KR20190107624A - 투입되는 세제에 따라 동작을 조정하는 세탁 장치 및 그 제어 방법 - Google Patents

Abstract

본 발명은 5G 통신 네트워크를 통한 사물 인터넷 환경에서 동작할 수 있으며, 기계 학습에 따라 생성되는 신경망 모델을 통해 투입되는 세제 종류 및 세제량을 추정할 수 있는 세탁기 및 세탁기의 제어방법을 제공한다. 본 발명의 실시예에 따른 세탁 장치는, 세탁물이 투입되는 제 1 터브, 제 1 터브에 세탁수를 공급하는 급수부, 세탁수의 제 1 전기전도도 및 제 1 탁도를 감지하기 위한 세제감지 센서부, 및 감지된 정보에 따라 세탁 장치의 세탁 행정을 결정하는 프로세서를 포함할 수 있다.

Description

투입되는 세제에 따라 동작을 조정하는 세탁 장치 및 그 제어 방법{WASHING MACHINE FOR ADJUSTING OPERATION BASED ON INJECTED DETERGENT AND METHOD FOR CONTROLLING THE SAME}

본 발명은 투입되는 세제에 따라 동작을 조정하는 세탁 장치 및 그 제어 방법에 관한 것이다. 보다 상세하게는, 세제감지 센서부를 통해 세탁 장치에 투입되는 세제의 종류 및 양을 추정하여 세탁 장치에서 수행되는 세탁 행정 및 헹굼 행정을 조정하는 세탁 장치 및 이러한 세탁 장치를 제어하는 방법에 관한 것이다.

세탁 장치는 세탁의 대상이 되는 세탁물이 내부에 투입되면 물과 세제를 공급하고 세탁 장치 내부의 동적 부품의 움직임을 이용하여 세탁물의 오염물질을 씻어내는 기능을 수행한다.

세탁이 깨끗하게 이루어지기 위해서는 세탁물의 양 및 세탁 장치의 동작에 따라 적합한 종류의 세제가 적합한 양으로 투입되어야 한다.

그러나, 대부분의 사용자들은 세탁물의 양 및 세탁 장치의 동작에 따른 적합한 세제 종류나 세제량을 정확히 알 수 없으며, 사용습관에 따라 임의의 종류의 세제를 선택하고 임의의 세제량을 투입하게 된다.

이러한 경우, 세탁기가 세제의 종류 및 세제량과 관계 없이 일반적인 세탁 과정을 수행하면, 세탁물의 세정이 효과적으로 이루어지지 않는 문제가 발생할 수 있다.

이와 관련하여, 미국공개특허공보 제2008-0256723호는 "세제의 입력량을 가이드하는 세척기와 세제 입력량을 가이드하기 위한 방법"에 관한 발명으로, 세탁기에 투입되는 옷의 양을 감지하고 감지된 옷의 양에 따라 적합한 세제의 양을 결정하여 입력되어야할 세제량을 디스플레이를 통해 가이드하는 방법 및 가이드하는 장치를 개시한다.

상술된 발명에서는 디스플레이에 옷의 양 및 세제의 양을 표시하여 사용자가 적합한 양의 세제를 투입할 수 있도록 보조할 수는 있으나, 세제의 양이 더 많이 들어가거나 더 적게 들어가게 되는 경우에도 세탁기는 이를 감지하지 못하고 동일한 세정 동작을 수행하게 된다는 한계가 있다.

일본공개특허공보 제2014-210123호는 "세탁기"에 관한 발명으로, 세탁기의 외조 내에 급수된 액체의 온도 및 전기 전기전도도를 검출하고, 이 검출 결과에 기초하여 판단되는 세제의 종류나 물의 온도에 따라 세제 용해 공정의 시간, 헹굼 시간 또는 헹굼 횟수를 설정하여 전체의 운전 시간을 단축할 수 있는 세탁기를 개시한다.

상술된 발명은 세제 종류를 판단할 수 있는 정보가 전기전도도 센서로부터 획득된 정보 밖에 없으므로 세제 종류의 오분류 가능성이 매우 크고, 세제가 없는 경우와 액체 세제가 투입된 경우를 구분하지 못하고, 액체 세제가 다량 투입되는 경우에는 분말세제로 판단하게 되는 등의 한계가 있다.

또한, 상술된 발명에서는 센서로부터 획득된 센서 데이터를 전송할 때 아날로그 신호로 전달하여 제품 주변의 노이즈로 인해 신호의 외란이 발생할 수 있는 한계가 있다.

한편, 미국특허공개공보 제2018-0171529호는 "플로큘레이션 세탁기의 제어 방법 및 세탁기"에 관한 발명으로, 세탁기에 투입되는 물의 양과 자동 세제 투입기에 의해 투입되는 세제의 양을 감지하여 세제의 농도를 구하고, 세제의 농도에 따라 플로큘레이션 회전 수와 각각의 플로큘레이션 회전에 대응하는 플로큘런트의 도즈(dose)양을 결정하는 세탁기 제어 방법을 제공한다.

상술된 발명은 투입된 세제의 양에 따라 세탁기의 동작을 조정하는 방식을 채택하고 있으나, 자동 세제 투입기를 사용하여 실제 투입되는 세제량이 자동으로 조절되고 감지될 수 있는 경우에만 적용될 수 있다는 한계가 있다.

위와 같은 한계들을 극복하기 위해, 사용자가 직접 세제를 선정하여 투입하는 경우에도 보다 정확하게 세제의 종류 및 세제의 양을 감지하고, 이에 따라 세탁기의 동작을 조정할 수 있도록 하는 해결책이 제공될 필요가 있다.

한편, 전술한 선행기술은 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.

본 발명의 실시예는 종래의 세탁기를 사용하는 사용자가 너무 많은 양 또는 너무 적은 양의 세제를 투입하거나, 잘못된 종류의 세제를 투입하여 적절한 세탁이 이루어지지 않게 되는 되는 문제점을 해결하고자 한다.

또한, 본 발명의 실시예는 종래의 기술에서 세탁기의 종류 및 세탁물의 양에 따라 필요한 세제의 양을 정확하게 알 수 없어 세제가 과다 또는 과소 투입된 경우에도 동일한 방식으로 세탁기의 운전이 이루어져 세탁이 적절히 이루어지지 않는 문제점을 해결하고자 한다.

또한, 본 발명의 실시예는 종래의 기술에서 전기전도도 값만을 이용함으로 인해 세탁기에 투입되는 세제의 종류를 정확히 판단하지 못하는 문제점을 해결하고자 한다.

또한, 본 발명의 실시예는 종래의 기술에서 세탁기 내의 센서가 아날로그 신호를 전송함으로써 외란된 신호를 제공할 수 있다는 문제점을 해결하고자 한다.

또한, 본 발명의 실시예는 종래의 기술에서 투입된 세제가 헹굼 동작을 통해서 완전히 헹구어졌는지 확인하지 못하고, 완전히 헹구기 위해 얼마만큼의 헹굼 동작이 이루어져야 하는지 알 수 없는 문제점을 해결하고자 한다.

또한, 본 발명의 실시예는 종래의 기술에서 세탁기를 사용하는 사용자가 자신의 세제 사용 형태 및 세탁기 운행 형태에서의 문제점을 인지하지 못한다는 점을 해결하고자 한다.

본 발명의 일 실시예는 세탁수의 전기전도도 및 탁도를 감지하고, 이를 기초로 세탁수에 투입된 세제 종류 및 세제량을 판단하여 적합한 세탁기의 운전 방식을 결정할 수 있게 하는 투입되는 세제에 따라 세탁 동작을 조정하는 세탁 장치를 제공할 수 있다.

또한, 본 발명의 일 실시예에서 세탁수의 전기전도도 및 탁도는 세탁수의 온도에 따라 보정될 수 있다.

본 발명의 다른 실시예는 세탁물의 양을 감지하는 무게 센서를 더 포함하여, 세탁수의 전기전도도 및 탁도를 통해 추정되는 세제 종류 및 세제량에 더하여 무게 센서를 통해 감지된 세탁물의 양도 추가적으로 고려하여 세탁 동작을 조정하는 세탁 장치를 제공할 수 있다.

본 발명의 또 다른 실시예에 따른 세탁 장치는 세탁수의 전기전도도 및 탁도에 기초하여 판단된 세제 종류에 따라 서로 다른 헹굼 행정을 결정하고, 헹굼수의 전기전도도 및 탁도에 따라 추정되는 헹굼수의 상태에 따라 헹굼 행정을 조정하도록 구성될 수 있다.

본 발명의 일 실시예에 따른 투입되는 세제에 따라 동작을 조절하는 세탁 장치는, 세탁물이 투입되는 제 1 터브, 제 1 터브에 물을 공급하는 급수부, 제 1 터브에 공급된 세탁수의 제 1 전기전도도 및 제 1 탁도를 감지하기 위한 세제감지 센서부, 및 세탁 장치의 세탁 행정을 결정하는 프로세서를 포함할 수 있다.

여기서, 프로세서는 감지된 제 1 전기전도도 및 제 1 탁도에 기초하여 세탁수에 투입된 세제 종류 및 세제량을 판단하고, 판단된 세제 종류 및 세제량에 기초하여 세탁 행정을 결정하도록 구성될 수 있다.

또한, 세제감지 센서부는 세탁수의 제 1 온도를 감지하고, 감지된 제 1 온도에 따라 제 1 전기전도도 및 제 1 탁도를 보정하도록 추가로 구성되고, 프로세서는, 제 1 온도에 따라 보정된 제 1 전기전도도 및 제 1 온도에 따라 보정된 제 1 탁도에 기초하여 세탁수에 투입된 세제 종류 및 세제량을 판단하도록 추가로 구성될 수 있다.

본 발명의 다른 실시예에 따른 세탁 장치는, 제 1 터브에 투입되는 세탁물의 양을 감지하는 무게 센서를 더 포함하고, 프로세서는, 판단된 세제 종류 및 세제량에 더하여 세탁물의 양을 추가로 고려하여 세탁 행정을 결정하도록 구성될 수 있다.

여기서, 프로세서는, 판단된 세제량이 임계값 미만인 경우, 세제 추가 투입을 요청하는 신호를 생성하도록 추가로 구성될 수 있고, 임계값은 무게 센서에 의해 감지된 세탁물의 양에 기초하여 변동될 수 있다.

