, 서비스 모델 및 자동 음성 인식 (ASR) 시스템을 비롯한 다양한 기능을 제공할 수 있다.
다른 실시 예에서, 프로세서(180) 또는 서버의 다른 양태는 상기 서브 모듈, 시스템, 또는 데이터 및 모델로 구현 될 수 있다.
일부 예에서, 러닝 프로세서(130)의 데이터에 기초하여, 프로세서(180)는 사용자 입력 또는 자연 언어 입력으로 표현된 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 검출하고 감지하도록 구성 될 수 있다.
프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 완전히 결정하는데 필요한 정보를 능동적으로 이끌어 내고, 획득할 수 있다. 예를 들어, 프로세서(180)는 역사적 입력 및 출력, 패턴 매칭, 모호하지 않은 단어, 입력 의도 등을 포함하는 과거 데이터를 분석함으로써 요구 사항을 결정하는데, 필요한 정보를 능동적으로 이끌어낼 수 있다.
프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항에 응답하는 기능을 실행하기 위한 태스크 흐름을 결정할 수 있다.
프로세서(180)는 러닝 프로세서(130)에서 프로세싱 및 저장을 위한 정보를 수집하기 위해, 서버에서 하나 이상의 감지 컴포넌트를 통해 데이터 분석 및 기계 학습 작업에 사용되는 신호 또는 데이터를 수집, 감지, 추출, 검출 및/또는 수신하도록 구성 될 수 있다.
정보 수집은 센서를 통해 정보를 감지하는 것, 메모리(170)에 저장된 정보를 추출하는 것 또는 통신 수단을 통해 다른 서버, 엔티티 또는 외부 저장 장치로부터 정보를 수신하는 것을 포함 할 수 있다.
프로세서(180)는 서버에서 사용 히스토리 정보를 수집하여, 저장할 수 있다.
프로세서(180)는 저장된 사용 히스토리 정보 및 예측 모델링을 사용하여 특정 기능을 실행하기 위한 최상의 매치를 결정할 수 있다.
프로세서(180)는 센싱부(140)를 통해 주변 환경 정보 또는 기타 정보를 수신하거나 감지 할 수 있다.
프로세서(180)는 무선 통신부(110)을 통해 방송 신호 및/또는 방송 관련 정보, 무선 신호, 무선 데이터를 수신할 수 있다.
프로세서(180)는 입력부(120)로부터 이미지 정보 (또는 해당 신호), 오디오 정보 (또는 해당 신호), 데이터 또는 사용자 입력 정보를 수신 할 수 있다.
프로세서(180)는 정보를 실시간으로 수집하고, 정보 (예를 들어, 지식 그래프, 명령 정책, 개인화 데이터베이스, 대화 엔진 등)를 처리 또는 분류하고, 처리 된 정보를 메모리(170) 또는 러닝 프로세서(130)에 저장할 수 있다.
서버의 동작이 데이터 분석 및 기계 학습 알고리즘 및 기술에 기초하여 결정될 때, 프로세서(180)는 결정된 동작을 실행하기 위해 서버의 구성 요소를 제어 할 수 있다. 그리고 프로세서(180)는 제어 명령에 따라 단말을 제어하여 결정된 동작을 수행 할 수 있다.
프로세서(180)는 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘 및 기법을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습 한 정보의 업데이트를 수행 할 수 있다.
따라서, 프로세서(180)는 러닝 프로세서(130)과 함께, 업데이트 된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 기법의 미래 성능의 정확성을 향상시킬 수 있다.
센싱부(140)는 이동 서버 내 정보, 이동 서버를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱 하기 위한 하나 이상의 센서를 포함할 수 있다.
예를 들어, 센싱부(140)는 근접센서(141, proximity sensor), 조도 센서(142, illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 이동 서버는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅팁 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 서버(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부(151)는 서버(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 서버(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 서버(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(154)는 서버(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 서버(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
인터페이스부(160)는 서버(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port)중 적어도 하나를 포함할 수 있다. 서버(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.
한편, 식별 모듈은 서버(100)의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(user identify module; UIM), 가입자 인증 모듈(subscriber identity module; SIM), 범용 사용자 인증 모듈(universal subscriber identity module; USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 상기 인터페이스부(160)를 통하여 서버(100)와 연결될 수 있다.
메모리(170)는 서버(100)의 다양한 기능을 지원하는 데이터를 저장한다.
메모리(170)는 서버(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 서버(100)의 동작을 위한 데이터들, 명령어들을, 러닝 프로세서(130)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다.
프로세서(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 서버(100)의 전반적인 동작을 제어한다. 프로세서(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
또한, 프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 1a와 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용프로그램의 구동을 위하여, 서버(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
전원공급부(190)는 프로세서(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 서버(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.
한편, 앞서 살펴본 것과 같이, 프로세서(180)는 응용 프로그램과 관련된 동작과, 통상적으로 서버(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(180)는 상기 이동 서버의 상태가 설정된 조건을 만족하면, 애플리케이션들에 대한 사용자의 제어 명령의 입력을 제한하는 잠금 상태를 실행하거나, 해제할 수 있다.
한편, 서버(100)의 입력부(120)는 센싱부(140)를 포함할 수 있으며, 센싱부(140)가 수행하는 모든 기능을 수행할 수 있다. 예를 들어 입력부(120)는 사용자 터치 입력을 감지할 수 있다.
한편 용어 무선 통신부(110)는 용어 통신부(110)와 혼용되어 사용될 수 있다.
한편 통신부(110)는 서버(100)를 인터넷망을 포함하는 유/무선 네트워크와 연결하기 위한 인터페이스를 제공할 수 있다. 통신부(110)는 접속된 네트워크 또는 접속된 네트워크에 링크된 다른 네트워크를 통해, 다른 사용자 또는 다른 전자 기기와 데이터를 송신 또는 수신할 수 있다.
프로세서(180)는 컨트롤러, 제어부, 마이크로 컨트롤러, 마이크로 프로세서 등의 용어와 혼용되어 사용될 수 있다.
다음은 인공 지능(artificial intelligence, AI)에 대하여 간략히 설명한다.
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 의미한다.
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.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.
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 취한다.
용어 ‘머신 러닝’은 용어 ‘기계 학습’과 혼용되어 사용될 수 있다.
기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.
의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.
베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.
서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.
인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.
인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.
구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.
인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.
인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대하여 가중 합을 취하여 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
본 명세서에서 용어 ‘레이어’는 용어 ‘계층’과 혼용되어 사용될 수 있다.
인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.
일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.
또한 일반적인 다층 신경망은 입력층(Input Layer)과 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.
입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받아 외부로 출력한다. 뉴런간의 입력신호는 0에서 1 사이의 값을 갖는 각각의 연결강도와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 출력값으로 구현된다.
한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 ‘딥 러닝’은 용어 ‘심층 학습’과 혼용되어 사용될 수 있다.
인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.
훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.
한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.
다음은 인공 신경망의 학습 방식에 대하여 설명한다.
인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.
지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.
그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.
지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.
여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.
본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.
또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.
이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.
한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.
인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 또한 인공 신경망은 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터를 결정(최적화) 할 수 있다.
비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.
구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.
비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.
본 명세서에서 용어 ‘군집화’는 용어 ‘클러스터링’과 혼용되어 사용될 수 있다.
비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.
생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.
이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.
또한 판별기는 데이터의 패턴을 인식하는 모형으로, 원본 데이터를 기반으로 생성기에서 생성한 새로운 데이터에 대한 진위 여부를 감별하는 역할을 수행할 수 있다.
그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기의 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.
오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.
오토 인코더는 입력층, 은닉층 및 출력층을 포함하며, 입력 데이터는 입력 데이터가 입력 계층을 통과하여 은닉 계층으로 들어간다.
이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.
또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.
한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.
준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모드 사용하는 학습 방법을 의미할 수 있다.
준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.
강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.
마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.
인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.
예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.
하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.
예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.
손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.
손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.
교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.
머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.
경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.
모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.
이때, 스텝 사이즈는 학습률을 의미할 수 있다.
경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.
확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.
Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.
인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.
통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.
도 2는 본 발명의 실시 예에 따른, 식기 세척기의 불량의 발생 원인 판단 시스템(10)을 설명하기 위한 도면이다.
식기 세척기의 불량의 발생 원인 판단 시스템(10)은, 하나 이상의 식기 세척기(200, 300, 400, 500), 식기 세척기와 통신하는 서버(100) 및 서비스 업체 서버(600)를 포함할 수 있다.
서버(100)의 프로세서(180)는 통신부(110)를 통하여 하나 이상의 식기 세척기(200, 300, 400, 500)와 통신할 수 있다.
한편 식기세척기는 분사 노즐에서 분사되는 고압의 세척수를 이용하여, 식기표면에 묻어 있는 오염물을 식기에서 분리하여 식기를 세척하는 기기일 수 있다.
하나 이상의 식기 세척기(200, 300, 400, 500) 각각은, 자신의 식기 세척기의 동작 정보를 서버(100)에 전송할 수 있다.
동작 정보는 식기 세척기의 동작과 관련된 정보일 수 있다. 구체적으로 동작 정보는, 식기 세척기에 구비되는 하나 이상의 센서에서 감지되는 정보, 입력 장치를 통하여 수신되는 정보, 센서에서 감지되는 정보 또는 입력 장치를 통하여 수신되는 정보를 이용하여 식기 세척기의 프로세서가 생성한 정보 및 행정 정보 중 적어도 하나를 포함할 수 있다.
서버(100)의 프로세서(180)는 특정 식기 세척기(200)로부터 수신한 동작 정보를 이용하여 특정 식기 세척기의 불량 발생 원인을 획득할 수 있다. 그리고 서버(100)의 프로세서(180)는 획득된 불량 발생 원인을 특정 식기 세척기(200)의 사용자 측 디바이스에 전송할 수 있다.
또한 서버(100)의 프로세서(180)는 특정 식기 세척기(200)의 사용자 측 디바이스로부터 특정 식기 세척기(200)에서 발생한 증상을 수신할 수 있다.
이 경우 서버(100)의 프로세서(180)는 특정 식기 세척기(200)에서 발생한 증상을 이용하여, 학습 모델에서 출력한 불량 발생 원인이 옳은지(right) 또는 그른지(wrong)를 확인할 수 있다.
또한 서버(100)의 프로세서(180)는 학습 모델의 출력 결과 및 특정 식기 세척기(200)에서 발생한 증상을 이용하여 특정 식기 세척기의 불량 발생 원인을 획득할 수 있다.
한편 서버(100)의 프로세서(180)는 통신부(110)를 통하여 서비스 업체 서버(600)와 통신할 수 있다.
여기서 서비스 업체는, 고객(즉, 식기 세척기의 사용자)와 상담을 진행하거나, 고객에게 수리 서비스를 제공하는 업체일 수 있다.
또한 서비스 업체 서버(600)는 서비스 업체에서 운용하는 서버일 수 있다.
*
*서버(100)의 프로세서(180)는 서비스 업체 서버(600)에 특정 식기 세척기(200)의 불량 발생 원인을 전송할 수 있다. 그리고 서버(100)의 프로세서(180)는 서비스 업체 서버(600)로부터 특정 식기 세척기(200)의 불량 발생 원인에 대한 평가를 수신할 수 있다.
도 3은 본 발명의 실시 예에 따른, 식기 세척기의 불량 발생 원인 판단 방법을 설명하기 위한 도면이다.
도 3에 따르면 본 발명의 실시 예에 따른 식기 세척기의 불량 발생 원인 판단 방법은, 복수의 불량 발생 원인 및 복수의 불량 발생 원인에 각각 대응하는 동작 정보를 이용하여 뉴럴 네트워크를 트레이닝 하여 학습 모델을 생성하는 단계(S310), 특정 식기 세척기로부터 특정 식기 세척기의 동작 정보를 수신하는 단계(S330), 특정 식기 세척기의 동작 정보를 학습 모델에 입력하여, 특정 식기 세척기의 불량 발생 원인을 획득하는 단계(S350), 불량 발생 원인과 관련된 정보를 전송하는 단계(S370) 및 특정 식기 세척기의 동작 정보를 이용하여 학습 모델을 업데이트 하는 단계(S390)를 포함할 수 있다.
먼저, 학습 모델을 생성하는 단계(S310)에 대하여 도 4 및 도 5를 참고하여 설명한다.
도 4는 본 발명의 실시 예에 따른, 식기 세척기에서 발생하는 증상, 불량 발생 원인 및 동작 정보를 설명하기 위한 도면이다.
앞서 설명한 바와 같이 동작 정보는 식기 세척기의 동작과 관련된 정보일 수 있다. 구체적으로 동작 정보는, 식기 세척기에 구비되는 하나 이상의 센서에서 감지되는 정보, 입력 장치를 통하여 수신되는 정보, 센서에서 감지되는 정보 또는 입력 장치를 통하여 수신되는 정보를 이용하여 식기 세척기의 프로세서가 생성한 정보 및 행정 정보 중 적어도 하나를 포함할 수 있다.
한편 동작 정보는 복수의 요소 중 적어도 하나를 포함할 수 있다. 예를 들어 동작 정보는, 도 4에서 도시하는 바와 같이, 제품 동작 횟수, 행정 (세척 / 헹굼 / 건조)과 관련된 제품 운전 정보, 단위 행정(배수 / 급수 / 예비세척 / 본세척 / 가열세척 / 정지)과 관련된 제품 운전 정보, 급수 소요시간, 배수 소요시간, 전원 오프(Off) 정보, 탁도 감지 값에 따른 분사 레벨(Spray Level), 저 전압 발생 여부, 동작 중 문 열림 이력, 소금 부족 감지 여부, 린스 부족 감지 여부, 최초 급수 시점의 탁도 센서 값, 급수 시작 후 일정 시간 경과 후 탁도 센서 값, 동작 직후 시점의 터브(Tub) 온도, 최초 급수 완료 시점의 터브(Tub) 온도, 배수 시 모터 RPM 값, 발생 에러 정보, 사용자 설정 코스, 사용자 설정 하프로드(HalfLoad), 사용자 설정 사전 스팀(Pre Steam), 사용자 설정 에너지 절약(Energy Saver), 사용자 설정 건조, 사용자 설정 챠일드 락(Child Lock), 사용자 설정 예약, 사용자 설정 분사 레벨(Spray Level) 및 사용자 설정 경도 레벨 중 적어도 하나를 포함할 수 있다.
한편 불량은, 식기 세척기의 미 작동 또는 성능 저하를 포함할 수 있다.
여기서 식기 세척기의 미 작동은, 식기 세척 기능을 수행하지 않는 것을 의미할 수 있다. 예를 들어 식기 세척기의 미 작동은, 세척수가 공급되지 않아 식기 세척기능을 수행하지 않는 것을 의미할 수 있다.
또한 식기 세척기의 성능 저하는, 식기 세척 기능을 수행하기는 하지만, 식기 세척 기능이 저하된 상태를 의미할 수 있다. 예를 들어 식기 세척기의 성능 저하는, 급수 호스에서 누수가 발생하여 분사 레벨이 낮아진 상태를 의미할 수 있다.
한편 불량 발생 원인은, 식기 세척기의 미 작동이나 성능 저하를 야기한 원인을 의미할 수 있다.
예를 들어 불량 발생 원인은, 급수 필터 막힘, 급수호스 동결, 저 수압, 수도꼭지 잠김, 급수 호스 꼬임, 급수 호스 누수, 급수 밸브 불량, 배수 필터 막힘, 배수 호스 동결, 배수 호스 설치 불량, 배수 호스 누수, 배수 호스 꼬임, 배수 모터 불량, 세제 미 사용, 세제 오 사용, 전용 세제 미 사용, 헹굼 설정 온도 낮음, 건조 행동 없는 코스 사용, 건조 옵션 미 사용, 건조 팬 불량 중 적어도 하나를 포함할 수 있다.
한편 불량이 발생하면, 동작 정보의 복수의 요소 중 적어도 하나에 영향을 미칠 수 있다. 즉 특정 불량 발생 원인이 발생하면, 특정 불량 발생 원인은 동작 정보의 복수의 요소 중 적어도 하나의 값을 변경시킬 수 있다.
불량 발생 원인이 동작 정보의 복수의 요소 중 적어도 하나에 미치는 영향의 예시는 표 1에 기재되어 있다.
증상 불량 발생 원인 불량 현상 데이터 특징






