KR20190109340A

KR20190109340A - 작동 상태 분석 가능한 식기세척기 및 식기세척기의 작동 상태 분석 방법

Info

Publication number: KR20190109340A
Application number: KR1020190111002A
Authority: KR
Inventors: 박윤식
Original assignee: 엘지전자 주식회사
Priority date: 2019-09-06
Filing date: 2019-09-06
Publication date: 2019-09-25
Also published as: US11490780B2; US20210068612A1

Abstract

본 발명은 5G 통신 네트워크를 통한 사물 인터넷 환경에서도 동작할 수 있는 필터 폐쇄 감지를 통한 식기세척기를 작동하는 방법에 관한 것으로, 본 발명에 따른 식기세척기는 인공지능의 머신 러닝을 통해 훈련된 심층 신경망 모델을 이용하여 식기세척기 필터의 폐쇄 상태를 분석할 수 있다. 본 발명의 실시예에 따른 식기세척기는, 식기세척기 작동 시, 세척수가 필터를 통해 배수되며 발생하는 배수 음향 신호를 획득하는 마이크, 배수 음향 신호에 기초하여 필터의 폐쇄 정도를 분석하는 프로세스, 폐쇄 정도가 미리 정해진 레벨 이상인 경우 알람을 발생시키는 알람 발생부를 포함할 수 있고, 필터의 폐쇄 정도에 의해 필터로 배수되는 세척수의 배수 음향을 기초로 식기세척기의 작동 상태를 분석할 수 있도록 구성될 수 있다.

Description

작동 상태 분석 가능한 식기세척기 및 식기세척기의 작동 상태 분석 방법{Operational Status Analysis able dishwasher and methods for analyzing the operating condition of dishwashers}

본 발명은 대상물 세척 시 배수 음향을 통해 식기세척기의 필터 폐쇄 정도를 분석할 수 있는 기술에 관한 것이다. 보다 구체적으로, 본 발명은 식기세척기에 설치된 필터의 폐쇄 크기에 따라 필터로 배수되는 세척수의 배수 음향을 학습하고, 대상물을 세척할 때 발생하는 세척수가 배수되는 세척 음향과 학습한 배수 음향을 매칭시켜 필터 상태를 사용자에게 알릴 수 있는 기술에 관한 것이다.

이하에서 기술되는 내용은 본 발명의 실시예와 관련되는 배경 정보를 제공할 목적으로 기재된 것일 뿐이고, 기술되는 내용들이 당연하게 종래기술을 구성하는 것은 아니다.

식기세척기는 사용이 이루어진 그릇 등의 식기를 자동으로 세척하는 장치로서 설거지가 자동으로 이루어지므로, 사용자의 편의성이 향상되어 근래에 들어 보급이 확산되는 추세에 있다.

이러한 식기세척기의 세척 과정은 개략적으로 식기세척기에 설치된 필터를 통과한 세척수가 세척 펌프에 의해 가압되고 노즐에서 분사되고 필터를 통해 다시 세척 펌프로 돌아오는 일련의 동작으로 세척이 이루어질 수 있다.

그러나 식기세척기에 설치된 필터가 이물에 막힌 경우 세척 펌프로 세척수 유입량이 줄어 순환 수량이 줄어들게 되고, 이로 인하여 세정 성능이 약화되는 문제가 있었다.

이를 위해, 사용자가 식기세척기에 필터 막힘 정도를 문의 하거나 일정 이상 필터 막힘이 발생하는 경우 사용자에게 필터 막힘을 알려 필터 교체 또는 막힘을 제거할 수 있도록 할 수 있다.

따라서, 필터의 폐쇄 정도를 식기세척기 사용자에게 알려 필터 막힘에 따른 세척 저하를 방지하는 방안이 모색되고 있다.

구체적으로 필터의 폐쇄 정도를 알리는 기술로 일본 등록 특허 제 5279628호 '식기세척기'는 세척수 수위가 필터를 폐쇄하는 기준 수위가 되면 필터 막힘 검출 수단을 통해 필터 막힘을 검출할 수 있는 기술이 개시되어 있다.

그러나, 상기 '식기세척기'는 사용자가 식기세척기에 필터 막힘 정도를 문의 하거나 일정 이상 필터 막힘이 발생하는 경우 사용자에게 필터 막힘을 알려 필터 교체 또는 막힘을 제거할 수 있도록 할 수 있는 기술은 개시되어 있지 않다.

또한, 국내공개특허 제10-2011-0046175호의 '필터 막힘 감지수단을 갖는 식기세척기 및 그의 제어방법'은 필터 내부 압력을 측정하여 사전에 설정된 압력 이상인 경우 필터가 막힌 것으로 분석하도록 하는 필터 막힘 감지수단을 이용하는 기술이 개시되어 있다.