본 발명의 또 다른 실시예에 따른 세탁 장치는, 제 1 터브를 수용하는 제 2 터브를 더 포함하고, 제 1 터브는 회전가능하도록 제 2 터브에 결합되고, 제 1 터브는 표면에 개구부를 가지며, 세제감지 센서부는, 제 2 터브 내의 세탁수에 접촉하도록 제 2 터브에 결합될 수 있다.

여기서, 프로세서는, 감지된 제 1 전기전도도 및 제 1 탁도를 제 1 신경망 모델에 적용하여 세탁수에 투입된 세제 종류 및 세제량의 추정값을 출력하도록 추가로 구성되고, 제 1 신경망 모델은 세탁수에서 측정된 전기전도도 및 탁도와, 해당 세탁수에 투입된 세제 종류 및 세제량을 레이블로 포함하는 훈련 데이터를 이용하여 미리 훈련된 신경망 모델일 수 있다.

본 발명의 또 다른 실시예에 따른 세탁 장치의 프로세서는, 세탁 행정이 완료된 후, 판단된 세제 종류가 액체 세제인지 아닌지에 따라 헹굼 행정을 결정하도록 추가로 구성될 수 있다.

여기서, 세제감지 센서부는, 헹굼 행정 중 제 2 터브 내 헹굼수의 제 2 전기전도도 및 제 2 탁도를 감지하고, 프로세서는, 제 2 전기전도도 및 제 2 탁도에 기초하여 헹굼수의 상태를 추정하고, 추정된 헹굼수의 상태에 기초하여 헹굼 행정을 조정하도록 추가로 구성될 수 있다.

또한, 세제감지 센서부는, 조정된 헹굼 행정을 수행하는 중 헹굼수의 제 3 전기전도도 및 제 3 탁도를 감지하고, 프로세서는, 제 2 전기전도도와 제 3 전기전도도 사이의 차이 및 제 2 탁도와 제 3 탁도 사이의 차이에 기초하여 헹굼 성능을 판단하도록 추가로 구성될 수 있다.

또한, 프로세서는, 판단된 헹굼 성능에 따라 헹굼 행정이 완료된 후 예상되는 헹굼 정도를 예상하고, 예상되는 헹굼 정도에 대한 정보를 사용자 단말로 전송하며, 예상되는 헹굼 정도에 대한 정보에 대응하여 사용자 단말로부터 수신되는 신호에 따라 헹굼 행정을 수정하도록 추가로 구성될 수 있다.

본 발명의 일 실시예에 따른 투입되는 세제에 따라 세탁 장치를 제어하는 방법은, 세탁 장치의 제 1 터브에 투입된 세탁물의 양을 감지하는 단계, 제 1 터브에 세탁수를 공급하는 단계, 세탁수의 제 1 전기전도도 및 제 1 탁도를 감지하는 단계, 제 1 전기전도도 및 제 1 탁도에 기초하여 세탁수에 투입된 세제 종류 및 세제량을 판단하는 단계, 및 판단된 세제 종류 및 세제량과 감지된 세탁물의 양에 기초하여 세탁 행정을 결정하는 단계를 포함할 수 있다.

본 발명의 다른 실시예에 따른 세탁 장치 제어 방법은 세탁수의 제 1 온도를 감지하는 단계, 감지된 제 1 온도에 따라 제 1 전기전도도 및 제 1 탁도를 보정하는 단계를 더 포함하고, 판단하는 단계는, 제 1 온도에 따라 보정된 제 1 전기전도도 및 제 1 온도에 따라 보정된 제 1 탁도에 기초하여 세탁수에 투입된 세제 종류 및 세제량을 판단하는 단계를 포함할 수 있다.

본 발명의 다른 실시예에 따른 판단하는 단계에서 판단된 세제량이 임계값 미만인 경우, 세제 추가 투입을 요청하는 신호를 생성하는 단계를 더 포함하고, 임계값은 세탁물의 양에 기초하여 변동할 수 있다.

여기서, 세제 종류 및 세제량을 판단하는 단계는, 감지된 제 1 전기전도도 및 제 1 탁도를 제 1 신경망 모델에 적용하여 세탁수에 투입된 세제 종류 및 세제량의 추정값을 출력하는 단계를 포함하고, 제 1 신경망 모델은 세탁수에서 측정된 전기전도도 및 탁도와, 해당 세탁수에 투입된 세제 종류 및 세제량을 레이블로 포함하는 훈련 데이터를 이용하여 미리 훈련된 신경망 모델일 수 있다.

본 발명의 또 다른 실시예에 따른 세탁 장치 제어 방법은 세탁 행정을 결정하는 단계 이후에, 배수를 수행하는 단계, 및 세제 종류 및 세제량을 판단하는 단계에서 판단된 세제 종류가 액체 세제인지 아닌지에 따라 헹굼 행정을 결정하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 실시예에 따른 세탁 장치 제어 방법은, 헹굼 행정을 결정하는 단계 이후에, 제 1 터브 내에 헹굼수를 공급하는 단계, 헹굼 행정 중 헹굼수의 제 2 전기전도도 및 제 2 탁도를 감지하는 단계, 제 2 전기전도도 및 제 2 탁도에 기초하여 헹굼수의 상태를 추정하는 단계, 추정된 헹굼수의 상태에 기초하여 헹굼 행정을 조정하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 실시예에 따른 세탁 장치 제어 방법은, 헹굼 행정을 조정하는 단계 이후에, 조정된 헹굼 행정을 수행하는 중 헹굼수의 제 3 전기전도도 및 제 3 탁도를 감지하는 단계, 제 3 전기전도도 및 제 3 탁도에 기초하여 헹굼 성능을 판단하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 실시예에 따른 세탁 장치 제어 방법은, 헹굼 성능을 판단하는 단계 이후에, 판단된 헹굼 성능에 따라 헹굼 행정이 완료된 후 예상되는 헹굼 정도를 예상하는 단계, 예상된 헹굼 정도에 대한 정보를 사용자 단말로 전송하는 단계, 및 예상된 헹굼 정도에 대한 정보에 대응하여 사용자 단말로부터 수신되는 신호에 따라 헹굼 행정을 수정하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 실시예에 따른 세탁 장치 제어 방법은, 세탁 행정, 헹굼 행정 및 탈수 행정을 수행하면서 동작한 세탁 장치 운전 정보를 축적하는 단계, 및 축적된 세탁 장치 운전 정보에 기초하여 세제량 또는 세제 종류 중 적어도 하나에 관련된 제안을 출력하는 단계를 더 포함할 수 있다.

여기서, 세탁 장치 운전 정보는 각 행정에서의 세탁 장치 동작 시간, 세탁수에 투입된 세제량 및 세제 종류, 세탁물의 양 중 하나 이상을 포함할 수 있다.

또한, 본 발명의 일 실시예에 따른 세탁 장치를 제어하기 위한 컴퓨터 판독 가능 기록매체는 상술된 방법 중 어느 하나의 방법을 실행시키기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체일 수 있다.

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

본 발명의 실시예에 따르면 세탁 장치를 사용하는 사용자가 너무 많은 양 또는 너무 적은 양의 세제를 투입하거나, 잘못된 종류의 세제를 투입하여도, 이를 감지하여 적절한 세탁이 이루어지도록 할 수 있는 세탁 장치 및 세탁 장치 제어 방법을 제공할 수 있다.

또한, 본 발명의 실시예에 따른 세탁 장치는 세제가 과다 또는 과소 투입된 경우에 세제의 양을 감지하여 세탁기의 운전이 변경되도록 하여 효과적인 세탁이 이루어지도록 할 수 있다.

또한, 본 발명의 실시예에 따른 세탁 장치는 세제감지 센서부를 통해 세탁수 및 헹굼수에서 전기전도도, 탁도 및 온도를 감지하고 이를 통해 세제 종류 및 세제량을 감지하여 세탁 장치가 적합한 세탁 행정 및 헹굼 행정을 운영할 수 있도록 한다.

또한, 본 발명의 실시예에 따른 세탁 장치는 세탁 장치 내의 센서에서 감지되는 아날로그 신호를 디지털 신호로 변경하여 전송함으로써 보다 정확한 신호를 세탁기 프로세서로 제공할 수 있다.

또한, 본 발명의 실시예에 따른 세탁 장치는 세탁수에 투입된 세제 종류 및 세제량을 판단하여 투입된 세제 종류가 액체 세제인 경우와 분말 세제인 경우 헹굼 방식이 달라지도록하여 효과적인 헹굼이 이루어질 수 있도록 한다.

또한, 본 발명의 실시예에 따른 세탁 장치는 헹굼 행정 중 헹굼수에 남은 세제 종류 및 세제량을 감지하고 이에 기초하여 헹굼 시간 및 헹굼 동작을 조정하여 효과적인 헹굼이 수행될 수 있도록 한다.

또한, 본 발명의 실시예에 따른 세탁 장치는 세탁 장치를 사용하는 사용자의 세제 사용 형태 및 세탁기 운행 형태를 분석하여 사용자가 고쳐야할 부분을 제안할 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 실시예에 따라 세탁기, 사용자 단말, 인공지능 스피커, 및 외부 서버가 서로 연결되는 시스템 환경의 예시도이다.
도 2는 본 발명의 일 실시예에 따른 투입되는 세제에 따라 동작을 조정하는 세탁기의 단면도를 도시한다.
도 3은 본 발명의 일 실시예에 따른 세탁기 내부에 배치되는 세제감지 센서부와 세탁기 외조와의 결합관계를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 세탁기 내부에 배치되는 세제감지 센서부를 설명하기 위한 도면이다.
도 5 내지 7은 본 발명의 일 실시예에 따른 세탁기에서 액체의 종류에 따라 감지되는 신호를 설명하기 위한 도면이다.
도 8은 세제 종류 별로 나타나는 탁도와 전기전도도를 각각 NTU(Nepthelometric Turbidity Unit)와 ppm(parts per million) 단위로 나타내는 그래프이다.
도 9는 본 발명의 일 실시예에 따른 세탁 종류 및 세제량을 추정하기 위한 신경망 모델을 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 세탁기의 운전을 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 세탁기의 세탁 행정을 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따른 세탁기의 헹굼 행정 및 탈수 행정을 설명하기 위한 도면이다.
도 13은 본 발명의 일 실시예에 따른 세탁기의 운전 중 변화하는 모터 속도 및 수위 주파수를 설명하기 위한 도면이다.
도 14는 본 발명의 일 실시예에 따른 세탁기에서 액체 세제를 투입하는 경우 운전 중 변화하는 모터 속도 및 수위 주파수를 설명하기 위한 도면이다.
도 15는 본 발명의 일 실시예에 따른 세탁기의 헹굼 행정 중에 사용자 단말로 헹굼 예상 정보를 전달하고 사용자 피드백을 수신하는 과정을 설명하기 위한 도면이다.
도 16은 본 발명의 일 실시예에 따른 세탁기의 운전이 완료된 후 사용자에게 전달되는 세탁 리포팅 화면의 일 예를 도시한다.
도 17은 본 발명의 일 실시예에 따른 세탁기에 의해 생성된 데이터가 분석되고 사용되는 환경을 설명하기 위한 도면이다.
도 18은 본 발명의 일 실시예에 따른 세탁기를 통한 운전시간 단축 효과를 설명하기 위한 도면이다.
도 19는 본 발명의 일 실싱예에 따른 세탁기를 통한 소비전력 절감 효과를 설명하기 위한 도면이다.