급수 안됨		 급수필터 막힘 제품 사용 횟수가 상대적으로 높고, 급수 소요시간 변동폭이 적음(일정 수준 유지).
급수호스 동결 동작 직후 시점의 Tub 온도가 낮음.
저 수압 급수 소요시간이 상대적으로 길다. 정상 시간 범위에 급수된 이력이 없음.
수도꼭지 잠김 제품 사용 횟수가 상대적으로 낮고, 급수 소요시간 변동폭이 큼.
급수호스 꼬임 제품 사용 횟수가 상대적으로 낮고, 급수 소요시간 변동폭이 큼.
급수호스 누수 제품 사용 횟수가 상대적으로 높고, 급수 소요시간 변동 있음.
급수밸브 불량 실제 급수량 없음.





배수 안됨		 배수필터 막힘 배수 소요시간이 상대적으로 길다. 제품 사용 횟수가 상대적으로 높고, 탁도 센서값이 낮음. 배수 RPM 측정 됨.
배수호스 동결 동작 직후 시점의 Tub 온도가 낮음. 배수 소요시간이 상대적으로 길다. 배수 RPM 측정 됨.
배수호스 설치 불량 제품 사용 횟수가 상대적으로 낮고, 정상 시간 범위에 배수된 이력이 없음. 배수 RPM 측정 됨.
배수호스 누수 제품 사용 횟수가 상대적으로 높고, 배수 소요시간 변동 있음. 배수 RPM 측정 됨.
배수호스 꼬임 제품 사용 횟수가 상대적으로 낮고, 배수 소요시간 변동폭이 큼. 배수 RPM 측정 됨.
배수모터 불량 배수 RPM 측정 안됨.