그러나, 상기의 '필터 막힘 감지수단을 갖는 식기세척기 및 그의 제어방법'은 필터에 적재된 이물에 의하여 발생한 압력이 일정 크기 이상인 경우 필터가 폐쇄된 것을 분석하기 때문에 필터의 압력을 측정할 수 있는 별도의 장치가 설치되어야 하는 번거로움이 있다.

또한, 필터가 어느 정도 이상 막힌 상태일 때(기 설정된 압력 이상의 압력이 발생하는 경우), 사용자에게 필터의 막힘을 알리기 때문에 현재 필터 상태가 어느 정도인지를 확인하는 데에는 어려움이 있다.

따라서, 사용자의 필요에 따라 필터 상태를 실시간으로 확인할 수 있는 기술이 필요하다.

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

[선행기술문헌]

[특허문헌]

선행기술 1: 일본 등록특허 5279628 (2013.05.31. 등록)

선행기술 2: 한국 공개특허 0-2011-0046175 (2011.05.04. 공개)

본 발명의 일 과제는, 이물질을 걸러내기 위한 필터의 막힘 여부를 확인할 수 있도록 하는데 있다.

또한, 본 발명의 다른 과제는 필터의 막힘 정도에 따라 필터로 배수되는 세척수의 배수 음향을 학습한 뒤, 식기세척기 작동 시, 발생하는 배수 음향과 학습한 배수 음향을 매칭하여 식기세척기가 작동할 때 발생하는 배수 음향과 학습한 배수 음향이 대응하는 신호를 기초로 필터의 막힘 정도를 분석할 수 있는데 있다.

또한, 본 발명의 다른 과제는 식기세척기 작동 시, 발생하는 배수 음향과 학습한 배수 음향을 매칭하여 필터의 폐쇄 정도가 미리 정해진 레벨 이상인 경우 알람을 발생시켜 식기세척기를 사용하는 사용자에게 필터 막힘을 알릴 수 있도록 하는데 있다.

본 발명의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 청구범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.

상기 과제들을 달성하기 위하여, 본 발명의 실시예에 따른 필터 폐쇄 감지를 통한 식기세척기 작동 상태 판단방법은, 식기세척기 작동 시, 세척수가 필터를 통해 배수되며 발생하는 배수 음향 신호를 획득하고, 배수 음향 신호에 기초하여 필터의 폐쇄 정도를 분석한 뒤, 폐쇄 정도가 미리 정해진 레벨 이상인 경우 알람을 발생시키는 과정으로 이루어질 수 있다.

구체적으로, 배수 음향 신호를 획득할 때, 식기세척기의 동작이 중지하고 필터로 세척수가 배수되는 시점에 배수 음향 신호를 추출할 수 있다.

이와 다르게, 배수 음향 신호를 획득할 때, 식기세척기의 작동 개시 시점에서부터 식기세척기의 작동 완료 시점까지의 동작 계획을 저장하고, 동작 계획에 따라 식기세척기 내로 세척수가 유입되는 시점에서부터 배수 음향 신호를 획득할 수도 있다.

이로 인해, 식기세척기 작동 시 발생하는 잡음이 배수 음향 신호와 간섭되는 것을 방지하고, 이를 통해 필터 폐쇄의 폐쇄 상태를 보다 정확하게 분석할 수 있게 된다.

또한, 세척수가 배수되는 필터의 폐쇄 정도 별로 필터를 통해 배수되는 배수음의 기준 신호를 획득하고, 각각의 필터 폐쇄 정도에 매칭하여 획득된 배수음의 기준 신호를 포함하는 매칭 테이블을 생성한 뒤, 필터의 폐쇄 정도를 분석한 후, 매칭 테이블을 이용하여 배수 음향 신호에 매칭하는 필터의 폐쇄 정도를 분석할 수 있다.

더불어, 필터의 폐쇄 정도를 분석할 때, 필터를 통해 세척수가 배수되며 발생하는 음향 신호에 따라 필터의 폐쇄 정도를 분석하도록 미리 훈련된 신경망 모델에 획득된 배수 음향 신호를 입력하고, 신경망 모델로부터의 출력을 기초로 필터의 폐쇄 정도를 분석하게 된다.

또한 본 발명의 실시예에 따른 식기세척기 작동 상태 판단방법에서 배수 음향 신호를 획득할 때, 식기세척기 내에서 발생하는 음향을 획득하고, 식기세척기의 동작 상태에 대한 정보를 수신한 뒤, 동작 상태에 따른 식기세척기 내의 소음을 분석한 후에 음향으로부터 소음을 제거하여 배수 음향 신호를 추출할 수 있다.