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 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

아울러, 본 발명의 실시예에 따른 세탁 장치는, 세탁기, 식기 세척기, 산업용 세척기 등을 포함할 수 있으나, 이하에서는 설명의 편의를 위해 가정에서 주로 사용되는 세탁기를 예시로 본 발명의 실시예들을 설명한다.

도 1은 본 발명의 일 실시예에 따라 세탁기, 사용자 단말, 인공지능 스피커, 및 외부 서버가 서로 연결되는 시스템 환경의 예시도이다.

도 1에서 도시된 바와 같이, 본 발명의 일 실시예에 따른 세탁기(100)는, 세탁기(100)와 통신할 수 있는 사용자 단말(300), 외부 서버(200), 인공지능 스피커(400), 및 이들을 서로 연결하는 네트워크(500)를 포함하는 구동 환경에서 동작할 수 있다.

세탁기(100)는 통신부, 입력부, 세제감지 센서부를 포함하는 센싱부, 디스플레이를 포함하는 출력부, 메모리를 포함하는 저장부, 전원 공급부, 세탁조 등 세탁에 필요한 물리적인 장치들을 포함하는 세탁부, 및 세탁기 MCU를 포함하는 제어부 등을 포함할 수 있다.

세탁기(100)의 제어부는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치, 예를 들어 MCU를 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.

세탁기(100)의 통신부는 유선 또는 무선 네트워크(500)를 통해 외부 서버(200)로 세제감지 센서부가 수신한 값 또는 세탁기의 동작과 연관된 각종 정보를 전송할 수 있고, 외부 서버(200)는 세탁 세제에 대한 정보 및 각종 세탁정보를 세탁기(100), 사용자 단말(300) 및 인공지능 스피커(400)에 송신할 수 있다.

세탁기(100)의 통신부는 네트워크(500)와 연동하여 인공지능 스피커(400), 사용자 단말(300) 및/또는 외부 서버(200) 간의 송수신 신호를 패킷 데이터 형태로 제공하는데 필요한 통신 인터페이스를 제공할 수 있다.

또한, 세탁기(100)의 통신부는 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.

세탁기(100)는 사물 인터넷을 위해 연결된 5G 환경에서 빅데이터, 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 이용하여 세제 정보를 추출하고 최적의 세탁 운전 방식을 결정할 수 있다.

인공지능 스피커(400)는 사용자의 음성 명령을 인식하여 세탁기(100), 외부 서버(200), 및 사용자 단말(300) 중 하나에 전달할 수 있고, 세탁기(100), 외부 서버(200), 및 사용자 단말(300) 중 하나로부터 정보를 수신하여 해당 정보를 음성으로 사용자에게 전달할 수도 있다.

도 1에서는 예시적으로 인공지능 스피커(400)가 표시되었지만, 실제 사용 환경에서는 인공지능 스피커 이외에도 인공지능 TV, 인공지능 냉장고 등 기타 음성을 인식할 수 있는 커뮤니케이션 장치가 될 수 있으며, 사용자는 이러한 기기들을 통해 음성으로 명령을 전달하거나 음성으로 응답을 받을 수 있다.

본 발명의 일 실시예에서 사용자 단말(300)은 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 단말, 디지털방송용 단말, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다.

또한, 사용자 단말(300)은 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말일 수 있다. 사용자 단말(300)은 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말는 제한 없이 차용될 수 있다.

한편, 도 1에서는 스마트폰으로 예시된 사용자 단말(300)과 인공지능 스피커(400)가 별도로 표시되었으나, 일반적으로 사용자 단말이라고 하면 사용자와 상호작용하는 인공지능 스피커를 포함할 수도 있다.

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

한편, 외부 서버(200)에는 각종 정보처리를 위한 인공신경망(artificial neural network)이 탑재될 수 있으나, 이러한 인공신경망은 세탁기(100)에 자체적으로 탑재될 수도 있다.

도 2는 본 발명의 일 실시예에 따른 투입되는 세제에 따라 동작을 조정하는 세탁기의 단면도를 도시한다.

세탁기(100)는 외관을 형성하는 캐비닛(102), 세탁을 위한 세탁수를 공급하는 급수부(110), 캐비닛(102)의 내부에 배치되어 세탁물이 투입되는 제 1 터브(120), 세탁수의 물리적 성질을 감지하기 위한 세제감지 센서부(130), 제 1 터브(120)를 수용하는 제 2 터브(140), 및 제 1 터브(120)를 회전시키는 모터(160)를 포함할 수 있다.

캐비닛(102)은 전면부, 측면부, 후면부, 상면부, 하면부를 가지고 세탁기(100)의 외관을 형성하며, 제 1 터브(120)로의 투입구를 개폐하는 도어(103)가 전면부에 형성될 수 있다.

또한, 캐비닛(102)의 전면 상단에는 컨트롤 패널(114)이 배치될 수 있다. 컨트롤 패널(114)에는 세탁기(100)의 동작을 조작하기 위한 다수의 버튼이 구비될 수 있으며, 세탁기(100)의 동작 상태를 표시하기 위한 디스플레이를 포함할 수 있다.

세탁수를 공급하는 급수부(110)는 급수 파이프(113)와 세제 서랍(115)을 포함할 수 있다. 세제 서랍(115)은 컨트롤 패널(114)의 측방에 구비되며, 세제가 저장되는 부분과 전면으로 노출되는 부분이 일체로 형성되어 있을 수 있으며, 전면으로 노출되는 부분이 손잡이가 되어 사용자가 세제 서랍(115)을 개폐할 수 있다.

급수 파이프(113)를 통해 공급되는 물은 세제 서랍(115)을 지나면서 세제와 섞여서 세탁수가 되고, 세탁수는 제 2 터브(140)를 지나 세탁물이 담긴 제 1 터브(120)로 공급될 수 있다. 제 1 터브(120)에서 세탁을 수행하는데 사용된 세탁수, 헹굼을 수행하는데 사용된 헹굼수는 배수배관(152)을 통해 세탁기(100) 밖으로 배출될 수 있다.

제 1 터브(120)는 제 2 터브(140)에 회전가능하도록 결합되며, 제 1 터브(120)의 표면에는 개구부가 있어 제 2 터브(140)에 공급되는 액체가 제 1 터브(120)로 흘러들어갈 수 있고, 제 1 터브(120) 내의 액체가 제 2 터브(140)로 흘러나올 수도 있다.

여기서는 드럼 세탁기를 예시로 하여, 제 1 터브(120)는 드럼일 수 있고, 제 2 터브(140)는 드럼을 수용하는 외부 터브일 수 있다. 다른 실시예에서는, 제 1 터브(120)는 내조로, 제 2 터브(140)는 외조로 지칭될 수도 있다.

제 1 터브(120) 내부에는 세탁물이 제 1 터브(120)과 함께 회전될 수 있도록 세탁물이 걸리도록 설치된 리프터(121)가 복수개 설치될 수 있다. 세탁물들은 리프터(121)에 걸려 드럼(120)과 함께 회전할 수 있다.

모터(160)는 회전축(161)을 통해 제 1 터브(120)와 결합되고, 모터의 회전에 따라 제 1 터브(120)를 회전시킬 수 있다.

또한, 도 2에서 도시되지는 않았으나, 세탁기(100) 내에는 제 1 터브(120)에 투입된 세탁물의 양을 감지하기 위한 무게 센서가 배치될 수 있다. 무게 센서는 제 1 터브(120)의 무게 변화를 감지하여 투입된 세탁물의 양을 감지할 수 있도록 제 1 터브(120)의 중량을 감지하도록 배치될 수 있다.

한편, 무게 센서는 제 1 터브(120)의 중량을 감지하는 것이 아니라 제 1 터브(120)를 회전시키는 모터에 구동 신호가 입력된 후 모터가 정상 rpm에 도달하는데 걸리는 시간에 따라 제 1 터브에 투입된 세탁물의 무게를 결정하는 방식을 사용할 수도 있다.

도 3은 본 발명의 일 실시예에 따른 세탁기 내부에 배치되는 세제감지 센서부와 세탁기 외조와의 결합관계를 설명하기 위한 도면이다.

세탁기(100)는 일반적으로 드럼 내에 세탁물 및 세탁수를 투입하여 세탁을 시작하고, 세탁기(100)는 세탁물이 투입되는 움직이는 내조, 제 1 터브(120)와 내조를 감싸고 있는 외조, 제 2 터브(140)로 구성된다. 여기서, 제 1 터브(120)는 제 2 터브(140)에 회전가능하도록 결합될 수 있고, 제 1 터브(120)의 표면에는 통수(通水) 홀로 기능하는 개구부가 형성될 수 있다. 제 1 터브(120)로 공급되는 물은 제 1 터브(120)에 형성된 다수 개의 통수 홀을 통해 제 2 터브(140)로 유출된다.

본 발명의 일 실시예에 따른 투입되는 세제에 기초하여 동작을 조정하는 세탁기(100)는 제 2 터브(140)에 결합된 세제감지 센서부(130)를 포함할 수 있다. 세제감지 센서부(130)는 제 2 터브(140) 내에 물이 닿는 곳에 장착될 수 있다.

일 실시 예에서, 세제감지 센서부(130)는 물이 가장 오랫동안 머무르다 배수되는 제 2 터브(140)의 바닥 부근에 위치될 수 있다. 또한, 세제감지 센서부(130)는 회전하는 제 1 터브(120)가 아닌 고정되어 있는 제 2 터브(140)에 결합됨으로써, 보다 안전하게 안정적으로 동작할 수 있다. 세제감지 센서부(130)는 제 2 터브(140)에 탈부착 구조로 장착될 수 있고, 이에 따라 부품 교체시 용이하게 이루어질 수 있다.