식기 건조 안됨		 세제 미 사용 린스 부족 감지됨.
세제 오 사용 린스 부족 감지 안됨. 거품 감지됨.
헹굼 설정온도 낮음 헹굼온도 옵션 설정정보 없음. 린스 부족 감지 안됨. 거품 감지 안됨
건조행정 없는 코스 사용 코스 설정정보가 건조행정 없는 코스임. 린스 부족 감지 안됨. 거품 감지 안됨.
건조 옵션 미 사용 건조 옵션 설정정보 없음. 린스 부족 감지 안됨. 거품 감지 안됨.
건조 팬 불량 건조 팬 On 시점과 일정 시간 경과 시점의 온도 차 없음. 린스 부족 감지 안됨. 거품 감지 안됨.
따라서 불량 발생 원인이 존재하는 경우의 동작 정보를 불량 발생 원인에 매칭하여 뉴럴 네트워크를 트레이닝 함으로써, 동작 정보를 이용하여 불량 발생 원인을 추론할 수 있는 학습 모델이 생성될 수 있다.도 5는 본 발명의 실시 예에 따른, 뉴럴 네트워크의 트레이닝 하여 학습 모델을 생성하는 방법을 설명하기 위한 도면이다.이하에서는 학습 모델(530)이 뉴럴 네트워크의 학습 장치(1000)에서 생성되는 것으로 설명한다. 다만 이하의 과정은 서버(100)에서도 수행될 수 있다.
뉴럴 네트워크의 학습 장치(1000)는, 데이터 입력부(1010), 프로세서(1020) 및 뉴럴 네트워크(1030)를 포함할 수 있다.
데이터 입력부(1010)는 입력 데이터를 수신할 수 있다. 이 경우 데이터 입력부(1010)는 훈련 데이터를 수신할 수 있으며, 가공되지 않은 데이터를 수신할 수도 있다.
데이터 입력부(1010)가 가공되지 않은 데이터를 수신한 경우, 프로세서(1020)는 수신된 데이터를 전처리 하여 뉴럴 네트워크(1030)에 입력이 가능한 훈련데이터를 생성할 수 있다.
뉴럴 네트워크(1030)는 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 뉴럴 네트워크(1030)의 일부 또는 전부가 소프트웨어로 구현되는 경우 뉴럴 네트워크(1030)를 구성하는 하나 이상의 명령어는 뉴럴 네트워크의 학습 장치(1000)에 포함되는 메모리(미도시)에 저장될 수 있다.
프로세서(1020)는 훈련 데이터 또는 트레이닝 셋(training set)을 뉴럴 네트워크(1030)에 입력하여 뉴럴 네트워크(1030)를 훈련(training)시킬 수 있다.
구체적으로 프로세서(1020)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망(Artificial Neural Network, ANN)을 반복적으로 학습시킴으로써, 인공 신경망(Artificial Neural Network, ANN)의 파라미터를 결정(최적화)할 수 있다.
이와 같이 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)(530)이라 명칭할 수 있다.
한편 학습 모델(a trained model)(530)은 훈련 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있다.
한편 본 발명에서는, 동작 정보(510)가 훈련 데이터로 사용될 수 있으며, 불량 발생 원인(520)이 레이블로써 동작 정보(510)와 함께 뉴럴 네트워크에 입력될 수 있다.
구체적으로 프로세서(1020)는 복수의 불량 발생 원인 및 복수의 불량 발생 원인에 각각 대응하는 동작 정보를 이용하여 뉴럴 네트워크를 트레이닝 할 수 있다.
여기서 복수의 불량 발생 원인에 각각 대응하는 동작 정보는 식기 세척기에서 불량이 발생한 상태에서 식기 세척기에서 획득된 동작 정보를 의미할 수 있다.
이 경우 동작 정보 중 일부는 불량 발생 원인에 따라 값이 결정될 수 있으며, 동작 정보 중 다른 일부는 불량 발생 원인에 관계 없이 값이 결정될 수 있다.
그리고 프로세서(1020)는 복수의 불량 발생 원인에 복수의 불량 발생 원인 각각에 대응하는 동작 정보를 레이블링 하여 뉴럴 네트워크에 입력하여 뉴럴 네트워크를 트레이닝 할 수 있다.
예를 들어 프로세서(1020)는, 제1 불량 발생 원인이 존재하는 상태에서의 식기 세척기의 동작 정보를 제1 불량 발생 원인에 레이블링 하고, 제1 불량 발생 원인이 존재하는 상태에서의 식기 세척기의 동작 정보 및 제1 불량 발생 원인을 뉴럴 네트워크에 입력할 수 있다.
다른 예를 들어 프로세서(1020)는, 제2 불량 발생 원인이 존재하는 상태에서의 식기 세척기의 동작 정보를 제2 불량 발생 원인에 레이블링 하고, 제2 불량 발생 원인이 존재하는 상태에서의 식기 세척기의 동작 정보 및 제2 불량 발생 원인을 뉴럴 네트워크에 입력할 수 있다.
이에 따라 다양한 불량 발생 원인 및 해당하는 동작 정보가 훈련 데이터로써 뉴럴 네트워크(1030)에 입력될 수 있다.
이 경우 프로세서(1020)는 앞서 설명한 다양한 학습 기법 중 지도 학습을 이용하여 뉴럴 네트워크를 반복적으로 트레이닝 할 수 있다.
이 경우 뉴럴 네트워크는(1030)는 동작 정보 및 동작 정보에 레이블링 된 불량 발생 원인을 이용하여 동작 정보와 불량 발생 원인의 연관 관계에 대한 함수를 유추할 수 있다. 또한 뉴럴 네트워크(1030)는 유추된 함수에 대한 평가를 통해 뉴럴 네트워크(1030)의 파라미터를 결정(최적화) 할 수 있다.
트레이닝 된 뉴럴 네트워크(1030)는 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 트레이닝 된 뉴럴 네트워크(1030)의 일부 또는 전부가 소프트웨어로 구현되는 경우 뉴럴 네트워크(1030)를 구현하는 하나 이상의 명령어는 뉴럴 네트워크의 학습 장치(1000)에 포함되는 메모리(미도시)에 저장될 수 있다.
따라서 뉴럴 네트워크(1030)가 트레이닝 됨에 따라, 복수의 불량 발생 원인들 및 복수의 불량 발생 원인들에 각각 대응하는 동작 정보를 이용하여 획득한 학습 결과가 메모리(미도시)에 저장될 수 있다. 여기서 학습 결과는 복수의 불량 발생 원인들과 동작 정보 사이의 관계에 상응하는 관계 파라미터를 포함할 수 있다.
구체적으로 프로세서(1020)는 복수의 불량 발생 원인들 및 복수의 불량 발생 원인들에 각각 대응하는 동작 정보를 이용하여 뉴럴 네트워크(1030)를 트레이닝 할 수 있다.
그리고 뉴럴 네트워크(1030)가 트레이닝 됨에 따라, 뉴럴 네트워크(1030)의 모델 파라미터(Model Parameter)는 복수의 불량 발생 원인들과 동작 정보 사이의 연관 관계에 상응하도록 설정될 수 있다.
여기서 뉴럴 네트워크(1030)의 모델 파라미터(Model Parameter)는, 복수의 불량 발생 원인들과 동작 정보의 연관 관계에 상응하는, 가중치(weight) 및 편향(bias) 중 적어도 하나를 포함할 수 있다.
그리고 관계 파라미터는, 복수의 불량 발생 원인들 및 상기 복수의 불량 발생 원인들에 각각 대응하는 동작 정보를 이용하여 트레이닝 된 뉴럴 네트워크의 모델 파라미터를 의미할 수 있다. 즉 학습 결과(관계 파라미터)는, 트레이닝 된 뉴럴 네트워크의 일부를 구성할 수 있다.
한편 동작 정보 및 동작 정보에 레이블링 된 불량 발생 원인을 이용하여 트레이닝 된 뉴럴 네트워크를 학습 모델(530)이라 명칭할 수 있다.
한편 학습 모델(530)(트레이닝 된 뉴럴 네트워크)은 서버(100)에 탑재될 수 있다.
한편 학습 모델(530)(트레이닝 된 뉴럴 네트워크)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구현하는 하나 이상의 명령어는 서버(100)의 메모리 (170)에 저장될 수 있다.
그리고 학습 모델을 구현하는 하나 이상의 명령어가 메모리(170)에 저장됨에 따라, 학습 모델의 일부를 구성하는 학습 결과, 즉 복수의 불량 발생 원인들 및 복수의 불량 발생 원인들에 각각 대응하는 동작 정보를 이용하여 획득한 학습 결과가 메모리(170)에 저장될 수 있다.
앞서 설명한 바와 같이, 메모리(170)에 저장되는 학습 결과는 복수의 불량 발생 원인들과 동작 정보 사이의 관계에 상응하는 관계 파라미터를 포함할 수 있다. 또한 관계 파라미터는, 복수의 불량 발생 원인들 및 복수의 불량 발생 원인들에 각각 대응하는 동작 정보를 이용하여 트레이닝 된 뉴럴 네트워크(즉, 서버(100)에 탑재된 뉴럴 네트워크)의 모델 파라미터를 의미할 수 있다.
한편 트레이닝 된 뉴럴 네트워크가 하드웨어로 구현되는 경우, 트레이닝 된 뉴럴 네트워크는 하드웨어 칩 형태로 집적되어 프로세서(180)의 일부를 구성할 수 있다.
예를 들면, 트레이닝 된 뉴럴 네트워크는 인공 지능을 위한 전용 하드웨어 칩 형태로 제작될 수 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작될 수 있다.
한편 트레이닝 된 뉴럴 네트워크가 하드웨어로 구현됨에 따라, 뉴럴 네트워크의 일부를 구성하는 학습 결과, 즉 복수의 불량 발생 원인들 및 복수의 불량 발생 원인들에 각각 대응하는 동작 정보를 이용하여 획득한 학습 결과가 하드웨어로 구현되어 프로세서(180)의 일부를 구성할 수 있다.
한편 트레이닝 된 뉴럴 네트워크가 하드웨어 및 소프트웨어의 조합으로 구현되는 경우, 트레이닝 된 뉴럴 네트워크는 하드웨어 칩 형태로 집적되어 프로세서(180)의 일부를 구성하고, 트레이닝 된 뉴럴 네트워크를 구현하는 하나 이상의 명령어가 메모리(170)에 저장될 수 있다.
그리고 트레이닝 된 뉴럴 네트워크가 하드웨어 및 소프트웨어의 조합으로 구현됨에 따라, 트레이닝 된 뉴럴 네트워크의 일부를 구성하는 학습 결과, 즉 복수의 불량 발생 원인들 및 복수의 불량 발생 원인들에 각각 대응하는 동작 정보를 이용하여 획득한 학습 결과가 하드웨어로 구현되어 프로세서(180)의 일부를 구성하거나 메모리(170)에 저장될 수 있다.
한편 불량 발생 원인은 현상을 둘 이상의 클래스로 명확히 구분함에 따라 결정될 수 있다. 예를 들어 불량 발생 원인이 세제의 오 사용인 경우, 불량 발생 원인은 전용 세제를 사용하였는지 또는 전용 세제 외 다른 세제를 사용하였는지에 의해 결정될 수 있다.
다만 이에 한정되지 않으며, 불량 발생 원인은 불량 발생 원인의 진행도를 포함할 수 있다. 예를 들어 급수 필터가 50프로 막혀 불량이 발생한 경우, 불량 발생 원인은 급수 필터 막힘 및 50프로를 포함할 수 있다. 다른 예를 들어 급수 필터가 95프로 막혀 불량이 발생한 경우, 불량 발생 원인은 급수 필터 막힘 및 95프로를 포함할 수 있다.
이 경우 복수의 불량 발생 원인에 각각 대응하는 동작 정보는 불량 발생 원인의 진행도에 대응하여 식기 세척기에서 획득된 동작 정보를 의미할 수 있다.
이 경우 프로세서(1020)는 복수의 불량 발생 원인에 복수의 불량 발생 원인 각각에 대응하는 동작 정보를 레이블링 하여 뉴럴 네트워크에 입력하여 뉴럴 네트워크(1030)를 트레이닝 할 수 있다.
예를 들어 프로세서(1020)는, 제1 불량 발생 원인(불량 발생 원인: 급수 필터 막힘, 진행도: 50프로)이 존재하는 상태에서의 식기 세척기의 동작 정보를 제1 불량 발생 원인에 레이블링 하고, 제1 불량 발생 원인이 존재하는 상태에서의 식기 세척기의 동작 정보 및 제1 불량 발생 원인을 뉴럴 네트워크에 입력할 수 있다.
또한 프로세서(1020)는, 제2 불량 발생 원인(불량 발생 원인: 급수 필터 막힘, 진행도: 70프로)이 존재하는 상태에서의 식기 세척기의 동작 정보를 제2 불량 발생 원인에 레이블링 하고, 제2 불량 발생 원인이 존재하는 상태에서의 식기 세척기의 동작 정보 및 제2 불량 발생 원인을 뉴럴 네트워크에 입력할 수 있다.
한편 특정 식기 세척기로부터 특정 식기 세척기의 동작 정보를 수신하는 단계(S330) 및 특정 식기 세척기의 동작 정보를 학습 모델에 입력하여, 특정 식기 세척기의 불량 발생 원인을 획득하는 단계(S350)에 대해서는 도 6을 참고하여 설명한다.
도 6은 본 발명의 실시 예에 따른 식기 세척기의 불량 발생 원인을 획득하는 방법을 설명하기 위한 도면이다.
서버(100)는 적어도 하나의 식기 세척기(200, 300, 400, 500) 중 어느 하나로부터 동작 정보를 수신할 수 있다. 여기서 동작 정보를 전송한 식기 세척기를 특정 식기 세척기(200)라 지칭한다.
프로세서(180)는 통신부(110)를 통하여 특정 식기 세척기(200)로부터 특정 식기 세척기(200)의 동작 정보(610)를 수신할 수 있다.
한편 프로세서(180)는 특정 식기 세척기(200)의 동작 정보 및 학습 결과를 이용하여 특정 식기 세척기(200)의 불량 발생 원인을 획득할 수 있다.
구체적으로 프로세서(180)는 특정 식기 세척기(200)의 동작 정보를 학습 모델(530)에 입력할 수 있다.
한편 앞선 트레이닝 단계에서, 뉴럴 네트워크는 복수의 불량 발생 원인 및 복수의 불량 발생 원인에 각각 대응하는 동작 정보를 이용하여 트레이닝 된 바 있다.
따라서 새로운 입력 데이터인 특정 식기 세척기(200)의 동작 정보에 대하여, 학습 모델(530)은 불량을 야기한 것으로 예측되는 불량 발생원인을 출력할 수 있다.
이 경우 프로세서(180)는 학습 모델(530)의 출력 결과를 이용하여 특정 식기 세척기의 불량 발생 원인(620)을 획득할 수 있다.
구체적으로 학습 모델(530)이 특정 불량 발생 원인의 스코어 또는 확률 값을 기 설정된 값 이상으로 출력한 경우, 프로세서(180)는 특정 식기 세척기에 불량이 발생되었다고 결정하고, 특정 불량 발생 원인을 특정 식기 세척기의 불량 발생 원인(620)으로 결정할 수 있다.