한편, 본 발명의 실시예에 따른 필터 폐쇄 감지를 통해 작동 상태를 분석하는 식기세척기는, 식기세척기 작동 시, 세척수가 필터를 통해 배수되며 발생하는 배수 음향 신호를 획득하는 마이크, 배수 음향 신호에 기초하여 필터의 폐쇄 정도를 분석하는 프로세서, 폐쇄 정도가 미리 정해진 레벨 이상인 경우 알람을 발생시키는 알람 발생부를 포함할 수 있다.

구체적으로, 마이크는 식기세척기의 동작이 중지하고 필터로 세척수가 배수되는 시점에 배수 음향 신호를 추출할 수 있다.

이와 다르게, 마이크는 식기세척기의 작동개시 시점에서부터 식기세척기의 작동완료 시점까지의 동작 계획에 따라 식기세척기 내로 세척수가 유입되는 시점에서부터 배수 음향 신호를 획득할 수 있다.

또한, 본 발명의 실시예에 따른 식기세척기는, 세척수가 배수되는 필터의 폐쇄 정도 별로 필터를 통해 배수되는 배수음의 기준 신호를 포함하는 매칭 테이블을 저장하는 메모리를 더 포함하고, 프로세서는, 매칭 테이블을 이용하여 배수 음향 신호에 매칭하는 필터의 폐쇄 정도를 분석하도록 구성될 수 있다.

구체적으로 프로세서는, 필터를 통해 세척수가 배수되며 발생하는 음향 신호에 따라 필터의 폐쇄 정도를 분석하도록 미리 훈련된 신경망 모델에 획득된 배수 음향 신호를 입력하고, 신경망 모델로부터의 출력을 기초로 필터의 폐쇄 정도를 분석하도록 구성될 수 있다.

또한, 마이크는 배수 음향을 포함하는 식기세척기 내에서 발생하는 음향을 획득하고, 프로세서는 식기세척기의 동작 상태에 따라 발생하는 식기세척기 내의 소음을 분석하고, 마이크로부터 획득되는 식기세척기 내에서 발생하는 음향으로부터 소음을 제거하여 배수 음향 신호를 추출하도록 구성될 수 있다.

한편, 본 발명의 실시예에 따른 필터 폐쇄 감지를 통해 이상 여부를 분석하는 전자기기는, 대상물이 수용되는 수용공간을 구비하는 터브, 터브 내부로 공급되는 세척수를 수용하며, 세척수를 가열하여 생성된 스팀을 복수개의 스팀유로를 통하여 터브로 공급하는 세척수 공급부, 터브로부터 세척수가 배수되는 필터 및 필터의 폐쇄 정도에 의해 필터로 배수되는 세척수의 배수 음향 신호를 기초로 작동 상태를 분석하는 프로세서를 포함할 수 있다.

구체적으로 본 발명의 실시예에 따른 전자기기는 세척수가 배수되는 필터의 폐쇄 정도 별로 필터를 통해 배수되는 배수음의 기준 신호를 포함하는 매칭 테이블을 저장하는 메모리를 더 포함하고, 프로세서는, 매칭 테이블을 이용하여 배수 음향 신호에 매칭하는 필터의 폐쇄 정도를 분석하도록 구성될 수 있다.

또한, 프로세서는, 필터를 통해 세척수가 배수되며 발생하는 음향 신호에 따라 필터의 폐쇄 정도를 분석하도록 미리 훈련된 신경망 모델에 획득된 배수 음향 신호를 입력하고, 신경망 모델로부터의 출력을 기초로 필터의 폐쇄 정도를 분석하도록 구성될 수 있다.

이때, 세척수의 배수 음향 신호를 획득하는 마이크를 더 포함하고, 마이크는, 식기세척기의 동작이 중지하고 필터로 세척수가 배수되는 시점에 배수 음향 신호를 획득하게 된다.

구체적으로, 마이크는, 식기세척기의 작동개시 시점에서부터 식기세척기의 작동완료 시점까지의 동작 계획에 따라 식기세척기 내로 세척수가 유입되는 시점에서부터 배수 음향 신호를 획득할 수 있다.

또한, 마이크는, 배수 음향을 포함하는 식기세척기 내에서 발생하는 음향을 획득하고, 프로세서는, 식기세척기의 동작 상태에 따라 발생하는 식기세척기 내의 소음을 분석하고, 마이크로부터 획득되는 식기세척기 내에서 발생하는 음향으로부터 소음을 제거하여 배수 음향 신호를 추출하도록 구성될 수도 있다.

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

본 발명에 의하면, 필터의 막힘 정도에 따라 필터로 배수되는 세척수의 배수 음향을 학습한 뒤, 식기세척기 작동 시, 발생하는 배수 음향과 학습한 배수 음향을 매칭하여 식기세척기가 작동할 때 발생하는 배수 음향과 학습한 배수 음향이 대응하는 신호를 기초로 필터의 막힘 정도를 분석할 수 있다.