세제감지 센서부(130)는 제 2 터브(140)를 관통하여 제 2 터브(140) 내의 세탁수에 접촉하고, 세탁수의 물리적 성질, 예를 들어, 세탁수의 전기전도도, 탁도 및 온도 등을 감지할 수 있다.

제 1 터브(120) 내의 액체가 제 2 터브(140)로 흘러나오도록 제 1 터브(120)와 제 2 터브(140)는 유체연동가능하도록 연결되어 있고, 세제감지 센서부(130)는 제 2 터브(140)에 결합되어 제 2 터브(140) 내 액체의 물리적 성질을 감지할 수 있으므로, 세제감지 센서부(130)는 제 1 터브(120) 내의 세탁수 및 헹굼수의 물리적 성질 또는 헹굼수의 상태를 감지할 수 있다.

세탁기(100)의 센싱부는 세탁기의 운전을 결정하는데 필요한 요소들을 감지하기 위한 센서들을 포함하고, 본 발명에서는 특별한 언급이 없는 한 세탁수 또는 헹굼수의 물리적 성질을 감지하는 세제감지 센서부(130)를 의미한다.

세제감지 센서부(130)는 사용자 가정에 세탁기(100)가 설치될 때 세탁기 작동 유무 및 설치상태를 점검하기 위해 세제 및 세탁물 없이 급수, 배수, 탈수 행정을 행할 때 측정된 세제감지 센서부의 초기값, 및 사용자가 세탁 및 헹굼 행정을 행할 때 최종헹굼에서 센싱된 값을 센서 MCU(132)를 통해 세탁기 프로세서로 전송하고, 세탁기 프로세서는 세제감지 센서부(130)의 초기값 및 최종헹굼 세제감지 센서부 값을 참조 값으로서 저장부에 저장할 수 있다.

본 발명의 일 실시예에서, 세탁기(100)는 세제감지 센서부(130)로부터의 디지털 신호를 수신하여 세탁조의 오염도를 결정하는 세탁기 프로세서를 포함할 수 있다. 프로세서는 세탁기(100)의 세탁 행정, 헹굼 행정, 탈수 행정을 포함한 전반적인 세탁기 운전을 제어할 수 있다.

프로세서는 세제감지 센서부(130)에 의해 감지된 세탁수의 전기전도도, 탁도 및 온도에 기초하여 세탁수에 투입된 세제 종류 및 세제량을 판단할 수 있고, 판단된 세제 종류 및 세제량에 기초하여 세탁기의 운전 방식을 결정할 수 있다.

세제감지 센서부(130)의 보다 상세한 구성은 이하의 도 4에서 보다 자세히 설명된다.

도 4는 본 발명의 일 실시예에 따른 세탁기 내부에 배치되는 세제감지 센서부를 설명하기 위한 도면이다.

도 4는 세제감지 센서부(130)의 (a) 센서 MCU(132), (b) 광 센서(134), (c) 온도 센서(136), 및 (d) 전기전도도 센서(137)를 보다 상세히 각각 보여줄 수 있다.

세제감지 센서부(130)는 세탁수의 탁도를 감지하기 위해 빛의 투과도를 감지하는 광 센서(134), 세탁수의 온도를 감지하는 온도 센서(136), 세탁수의 전기전도도를 감지하는 전기전도도 센서(137) 및 온도에 따라 전기전도도 값 및 투과도 값을 보정하는 보정 알고리즘을 포함하는 센서 MCU(132)를 포함할 수 있다.

세제감지 센서부(130)는 전기전도도, 탁도, 온도를 감지할 수 있는 센서들과 센서들로부터 감지된 신호를 보정하고 디지털 신호로 변경할 수 있는 센서 MCU를 모두 포함하여 하나의 모듈로 통합시킨 유닛일 수 있다.

세제감지 센서부(130)는 자체적으로 센서 MCU(132)를 포함하고, 센서 MCU(132)를 통해 센서들에서 감지된 아날로그 신호가 디지털 신호로 변환할 수 있고, 아날로그 신호가 아닌 디지털 신호를 세탁기의 프로세서로 전달할 수 있다. 이에 따라, 센서로부터의 아날로그 신호가 전송되며 발생할 수 있는 신호의 외란이 방지될 수 있다.

광 센서(134)는 빛을 발산하는 LED(134a) 및 LED(134a)에서 발산된 빛을 감지하는 포토트랜지스터(134b)를 포함한다. 제 2 터브(140)에 세탁수가 채워진 상태에서 광 센서(134)의 LED(134a)로부터 발산된 빛은 세탁수를 통과하여 포토트랜지스터(134b)로 전달되고, 포토트랜지스터(134b)에 의해 수신된 광 신호에 따라 세탁수의 탁도가 결정될 수 있다.

광 센서(134)는 빛의 투과 정도를 감지하기 때문에, 빛의 투과도와 반대되는 개념이 탁도로 표시될 수도 있다. 액체에서 빛의 투과도가 높으면 탁도는 낮아지고, 반대로 투과도가 낮으면 탁도는 높아진다.

액체 내에 부유물이 많으면 탁도가 높아지므로, 광 센서를 통해서 측정된 탁도에 의해 세탁수에 함유된 세제의 양과 종류에 대한 추정이 가능하게 된다. 다만, 동일한 양의 부유물이 존재하더라도 액체의 온도에 따라 탁도가 달라질 수 있으므로, 정확한 추정을 위해서, 측정된 탁도는 온도에 의해 보정될 필요가 있을 수 있다.

전기전도도 센서(137)는 두 전극에 일정한 전압을 가하고 흐르는 전류의 크기를 감지하여 세탁수의 전기전도도를 측정할 수 있다. 전기전도도 센서(137)는 전극센서라고도 지칭될 수 있다. 전기전도도는 물 속에 이온의 존재, 이온들의 총 농도에 의해 영향을 받으므로, 세탁수에 용해된 물질의 양을 나타낼 수 있다.

따라서, 세탁수의 전기전도도에 따라 세탁수에 용해된 세제의 양 또는 세제의 종류를 추정할 수 있다. 다만, 용액의 전기전도도는 용해된 물질 이외에도 용액의 온도에 의해 영향을 받으므로, 정확한 추정을 위해서, 측정된 전기전도도는 온도에 의해 보정될 필요가 있을 수 있다.

온도 센서(136)는 액체의 온도를 측정하기 위한 것으로, 세탁수의 온도에 대한 정보는 세탁 행정의 제어를 위해 사용될 뿐만 아니라, 위에서 언급된 바와 같이 세제량 및 세제의 종류를 보다 정확히 추정하도록 전기전도도 및 탁도 값을 보정하기 위해 사용될 수도 있다.

세제감지 센서부(130)는 상술된 바와 같이 온도 센서(136)에 의해 측정된 온도 값에 따라 광 센서(134)에 의해 측정된 탁도 및 전기전도도 센서(137)로부터 측정된 전기전도도를 보정할 수 있다.

즉, 세제감지 센서부(130)는 측정된 탁도 및 전기전도도 값 자체가 아닌 표준 온도의 경우에 측정될 탁도 및 전기전도도 값을 세탁기 프로세서로 전달할 수 있고, 이에 따라 세탁기 프로세서는 온도에 영향을 받지 않고 보다 정확하게 세제량 및 세제 종류를 추정할 수 있다.

또한, 세제감지 센서부(130)에 포함된 센서 MCU(132)는 ADC(Analog to Digital Converter) 포트를 구비할 수 있고, 광 센서(134), 온도 센서(136), 및 전기전도도 센서(137)로부터 측정된 신호를 수신하여 디지털 신호화할 수 있다.

세탁기 프로세서로 데이터를 전달할 때 전기전도도 값, 투과도 값, 및 온도가 아날로그 신호로 전달되면, 제품 주변의 노이즈로 인해 외란된 신호가 전달될 가능성이 있고, 이에 따라 감도 오차(Sensitivity Error) 및 온도 보정 오차가 발생할 수 있다.

반면, 본 발명의 실시예에 따른 세제감지 센서부(130)는 전기전도도 센서(137), 광 센서(134), 온도 센서(136) 및 센서 MCU(132)를 포함하고, 이들을 하나의 모듈로 통합하였다. 이에 따라, 센서로 측정된 아날로그 신호를 디지털 신호로 변환하고 세제 감지에 필요한 전기전도도 값 및 투과도 값들에 대해 바로 온도 보정을 한 다음 온도 보정된 디지털 값을 출력하도록 구성될 수 있다.

따라서, 세제감지 센서부(130)는 온도 보정된 디지털 데이터인 세제감지 센서부 값을 세탁기 프로세서에 전송함으로써, 기존의 센서들에서 아날로그 신호를 세탁기 제어부로 보낼 때와 비교하여, 감도 오차 및 온도 보정 오차를 줄일 수 있으며, 감지값의 정확성을 높일 수 있다.

도 5 내지 7은 본 발명의 일 실시예에 따른 세탁기에서 액체의 종류에 따라 감지되는 신호를 설명하기 위한 도면이다.

도 5의 (a)는 세제를 넣지 않은 무세제의 경우에 세탁 행정이 진행되는 동안 모터의 움직임(R_RPM)과, 감지되는 전기전도도(전극센서Raw) 및 보정된 전기전도도(전극센서Wash)를 보여준다.

도 5의 (b)는 세제를 넣지 않은 무세제의 경우에 세탁 행정이 진행되는 동안 모터의 움직임(R_RPM)과, 감지되는 탁도(탁도센서Raw) 및 보정된 탁도(탁도센서Wash)를 보여준다.

무세제의 경우에는, 도 5에서 도시된 바와 같이 세탁 행정이 시작된 후에도 보정된 전기전도도와 보정된 탁도가 크게 변하지 않는 것을 볼 수 있다. 무세제의 경우에 획득된 데이터는 사용자가 세제를 넣지 않을 것을 확인할 때와 헹굼 진행시 헹굼이 완료되었는지를 판단하는 기준으로 사용될 수 있다.

도 6의 (a)는 분말 세제를 넣은 경우에 세탁 행정이 진행되는 동안 모터의 움직임(R_RPM)과, 감지되는 전기전도도(전극센서Raw) 및 보정된 전기전도도(전극센서Wash)를 보여준다.

도 6의 (b)는 분말 세제를 넣은 경우에 세탁 행정이 진행되는 동안 모터의 움직임(R_RPM)과, 감지되는 탁도(탁도센서Raw) 및 보정된 탁도(탁도센서Wash)를 보여준다.