한편 프로세서(180)가 획득하는 불량 발생 원인 역시, 불량 발생 원인의 진행도를 포함할 수 있다. 예를 들어 프로세서(180)는 급수 필터 막힘 및 50프로를 포함하는 불량 발생 원인을 획득할 수 있다.
이와 같이 본 발명에 따르면, 다양한 불량 상태에서 수집된 동작 정보를 이용하여 뉴럴 네트워크를 트레이닝 함으로써, 불량을 판단하기 위한 장치나 알고리즘을 불량 유형에 따라 개별적으로 구비 하지 않아도, 식기 세척기에서 발생할 수 있는 다양한 불량 원인을 파악할 수 있는 장점이 있다
한편 불량 발생 원인과 관련된 정보를 전송하는 단계(S370)에 대해서는 도 7 내지 11b를 참고하여 설명한다.
도 7은 본 발명의 실시 예에 따른 불량 발생 원인을 사용자에게 전송하는 방법을 설명하기 위한 도면이다.
특정 식기 세척기(200)의 불량 발생 원인이 획득된 경우, 프로세서(180)는 특정 식기 세척기(200)의 사용자 측 디바이스(2000)에 획득된 불량 발생 원인을 통신부(110)를 통하여 전송할 수 있다.
이 경우 특정 식기 세척기의 사용자 측 디바이스(2000)는 불량 발생 원인을 수신하여 출력할 수 있다.
예를 들어 사용자 측 디바이스(2000)는 급수 필터 막힘이 발생되었다는 메시지를 디스플레이 할 수 있다.
한편 도 7에서는 특정 식기 세척기(200)의 사용자 측 디바이스(2000)가 특정 식기 세척기의 사용자의 이동 단말기인 것으로 도시하였으나 이에 한정되지 않으며, 특정 식기 세척기(200)의 사용자 측 디바이스(2000)는 특정 식기 세척기(200)일 수도 있다.
한편 특정 식기 세척기(200)의 불량 발생 원인이 획득된 경우, 프로세서(180)는 서비스 업체 서버(600)에 획득된 불량 발생 원인을 통신부(110)를 통하여 전송할 수 있다.
식기 세척기의 수리를 위해서는 불량 발생 원인을 정확히 판단하는 것이 중요하다. 다만 고객은 단순히 급수 장애, 배수 장애, 건조 장애 등의 증상만을 설명할 수 있을 뿐, 구체적으로 어떤 원인에 의하여 불량이 발생한지에 대해서는 설명하기가 어렵다.
구체적으로 도 4를 다시 참고하면, 복수의 불량 발생 원인은 복수의 증상으로 분류될 수 있다.
예를 들어 불량 발생 원인 중 급수 필터 막힘, 급수호스 동결, 저 수압, 수도꼭지 잠김, 급수 호스 꼬임, 급수 호스 누수, 급수 밸브 불량은 급수 안됨”이나 “급수 성능 저하”라는 증상을 나타낼 수 있다.
그리고 배수 필터 막힘, 배수 호스 동결, 배수 호스 설치 불량, 배수 호스 누수, 배수 호스 꼬임, 배수 모터 불량은, “배수 안됨”이나 “배수 성능 저하”라는 증상을 나타낼 수 있다.
또한 세제 미 사용, 세제 오 사용, 전용 세제 미 사용, 헹굼 설정 온도 낮음, 건조 행동 없는 코스 사용, 건조 옵션 미 사용, 건조 팬 불량은, “식기 건조 안됨”이나 “식기 건조 성능 저하”라는 증상을 나타낼 수 있다.
다만 식기 사용자의 사용자 입장에서는 단순히 급수 장애, 배수 장애, 건조 장애 등의 증상만을 파악할 수 있을 뿐, 구체적으로 어떤 원인에 의하여 불량이 발생한지에 대해서는 파악하기가 어렵다.
다만 본 발명에 따르면, 불량의 발생 및 불량 발생 원인을 미리 파악하여 고객에게 제공할 수 있다. 이에 따라 고객은 불량의 발생 사실을 빨리 인지할 수 있으며 서비스 업체에 수리 서비스를 빨리 요청할 수 있다. 또한 고객은 서비스 업체에 정확한 불량 발생 원인을 전달하여 빠르고 정확한 서비스를 받을 수 있다.
또한 본 발명에 따르면, 불량의 발생 및 불량 발생 원인을 미리 파악하여 서비스 센터에 제공할 수 있다. 따라서 서비스 센터는 불량의 발생을 미리 파악하여 수리 서비스 제공을 준비할 수 있으며, 현장을 찾아가지 않아도 불량 발생 원인을 빠르고 정확하게 인지하고, 수리 방법을 미리 숙지하거나 필요한 부품을 미리 준비할 수 있다.
도 8은 본 발명의 실시 예에 따른, 오 조작에 대응하는 사용법을 사용자에게 제공하는 방법을 설명하기 위한 도면이다.
특정 식기 세척기(200)의 불량 발생 원인이 획득되고 특정 식기 세척기의 불량 발생 원인이 사용자의 오 조작에 관련된 경우, 프로세서(180)는 오 조작에 대응하는 사용법을 특정 식기 세척기의 사용자 측 디바이스(2000)에 전송할 수 있다.
이 경우 특정 식기 세척기의 사용자 측 디바이스(2000)는 오 조작에 대응하는 사용법을 수신하여 출력할 수 있다.
예를 들어 불량 발생 원인이 세제의 오 사용(전용 세제 미 사용)인 경우, 프로세서(180)는 오 사용에 대응하는 사용법(전용 세제 사용)을 사용자 측 디바이스(2000)에 전송할 수 있다.
이 경우 사용자 측 디바이스(2000)는 전용 세제를 사용해 주세요 라는 메시지를 디스플레이 할 수 있다.
식기 세척기에서 발생한 불량은, 고장에 의해서가 아니라, 고객의 잘못된 사용법에 의한 것인 경우가 많다. 다만 이러한 경우에도, 고객의 잘못된 사용법에 의한 불량임을 파악하기가 어려워, 고객과의 상담 시간이 길어지거나 수리 기사가 직접 방문해야 하는 문제가 발생할 수 있다.
다만 본 발명에 따르면, 사용자의 잘못된 사용법으로 인한 것임을 파악하여 올 바른 사용법을 안내하기 때문에, 비용 및 시간을 절약하고 제품의 수명을 늘릴 수 있는 장점이 있다.
도 9는 본 발명의 실시 예에 따른, 고장을 예측하거나 유지 보수 정보를 전달하는 방법을 설명하기 위한 도면이다.
프로세서(180)는 특정 식기 세척기의 동작 정보 및 학습 결과를 이용하여 특정 식기 세척기의 불량 발생 원인의 진행도를 획득할 수 있다.
구체적으로 프로세서(180)는 특정 식기 세척기의 동작 정보를 학습 모델에 입력하여, 특정 식기 세척기의 불량 발생 원인의 진행도를 획득할 수 있다.
예를 들어 프로세서(180)는 급수 필터 막힘 및 50프로를 포함하는 불량 발생 원인을 획득할 수 있다.
이 경우 프로세서(180)는 불량 발생 원인의 진행도에 기초하여 고장 발생 시기에 대한 정보를 획득할 수 있다.
여기서 고장이라 함은, 기능 수행 불가 또는 기능 수행의 성능이 일정 값 이하로 저하된 것을 의미할 수 있다. 예를 들어 고장은 급수 기능을 수행하지 못하거나, 급수 기능 수행의 성능이 20프로 이하로 저하된 것을 의미할 수 있다.
그리고 프로세서(180)는 불량 발생 원인의 진행도에 기초하여 고장 발생 시기에 대한 정보를 획득하고, 고장 발생 시기에 대한 정보를 특정 식기 세척기의 사용자 측 디바이스(2000)에 전송할 수 있다.
이 경우 특정 식기 세척기의 사용자 측 디바이스(2000)는 고장 발생 시기에 대한 정보를 디스플레이 할 수 있다.
예를 들어 특정 식기 세척기의 사용자 측 디바이스(2000)는 10회 더 동작 시 급수 필터가 막혀 급수 기능을 수행하지 못하므로, 식기 세척기의 사용이 불가하다는 메시지를 출력할 수 있다.
한편 프로세서(180)는 불량 발생 원인의 진행도에 기초하여 유지/보수에 대한 정보를 획득할 수 있다.
여기서 유지/보수라는 식기 세척기의 성능을 유지하기 위하여 수행하는 것으로, 예를 들어 소모품의 교체 시기, 청소 시기 등을 포함할 수 있다.
그리고 프로세서(180)는 불량 발생 원인의 진행도에 기초하여 유지/보수에 대한 정보를 획득하고, 유지/보수에 대한 정보를 특정 식기 세척기의 사용자 측 디바이스(2000)에 전송할 수 있다.
이 경우 특정 식기 세척기의 사용자 측 디바이스(2000)는 유지/보수에 대한 정보를 디스플레이 할 수 있다.
예를 들어 특정 식기 세척기의 사용자 측 디바이스(2000)는 현재 또는 미래의 소정의 시점에 급수 필터의 교체가 필요하다는 메시지를 출력할 수 있다.
본 발명에 따르면 불량 발생 원인을 예측함에 따라 고장 발생 시기나 유지/보수 시기에 대한 예측도 가능하다. 따라서 사용자는 안내에 따라 적절한 관리를 수행하여 제품의 성능 저하를 방지할 수 있다. 또한 정기적으로 관리를 할 필요 없이, 안내가 수신되는 경우에만 서비스 업체에 관리를 요청하거나 직접 관리를 수행하면 되기 때문에, 비용 및 시간을 절약할 수 있는 장점이 있다.
도 10은 본 발명의 실시 예에 따른, 고객의 피드백에 기초하여 학습 모델에서 출력한 불량 발생 원인이 맞는지를 확인하는 방법을 설명하기 위한 도면이다.
학습 모델은 잘못된 결과를 출력할 수 있다. 즉 학습 모델은 불량 발생 원인을 틀리게 예측할 수 있다. 그리고 틀리게 예측된 불량 발생 원인이 고객이나 서비스 업체에 통보되는 경우 혼란이 야기될 수 있다.
따라서 서버(100)는 고객의 피드백에 기초하여 학습 모델에서 출력한 불량 발생 원인이 맞는지를 확인할 수 있다.
구체적으로 프로세서(100)는 통신부(110)를 통하여 특정 식기 세척기(200)에서 발생한 증상을 수신할 수 있다.
더욱 구체적으로 불량 발생 원인이 획득된 경우, 프로세서(100)는 획득된 불량 발생 원인을 확인하기 위한 요청을 특정 식기 세척기의 사용자 측(2000) 디바이스에 전송할 수 있다.
*
*이 경우 특정 식기 세척기의 사용자 측(2000) 디바이스는, 획득된 불량 발생 원인이 옳은지를 확인하기 위한 메시지를 출력할 수 있다.
예를 들어 특정 식기 세척기의 사용자 측(2000) 디바이스는, 획득된 불량 발생 원인에 대응하는 증상이 나타나는지 확인하기 위한 메시지(예를 들어 현재 배수가 되지 않고 있나요?)를 출력할 수 있다.
한편 특정 식기 세척기의 사용자 측(2000) 디바이스는, 특정 식기 세척기에서 발생한 증상의 입력을 수신할 수 있다.
예를 들어 실제로 식기 세척기의 배수가 되지 않는 경우, 특정 식기 세척기의 사용자 측(2000) 디바이스는 사용자로부터 배수가 되고 있지 않다는 증상의 입력을 수신할 수 있다.
이 경우 특정 식기 세척기의 사용자 측(2000) 디바이스는 특정 식기 세척기에서 발생한 증상을 서버(100)에 전송할 수 있다.
*
*한편 프로세서(180)는 특정 식기 세척기에서 발생한 증상을 수신하고, 획득된 불량 발생 원인이 수신된 증상에 대응하는지 결정할 수 있다.
구체적으로 프로세서(180)는 획득된 불량 발생 원인이 수신된 증상으로 분류되는지 결정할 수 있다.
그리고 획득된 불량 발생 원인이 수신된 증상에 대응하면(즉 획득된 불량 발생 원인이 수신된 증상으로 분류되면), 프로세서(180)는 획득된 불량 발생 원인이 옳은(right) 것으로 결정할 수 있다.
한편 획득된 불량 발생 원인이 수신된 증상에 대응하지 않으면(즉 획득된 불량 발생 원인이 수신된 증상으로 분류되지 않으면), 프로세서(180)는 획득된 불량 발생 원인이 그른(wrong) 것으로 결정할 수 있다.
예를 들어 학습 모델의 출력 결과를 이용하여 획득한 불량 발생 원인이 배수 호스 동결이고, 수신된 증상이 배수 안됨인 경우, 프로세서(180)는 획득한 불량 발생 원인이 옳은(right) 것으로 결정할 수 있다.
다른 예를 들어 학습 모델의 출력 결과를 이용하여 획득한 불량 발생 원인이 배수 호스 동결이고, 수신된 증상이 급수 안됨인 경우, 프로세서(180)는 획득한 불량 발생 원인이 그른(wrong) 것으로 결정할 수 있다.
한편 획득된 불량 발생 원인이 옳은(right) 것으로 결정되는 경우, 프로세서(180)는 획득된 불량 발생 원인을 특정 식기 세척기의 사용자 측 디바이스 또는 서비스 업체 서버에 전송할 수 있다.
이와 같이 본 발명에 따르면, 학습 모델을 이용하여 획득한 불량 발생 원인과 식기 세척기에서 발생하는 증상을 비교함으로써, 정확도가 높은 불량 발생 원인을 사용자나 서비스 업체에 제공할 수 있는 장점이 있다.
도 11은 본 발명의 실시 예에 따른, 고객의 피드백에 기초하여 불량 발생 원인을 결정하는 방법을 설명하기 위한 도면이다.
학습 모델은 복수의 클래스 각각에 대한 스코어(또는 확률)를 출력할 수 있다. 그리고 학습 모델이 복수의 불량 발생 원인에 대하여 높은 스코어(또는 확률)를 출력하였다고 가정한다. 예를 들어 학습 모델이 급수 필터 막힘과 세제 오 사용에 대하여 기 설정된 값 이상의 스코어(또는 확률)를 출력하였다고 가정한다.
이 경우, 제1 불량 발생 원인(급수 필터 막힘)만 옳을 수 있으며, 제2 불량 발생 원인(건조 팬 불량)만 옳을 수도 있다. 또한 제1 불량 발생 원인(급수 필터 막힘) 및 제2 불량 발생 원인(건조 팬 불량)이 모두 옳을 수도 있다.
따라서 서버(100)는 고객의 피드백에 기초하여 특정 식기 세척기의 불량 발생 원인을 결정할 수 있다.
구체적으로 프로세서(100)는 통신부(110)를 통하여 특정 식기 세척기(200)에서 발생한 증상을 수신할 수 있다.
더욱 구체적으로 불량 발생 원인이 획득된 경우, 프로세서(100)는 불량 발생 원인을 결정하기 위한 요청을 특정 식기 세척기의 사용자 측(2000) 디바이스에 전송할 수 있다.
여기서 불량 발생 원인을 결정하기 위한 요청은, 기 설정된 값 이상의 스코어(또는 확률)을 가지는 복수의 불량 발생 원인에 각각 대응하는 복수의 증상을 포함할 수 있다.
이 경우 특정 식기 세척기의 사용자 측(2000) 디바이스는, 복수의 불량 발생 원인에 각각 대응하는 복수의 증상을 출력하고, 사용자로부터 특정 식기 세척기에서 발생한 증상의 입력을 수신할 수 있다.
예를 들어 실제로 식기 세척기의 급수가 되지 않는 경우, 특정 식기 세척기의 사용자 측(2000) 디바이스는 사용자로부터 급수가 되고 있지 않다는 증상의 입력을 수신할 수 있다.
다른 예를 들어 실제로 식기 세척기의 급수 및 식기 건조가 되고 있지 않은 경우, 특정 식기 세척기의 사용자 측(2000) 디바이스는 사용자로부터 급수 및 식기 건조가 되고 있지 않다는 증상의 입력을 수신할 수 있다.