또한, 본 발명은 식기세척기 작동 시, 발생하는 배수 음향과 학습한 배수 음향을 매칭하여 필터의 폐쇄 정도가 미리 정해진 레벨 이상인 경우 알람을 발생시켜 식기세척기를 사용하는 사용자에게 필터 막힘을 알릴 수 있도록 하는데 있다.

구체적으로, 필터의 폐쇄 정도를 분석하고, 폐쇄 정도가 미리 정해진 레벨 이상인 경우 알람을 발생시킬 수 있다. 즉, 사용자에게 필터 폐쇄 상태를 알려 적절한 시점에 필터의 교체, 교환이 이루어질 수 있게 된다.

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

도 1은 본 발명의 실시예에 따른 식기세척기의 단면을 도시한 도면이다.
도 2는 본 발명의 실시예에 따른 식기세척기의 개략적인 블록도이다.
도 3은 본 발명의 실시예에 따른 식기세척기의 필터 폐쇄 정도에 따른 배수 음향의 예시를 도시한 도면이다.
도 4는 본 발명의 실시예에 따른 식기세척기의 필터 폐쇄 정도에 따라 모터 전류 패턴의 예시를 도시한 도면이다.
도 5는 본 발명의 실시예에 따라 필터 폐쇄 정도에 따른 배수 음향 데이터를 기초하여 세척수가 배수되는 세척 음향 신호에 의해 필터의 폐쇄 정도를 알리는 과정을 도시한 흐름도이다.
도 6은 도 5의 제1 실시예에 따른 배수 음향 데이터를 학습하는 과정을 도시한 흐름도이다.
도 7은 도 5의 제2 실시예에 따른 배수 음향 데이터를 학습하는 과정을 도시한 흐름도이다.
도 8은 도 5의 제3 실시예에 따른 배수 음향 데이터를 학습하는 과정을 도시한 흐름도이다.
도 9는 본 발명의 실시예에 따른 식기세척기에서 필터의 폐쇄 정도에 따라 배수 음향 신호를 결정하기 위한 심층 신경망 모델을 설명하기 위한 도면이다.

이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시예들에 한정되지 않는다. 이하 실시예에서는 본 발명을 명확하게 설명하기 위해서 설명과 직접적인 관계가 없는 부분을 생략하지만, 본 발명의 사상이 적용된 장치 또는 시스템을 구현함에 있어서, 이와 같이 생략된 구성이 불필요함을 의미하는 것은 아니다. 아울러, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조번호를 사용한다.

이하의 설명에서 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 되며, 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 또한, 이하의 설명에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

이하의 설명에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

도 1은 본 발명의 실시예에 따른 식기세척기의 단면을 도시한 도면이고, 도 2는 본 발명의 실시예에 따른 식기세척기의 개략적인 블록도이다.

도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 식기세척기(1000)는 크게 외관을 형성하는 캐비닛(1300)과 식기가 세척되는 세척 챔버(1210)를 형성하는 터브(1200)와, 터브(1200)를 개폐하는 도어(1010)와, 세척수의 공급 및 회수를 위한 섬프 어셈블리(1600)를 포함할 수 있다.

터브(1200)의 내부에는 식기를 수용하기 위한 세척 챔버(1210)가 형성되고, 세척 챔버(1210)에는 식기를 얹을 수 있는 복수의 랙(rack, 1220)이 설치된다. 랙(1220)에 식기가 수납된 상태에서 분사암(1230)을 통해 세척수가 분사되어 식기가 세척된다.

분사암(1230)은 어퍼랙(1222)의 하측에 배치된 상부암(1232)과 로어랙(224)의 하측에 배치된 하부암(1234)으로 구성될 수 있다. 또한, 상부암(1232)과 하부암(1234)은 각각 회전 가능하게 설치되며, 각각의 분사암(1230)에는 식기를 향해 세척수를 분사하는 복수의 분사 노즐(미도시)이 형성될 수 있다.

섬프 어셈블리(1600)는 연결관(1300)에 의해 상부암(1232) 및 하부암(1234)과 연결될 수 있다. 섬프 어셈블리(1600)는 급수관(1400)을 통해 외부 급수원으로부터 세척수를 공급받아 섬프(미도시)에 저장하며, 연결관(1300)을 통해 세척수를 상부암(1232)과 하부암(1234)에 선택적으로 또는 동시에 공급할 수 있다. 세척에 사용된 세척수는 배수관(미도시)을 통해 배수되게 된다.

한편, 식기세척기는 섬프로 공급되는 세척수를 필터링하며 적어도 일부가 터브와 연통되는 필터(1500)를 포함한다. 필터(1500)는 세척 펌프나 배수 펌프로 이물의 유입을 방지하기 위한 장치이다. 구체적으로 필터(1500)가 설치된 식기세척기는 필터를 통과한 세척수가 세척 펌프에 의해 가압되고 노즐에서 분사된 뒤 필터를 통해 다시 세척 펌프로 돌아가는 일련의 동작을 통해 식기세척기의 구동이 이루어질 수 있다.