분말 세제의 경우에는, 도 6에서 도시된 바와 같이 세탁 행정이 시작된 후에 보정된 전기전도도 값은 큰 변화를 가지고(ADC Value가 크게 낮아짐)와 보정된 탁도는 크게 변하지 않는 것을 볼 수 있다.

도 7의 (a)는 액체 세제를 넣은 경우에 세탁 행정이 진행되는 동안 모터의 움직임(R_RPM)과, 감지되는 전기전도도(전극센서RAW) 및 보정된 전기전도도(전극센서Wash)를 보여준다.

도 7의 (b)는 액체 세제를 넣은 경우에 세탁 행정이 진행되는 동안 모터의 움직임(R_RPM)과, 감지되는 탁도(탁도센서Raw) 및 보정된 탁도(탁도센서Wash)를 보여준다.

액체 세제의 경우에는, 도 7에서 도시된 바와 같이 세탁 행정이 시작된 후에 보정된 전기전도도는 크게 변하지 않지만 보정된 탁도가 크게 변하는 것(ADC Value가 크게 낮아짐)을 볼 수 있다.

즉, 전기전도도 값과 탁도 값이 변화되는 것에 따라 세탁수의 상태가 세제가 투입되지 않은 상태인지, 분말 세제가 투입된 상태인지, 또는 액체 세제가 투입된 상태인지 추정할 수 있다.

도 8은 세제 종류 별로 나타나는 탁도와 전기전도도를 각각 NTU(Nepthelometric Turbidity Unit)와 ppm(parts per million) 단위로 나타내는 그래프이다.

도 8의 그래프에서는 디시젼 트리(Decision Tree) 기반으로 세제 종류를 구분한 것을 보여주며, 무세제 영역의 경우 헹굼 진행 시 헹굼이 완료되는 기준이 될 있다.

무세제의 경우에는 일반적으로 낮은 탁도와 낮은 전기전도도 값을 보이는 것을 알 수 있다. 액체 세제의 경우에는 상대적으로 낮은 전기전도도와 높은 탁도 값을 보이며, 분말 세제의 경우에는 상대적으로 높은 전기전도도와 낮은 탁도 값을 보이는 것을 알 수 있다.

액체 세제는 계면활성제 성분을 많이 포함하고 있어서 세탁기 운전 중에 다량의 거품이 발생하게 되고, 이에 따라서 액체 세제의 경우에는 분말 세제보다 상대적으로 높은 탁도 값이 관측되게 된다.

도 8에서와 같은 디시젼 트리 기반으로 위와 같이 세제 종류별로 일정한 경향성을 보이는 것은 파악될 수 있으나, 해당 알고리즘으로 세제를 구분하게 되면 구분의 경계선 영역(붉은선)에서 오분류가 이루어질 가능성이 높다. 또한, 세탁수에 투입된 세제 종류별로 세제량을 구분하기 어렵다.

도 9는 본 발명의 일 실시예에 따른 세탁 종류 및 세제량을 추정하기 위한 신경망 모델을 설명하기 위한 도면이다.

세탁수에 투입된 세제의 종류와 세제량을 보다 정밀하게 판단하기 위해서 인공지능 기술 중 심층 신경망 모델이 이용될 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 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 대한 가중 합으로부터 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 하나 이상의 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 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.

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. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 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, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 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, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.

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 모두 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 8에서 설명된 바와 같이 디시젼 트리를 통해 판단할 경우, 무세제, 분말 세제, 및 액체 세제의 경계선에 위치한 조건은 오분류가 될 확률이 매우 높다. 그러나, 도 9에서와 같은 딥러닝 알고리즘에서 각 센서 값과 센서 값이 변해가는 패턴을 학습시키면 보다 정확하게 세탁수에 투입된 세제의 종류 및 세제량을 추정할 수 있다.

본 발명의 실시예에서 사용되기 위한 심층 신경망 모델을 생성하기 위해서는 다양한 방식이 존재할 수 있으나, 지도 학습의 경우에는 사전 작업으로서 아래와 같은 훈련 과정이 수행될 수 있다.

세탁수에 투입된 세제 종류 및 세제량을 추정할 수 있는 신경망 모델을 생성하기 위해, 세탁기 제조자 또는 학습 모델 생성자는 세탁수에 다양한 종류와 양의 세제를 투입한 후 세탁기가 운전되는 동안 측정되는 전기전도도 및 탁도 데이터를 기록한다. 또한, 기록된 데이터마다 해당 조건에 투입된 세제 종류와 세제량을 레이블로 표시한다. 이를 통해, 세탁수에서 측정된 전기전도도 및 탁도와 해당 세탁수에 투입된 세제 종류 및 세제량을 레이블로 포함하는 훈련 데이터가 준비될 수 있다.

위와 같이 준비된 훈련 데이터에 의해 신경망 모델이 훈련될 수 있고, 훈련의 결과로 세탁수의 전기전도도 및 탁도에 따라 세탁수에 투입된 세제 종류 및 세제량을 추정할 수 있는 심층 신경망 모델이 획득될 수 있다.

한편, 훈련 단계에서 사용되는 데이터는 온도 데이터를 추가로 포함할 수 있고, 이러한 데이터에 따라 훈련된 신경망 모델은 세탁수의 전기전도도, 탁도 및 온도에 따라 세탁수에 투입된 세제 종류 및 세제량을 추정할 수 있다.

또한, 세탁수의 물리적 성질에 관한 다른 종류의 데이터가 추가될 수 있고, 이에 따라 다양한 센서를 이용하여 감지된 세탁수의 물리적 성질을 입력 받아, 세탁수에 투입된 세제 종류 및 세제량을 감지하는 모델이 생성될 수 있다.

또 다른 예로서, 신경망 모델은 도 5 내지 7에서 나오는 무세제, 분말 세제 및 액체 세제별로 측정된 전기전도도 및 탁도에 대한 신호 패턴을 훈련 데이터로 하여 트레이닝될 수 있다.

상술된 바와 같이 미리 훈련된 신경망 모델을 통해 세탁수에 투입된 세제의 종류와 세제량을 정확하게 판단하게 되면, 세탁기 프로세서는 판단된 상황에 따라 보다 적합하게 세탁기의 운전을 조절할 수 있다.

도 10은 본 발명의 일 실시예에 따른 세탁기의 전반적인 운전을 설명하기 위해 세탁기의 컨트롤 패널을 도시한다.

사용자는 세탁기(100)의 컨트롤 패널(114)에서 세탁, 헹굼, 탈수 중 하나를 눌러 어떤 행정을 수행할지, 그리고 해당 행정 수행시 어떤 조건으로 세탁이 수행되도록 할지를 수동으로 정할 수도 있다. 다만, 대부분의 사용자는 자신이 세탁하는 환경에서 적절한 행정 조건을 알지 못한다.

따라서, 일반적으로, 세탁기(100)는 미리 설정된 세탁 운전 알고리즘을 가지고 있고, 세탁물이 투입되고 특정 조건들이 선택된 후 세탁 시작 버튼이 눌러지면, 세탁기 프로세서가 세탁물의 양을 감지하고 감지된 세탁량 및 입력되었던 특정 조건들에 따라서 급수량, 세탁 시간, 세탁 모션, 헹굼 시간, 헹굼 방법, 탈수 시간 및 탈수 방법을 계획한다.

세탁기(100)의 운전은 크게 세탁 행정, 헹굼 행정, 탈수 행정으로 나뉠 수 있고, 각각의 단계에 얼마의 시간을 할당할지, 각각의 단계에서 급수 및 배수는 어떻게 수행할지, 각각의 단계에서 드럼의 회전 속도는 어떻게 조절할지가 세탁물의 양, 사용자가 설정한 세탁 목표, 투입된 세탁 세제의 종류 및 세제량 등에 따라 정해지게 된다.

세탁기의 운전에 대한 계획이 정해지면 컨트롤 패널(114)에는 계획에 따른 세부 세탁 조건들(전체 세탁기 운전 시간, 불림 횟수, 애벌 세탁 횟수, 세탁 강도, 헹굼 횟수 등)이 표시될 수 있고, 사용자는 이를 통해 세탁기의 운전 계획을 알 수 있다.

도 11은 본 발명의 일 실시예에 따른 세탁기의 세탁 행정을 설명하기 위한 도면이다.

사용자는 세탁기(100)의 도어(103)를 열고, 제 1 터브(120) 내에 세탁물을 투입한 후, 세제를 투입할 수 있다. 그리고, 컨트롤 패널(114)을 통해 원하는 세탁의 강도를 선택하고, 세탁 시작 버튼을 누를 수 있다(S100).

세탁기(100)는 제 1 터브(120)를 조금씩 구동하면서 무게 센서를 통해 제 1 터브(120)에 투입된 세탁물의 양(포량)을 감지할 수 있다(S110). 감지된 세탁물의 양 및 사용자가 선택한 세탁 옵션에 따라 세탁기 프로세서는 세탁 행정을 결정하여 시작할 수 있다(S120). 여기서 결정되는 세탁 행정은 전체적인 세탁 운전의 계획일 수도 있고, 세탁수에 투입된 세제량 및 세제 종류를 감지하기 전에 임시적으로 결정된 세탁 행정의 일부만일 수 있다.

결정된 세탁 행정에 따라서, 세탁기(100)는 급수 파이프(113)를 통해 물을 공급하고, 세제 서랍(115)에서 물과 세제가 섞여 제 2 터브(140) 내로 세탁수가 공급될 수 있다(S130). 제 2 터브(140)로 공급된 세탁수는 제 1 터브(120) 표면의 개구부들을 통해 제 1 터브(120) 내로 공급될 수 있다.

드럼 세탁기가 아닌 통돌이 세탁기의 경우에는 세탁물이 넣어지는 내조(inside tub) 내로 세탁수가 직접 공급되고, 세탁수가 내조의 개구부를 통해 외조(outside tub)로 공급될 수도 있다.

여기서, 급수부(110)가 제 1 터브(120)에 세탁수를 공급한다는 것은 세탁수가 제 1 터브(120)에 직접 공급된다는 것 뿐만 아니라 제 2 터브(140)를 통해서 제 1 터브(120)로 공급된다는 것도 포함한다는 것이 이해되어야 한다.