이 경우 특정 식기 세척기의 사용자 측(2000) 디바이스는 특정 식기 세척기에서 발생한 증상을 서버(100)에 전송할 수 있다.
한편 프로세서(180)는 특정 식기 세척기에서 발생한 증상을 수신하고, 학습 모델의 출력 결과 및 특정 식기 세척기에서 발생한 증상을 이용하여 특정 식기 세척기의 불량 발생 원인을 결정할 수 있다.
구체적으로 프로세서(180)는 기 설정된 값 이상의 스코어(또는 확률)을 가지는 복수의 불량 발생 원인 중 수신된 증상에 대응하는 불량 발생 원인을 선택할 수 있다. 그리고 프로세서(180)는 선택된 불량 발생 원인을 사용자 측 디바이스 또는 서비스 업체에 전송할 수 있다.
예를 들어 급수 필터 막힘과 건조 팬 불량이 기 설정된 값 이상의 스코어(또는 확률)을 가지고, 수신된 증상이 급수 안됨인 경우, 프로세서(180)는 급수 필터 막힘을 선택하고 급수 필터 막힘을 사용자 측 디바이스 또는 서비스 업체 서버에 전송할 수 있다.
다른 예를 들어 급수 필터 막힘과 건조 팬 불량이 기 설정된 값 이상의 스코어(또는 확률)을 가지고, 수신된 증상이 급수 안됨 및 식기 건조 안됨인 경우, 프로세서(180)는 급수 필터 막힘 및 식기 건조 안됨을 선택하고 급수 필터 막힘 및 식기 건조 안됨을 사용자 측 디바이스 또는 서비스 업체 서버에 전송할 수 있다.
이와 같이 본 발명에 따르면, 학습 모델을 이용하여 획득한 불량 발생 원인과 식기 세척기에서 발생하는 증상을 비교함으로써, 불량 발생 원인을 정확히 파악하여 사용자나 서비스 업체에 제공할 수 있는 장점이 있다.
다음은 특정 식기 세척기의 동작 정보를 이용하여 학습 모델을 업데이트 하는 단계(S390)에 대하여 도 12를 참고하여 설명한다.
도 12는 본 발명의 실시 예에 따른, 수신된 동작 정보를 이용하여 뉴럴 네트워크를 다시 트레이닝 함으로써 학습 모델을 업데이트 하는 방법을 설명하기 위한 도면이다.
프로세서(180)는 서비스 업체 서버(600)에 불량 발생 원인을 전송하고, 서비스 업체 서버(600)로부터 불량 발생 원인에 대한 평가(1210)를 수신할 수 있다.
여기서 불량 발생 원인에 대한 평가(1210)는 서비스 업체에서 식기 세척기를 직접 확인하여 작성한 것으로, 프로세서(180)에서 전송한 불량 발생 원인이 옳은지(right) 또는 그른지(wrong)에 대한 정보를 포함할 수 있다. 또한 프로세서(180)에서 전송한 불량 발생 원인이 그른(wrong) 경우, 불량 발생 원인에 대한 평가(1210)는 서비스 업체에서 판단한 불량 발생 원인을 포함할 수 있다.
한편 프로세서(180)는 특정 식기 세척기(200)로부터 수신한 동작 정보 및 서비스 업체에서 판단한 불량 발생 원인을 이용하여 학습 결과를 업데이트 할 수 있다.
구체적으로, 서버(100)에서 획득된 불량 발생 원인이 그른(wrong) 경우, 프로세서(180)는 서비스 업체 서버(600)로부터 수신한 불량 발생 원인 및 특정 식기 세척기(200)의 동작 정보를 이용하여 학습 모델(530)을 업데이트 할 수 있다.
더욱 구체적으로, 특정 식기 세척기로부터 동작 정보를 수신하고 수신된 동작 정보를 학습 모델에 입력하여 불량 발생 원인을 획득한 경우, 프로세서(180)는 특정 식기 세척기로부터 수신된 동작 정보를 메모리(170)에 저장하고 서비스 업체 서버(600)에 불량 발생 원인을 전송할 수 있다.
그리고 프로세서(180)에서 전송한 불량 발생 원인이 그른(wrong) 경우, 프로세서(180)는 서비스 업체 서버로부터 서비스 업체에서 결정한 불량 발생 원인을 수신할 수 있다.
이 경우 프로세서(180)는 서비스 업체에서 결정한 불량 발생 원인에 메모리(170)에 저장된 동작 정보를 레이블링 하여 뉴럴 네트워크에 대한 지도 학습을 수행할 수 있다.
이 경우 학습 결과가 업데이트 될 수 있다. 구체적으로 복수의 불량 발생 원인들과 동작 정보 사이의 관계에 상응하는 관계 파라미터가 변경될 수 있다.
더욱 구체적으로, 학습 모델(트레이닝 된 뉴럴 네트워크)가 서비스 업체에서 결정한 불량 발생 원인 및 동작 정보를 이용하여 다시 트레이닝 됨에 따라, 뉴럴 네트워크의 모델 파라미터(Model Parameter)가 변경될 수 있다.
한편 프로세서(180)는 업데이트된 학습 결과를 메모리(170)에 저장할 수 있다. 그리고 다른 동작 정보가 수신되면, 프로세서(180)는 다른 동작 정보 및 업데이트된 학습 결과를 이용하여 식기 세척기의 불량 발생 원인을 획득할 수 있다.
이와 같이 본 발명에 따르면, 예측에 실패한 경우 이미 확보해 놓은 동작 정보 및 서비스 업체에서 정확하게 판단한 불량 발생 원인을 이용하여 재 학습을 수행함으로써, 진화하는 인공지능 서비스를 제공할 수 있는 장점이 있다.
한편 본 발명의 하나의 실시 예에 따른 식기 세척기(200)에 대해서 도 13 및 도 14를 참고하여 설명한다.
도 13은 본 발명의 하나의 실시예에 따른 식기세척기의 개략 정단면도이다. 도 14는 본 발명의 하나의 실시예에 따른 식기세척기 내부의 전기신호, 물, 세제 및 공기의 흐름을 설명하기 위한 도면이다.
이하에서는 도 13 내지 도 14를 참조하여, 본 실시예에 따른 식기세척기의 구성과 내부의 전류 및 물의 흐름을 설명한다.
도 13을 참조하면, 본 발명의 실시예에 따른 식기세척기는 외형을 형성하는 캐비닛(20), 캐비닛(20)에 결합되어 캐비닛(20) 내부를 개폐시키는 도어(22), 캐비닛(20) 내부에 설치되고, 세척수 또는 스팀이 가해지는 터브(24)를 포함한다.
본 실시예에 따른 식기세척기는 사용자에 의해 투입된 세제를 보관하고, 세척단계에서 터브(24) 내부로 세제를 투입하는 디스펜서(72)를 포함할 수 있다. 상기 디스펜서(72)는 도어(22)에 배치될 수 있다.
터브(24)는 식기를 세척하기 위해, 식기가 배치되는 공간이다. 본 실시예에 따른 터브(24)는 내부에 압력이 증가하는 경우, 외부로 공기를 배출하여 압력을 감소시키도록 일측에 에어가이드홀(74, 도 14 참조)을 형성할 수 있다.
본 실시예에 따른 식기세척기는 상기 터브(24) 내부에서 식기를 수용하는 랙(30, 32), 상기 랙(30, 32)에 수용된 식기를 향해 세척수를 분사시키는 분사노즐(34, 36, 38), 상기 분사노즐(34, 36, 38)에 세척수를 공급하는 섬프(26), 상기 섬프(26)에 저장된 세척수를 분사노즐(34, 36, 38)로 압송시키기는 세척펌프(50) 및 상기 세척펌프(50)와 상기 분사노즐(34, 36, 38)을 연결하는 공급관(42, 44, 46)을 포함한다.
식기세척기는 상기 세척펌프(50)를 구동하는 세척모터(52)를 더 포함하고, 세척모터(52)는 회전수 제어가 가능한 BLDC 모터(Brusless Direct current motor)가 사용될 수 있다. 세척모터(52)는 BLDC모터이기 때문에, 목표 RPM(revolution per minute)의 설정이 가능하다. BLDC 모터의 RPM이 변화되면 세척펌프(50)의 압송력이 변화한다.
BLDC 모터는 RPM이 동일하더라도, 섬프에 공급되는 세척수의 량이 다르거나, 섬프에 공급되는 유체의 종류에 따라 전류값이 달라질 수 있다. 즉, 섬프에 공급되는 유체가 물인 경우, 공기인 경우 또는 거품인 경우에 따라, 세척모터(52)가 동일한 RPM으로 회전하더라도, 세척모터(52)에 인가되는 전류값이 달라질 수 있다.
본 실시예에 따른 식기세척기는 섬프(26) 또는 분사모듈에 물을 공급하는 급수모듈(60), 섬프(26)에 연결되어 세척수를 외부로 배출시키는 배수모듈, 섬프(26)에 설치되어 세척수를 여과시키는 필터어셈블리(70) 및 섬프(26)에 설치되어 세척수를 가열시키는 히터(56)을 더 포함할 수 있다.
터브(24) 내부에는 식기와 같은 세척대상이 수용되는 랙(30, 32)이 구비된다. 본 실시예에 식기세척기는 적어도 하나 이상의 랙(30, 32)을 포함한다. 본 실시예에 따른 랙(30, 32)은 터브(24) 내부에서 하부에 배치된 하부랙(32)과 하부랙(32)의 상측에 배치된 상부랙(30)을 포함한다.
본 실시예에 따른 식기세척기는 적어도 하나 이상의 분사노즐(34, 36, 38)을 포함한다. 본 실시예에 따른 식기세척기는 터브(24) 내부에 구비되어 하부랙(32)에 수납된 세척대상을 세척하는 하부노즐(38), 상부랙(30)에 수납된 세척대상을 세척하는 상부노즐(36), 상기 터브(24)의 최상부에 위치하여 세척수를 분사하는 탑노즐(34)을 포함한다.
본 실시예에 따른 공급관(42, 44, 46)은 섬프(26)와 분사노즐(34, 36, 38)을 연결한다. 세척펌프(50)가 동작하여 섬프(26)에 저수된 세척수를 펌핑하면, 분사노즐(34, 36, 38)로 세척수가 공급된다. 본 실시예에 따른 공급관(42, 44, 46)은 하부노즐(38)로 세척수를 공급하는 제1관(42), 상부노즐(36)로 세척수를 공급하는 제2관(44) 및 탑노즐(34)로 세척수를 공급하는 제3관(46)을 포함한다.
본 실시예에 따른 식기세척기는 섬프(26)에 저장된 세척수를 제1관(42) 내지 제3관(46)으로 공급하는 유로 절환부(40)를 포함한다.
본 실시예에 따른 유로절환부(40)는 회전력을 발생하는 유로절환모터(미도시)와 유로절환모터에 의해 회전하여 세척수의 유동을 조절하는 회전판(미도시)을 포함할 수 있다. 본 실시예에 따른 회전판은 복수의 공급관(42, 44, 46)들이 분지되는 곳에 형성된 복수의 연결구(미도시)를 선택적으로 개폐할 수 있다. 회전판에는 복수의 절환홀(미도시)이 형성될 수 있다. 회전판은 유로절환모터에 의해 단계적으로 회전한다. 유로절환모터에 의하여 회전판이 회전되면, 회전판에 형성된 복수의 절환홀이 복수의 연결구 중 적어도 하나와 대응하는 곳에 위치하여, 세척펌프(50)로부터 유동 된 세척수가 복수의 분사노즐(34, 36, 38) 중 적어도 하나를 향해 분사될 수 있다.
본 실시예에 따른 유로절환모터는 회전력을 발생하여 회전판을 단계적으로 회전시킨다. 유로절환모터는 입력펄 스 신호로 여자상태가 변화할 때마다 일정한 각도만큼 나아가고, 여자상태가 변화하지 않으면 일정 위치를 유지하여 정지하는 스텝모터(Step motor)인 것이 바람직하다.
세척펌프(50)를 통해 섬프(26)에서 배출된 세척수는 펌프관(48)을 거쳐 유로절환부(40)로 이동한다. 유로절환부(40)는 섬프에서 유입된 세척수를 제1관(42) 내지 제3관(46) 각각 또는 적어도 2개의 관에 세척수를 공급할 수 있다.
상부노즐(36)은 상부랙(30)의 하측에 위치할 수 있다. 상부노즐(36)은 세척수의 분사 시 세척수의 반발력에 의해 회전될 수 있도록 상기 제2관(44)에 회전 가능하게 결합됨이 바람직하다.
탑노즐(34)은 상부랙(30)보다 높은 위치에 배치된다. 탑노즐(34)은 터브(24)의 상측에 배치된다. 탑노즐(34)은 제3관(46)으로부터 세척수를 공급받 상부랙(30)과 하부랙(32)으로 세척수를 분사한다.
본 실시예에서 분사노즐(34, 36, 38)은 세척수가 저장되는 섬프(26)로부터 세척수를 공급받아 분사시키도록 구성되나, 본 실시예와 달리 급수모듈(60)을 통해 직접 물을 공급받도록 구성하여도 무방하다.
급수모듈(60)은 외부로부터 물을 공급받아 섬프(26)에 공급하도록 구성되며, 급수밸브(65)를 개폐하여 외부의 물을 섬프(26) 내부로 공급한다. 본 실시예에서는 필터어셈블리(70)를 거쳐 섬프(26)에 물이 공급되도록 구성된다. 배수모듈은 섬프(26)에 저장된 세척수를 외부로 배출시키기 위한 것으로서, 배수유로(64) 및 배수펌프(66)로 구성된다.
필터어셈블리(70)는 세척수 중에 포함된 음식물 찌꺼기 등의 이물질을 걸러내기 위한 것으로서, 터브(24)에서 섬프(26)로 유입되는 세척수의 유동 경로 상에 배치된다.
이를 위해, 섬프(26)에는 필터어셈블리(70)가 설치되는 필터장착부(62)가 형성될 수 있고, 필터장착부와 섬프(26) 내부를 연결시키는 필터유로가 배치될 수 있다.
섬프(26)는 히터(56)에 의해 생성된 스팀을 터브(24) 내부로 분출시키는 스팀노즐(58)과 스팀유로를 통해 연결되고, 스팀유로에는 스팀을 단속시키는 밸브(미도시)가 설치될 수 있고, 밸브를 통해 터브(24)로 분사되는 스팀을 단속할 있으며, 경우에 따라 스팀의 양을 조절할 수도 있다.
여기서 섬프(26) 내에서 생성된 스팀은 스팀노즐이 아닌 필터유로 및 필터장착부(62)를 통해서 터브(24) 내부로 공급될 수도 있다. 섬프(26)는 스팀유로 및 필터유로를 통해 터브(24)와 양방향으로 연결될 수 있다.
본 실시예에 따른 식기세척기는 터브 내의 수위를 감지하는 수위감지부를 포함할 수 있다. 본 실시예에 따른 수위 감지부는 터브(24) 내의 수위를 감지하기 위한 플로터(76, 도 14참조)가 내부에 장착되고, 플로터(76)의 상승 높이를 감지하여 수위를 감지하는 수위 김지 센서(미도시)를 포함할 수 있다.
도 14를 참조하여, 식기세척기 내부구성의 전기적 제어와, 식기세척기 내부에서의 공기의 흐름과 물과 거품의 흐름을 설명한다.
본 실시예에 따른 식기세척기는 사용자가 식기세척기의 기능을 선택 및 제어할 수 있게 하는 컨트롤 패널(control panel)(미도시)이 설치되고, 상기 컨트롤 패널 내부에는 식기세척기의 작동을 위한 회로와 각종 전기 소자가 실장된 인쇄회로기판(Printed Circuit Board, ' PCB'라 함)을 포함하는 제어부(78)가 구비된다.