이러한 필터가 이물질에 의해 막힌 경우 세척 펌프로 세척수의 유입량이 줄어들게 되어 순환 수량이 줄어들게 되고 이로 인해 식기세척기의 세정 성능이 약화될 수 있다.

이를 위해 필터(1500)로 배수되는 세척수의 배수 음향을 통해 필터(1500)의 폐쇄 정도를 분석할 수 있도록 한다. 즉, 필터로 배수되는 세척수의 배수 음향 변화를 통해 필터 폐쇄를 감지하고, 이러한 필터 폐쇄 감지를 통하여 식기세척기의 작동 상태를 분석할 수 있도록 하는 것이다.

구체적으로, 필터(1500)의 폐쇄를 감지할 수 있는 식기세척기(1000)는, 식기세척기(1000)가 작동할 때 세척수가 필터(1500)를 통해 배수되며 발생하는 배수 음향 신호를 획득하는 마이크(120), 배수 음향 신호에 기초하여 필터(1500)의 폐쇄 정도를 분석하는 프로세서(190), 폐쇄 정도가 미리 정해진 레벨 이상인 경우 알람을 발생하는 알람 발생부(150) 등을 포함할 수 있다.

식기세척기(1000) 내에 세척을 위한 식기를 넣고 식기세척기(1000)를 구동시키면 식기의 세척을 수행할 수 있다. 식기 세척 시, 식기를 세척한 세척수를 순환시키거나 배수시킬 수 있다. 이러한 일련의 과정에서 세척구가 필터를 통해 배수되는 동안 발생하는 세척수의 배수 음향을 마이크(120)에서 획득할 수 있다.

일 예로, 마이크(120)는 식기세척기의 동작이 중지하고 필터(1500)로 세척수가 배수되는 시점에서 배수 음향 신호를 추출할 수 있다. 즉, 배수 음향 신호를 추출할 때 주변의 잡음이 함께 추출되는 것을 방지하기 위하여 세척수가 필터로 유입되는 시점에서부터 배수 음향 신호를 추출하는 것이다.

다른 예로서, 배수 음향 신호를 추출하기 위해서 마이크(120)는 식기세척기(1000)가 작동하는 시점에서부터 식기세척기(1000)의 작동이 완료되는 시점까지의 동작 계획인 세척수 유입에서부터 세척된 식기의 건조까지의 일련의 동작 계획이 저장된 저장부(121)를 더 포함할 수 있다.

이렇게 저장부(121)에 저장된 동작 계획에 따라 식기세척기 내부로 세척수가 유입되는 시점에서부터 배수 음향 신호를 획득할 수 있다. 즉, 배수 음향 신호가 발생하는 시점은 식기세척기 내부로 세척수가 유입되는 시점이다. 또한 동작 계획은 일정 시간 동안 세척, 헹굼, 건조 등의 과정이 반복적으로 이루어지는 것이기 때문에 세척수가 유입되는 시점은 기 설정된 동작 계획에 따라 유입될 수 있다. 이와 같이 저장부(121)에 저장된 동작 계획을 기초로 세척수가 유입되는 시점에만 배수 음향 신호를 획득하도록 설정함으로써, 식기세척기 작동 시 발생하는 잡음이 배수 음향 신호와 간섭되는 것을 방지하고, 이를 통해 필터 폐쇄의 폐쇄 상태를 보다 정확하게 분석할 수 있게 된다.

또 다른 예로서, 배수 음향 신호를 추출하기 위해서 마이크(120)는, 음향 획득부(122), 수신부(123), 소음 분석부(124), 신호 추출부(125)를 포함할 수 있다.

음향 획득부(122)를 통해 식기세척기 내에서 발생하는 음향을 획득하고, 수신부(123)를 통해 식기세척기(1000) 내에서 발생한 음향과 식기세척기의 동작 상태 정보를 수신할 수 있다. 즉, 식기세척기가 구동하면서 발생하는 음향과, 현재 식기세척기의 동작 상태를 확인하는 것이다.

이때, 식기세척기의 동작 상태는 앞서 설명한 바와 같이 기 저장된 동작 계획을 기초로 상태 확인을 할 수 있으며, 다르게는 사용자가 육안으로 식기세척기의 동작 상태를 확인할 수도 있다. 이하 본 발명의 실시예에서는 기 저장된 동작 계획을 기초로 식기세척기의 상태 확인이 가능한 예를 들어 설명하기로 한다.