세탁수가 공급된 이후에 세제감지 센서부(130)의 감지에 따라 세탁수에 투입된 세제 종류 및 세제량이 추정될 수 있다(S140). 세제감지 센서부(130)는 1차적으로 세탁수의 제 1 전기전도도 및 제 1 탁도를 측정할 수 있다(S143). 측정된 제 1 전기전도도와 제 1 탁도는 상술되었던 머신 러닝의 일종인 신경망 모델에 입력될 수 있다(S145). 제 1 전기전도도와 제 1 탁도를 입력값으로 받은 신경망 모델은 세탁수에 투입된 세제 종류 및 세제량을 판단할 수 있다(S147).

여기서, 세제감지 센서부(130)는 추가적으로 세탁수의 제 1 온도도 감지할 수 있고, 신경망 모델에 입력되는 제 1 전기전도도 및 제 1 탁도를 제 1 온도에 따라 보정할 수 있고, 신경망 모델은 감지된 제 1 온도에 따라서 보정된 제 1 전기전도도 및 보정된 제 1 탁도에 따라 세제 종류 및 세제량을 추정할 수 있다.

여기서, 추정된 세제량이 미리 정해놓은 임계치보다 적은 경우에 세탁기 프로세서는 세제의 추가 투입을 요청하는 신호를 생성하고 세탁기(100)의 디스플레이 또는 통신부를 통해 이러한 요청 신호를 사용자에게 전달할 수 있다.

여기서, 미리 정해놓은 임계치는 세탁물의 무게 구간별로 필요한 세제 종류별 세제량일 수 있고, 임계치는 무게 센서에 의해 감지된 세탁물의 양에 기초하여 변동될 수 있다.

예를 들어, 세탁물의 무게가 8kg인데 상기 신경망 모델을 통해 추정된 분말 세제의 양이 20g이라면 세탁기 프로세서는 미리 가지고 있던 세탁물의 무게 구간별 적합 세제량에 대한 테이블에 기초하여 50g의 세제가 더 투입되어야함을 사용자에게 알릴 수 있다.

만약, 세제가 전혀 투입되지 않은 경우라고 판단된다면, 세탁기 프로세서는 디스플레이 또는 통신부를 통해 사용자에게 세제가 투입되지 않았음을 알리고, 이에 대한 사용자의 피드백이 없으면 세탁 행정의 시간을 단축하여 운전할 수 있다.

세탁기 프로세서는 추정된 세제 종류 및 세제량에 따라 세탁 행정을 가변할 필요가 있는지 판단할 수 있다. 이전에 결정되었던 세탁 행정이 변화될 필요가 없다면 기존 알고리즘대로 세탁이 진행되고(S170), 세탁 행정에 변화가 필요하다고 결정되면 세탁기 프로세서는 세탁 알고리즘을 변화시킬 수 있다(S160)

세탁기 프로세서는 세탁 알고리즘, 세탁 행정을 이전에 결정된 계획으로부터 추정된 세제 종류 및 세제량에 적합하게 세탁이 효율적으로 이루어질 수 있도록 변화시킬 수 있다.

한편, 세탁기 프로세서는 세탁수에 투입된 세제 종류 및 세제량에 더하여 세탁물의 양을 추가로 고려하여 변경될 세탁 행정을 결정할 수 있다.

한편, 도 11에서는 포량 감지 후에 세탁 행정이 1차적으로 결정된 후 감지된 세제 종류 및 세제량에 따라 결정되었던 세탁 행정이 변경되는 것으로 순서도가 설계되었으나, 세탁기 프로세서는 포량 감지 후 특별히 세탁 행정을 결정하지 않고 급수 및 세탁기의 구동을 수행하고, 세탁수의 물리적 성질(전기전도도, 탁도 및 온도)을 감지한 후 감지된 값에 따라 세탁 행정을 최초로 결정할 수도 있다.

한편, 세탁 행정이 종료되기 전에 세탁수의 상태가 추가적으로 감지될 수 있고, 감지된 전기전도도, 탁도 및 온도에 따라 세탁 행정이 추가적으로 변경될 수도 있다. 결정된 세탁 행정에 따라 세탁이 모두 수행되면 세탁 행정은 종료되게 된다(S180).

도 12는 본 발명의 일 실시예에 따른 세탁기의 헹굼 행정 및 탈수 행정을 설명하기 위한 도면이다.

세탁 행정이 모두 종료된 후에 헹굼 행정이 시작될 수 있다(S200). 헹굼 행정을 위해서는 먼저 세제 및 오염물이 녹아 있는 세탁수가 배수되어야 한다(S210). 배수 후에는 세탁 행정 중에 판단된 세제의 종류가 무엇인지에 따라 서로 다른 헹굼 알고리즘이 적용될 수 있다(S220).

액체 세제의 경우에는 엑체 세제 전용의 헹굼 알고리즘이 적용되어야할 수 있고(S221), 이는 급수, 헹굼, 배수, 탈수로 진행되는 과정일 수 있다. 분말 세제의 경우에는 기존 헹굼 알고리즘으로 운전될 수 있고(S225), 이는 탈수, 급수, 헹굼, 배수, 탈수로 진행되는 과정일 수 있다.

헹굼 알고리즘에 따라 헹굼이 수행되는 과정 중에 세제감지 센서부(130)에 의해 헹굼수의 물리적 성질에 대한 측정이 이루어질 수 있다(S230). 세제감지 센서부(130)는 헹굼수의 제 2 전기전도도 및 제 2 탁도를 감지할 수 있고(S231), 감지된 제 2 전기전도도 및 제 2 탁도는 위에서 설명된 머신러닝의 일종인 신경망 모델에 입력될 수 있다(S233).

여기서, 신경망 모델은 헹굼수의 전기전도도 및 탁도에 따라 세탁수에 투입된 세제 종류 및 세제량을 추정하도록 훈련된 심층 신경망 모델일 수 있다. 심층 신경망 모델은 헹굼 행정 중의 행굼수의 세제량을 추정할 수 있다. 세탁기 프로세서는 추정된 세제량에 따라 앞으로 필요한 헹굼 횟수 및 헹굼 모션을 판단할 수 있고, 이에 따라 헹굼 행정을 변화시킬 수 있다.

한편, 심층 신경망 모델에 입력되는 제 2 전기전도도 및 제 2 탁도는 표준화된 값을 위해 온도에 따라 보정된 값일 수 있다.

세탁기 프로세서는 세제감지 센서부(130)를 통해 헹굼 초기 과정에서 제 2 전기전도도 및 제 2 탁도를 측정하여 헹굼수 내의 세제량을 추정하고, 일정 기간동안 헹굼 행정이 수행된 후 세제감지 센서부(130)를 통해 제 3 전기전도도 및 제 3 탁도를 측정하여 헹굼수에 남아 있는 세제량을 추정할 수 있다.

세탁기 프로세서는, 위의 동작에 따라, 헹굼 행정이 일정 기간동안 수행되면서 감소된 세제량을 판단할 수 있고, 세탁기의 헹굼성능에 대해 추정할 수 있다(S235).

다른 방식으로는, 세제감지 센서부(130)를 통해 헹굼 초기 과정에서 제 2 전기전도도 및 제 2 탁도를 측정하고, 일정 기간동안 헹굼 행정이 수행된 후 세제감지 센서부(130)를 통해 제 3 전기전도도 및 제 3 탁도를 측정한 후, 제 2 전기전도도와 제 3 전기전도도 사이의 차이 및 제 2 탁도와 제 3 탁도 사이의 차이에 기초하여 세탁기 프로세서가 세탁기의 헹굼 성능을 판단할 수도 있다.

세탁기 프로세서는 추정된 세탁기의 헹굼성능과 최초에 계획된 헹굼 행정에서 남아 있는 헹굼 동작을 고려하여 헹굼 행정이 완료된 후에 세제가 모두 제거되어 헹굼이 실제적으로 충분히 이루어질 수 있는지 판단할 수 있고, 이에 따라 헹굼 행정의 변화가 필요한지 결정할 수 있다(S240).

기존 헹굼 행정에 따라 남은 세제가 충분히 제거될 수 있을 것으로 판단되면, 헹굼 행정을 그대로 수행한 후 헹굼 행정을 종료하고, 기존 헹굼 행정으로는 남은 세제가 충분히 제거될 수 없다고 판단되면, 헹굼 알고리즘을 변경할 수 있다(S245).

세탁기 프로세서는 추정된 헹굼 성능에 기초하여 헹굼 행정이 완료된 후에 예상되는 헹굼 정도를 결정하고, 통신부를 통해 예상되는 헹굼 정도에 대한 정보를 사용자 단말로 전송할 수 있다.

사용자는 예상되는 헹굼 정도를 보고 헹굼 행정을 더 오래 수행할지 아니면, 계획대로 헹굼 행정이 진행되도 좋을지에 대한 피드백 신호를 사용자 단말을 통해 세탁기로 전송할 수 있다.

세탁기 프로세서는 사용자 단말로부터 수신되는 피드백 신호에 따라 헹굼 행정을 수정하거나 기존 헹굼 행정을 유지할 수 있다.

헹굼 알고리즘이 변경되고 그에 따라 헹굼이 모두 수행되면, 헹굼 행정이 종료될 수 있다(S250). 한편, 헹굼 행정의 완료 전에 헹굼수에 대한 세제량 감지를 재차 수행하여 헹굼을 완료할지 여부를 추가적으로 판단하는 동작이 추가될 수도 있다.

헹굼 행정이 종료된 후에는 탈수 행정이 시작될 수 있다(S260). 탈수 행정 또한 기존에 수행되었던 세탁 행정, 헹굼 행정, 이들 과정 중에 감지되었던 세제 종류 및 세제량 중 적어도 하나에 기초하여 결정될 수 있다.

탈수 행정이 종료(S270)된 후에는, 전체 세탁기 운전 중에 감지되었던 센서 데이터, 심층 신경망에 의해 추정되었던 세제 종류 및 세제량에 관한 정보, 세탁 행정, 헹굼 행정 및 탈수 행정에서 수행되었던 세탁기의 동작에 관한 정보를 세탁 데이터로서 메모리에 저장할 수 있다(S280).

저장된 세탁 데이터는 이후에 해당 세탁기가 다시 운전될 때 세탁 행정, 헹굼 행정, 탈수 행정을 결정하는데 참고자료로 사용될 수 있으며, 외부 서버로 전달되어 다른 세탁기들이 세탁 행정, 헹굼 행정, 탈수 행정을 결정하는데 참고자료로 사용될 수도 있다.

또한, 외부 서버에서는 세탁 데이터에 기록된 값이 정상치에서 벗어나는 경우에 세탁기에 이상이 있는 것으로 판단하여 점검 필요 알람을 사용자에게 전송할 수도 있다.