PCB는 식기세척기 내부의 구성과 전기적으로 연결되어 있으며, 제어부(78)는 PCB를 통해 식기세척기 내부의 구성을 제어할 수 있다. 제어부(78)는 급수밸브(65)를 개폐하여 터브(24) 내부로 세척수를 공급할 수 있다. 제어부(78)는 히터(56)를 작동시켜 섬프(26) 내에 저장된 세척수를 가열할 수 있다. 제어부(78)는 세척펌프(50)를 작동시켜, 섬프(26) 내에 저장된 세척수를 터브(24) 내부에서 순환시킬 수 있다. 제어부(78)는 유로절환부(40)를 조절하여, 세척펌프(50)에서 공급되는 세척수를 분사노즐 중 적어도 하나로 공급할 수 있다. 제어부(78)는 유로절환모터를 구동시켜 회전판의 위치를 조절할 수 있다. 제어부(78)는 급수밸브(65)를 개폐하여 섬프(26) 내로 물을 공급할 수 있다. 제어부(78)는 배수펌프(68)를 작동시켜 터브(24) 내의 세척수를 배수할 수 있다. 제어부(78)는 도어(22)를 개폐하거나 도어(22)의 개방여부를 감지할 수 있다. 제어부(78)는 디스펜서(72)를 개방하여 터브(24) 내부로 세제를 투입할 수 있다. 제어부(78)는 플로터(76)의 상승 높이를 감지하여 터브(24) 내의 수위를 감지할 수 있다.
도 14를 참조하면, 세제는 사용자에 의해 디스펜서(72)로 투입될 수 있고, 디스펜서(72)에 저장된 세제는 식기세척기의 세척과정에서 터브(24) 내부로 유입되어 세척수와 섞이게 된다.
도 14를 참조하면, 급수밸브(65)가 개방되면, 섬프(26)로 외부로부터 세척수가이 유입된다. 세척수는 세척펌프(50)에 의해 터브(24) 내를 순환할 수 있으며, 배수펌프(68)의 작동으로 식기세척기 외부로 배출된다. 터브(24) 내부를 순환하는 세척수는 수위감지부를 거치며, 수위감지센서 또는 플로터(76)를 통해 세척수가 섬프 내부에서 저장공간을 초과하는 지 등을 파악할 수 있다.
여기서, 세척수란 외부로부터 급수되는 물, 세척과정에서 세제와 섞인 세척수 및 헹굼과정에서 사용되는 헹굼수를 포함하는 개념을 사용한다.
도 14를 참조하면, 세척과정에서 터브 내에 과다한 거품이 발생하는 경우, 터브와 도어의 틈을 통해 외부로 누수될 수 있으며, 공기는 터브에 형성된 에어가이드홀을 통해 유동할 수 있다.
도 15는 본 발명의 또 다른 실시 예에 따른, 식기 세척기를 설명하기 위한 블록도이다.
도 15에 따른 식기 세척기(1500)에는, 도 13 및 14에서 설명된 식기 세척기의 구성 및 기능이 적용될 수 있다.
식기 세척기(1500)는 센싱부(1510), 통신부(1520), 입력 인터페이스(1530), 메모리(1540), 출력 인터페이스(1550) 및 프로세서(1560)를 포함할 수 있다.
센싱부(1510)는 온도 센서(1511), 탁도 센서(1512), 잔량 감지 센서(1513), 개폐 센서(1514), 전압 센서(1515), 전류 센서(1516), 유량 센서(1517) 및 압력 센서(1518) 중 적어도 하나를 포함할 수 있다.
온도 센서(1511)는 하나 이상의 온도 센싱 모듈을 포함하고, 식기 세척기 내부의 온도를 감지할 수 있다.
예를 들어 온도 센서(1511)는 터브, 급수 호스, 배수 호스 등의 온도를 감지할 수 있다.
탁도 센서(1512)는 하나 이상의 탁도 센싱 모듈을 포함하고, 세척수의 탁도를 감지할 수 있다.
잔량 감지 센서(1513)는 하나 이상의 잔량 감지 모듈을 포함하고, 세제, 소금 등의 잔량을 감지할 수 있다.
개폐 센서(1514)는 캐비닛 내부를 개폐시키는 도어의 개폐를 감지할 수 있다.
전압 센서(1515)는 하나 이상의 전압 감지 모듈을 포함하고, 식기 세척기 내부의 다양한 위치에서 저 전압을 감지할 수 있다.
전류 센서(1516)는 하나 이상의 전류 감지 모듈을 포함하고, 식기 세척기 내부의 다양한 위치에서 저 전류를 감지할 수 있다.
*
*유량 센서(1517)는 하나 이상의 유량 감지 모듈을 포함하고, 식기 세척기 내부의 다양한 위치에서 급수되는 세척 수의 양, 배수되는 세척 수의 양을 감지할 수 있다.
압력 센서(1518)는 하나 이상의 수압 감지 모듈을 포함하고, 식기 세척기 내부의 다양한 위치에서 세척수의 분사 레벨, 급수되는 세척 수의 압력, 배수되는 세척 수의 압력을 감지할 수 있다.
한편 통신부(1520)는 유선 또는 무선 통신을 수행하기 위한 통신 회로를 포함하고, 서버(100)와 유선 또는 무선 통신을 수행할 수 있다.
한편 입력 인터페이스(1530)는 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부를 포함할 수 있다.
마이크로폰은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 식기 세척기(1500)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다.
사용자 입력부는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부를 통해 정보가 입력되면, 프로세서(1560)는 입력된 정보에 대응되도록 식기 세척기(1500)의 동작을 제어할 수 있다.
사용자 입력부는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 식기 세척기(1500)의 전?후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
또한 사용자 입력부는 터치 센서를 포함하고, 터치 스크린을 통하여 사용자 입력을 수신할 수 있다.
메모리(1540)는 식기 세척기의 다양한 기능을 지원하는 데이터를 저장할 수 있다.
출력 인터페이스(1550)는, 디스플레이부 및 음향 출력부 중 적어도 하나를 포함하고 정보를 출력할 수 있다.
디스플레이부는 식기 세척기(1500)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부는 식기 세척기(1500)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
음향 출력부는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함하고, 음향을 출력할 수 있다.
프로세서(1560)는 식기 세척기의 전반적인 동작을 제어할 수 있다.
한편 프로세서(1560)는 동작 정보를 획득할 수 있다. 여기서 동작 정보는, 센싱 정보, 입력 정보, 생성 정보 및 행정 정보 중 적어도 하나를 포함할 수 있다.
센싱 정보는 센싱부(1510)에서 감지한 정보로, 예를 들어 온도, 수압, 도어의 개폐 여부, 저 전압 상태, 세제 부족, 소금 부족 등을 포함할 수 있다.
입력 정보는 입력 인터페이스에 의해 수신되는 정보로, 전원 오프, 건조 설정, 에너지 절약 설정, 사용자 설정 코스 등을 포함할 수 있다.
생성 정보는, 센싱 정보 및 입력 정보 중 적어도 하나에 기초하여 프로세서(1560)가 생성한 정보일 수 있다. 예를 들어 프로세서(150)는 탁도 센서에서 감지된 탁도, 급수가 시작되었다는 정보 및 프로세서(150) 내부의 타이머를 이용하여, 급수 시작 후 10초 경과 시점의 탁도에 대한 정보를 생성할 수 있다.
한편 행정 정보는, 식기 세척기에서 진행되는 행정(세척, 헹굼, 건조)이나 단위 행정(배수, 급수, 예비 세척, 본 세척, 가열 세척, 정지)에 대한 정보를 포함할 수 있다.
한편 동작 정보가 획득되면, 프로세서(1560)는 획득된 동작 정보를 서버(100)로 전송할 수 있다.
또한 동작 정보를 이용하여 획득된 불량 발생 원인이 서버(100)로부터 수신되면, 프로세서(1560)는 불량 발생 원인을 출력하도록 출력 인터페이스를 제어할 수 있다.
또한 불량 발생 원인이 사용자의 오 조작에 관련된 경우 프로세서(1560)는 통신부를 통하여 오 조작에 대응하는 사용법을 서버로부터 수신할 수 있다. 이 경우 프로세서(1560)는 오 조작에 대응하는 사용법을 출력하도록 출력 인터페이스를 제어할 수 있다.
또한 프로세서(1560)는 고장 발생 시기에 대한 정보 또는 유지/보수에 대한 정보를 서버로부터 수신할 수 있다. 여기서 고장 발생 시기에 대한 정보 또는 유지/보수에 대한 정보는 불량 발생 원인의 진행도에 기초하여 획득될 수 있다. 그리고 프로세서(1560)는 고장 발생 시기에 대한 정보 또는 유지/보수에 대한 정보를 출력하도록 출력 인터페이스를 제어할 수 있다.
한편 프로세서(1560)는 입력 인터페이스를 통하여 식기 세척기에서 발생한 증상의 입력을 수신할 수 있다. 이 경우 프로세서(1560)는 식기 세척기에서 발생한 증상을 서버에 전송할 수 있다. 또한 프로세서(1560)는 식기 세척기에서 발생한 증상을 이용하여 획득된 불량 발생 원인을 서버로부터 수신할 수 있다.
일례로, 서버(100)의 프로세서(180)는 획득된 불량 발생 원인이 증상에 대응하는 경우, 획득된 불량 발생원인이 옳은(right) 것으로 결정하고, 획득된 불량 발생 원인을 식기 세척기(200)에 전송할 수 있다. 다른 예로, 서버(100)의 프로세서(180)는 트레이닝 된 뉴럴 네트워크의 출력 결과 및 식기 세척기에서 발생한 증상을 이용하여 식기 세척기의 불량 발생 원인을 획득하고, 획득된 불량 발생 원인을 식기 세척기(200)에 전송할 수 있다.
이에 따라 프로세서(1560)는, 식기 세척기에서 발생한 증상을 이용하여 획득된 불량 발생 원인을 서버로부터 수신할 수 있다.
한편 앞선 실시 예에서는, 학습 결과를 이용한 고장 발생 원인의 획득이 서버(100)에서 수행되는 것으로 설명하였다.
다만 이에 한정되지 않으며, 학습 결과를 이용한 고장 발생 원인의 획득은 식기 세척기(1500)에서 수행될 수도 있다.
구체적으로 학습 모델(트레이닝 된 뉴럴 네트워크)은 식기 세척기(1500)에 탑재될 수 있다.
한편 학습 모델(530)(트레이닝 된 뉴럴 네트워크)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구현하는 하나 이상의 명령어는 식기 세척기(1500)의 메모리 (1540)에 저장될 수 있다.
그리고 학습 모델을 구현하는 하나 이상의 명령어가 메모리(1540)에 저장됨에 따라, 학습 모델의 일부를 구성하는 학습 결과, 즉 복수의 불량 발생 원인들 및 복수의 불량 발생 원인들에 각각 대응하는 동작 정보를 이용하여 획득한 학습 결과가 메모리(1540)에 저장될 수 있다.
그리고, 메모리(1540)에 저장되는 학습 결과는 복수의 불량 발생 원인들과 동작 정보 사이의 관계에 상응하는 관계 파라미터를 포함할 수 있다. 또한 관계 파라미터는, 복수의 불량 발생 원인들 및 복수의 불량 발생 원인들에 각각 대응하는 동작 정보를 이용하여 트레이닝 된 뉴럴 네트워크(즉, 식기 세척기(1500)에 탑재된 뉴럴 네트워크)의 모델 파라미터를 의미할 수 있다.
이 경우 프로세서(1560)는 센싱부에서 감지된 센싱 정보, 입력 인터페이스에 의해 수신되는 입력 정보, 센싱 정보 및 입력 정보 중 적어도 하나에 기초하여 생성한 생성 정보 및 행정 정보 중 적어도 하나를 포함하는 동작 정보와 학습 결과를 이용하여 특정 식기 세척기의 불량 발생 원인을 획득하고, 불량 발생 원인을 출력하도록 출력 인터페이스를 제어할 수 있다.
구체적으로 프로세서(1560)는 특정 식기 세척기의 동작 정보를 트레이닝 된 뉴럴 네트워크에 입력하여 특정 식기 세척기의 불량 발생 원인을 획득할 수 있다.
한편 프로세서(1560)는 획득된 불량 발생 원인 및 불량 발생 원인에 대응하는 동작 정보를 서버로 전송할 수 있다.
그리고 획득된 불량 발생 원인이 그른(wrong) 경우, 프로세서(1560)는 획득된 불량 발생 원인 및 동작 정보를 이용하여 업데이트 된 학습 결과를 서버로부터 수신하고, 업데이트 된 학습 결과를 메모리(1540)에 저장할 수 있다.
구체적으로 서버(100)의 프로세서(180)는 식기 세척기로부터 수신된 동작 정보를 메모리(170)에 저장하고 서비스 업체 서버(600)에 불량 발생 원인을 전송할 수 있다.
그리고 불량 발생 원인이 그른(wrong) 경우, 서버(100)의 프로세서(180)는 서비스 업체 서버로부터 서비스 업체에서 결정한 불량 발생 원인을 수신할 수 있다.
이 경우 서버(100)의 프로세서(180)는 서비스 업체에서 결정한 불량 발생 원인에 메모리(170)에 저장된 동작 정보를 레이블링 하여 뉴럴 네트워크에 대한 지도 학습을 수행할 수 있다.
이와 같은 방식으로 서버(100)의 프로세서(180)는, 다양한 식기 세척기 들로부터 수신되는 정보를 이용하여 서버(100)에 탑재되는 학습 모델을 업데이트 할 수 있다. 이 경우 서버(100)에 탑재되는 학습 모델에 포함되는 학습 결과가 업데이트 될 수 있다. 구체적으로 복수의 불량 발생 원인들과 동작 정보 사이의 관계에 상응하는 관계 파라미터가 변경될 수 있다.
한편 서버(100)의 프로세서(180)는 업데이트 된 학습 모델을 식기 세척기(1500)에 전송할 수 있다.
그리고 식기 세척기(1500)의 프로세서(1560)는 획득된 불량 발생 원인 및 동작 정보를 이용하여 업데이트 된 학습 모델을 서버로부터 수신하고, 업데이트 된 학습 모델을 메모리(1540)에 저장할 수 있다. 이에 따라 업데이트 된 학습 결과가 메모리(1540)에 저장될 수 있다.
한편 서버(100)의 동작 및 구성이 대한 설명은 식기 세척기(1500)에 대한 설명과 모순되지 않는 범위에서 식기 세척기(1500)에도 그대로 적용될 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 서버의 제어부(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
200: 식기 세척기