수신부(123)를 통해 식기세척기(1000)의 동작 상태 정보를 수신하면, 소음 분석부(124)를 통해 동작 상태에 따른 식기세척기(1000)의 소음을 분석할 수 있다. 이때 발생하는 식기세척기의 소음은 세척수 배수 음향 신호 이외에 세척수가 식기에 분사될 때 발생하는 소리, 세척수 분사 시 노즐의 회전 소리, 모터의 구동 소리 등 식기세척기에서 발생 가능한 소리를 의미한다.

식기세척기 내 소음을 분석하면, 신호 추출부(125)에서 동작에 따른 식기세척기(1000)의 음향에서부터 소음을 제거하여 세척수의 배수 음향만을 추출할 수 있다. 즉, 식기세척기(1000)에서 발생 가능한 전체의 소리에서 배수 음향 소리만 제외하고 나머지 소리를 제거하는 것이다. 이로 인해, 세척수가 배수될 때 발생하는 배수 음향 신호만을 분석할 수 있으므로 필터(1500)의 폐쇄 정도를 보다 정확하게 분석할 수 있게 된다.

이렇게 마이크(120)에서 배수 음향 신호를 획득하면, 분석부(130)에서 획득한 배수 음향 신호에 기초하여 필터(1500)의 폐쇄 정도를 분석할 수 있다.

필터(1500)의 폐쇄 정도란 예컨대, 필터(1500)에 이물이 발생하지 않은 완전 개방 상태인 필터 막힘 0%에서 필터(1500)에 이물이 발생하여 완전 폐쇄 100%까지 사이를 임의로 구분한 것을 의미한다. 이하 본 설명의 실시예에서는 설명의 편의상 필터(1500)의 폐쇄 정도를 제1 폐쇄단계 (필터 막힘 0~35%), 제2 폐쇄단계(필터 막힘 35~70%), 제3 폐쇄단계(필터 막힘 70~100%)로 나누어 설명하기로 한다.

한편, 필터(1500)의 폐쇄 상태를 분석하기 전에 식기세척기(1000)에 수용된 대상물인 식기를 세척하고 배수되는 세척수가 유입될 때, 필터(1500)의 폐쇄단계에 따라 필터(1500)로 배수되는 배수음 신호 데이터를 획득할 수 있다. 이를 위해, 식기세척기(1000)는 배수음 신호 데이터를 획득하는 데이터 획득부(140)를 더 포함한다.

구체적으로 데이터 획득부(140)는 필터의 폐쇄 정도가 증가하는 순으로 제1 폐쇄단계, 제2 폐쇄단계, 제3 폐쇄단계에서의 배수음 신호 데이터를 획득할 수 있다. 이때, 제1 폐쇄단계, 제2 폐쇄단계, 제3 폐쇄단계는 앞서 예시한 제1 폐쇄단계 (필터 막힘 0~35%), 제2 폐쇄단계(필터 막힘 35~70%), 제3 폐쇄단계(필터 막힘 70~100%)와 동일한 조건으로 설명하기로 한다.

데이터 획득부(140)에서 획득한 배수음 신호 데이터는 후술할 메모리(160)에 저장될 수 있다. 배수음 신호 데이터가 저장되고 배수 음향 신호를 분석하기 위해서, 분석부(130)는 입력부(132)와 폐쇄 분석부(134)를 포함한다.

입력부(132)는, 필터(1500)를 통해 세척수가 배수되며 발생하는 음향 신호에 따라 필터(1500)의 폐쇄 정도를 분석하도록 미리 훈련된 신경망 모델에 획득된 배수 음향 신호가 입력될 수 있다.

입력부(132)에 배수 음향 신호가 입력되면 폐쇄 분석부(134)에서 신경망 모델로부터 출력된 정보를 기초로 필터(1500)의 폐쇄 정도를 분석할 수 있다.

즉, 마이크(120)에서 세척수가 필터(1500)를 통해 배수되며 발생하는 배수 음향 신호를 획득하고, 획득한 배수 음향 신호는 입력부(132)에 입력된다. 이후, 메모리(160)에 저장된 신경망 모델로부터 출력된 배수음 신호 데이터 정보를 기초로 폐쇄 분석부(134)에서 필터(1500)의 폐쇄 정도를 분석할 수 있다.

다시 말해, 폐쇄 분석부(134)는 기 저장된 배수음 신호 데이터 정보와 입력된 배수 음향 신호를 비교한다. 이후, 배수음 신호 데이터와 매칭되는 배수 음향 신호를 분석하여 세척수가 필터(1500)로 유입될 때 배수될 때 발생하는 음향 신호로 필터(1500)의 폐쇄 정도를 분석하는 것이다.

이렇게 필터(1500)의 폐쇄 정도를 분석하고, 폐쇄 정도가 미리 정해진 레벨 이상인 경우 알람 발생부(150)를 통해 알람을 발생시킬 수 있다. 즉, 사용자에게 필터(1500) 폐쇄 상태를 알려 필터(1500)의 교체, 교환이 이루어질 수 있도록 한다.