한편, 세탁기(100)는 세탁 행정, 헹굼 행정 및 탈수 행정을 수행하면서 동작한 세탁기의 운전 정보를 메모리 또는 외부 서버에 축적하고, 축적된 운전 정보에 따라서 세제량이 적정량보다 많이 투입되고 있는지, 적게 투입되고 있는지를 판단하고, 세제 종류가 적합한지에 대해서도 판단할 수 있다.

여기서, 세탁기의 운전 정보는 각 행정에성의 세탁기의 동작 시간, 세탁수에 투입된 세제량 및 세제 종류, 세탁물의 양 중 하나 이상을 포함할 수 있다.

이러한 판단은 세탁기 프로세서에 의해 수행될 수도 있고, 외부 서버에서 수행된 후 세탁기(100)로 전송될 수도 있다. 이와 같은 판단에 따라 세탁기 프로세서는 사용자에게 세제량 또는 세제 종류 중 적어도 하나에 관련된 제안을 출력할 수 있다.

이러한 제안은 사용자의 습관에 따라 세제 종류 및 세제량이 결정되는 것을 방지하고, 사용자의 실제 세탁량에 맞는 세제 종류 및 세제량이 선택되도록 사용자를 가이드할 수 있다.

추가적으로, 세탁기 프로세서는 세탁물의 양에 대한 제안도 할 수 있으며, 세탁물이 너무 많이 투입된다는 경고를 하여 세탁이 보다 효과적으로 이루어지도록 사용자의 세탁 습관을 가이드할 수도 있다.

도 13은 본 발명의 일 실시예에 따른 세탁기의 운전 중 변화하는 모터 속도 및 수위 주파수를 설명하기 위한 도면이다.

도 13에서 rpm 단위로 표시되는 모터 속도는 굵은 선으로 표시되고 khz 단위로 표시되는 수위 주파수는 얇은 선으로 표시된다.

세탁 행정이 수행되는 중 모터 속도는 50~100 rmp 사이로 조정되고, 수위 주파수는 500khz 에서 900khz 사이로 조정된다. 모터 속도는 rpm이 높을 수록 빠르고, 수위 주파수의 khz 값이 높을수록 수위는 낮고, khz 값이 낮을수록 수위가 높다.

세탁 행정 동안에는 세제 종류 및 세제량이 판단되고, 판단된 세제 종류 및 세제량에 기초하여 세탁수의 양, 세탁 시간 및 세탁모션이 변화될 수 있다. 세탁 행정이 종료된 후에는 탈수가 간략하게 수행되고, 헹굼 행정 동안에는 헹굼수에서 감지된 세제량에 따라 헹굼 횟수, 헹굼수량, 헹굼 알고리즘이 변경될 수 있다.

도 14는 본 발명의 일 실시예에 따른 세탁기에서 액체 세제를 투입하는 경우 운전 중 변화하는 모터 속도 및 수위 주파수를 설명하기 위한 도면이다.

도 14의 모터속도를 보면 액체 세제의 경우에는 세탁 행정이 완료된 후 간략한 탈수 과정이 생략된 것을 알 수 있다. 또한, 액체 세제의 경우에는 헹굼의 횟수와 헹굼수의 양, 모터속도가 달라질 수 있다.

액체 세제의 경우에는 계면활성제 성분을 많이 포함하고 있어서 세탁기 운전 중에 다량의 거품이 발생하고, 이렇게 발생된 거품은 쉽게 제거되지 않으며 세탁기 운전 시간을 길게 하는 요인이 되기도 한다.

세제의 종류를 잘못 판단하는 경우 세제 종류에 맞지 않는 세탁기 운전이 이루어지는 경우, 세탁 시간이 길어지고 세탁 효율도 저하될 수 있다. 일반적으로 세탁기 제조사에서는 성능평가기관에서 시험하는 방법에 맞춰 알고리즘을 개발하고 규격기관에서는 분말 세제로 시험을 진행하기 때문에 일반적인 세탁기는 액체 세제의 경우를 고려하지 않고 하나의 알고리즘으로 운전하게 된다.

본 발명의 실시예에 따른 세탁기에서는 세탁수, 헹굼수에서의 전기전도도 이외에 탁도를 감지함으로써, 세탁 초기에 정확하게 세제 종류를 판단하고, 이에 따라 세제량도 정확히 판단하여 가장 효율적인 세탁 운전이 수행될 수 있도록 한다.

또한, 본 발명의 실시예에 다른 세탁기는 액체 세제가 투입되어 거품이 많이 발생하게 되는 경우에는 액체 세제 전용 헹굼 알고리즘이 동작하게 하여 효과적인 헹굼이 수행되도록 한다.

도 15는 본 발명의 일 실시예에 따른 세탁기의 헹굼 행정 중에 사용자 단말로 헹굼 예상 정보를 전달하고 사용자 피드백을 수신하는 과정을 설명하기 위한 도면이다.

도 15의 예시와 같이, 세탁기 프로세서는 헹굼 성능을 예측하는 단계(S235)에서 기존 헹굼 행정으로 진행할 경우의 헹굼 정도가 '나쁨(Bad)'으로 예상하고, 헹굼 정도가 '좋음(Good)'이 되기 위해서 필요한 추가 시간을 15분으로 산정할 수 있다.

세탁기 프로세서는 통신부를 통해 위와 같은 정보를 사용자 단말로 전달할 수 있고, 사용자에게 헹굼 행정에 15분의 헹굼 시간을 추가할지에 대한 확인을 요청할 수 있다.

사용자가 헹굼의 목표 성능을 '좋음'으로 확인하면 세탁기는 이러한 피드백을 통해 헹굼 행정을 조정할 수 있다.

이러한 피드백 과정은 헹굼 행정 조정 뿐만 아니라, 세탁 행정의 조정시에도 이루어질 수 있고, 세제 종류 미 세제량에 대한 조절 제안에 대해서도 이루어질 수 있다.

사용자는 심층 신경망 모델의 판단 결과에 대해 지속적으로 피드백을 줌으로써, 세탁 행정을 조정하기 위한 학습 모델을 보다 정교화할 수 있다.

도 16은 본 발명의 일 실시예에 따른 세탁기의 운전이 완료된 후 사용자에게 전달되는 세탁 리포팅 화면의 일 예를 도시한다.

도 16의 예에 따르면, 세탁 리포팅에서는 세탁량이 7kg이었으며, 세제 투입량이 2컵이었고, 총 세탁시간은 1시간 35분 걸렸으며, 세탁기의 운전 코스에서 헹굼이 1회 추가되었다는 것을 알 수 있다.

또한, 세탁 리포팅에서는 세제량이 정량보다 10% 초과 투입되었으며, 세제의 량을 줄이거나 헹굼을 1회 추가할 것을 제안할 수 있다.

이에 더하여, 세탁 리포팅은 사용자의 세탁 습관에 대한 분석과 함께 이후 세탁 시기 및 세탁 코스를 제안할 수 있다. 또한, 세탁을 수행하면서 소비된 에너지량과 물량을 월별로 보여주어 세탁기 사용에 따른 에너지 소비량 및 물 소비량의 추세를 알려줄 수 있다.

도 17은 본 발명의 일 실시예에 따른 세탁기에 의해 생성된 데이터가 분석되고 사용되는 환경을 설명하기 위한 도면이다.

세탁기에서 생성된 데이터는 외부 서버(200)로 전송될 수 있고, 외부 서버(200) 내에서는 머신 러닝 모델을 통해 데이터를 분석할 수 있다. 머신 러닝 모델 중 하나의 제 1 심층 신경망은 분석된 데이터를 통해 세탁수 또는 헹굼수에 투입된 세제 종류 및 세제량을 추정할 수 있다.

또한, 외부 서버(200)에는 축적된 세탁기의 운전 동작 기록에 따라 적합한 세탁을 위해 추천하는 세제량 및 세탁 운전 방식을 산출하는 제 2 심층 신경망이 더 포함될 수 있다.

외부 서버(200)는 이러한 심층 신경망 모델을 통해 산출된 세탁기의 운전 상태 및 세탁 추천 방식에 대해 사용자 단말(300)로 전달할 수도 있고, E-mail을 통해 알릴 수도 있고, 세탁기(100)의 마이크를 통해 알릴 수도 있으며, 인공지능 스피커(400)를 통해 알릴 수도 있다.

또한, 사용자는 사용자 단말(300), 세탁기(100)로의 응답, 인공지능 스피커(400)에 대한 응답을 통해 세탁기(100)의 동작에 대한 피드백을 제공할 수 있다.

도 18은 본 발명의 일 실시예에 따른 세탁기를 통한 운전시간 단축 효과를 설명하기 위한 도면이다.

도 18에서는 특별히 액체 세제를 투입하는 경우에 세탁 운전시간이 단축되는 효과를 보여준다.

기존 알고리즘에서는 세제 종류 및 세제량을 정확히 판단하지 못해 분말 세제는 60분 걸리는 반면, 액체 세제에도 동일한 세탁 운전 방식을 수행하여 세탁 시간이 89분이 걸리는 것을 알 수 있다. 즉, 기존 알고리즘에서는 액체 세제의 경우에는 운전 시간이 48% 증가하는 문제가 생긴다.

반면에, 본 발명의 실시예에 따른 세탁기는 세제 종류 및 세제량을 정확히 판단하여 액체 세제의 경우에도 운전 시간이 57분으로 개선되는 것을 알 수 있다.

즉, 본 발명의 실시예에 따른 세탁기는 초기에 투입된 세제 종류를 정확히 판단하여 액체 세제 전용 알고리즘에 따라 운전함으로써 효율적인 세탁이 이루어지게 할 수 있다.

도 19는 본 발명의 일 실싱예에 따른 세탁기를 통한 소비전력 절감 효과를 설명하기 위한 도면이다.

기존 알고리즘에서는 세제 종류 및 세제량을 정확히 판단하지 못해 분말 세제는 128wh가 소비되는 반면, 액체 세제에도 동일한 세탁 운전 방식을 수행하여 소비전력이 152wh가 소비되는 것을 알 수 있다. 즉, 기존 알고리즘에서는 액체 세제의 경우에는 소비 전력이 19% 증가하는 문제가 생긴다.

반면에, 본 발명의 실시예에 따른 세탁기는 세제 종류 및 세제량을 정확히 판단하여 액체 세제의 경우에도 소비 전력이 106wh로 개선되는 것을 알 수 있다.