Claims (24)

  1. 하나 이상의 식기 세척기와 통신하는 통신부;
    복수의 불량 발생 원인들 및 상기 복수의 불량 발생 원인들에 각각 대응하는 동작 정보를 이용하여 획득한 학습 결과를 저장하는 메모리; 및
    상기 하나 이상의 식기 세척기 중 특정 식기 세척기로부터 상기 특정 식기 세척기의 동작 정보를 수신하고, 상기 특정 식기 세척기의 동작 정보 및 상기 학습 결과를 이용하여 상기 특정 식기 세척기의 불량 발생 원인을 획득하는 프로세서;를 포함하고,
    상기 학습 결과는,
    상기 복수의 불량 발생 원인들과 상기 동작 정보 사이의 관계에 상응하는 관계 파라미터를 포함하는
    식기 세척기와 통신하는 서버.
  2. 제 1항에 있어서,
    상기 관계 파라미터는,
    상기 복수의 불량 발생 원인들 및 상기 복수의 불량 발생 원인들에 각각 대응하는 동작 정보를 이용하여 트레이닝 된 뉴럴 네트워크의 모델 파라미터이고,
    상기 프로세서는,
    상기 특정 식기 세척기의 동작 정보를 상기 트레이닝 된 뉴럴 네트워크에 입력하여 상기 특정 식기 세척기의 불량 발생 원인을 획득하는
    식기 세척기와 통신하는 서버.
  3. 제 1항에 있어서,
    상기 프로세서는,
    상기 특정 식기 세척기의 불량 발생 원인이 획득된 경우, 상기 특정 식기 세척기의 사용자 측 디바이스에 상기 획득된 불량 발생 원인을 전송하는
    식기 세척기와 통신하는 서버.
  4. 제 1항에 있어서,
    상기 프로세서는,
    상기 특정 식기 세척기의 불량 발생 원인이 사용자의 오 조작에 관련된 경우, 상기 오 조작에 대응하는 사용법을 상기 특정 식기 세척기의 사용자 측 디바이스에 전송하는
    식기 세척기와 통신하는 서버.
  5. 제 1항에 있어서,
    상기 복수의 불량 발생 원인들에 각각 대응하는 동작 정보는,
    불량 발생 원인의 발생 정도에 대응하여 상기 식기 세척기에서 획득된 동작 정보인
    식기 세척기와 통신하는 서버.
  6. 제 5항에 있어서,
    상기 프로세서는,
    상기 특정 식기 세척기의 동작 정보 및 상기 학습 결과를 이용하여, 상기 특정 식기 세척기의 불량 발생 원인의 진행도를 획득하고,
    상기 불량 발생 원인의 진행도에 기초하여 고장 발생 시기에 대한 정보 또는 유지/보수에 대한 정보를 획득하고, 상기 고장 발생 시기에 대한 정보 또는 유지/보수에 대한 정보를 상기 특정 식기 세척기의 사용자 측 디바이스에 전송하는
    식기 세척기와 통신하는 서버.
  7. 제 1항에 있어서,
    상기 복수의 불량 발생 원인들은,
    복수의 증상으로 분류되고,
    상기 프로세서는,
    상기 특정 식기 세척기에서 발생한 증상을 수신하고,
    상기 획득된 불량 발생 원인이 상기 수신된 증상에 대응하는 경우, 상기 획득된 불량 발생원인이 옳은(right) 것으로 결정하고, 상기 획득된 불량 발생 원인을 상기 특정 식기 세척기의 사용자 측 디바이스 또는 서비스 업체 서버에 전송하는
    식기 세척기와 통신하는 서버.
  8. 제 2항에 있어서,
    상기 복수의 불량 발생 원인은,
    복수의 증상으로 분류되고,
    상기 프로세서는,
    상기 특정 식기 세척기의 사용자 측 디바이스로부터, 상기 특정 식기 세척기에서 발생한 증상을 수신하고,
    상기 트레이닝 된 뉴럴 네트워크의 출력 결과 및 상기 특정 식기 세척기에서 발생한 증상을 이용하여 상기 특정 식기 세척기의 불량 발생 원인을 획득하는
    식기 세척기와 통신하는 서버.
  9. 제 1항에 있어서,
    상기 프로세서는,
    서비스 업체 서버에 상기 획득된 불량 발생 원인을 전송하고,
    상기 서비스 업체 서버로부터 상기 획득된 불량 발생 원인에 대한 평가를 수신하고,
    상기 획득된 불량 발생 원인이 그른(wrong) 경우 상기 서비스 업체 서버로부터 수신한 불량 발생 원인 및 상기 특정 식기 세척기의 동작 정보를 이용하여 상기 트레이닝 된 뉴럴 네트워크를 업데이트 하는
    식기 세척기와 통신하는 서버.
  10. 식기 세척기 내부의 온도를 감지하는 온도 센서, 세척수의 탁도를 감지하는 탁도 센서, 소금 또는 세제의 잔량을 감지하는 잔량 감지 센서, 도어의 개폐를 감지하는 개폐 센서, 저 전압을 감지하는 전압 센서, 저 전류를 감지하는 전류 센서, 급수/배수되는 세척수의 양을 감지하는 유량 센서, 및 세척수의 분사 레벨 또는 급수/배수되는 세척수의 압력을 감지하는 압력 센서 중 적어도 하나를 포함하는 센싱부;
    사용자로부터 입력을 수신하는 입력 인터페이스;
    서버와 통신하는 통신부;
    정보를 출력하는 출력 인터페이스; 및
    상기 센싱부, 입력 인터페이스, 통신부 및 출력 인터페이스를 제어하고,
    상기 센싱부에서 감지된 센싱 정보, 상기 입력 인터페이스에 의해 수신되는 입력 정보, 상기 센싱 정보 및 상기 입력 정보 중 적어도 하나에 기초하여 생성한 생성 정보 및 행정 정보 중 적어도 하나를 포함하는 동작 정보를 상기 서버에 전송하고,
    상기 동작 정보를 이용하여 획득된 불량 발생 원인이 상기 서버로부터 수신되면, 상기 불량 발생 원인을 출력하도록 상기 출력 인터페이스를 제어하는 프로세서;를 포함하는
    식기 세척기.
  11. 제 10항에 있어서,
    상기 프로세서는,
    상기 불량 발생 원인이 사용자의 오 조작에 관련된 경우 상기 오 조작에 대응하는 사용법을 상기 서버로부터 수신하고, 상기 오 조작에 대응하는 사용법을 출력하도록 상기 출력 인터페이스를 제어하는
    식기 세척기.
  12. 제 10항에 있어서,
    상기 프로세서는,
    상기 불량 발생 원인의 진행도에 기초하여 획득된 고장 발생 시기에 대한 정보 또는 유지/보수에 대한 정보를 상기 서버로부터 수신하고, 상기 고장 발생 시기에 대한 정보 또는 유지/보수에 대한 정보를 출력하도록 상기 출력 인터페이스를 제어하는
    식기 세척기.
  13. 제 10항에 있어서,
    상기 프로세서는,
    상기 입력 인터페이스를 통하여 상기 식기 세척기에서 발생한 증상에 대한 입력을 수신하고,
    상기 식기 세척기에서 발생한 증상을 상기 서버에 전송하고,
    상기 식기 세척기에서 발생한 증상을 이용하여 획득된 상기 불량 발생 원인을 상기 서버로부터 수신하는
    식기 세척기.
  14. 제 10항에 있어서,
    상기 불량 발생 원인은,
    복수의 불량 발생 원인들 및 상기 복수의 불량 발생 원인들에 각각 대응하는 동작 정보를 이용하여 획득한 학습 결과 및 상기 동작 정보를 이용하여 획득되고,상기 학습 결과는,
    상기 복수의 불량 발생 원인들과 상기 동작 정보 사이의 관계에 상응하는 관계 파라미터를 포함하는
    식기 세척기.
  15. 복수의 불량 발생 원인들 및 상기 복수의 불량 발생 원인들에 각각 대응하는 동작 정보를 이용하여 획득한 학습 결과를 메모리에 저장하는 단계;
    하나 이상의 식기 세척기 중 특정 식기 세척기로부터 상기 특정 식기 세척기의 동작 정보를 수신하는 단계; 및
    상기 특정 식기 세척기의 동작 정보 및 상기 학습 결과를 이용하여 상기 특정 식기 세척기의 불량 발생 원인을 획득하는 단계;를 포함하고, 상기 학습 결과는,
    상기 복수의 불량 발생 원인들과 상기 동작 정보 사이의 관계에 상응하는 관계 파라미터를 포함하는
    식기 세척기의 불량 발생 원인 판단 방법.
  16. 제 15항에 있어서,
    상기 관계 파라미터는,
    상기 복수의 불량 발생 원인들 및 상기 복수의 불량 발생 원인들에 각각 대응하는 동작 정보를 이용하여 트레이닝 된 뉴럴 네트워크의 모델 파라미터이고,
    상기 특정 식기 세척기의 불량 발생 원인을 획득하는 단계는,
    상기 특정 식기 세척기의 동작 정보를 상기 트레이닝 된 뉴럴 네트워크에 입력하여 상기 특정 식기 세척기의 불량 발생 원인을 획득하는 단계를 포함하는
    식기 세척기의 불량 발생 원인 판단 방법.
  17. 제 15항에 있어서,
    상기 특정 식기 세척기의 불량 발생 원인이 획득된 경우, 상기 특정 식기 세척기의 사용자 측 디바이스에 상기 획득된 불량 발생 원인을 전송하는 단계를 더 포함하는
    식기 세척기의 불량 발생 원인 판단 방법.
  18. 제 15항에 있어서,
    상기 특정 식기 세척기의 불량 발생 원인이 사용자의 오 조작에 관련된 경우, 상기 오 조작에 대응하는 사용법을 상기 특정 식기 세척기의 사용자 측 디바이스에 전송하는 단계를 더 포함하는
    식기 세척기의 불량 발생 원인 판단 방법.
  19. 제 15항에 있어서,
    상기 복수의 불량 발생 원인에 각각 대응하는 동작 정보는,
    불량 발생 원인의 발생 정도에 대응하여 상기 식기 세척기에서 획득된 동작 정보인
    식기 세척기의 불량 발생 원인 판단 방법.
  20. 제 19항에 있어서,
    상기 특정 식기 세척기의 불량 발생 원인을 획득하는 단계는,
    상기 특정 식기 세척기의 동작 정보 및 상기 학습 결과를 이용하여, 상기 특정 식기 세척기의 불량 발생 원인의 진행도를 획득하는 단계; 및
    상기 불량 발생 원인의 진행도에 기초하여 고장 발생 시기에 대한 정보 또는 유지/보수에 대한 정보를 획득하고, 상기 고장 발생 시기에 대한 정보 또는 유지/보수에 대한 정보를 상기 특정 식기 세척기의 사용자 측 디바이스에 전송하는 단계를 포함하는
    식기 세척기의 불량 발생 원인 판단 방법.
  21. 제 15항에 있어서,
    상기 복수의 불량 발생 원인은,
    복수의 증상으로 분류되고,
    상기 식기 세척기의 불량 발생 원인 판단 방법은,
    상기 특정 식기 세척기에서 발생한 증상을 수신하는 단계; 및
    상기 획득된 불량 발생 원인이 상기 수신된 증상에 대응하는 경우, 상기 획득된 불량 발생원인이 옳은(right) 것으로 결정하고, 상기 획득된 불량 발생 원인을 상기 특정 식기 세척기의 사용자 측 디바이스 또는 서비스 업체 서버에 전송하는 단계를 더 포함하는
    식기 세척기의 불량 발생 원인 판단 방법.
  22. 제 16항에 있어서,
    상기 복수의 불량 발생 원인은,
    복수의 증상으로 분류되고,
    상기 특정 식기 세척기의 불량 발생 원인을 획득하는 단계는,
    상기 특정 식기 세척기의 사용자 측 디바이스로부터, 상기 특정 식기 세척기에서 발생한 증상을 수신하는 단계; 및
    상기 트레이닝 된 뉴럴 네트워크의 출력 결과 및 상기 특정 식기 세척기에서 발생한 증상을 이용하여 상기 특정 식기 세척기의 불량 발생 원인을 획득하는 단계를 포함하는
    식기 세척기의 불량 발생 원인 판단 방법.
  23. 식기 세척기 내부의 온도를 감지하는 온도 센서, 세척수의 탁도를 감지하는 탁도 센서, 소금 또는 세제의 잔량을 감지하는 잔량 감지 센서, 도어의 개폐를 감지하는 개폐 센서, 저 전압을 감지하는 전압 센서, 저 전류를 감지하는 전류 센서, 급수/배수되는 세척수의 양을 감지하는 유량 센서, 및 세척수의 분사 레벨 또는 급수/배수되는 세척수의 압력을 감지하는 압력 센서 중 적어도 하나를 포함하는 센싱부;
    사용자로부터 입력을 수신하는 입력 인터페이스;
    서버와 통신하는 통신부;
    정보를 출력하는 출력 인터페이스;
    복수의 불량 발생 원인들 및 상기 복수의 불량 발생 원인들에 각각 대응하는 동작 정보를 이용하여 획득한 학습 결과를 저장하는 메모리; 및
    상기 센싱부, 메모리, 입력 인터페이스, 통신부 및 출력 인터페이스를 제어하고,
    ‘상기 센싱부에서 감지된 센싱 정보, 상기 입력 인터페이스에 의해 수신되는 입력 정보, 상기 센싱 정보 및 상기 입력 정보 중 적어도 하나에 기초하여 생성한 생성 정보 및 행정 정보 중 적어도 하나를 포함하는 동작 정보’와 상기 학습 결과를 이용하여 상기 특정 식기 세척기의 불량 발생 원인을 획득하고, 상기 불량 발생 원인을 출력하도록 상기 출력 인터페이스를 제어하는 프로세서;를 포함하고,
    상기 학습 결과는,
    상기 복수의 불량 발생 원인들과 상기 동작 정보 사이의 관계에 상응하는 관계 파라미터를 포함하는
    식기 세척기.
  24. 제 23항에 있어서,
    상기 프로세서는,
    상기 획득된 불량 발생 원인 및 상기 획득된 불량 발생 원인에 대응하는 동작 정보를 서버로 전송하고,
    상기 획득된 불량 발생 원인이 그른(wrong) 경우, 상기 획득된 불량 발생 원인 및 상기 획득된 불량 발생 원인에 대응하는 동작 정보를 이용하여 업데이트 된 학습 결과를 수신하고, 상기 업데이트 된 학습 결과를 상기 메모리에 저장하는
    식기 세척기.
KR1020190095453A 2019-02-01 2019-08-06 식기 세척기와 통신하는 서버 KR20190099151A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
WOPCT/KR2019/001454 2019-02-01
PCT/KR2019/001454 WO2019139461A2 (ko) 2019-02-01 2019-02-01 식기 세척기와 통신하는 서버