예컨대, 본 발명의 실시예에서는 제3 폐쇄 정도가 미리 정해진 레벨로 가정할 수 있으며, 필터 폐쇄 정도가 제3 폐쇄단계로 측정되는 경우 알람 발생부(150)를 통해 알람을 발생시킬 수 있다.

한편, 본 발명의 식기세척기(1000)는 세척수가 배수되는 필터(1500)의 폐쇄 정도 별로 필터(1500)를 통해 배수되는 배수음의 기준 신호를 포함하는 매칭 테이블(162)을 저장하는 메모리(160)를 더 포함한다.

메모리(160)는 앞서 설명한 바와 같이 세척수가 배수되며 발생하는 음향 신호에 따라 필터(1500)의 폐쇄 정도를 분석하도록 미리 훈련된 신경망 모델이 저장될 수 있다.

구체적으로, 메모리(160)에는 필터(1500)의 폐쇄 정도에 따라 발생하는 배수음 신호 데이터가 레이블된 학습 데이터 세트가 저장될 수 있다. 예를 들어 제1 폐쇄단계, 제2 폐쇄 정도, 제3 폐쇄단계 각각에서 세척수가 배수될 때 발생하는 배수음 신호 데이터가 레이블되어 저장될 수 있다.

이렇게 저장된 학습 데이터 세트는 각각의 폐쇄 정도 별로 트레이닝 프로그램을 통해 트레이닝할 수 있다. 즉, 제1 폐쇄단계 (필터 막힘 0~35%), 제2 폐쇄단계(필터 막힘 35~70%), 제3 폐쇄단계(필터 막힘 70~100%)별로 필터 폐쇄 상태를 트레이닝하는 것이다. 한편, 본 발명의 실시예에서는 제1 폐쇄단계 (필터 막힘 0~35%), 제2 폐쇄단계(필터 막힘 35~70%), 제3 폐쇄단계(필터 막힘 70~100%)별로 트레이닝하는 예를 들지만, 폐쇄 정도는 조건에 따라 나눌 수 있으며, 나누어진 폐쇄 정도에 의해 본 발명이 제한되는 것은 아니다.

한편 트레이닝은 전자기기인 식기세척기(1000) 자체에서 이루어질 수 있지만 식기세척기가 아닌 외부에서 수행할 수도 있으며, 트레이닝 결과로 도출된 필터 폐쇄 정도 정보만이 식기세척기(1000)에 전달되어 저장될 수도 있다.

이와 같이 트레이닝으로 생성되어 훈련된 신경망 모델이 메모리(160)에 저장될 수 있다. 저장된 훈련된 신경망 모델을 기초로 필터(1500)에 세척수가 유입되어 발생하는 배수 음향 신호에 의해 필터(1500)의 막힘 상태가 어느 정도인지 분석할 수 있는 것이다.

또한, 메모리(160)에는 필터(1500) 폐쇄 정도를 분석하기 위해 식기세척기 등의 전자기기의 제어에 필요한 각종 정보들을 기록하는 것으로 휘발성 또는 비휘발성 기록 매체를 포함할 수 있다. 기록 매체는 프로세서(190)에 의해 읽힐 수 있는 데이터를 저장한 것으로, HDD(hard disk drive), SSD(solid state disk), SDD(silicon disk drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등을 포함할 수 있다. 본 실시 예에서 메모리(110)에 저장되는 정보는 문맥에 맞게 상황 별로 기재하기로 한다.

본 발명의 실시예에서는 메모리(160)에 저장된 식기세척기(1000)의 필터 폐쇄 정보에 대한 정보는 외부 서버(미도시)로부터 제공받는 예를 들어 설명하기로 한다. 이러한 서버는 각종 인공지능 알고리즘을 적용하는데 필요한 빅데이터 및 음성 인식에 관한 데이터를 제공하는 데이터베이스 서버일 수 있다. 그 밖에 서버는 전자기기에 설치된 애플리케이션 또는 웹 브라우저와 통신하는 통신부(미도시)를 통해 원격으로 전자기기를 제어할 수 있는 웹 서버 또는 애플리케이션을 포함할 수도 있다.

프로세서(190)는 메모리(160), 알람 발생부(150) 등을 제어할 수 있다. 또한, 신경망 모델을 트레이닝 할 수 있도록 러닝 프로세서(191)와, 메모리(160)의 매칭 테이블(162)을 이용하여 배수 음향 신호에 매칭하는 필터(1500)의 폐쇄 정도를 분석할 수 있는 매칭 프로세서(192) 및 분석된 배수 음향 신호를 기초로 필터(1500)의 폐쇄 정도를 알릴 수 있는 알림 프로세서(193) 등을 포함할 수 있다.