즉, 본 발명의 실시예에 따른 세탁기는 초기에 투입된 세제 종류를 정확히 판단하여 액체 세제 전용 알고리즘에 따라 운전함으로써 효율적인 세탁이 이루어지게 할 수 있다.

상술된 바와 같이, 본 발명의 실시예에 따른 세탁기는 투입된 세제 종류 및 세제량을 정확히 판단하고 그에 따라 적합하게 세탁기를 운전함으로써 세탁 시간 및 세탁 소비 전력 등에 있어서 가장 효과적인 운전을 수행할 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.

Claims (20)

1. 투입되는 세제에 따라 동작을 조절하는 세탁 장치로서,
   세탁물이 투입되는 제 1 터브;
   상기 제 1 터브에 세탁수를 공급하는 급수부;
   상기 세탁수의 제 1 전기전도도 및 제 1 탁도를 감지하기 위한 세제감지 센서부; 및
   상기 세탁 장치의 세탁 행정을 결정하는 프로세서를 포함하고,
   상기 프로세서는,
   감지된 상기 제 1 전기전도도 및 제 1 탁도에 기초하여 상기 세탁수에 투입된 세제 종류 및 세제량을 판단하고, 판단된 상기 세제 종류 및 세제량에 기초하여 세탁 행정을 결정하도록 구성되는,
   세탁 장치.
   
2. 제 1 항에 있어서,
   상기 세제감지 센서부는 상기 세탁수의 제 1 온도를 감지하고, 감지된 상기 제 1 온도에 따라 상기 제 1 전기전도도 및 상기 제 1 탁도를 보정하도록 추가로 구성되고,
   상기 프로세서는,
   상기 제 1 온도에 따라 보정된 제 1 전기전도도 및 상기 제 1 온도에 따라 보정된 제 1 탁도에 기초하여 상기 세탁수에 투입된 세제 종류 및 세제량을 판단하도록 추가로 구성되는,
   세탁 장치.
   
3. 제 1 항에 있어서,
   상기 제 1 터브에 투입되는 세탁물의 양을 감지하는 무게 센서를 더 포함하고,
   상기 프로세서는,
   판단된 상기 세제 종류 및 세제량에 더하여 상기 세탁물의 양을 추가로 고려하여 세탁 행정을 결정하도록 구성되는,
   세탁 장치.
   
4. 제 3 항에 있어서,
   상기 프로세서는,
   판단된 상기 세제량이 임계값 미만인 경우, 세제 추가 투입을 요청하는 신호를 생성하도록 구성되고,
   상기 임계값은 상기 무게 센서에 의해 감지된 세탁물의 양에 기초하여 변동하는,
   세탁 장치.
   
5. 제 1 항에 있어서,
   상기 제 1 터브를 수용하는 제 2 터브를 더 포함하고,
   상기 제 1 터브는 회전가능하도록 상기 제 2 터브에 결합되고, 상기 제 1 터브는 표면에 개구부를 가지며,
   상기 세제감지 센서부는, 상기 제 2 터브 내의 세탁수에 접촉하도록 상기 제 2 터브에 결합되는,
   세탁 장치.
   
6. 제 1 항에 있어서,
   상기 프로세서는,
   감지된 상기 제 1 전기전도도 및 제 1 탁도를 제 1 신경망 모델에 적용하여 상기 세탁수에 투입된 세제 종류 및 세제량의 추정값을 출력하도록 추가로 구성되고,
   상기 제 1 신경망 모델은 용액에서 측정된 전기전도도 및 탁도와, 해당 용액에 투입된 세제 종류 및 세제량을 레이블로 포함하는 훈련 데이터를 이용하여 미리 훈련된 신경망 모델인,
   세탁 장치.
   
7. 제 1 항에 있어서,
   상기 프로세서는,
   세탁 행정이 완료된 후, 판단된 상기 세제 종류가 액체 세제인지 아닌지에 따라 헹굼 행정을 결정하도록 추가로 구성되는,
   세탁 장치.
   
8. 제 7 항에 있어서,
   상기 세제감지 센서부는, 상기 헹굼 행정 중 헹굼수의 제 2 전기전도도 및 제 2 탁도를 감지하고,
   상기 프로세서는,
   상기 제 2 전기전도도 및 제 2 탁도에 기초하여 헹굼수의 상태를 추정하고, 추정된 헹굼수의 상태에 기초하여 헹굼 행정을 조정하도록 추가로 구성되는,
   세탁 장치.
   
9. 제 8 항에 있어서,
   상기 세제감지 센서부는, 조정된 헹굼 행정을 수행하는 중 헹굼수의 제 3 전기전도도 및 제 3 탁도를 감지하고,
   상기 프로세서는,
   상기 제 2 전기전도도와 상기 제 3 전기전도도 사이의 차이 및 상기 제 2 탁도와 제 3 탁도 사이의 차이에 기초하여 헹굼 성능을 판단하도록 추가로 구성되는,
   세탁 장치.
   
10. 제 9 항에 있어서,
    상기 프로세서는,
    판단된 상기 헹굼 성능에 따라 헹굼 행정이 완료된 후의 헹굼 정도를 예상하고, 상기 예상되는 헹굼 정도에 대한 정보를 사용자 단말로 전송하며, 상기 예상되는 헹굼 정도에 대한 정보에 대응하여 상기 사용자 단말로부터 수신되는 신호에 따라 헹굼 행정을 수정하도록 추가로 구성되는,
    세탁 장치.
    
11. 투입되는 세제에 따라 세탁 장치를 제어하는 방법으로서,
    세탁 장치의 제 1 터브에 투입된 세탁물의 양을 감지하는 단계;
    상기 제 1 터브에 세탁수를 공급하는 단계;
    상기 세탁수의 제 1 전기전도도 및 제 1 탁도를 감지하는 단계;
    상기 제 1 전기전도도 및 제 1 탁도에 기초하여 상기 세탁수에 투입된 세제 종류 및 세제량을 판단하는 단계; 및
    판단된 상기 세제 종류 및 세제량과 감지된 상기 세탁물의 양에 기초하여 세탁 행정을 결정하는 단계를 포함하는,
    세탁 장치 제어 방법.
    
12. 제 11 항에 있어서,
    상기 세탁수의 제 1 온도를 감지하는 단계; 및
    감지된 상기 제 1 온도에 따라 상기 제 1 전기전도도 및 상기 제 1 탁도를 보정하는 단계를 더 포함하고,
    상기 판단하는 단계는,
    상기 제 1 온도에 따라 보정된 제 1 전기전도도 및 상기 제 1 온도에 따라 보정된 제 1 탁도에 기초하여 상기 세탁수에 투입된 세제 종류 및 세제량을 판단하는 단계를 포함하는,
    세탁 장치 제어 방법.
    
13. 제 11 항에 있어서,
    상기 판단하는 단계에서 판단된 세제량이 임계값 미만인 경우, 세제 추가 투입을 요청하는 신호를 생성하는 단계를 더 포함하고,
    상기 임계값은 상기 세탁물의 양에 기초하여 변동하는,
    세탁 장치 제어 방법.
    
14. 제 11 항에 있어서,
    상기 세제 종류 및 세제량을 판단하는 단계는,
    감지된 상기 제 1 전기전도도 및 제 1 탁도를 제 1 신경망 모델에 적용하여 상기 세탁수에 투입된 세제 종류 및 세제량의 추정값을 출력하는 단계를 포함하고,
    상기 제 1 신경망 모델은 용액에서 측정된 전기전도도 및 탁도와, 해당 용액에 투입된 세제 종류 및 세제량을 레이블로 포함하는 훈련 데이터를 이용하여 미리 훈련된 신경망 모델인,
    세탁 장치 제어 방법.
    
15. 제 11 항에 있어서,
    상기 세탁 행정을 결정하는 단계 이후에,
    배수를 수행하는 단계; 및
    상기 세제 종류 및 세제량을 판단하는 단계에서 판단된 세제 종류가 액체 세제인지 아닌지에 따라 헹굼 행정을 결정하는 단계를 더 포함하는,
    세탁 장치 제어 방법.
    
16. 제 15 항에 있어서,
    상기 헹굼 행정을 결정하는 단계 이후에,
    상기 제 1 터브 내에 헹굼수를 공급하는 단계;
    상기 헹굼 행정 중 상기 헹굼수의 제 2 전기전도도 및 제 2 탁도를 감지하는 단계;
    상기 제 2 전기전도도 및 제 2 탁도에 기초하여 헹굼수의 상태를 추정하는 단계;
    추정된 헹굼수의 상태에 기초하여 헹굼 행정을 조정하는 단계를 더 포함하는,
    세탁 장치 제어 방법.
    
17. 제 16 항에 있어서,
    상기 헹굼 행정을 조정하는 단계 이후에,
    조정된 헹굼 행정을 수행하는 중 상기 헹굼수의 제 3 전기전도도 및 제 3 탁도를 감지하는 단계;
    상기 제 3 전기전도도 및 제 3 탁도에 기초하여 헹굼 성능을 판단하는 단계를 더 포함하는,
    세탁 장치 제어 방법.
    
18. 제 17 항에 있어서,
    헹굼 성능을 판단하는 단계 이후에,
    판단된 헹굼 성능에 따라 헹굼 행정이 완료된 후의 헹굼 정도를 예상하는 단계;
    예상된 헹굼 정도에 대한 정보를 사용자 단말로 전송하는 단계; 및
    상기 예상된 헹굼 정도에 대한 정보에 대응하여 상기 사용자 단말로부터 수신되는 신호에 따라 헹굼 행정을 수정하는 단계를 더 포함하는,
    세탁 장치 제어 방법.
    
19. 제 18 항에 있어서,
    세탁 행정, 헹굼 행정 및 탈수 행정을 수행하면서 동작한 세탁 장치 운전 정보를 축적하는 단계; 및
    축적된 세탁 장치 운전 정보에 기초하여 세제량 또는 세제 종류 중 적어도 하나에 관련된 제안을 출력하는 단계를 더 포함하고,
    상기 세탁 장치 운전 정보는 각 행정에서의 세탁 장치 동작 시간, 세탁수에 투입된 세제량 및 세제 종류, 세탁물의 양 중 하나 이상을 포함하는,
    세탁 장치 제어 방법.
    
20. 컴퓨터를 이용하여 제 11 항 내지 제 19 항 중 어느 한 항의 방법을 실행하도록 하는 컴퓨터 프로그램을 저장하는 컴퓨터 판독가능 기록매체.
    

Images