Publications (1)

Publication Number Publication Date
KR20190099151A true KR20190099151A (ko) 2019-08-26

Family

ID=67219116

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190095453A KR20190099151A (ko) 2019-02-01 2019-08-06 식기 세척기와 통신하는 서버

Country Status (4)

Country Link
US (1) US11663445B2 (ko)
EP (1) EP3920125A4 (ko)
KR (1) KR20190099151A (ko)
WO (1) WO2019139461A2 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110811461A (zh) * 2019-10-30 2020-02-21 佛山市百斯特电器科技有限公司 一种清洗模式的确定方法及系统
KR102119076B1 (ko) * 2019-10-14 2020-06-04 주식회사 탑소닉 인공지능에 기반하여 기능 제어를 수행하는 식기 세척기
WO2024071779A1 (ko) * 2022-09-26 2024-04-04 엘지전자 주식회사 컵세척기 제어방법

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019111848B4 (de) * 2019-05-07 2023-12-21 Illinois Tool Works Inc. System zur optischen Spülguterkennung bei Spülmaschinen, Verfahren zur optischen Spülguterkennung, Spülmaschine mit einem optischen Spülguterkennungssystem sowie Verfahren zum Betreiben einer solchen Spülmaschine
WO2021006405A1 (ko) * 2019-07-11 2021-01-14 엘지전자 주식회사 인공지능 서버
CN111329420B (zh) * 2020-04-14 2024-06-21 佛山市顺德区美的洗涤电器制造有限公司 洗碗机数据处理方法、装置及其设备
CN112869678A (zh) * 2021-03-09 2021-06-01 上海明略人工智能(集团)有限公司 用于确定洗碗机清洗参数的方法及装置、系统
US20230038034A1 (en) * 2021-08-05 2023-02-09 Haier Us Appliance Solutions, Inc. System and method for cloud-based fault code diagnostics

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU4733601A (en) 2000-03-10 2001-09-24 Cyrano Sciences Inc Control for an industrial process using one or more multidimensional variables
KR20060034108A (ko) 2004-10-18 2006-04-21 삼성전자주식회사 식기세척기 및 식기세척기의 펌프고장 감지방법
WO2012005512A2 (ko) 2010-07-06 2012-01-12 엘지전자 주식회사 가전기기 진단장치
KR20160006832A (ko) * 2014-07-09 2016-01-20 삼성전자주식회사 가전기기 관리 시스템 및 관리 방법
DE102016101790A1 (de) * 2016-02-02 2017-08-03 Illinois Tool Works Inc. System
KR101860015B1 (ko) * 2016-09-13 2018-05-21 주식회사 코이노 에러 예측 기반 사전 서비스 제공을 위한 IoT 기기 관리장치
KR101750760B1 (ko) * 2016-11-24 2017-07-11 (주)유엠로직스 스마트 홈 서비스의 비정상 행위 탐지 시스템 및 그 방법
GB2560032A (en) * 2017-02-28 2018-08-29 Green Running Ltd An appliance operation signal processing system and method
KR102557678B1 (ko) * 2017-08-31 2023-07-20 삼성전자주식회사 서버, 가전 기기 및 이의 정보 제공 방법
US10324467B1 (en) * 2017-12-29 2019-06-18 Apex Artificial Intelligence Industries, Inc. Controller systems and methods of limiting the operation of neural networks to be within one or more conditions
CN108111360B (zh) * 2018-01-23 2022-01-11 北京红岸水滴科技发展有限公司 用于商用洗碗机的自动诊断和数据监控系统
CN108852239A (zh) 2018-06-28 2018-11-23 北京金山安全软件有限公司 一种洗碗机及其改造升级方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102119076B1 (ko) * 2019-10-14 2020-06-04 주식회사 탑소닉 인공지능에 기반하여 기능 제어를 수행하는 식기 세척기
CN110811461A (zh) * 2019-10-30 2020-02-21 佛山市百斯特电器科技有限公司 一种清洗模式的确定方法及系统
CN110811461B (zh) * 2019-10-30 2022-02-15 佛山市百斯特电器科技有限公司 一种清洗模式的确定方法及系统
WO2024071779A1 (ko) * 2022-09-26 2024-04-04 엘지전자 주식회사 컵세척기 제어방법

Also Published As

Publication number Publication date
EP3920125A4 (en) 2022-08-17
WO2019139461A2 (ko) 2019-07-18
US20200034688A1 (en) 2020-01-30
WO2019139461A3 (ko) 2019-12-12
EP3920125A2 (en) 2021-12-08
US11663445B2 (en) 2023-05-30

Similar Documents

Publication Publication Date Title
KR20190099151A (ko) 식기 세척기와 통신하는 서버
US11149376B2 (en) Washing machine for adjusting operation based on injected detergent and method for controlling the same
US20220183531A1 (en) Artificial intelligence dishwasher and dishwashing method using the same
US11539546B2 (en) Home appliances and method for controlling home appliances
CN111334972B (zh) 洗涤调度装置及其方法
US11189284B2 (en) Apparatus for communicating with voice recognition device, apparatus with voice recognition capability and controlling method thereof
KR102639900B1 (ko) 공기 조화기
US10962663B2 (en) Method, apparatus and system of detecting foreign objects in laundry machine
KR102119076B1 (ko) 인공지능에 기반하여 기능 제어를 수행하는 식기 세척기
CN111379119B (zh) 洗涤物处理装置及其洗涤程序确定方法
US11739458B2 (en) Artificial intelligence washing machine and operation method thereof
US11634849B2 (en) Home appliance and method for controlling home appliance
US11264016B2 (en) Noise manageable electronic device and control method thereof
CN111334982B (zh) 洗涤物处理装置及其操作方法
KR20220024579A (ko) 인공지능 서버
US20210333763A1 (en) Ai apparatus and operation method thereof
KR20190099153A (ko) 전자 장치
KR20200085491A (ko) 신경망 기반 센서 이상 감지를 위한 서비스 제공 시스템 및 방법, 그리고 컴퓨터 프로그램이 기록된 비휘발성 기록매체
US10853701B2 (en) Filling device
US11261554B2 (en) Washing apparatus and control method thereof
US20210103811A1 (en) Apparatus and method for suggesting action item based on speech
US11795597B2 (en) Washing apparatus capable of adjusting operation based on additional laundry and method of controlling the same
Stenudd A model for using machine learning in smart environments
KR100788922B1 (ko) 지능형 홈 서비스 제공 방법 및 시스템
KR20210091845A (ko) 식기세척기 및 식기세척기 구동 방법

Legal Events

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