또한, 프로세서(190)는 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

이와 같이, 식기세척기(1000)에 설치된 필터(1500)의 폐쇄 상태를 분석하기 위해, 필터(1500)의 폐쇄 정도에 따라 세척수가 배수되는 배수음을 학습한 상태에서 세척수가 필터(1500)를 통해 배수되며 발생하는 배수 음향 신호를 획득한다. 이후, 메모리(160)에 저장된 신경망 모델로부터 출력된 배수음 신호 데이터 정보를 기초로 필터(1500)의 폐쇄 정도를 분석할 수 있다.

이렇게 필터(1500)의 폐쇄 정도를 분석하고, 폐쇄 정도가 미리 정해진 레벨 이상인 경우 알람을 발생시킬 수 있다. 즉, 사용자에게 필터(1500) 폐쇄 상태를 알려 필터(1500)의 교체, 교환이 이루어질 수 있다.

도 3은 본 발명의 실시예에 따른 식기세척기의 필터 폐쇄 정도에 따른 배수 음향의 예시를 도시한 도면이고, 도 4는 본 발명의 실시예에 따른 식기세척기의 필터 폐쇄 정도에 따라 모터 전류 패턴의 예시를 도시한 도면이다. 이하의 설명에서 도 1 및 도 2에 대한 설명과 중복되는 부분의 그 설명은 생략하기로 한다.

도면을 참고하면, 식기세척기(1000)에는 이물을 걸러내는 필터(1500)가 설치될 수 있다. 이때, 필터(1500)에 세척수를 유입하면 필터(1500)의 폐쇄 정도에 따라 세척수가 배수되는 음향이 달라지게 된다.

예컨대, 필터(1500)가 폐쇄되지 않은 완전 개방된 상태에서의 세척수 배수 음향은 도 3의 (b)의 (b-1)와 같이 잡음이 최소화된 음향이 배출될 수 있다. 즉, 필터(1500) 내부와 세척수 사이의 간섭이 최소화되기 때문이다.

이와 반대로, 필터(1500)가 완전 폐쇄된 상태에서의 세척수 배수 음향은 도 3의 (b)의 (b-2)와 같이 잡음이 최대치된 음향이 배출될 수 있다. 다시 말해 필터(1500) 내부와 세척수 사이의 간섭이 최대화되어 배수 음향이 크게 발생할 수 있기 때문이다.

한편, 필터 막힘 정도에 따라 식기세척기의 상태는 모터 전류 상태 변화로 보여질 수 있다. 필터가 폐쇄될수록 배수를 위해 모터의 구동이 증가하게 되고 이로 인해 모터 전류 소모가 증가할 수 있기 때문이다.

즉, 도 4의 (a)에 도시된 바와 같이, 필터(1500)가 개방된 상태인 정상 단계에서는 모터의 RPM(수차적으로 하측에서부터 1700/ 2000/ 2300/ 21600)에 따라 일정한 전류 소모가 이루어짐을 확인할 수 있다.

이에 반해, 필터(1500)가 폐쇄됨에 따라 모터의 RPM에 따라 구동 변화가 발생할 수 있다. 즉, 도 4의 (b) 및 도 4의 (c)에 도시된 바와 같이 필터(1500)가 폐쇄됨에 따라 모터 구동 변화가 발생하고, 이에 따른 전류 소모 변화가 발생하는 것을 확인할 수 있다.

이와 같이, 필터(1500)의 폐쇄 정도에 따라 모터의 전류 소모 변화가 발생할 수 있으며, 그 결과 필터(1500)로 배수되는 세척수의 배수 음향 신호가 필터(1500) 폐쇄 상태에 따라 다르게 발생할 수 있다.

이를 기초로 필터(1500)의 폐쇄 정도를 분석하고, 폐쇄 정도가 미리 정해진 레벨 이상인 경우 알람을 발생시켜 필터(1500) 폐쇄 상태를 사용자에게 알려 적절하게 필터(1500)의 교체 및 교환이 이루어질 수 있도록 할 수 있다.

도 5는 본 발명의 실시예에 따라 필터 폐쇄 정도에 따른 배수 음향 데이터를 기초하여 세척수가 배수되는 세척 음향 신호에 의해 필터의 폐쇄 정도를 알리는 과정을 도시한 흐름도이고, 도 6은 도 5의 제1 실시예에 따른 배수 음향 데이터를 학습하는 과정을 도시한 흐름도이며, 도 7은 도 5의 제2 실시예에 따른 배수 음향 데이터를 학습하는 과정을 도시한 흐름도이고, 도 8는 도 5의 제3 실시예에 따른 배수 음향 데이터를 학습하는 과정을 도시한 흐름도이다. 이하의 설명에서 도 1 내지 도 4에 대한 설명과 중복되는 부분의 그 설명은 생략하기로 한다.

본 발명의 실시예에 따른 식기세척기(1000)는 세척 펌프나 배수 펌프로 이물의 유입을 방지하기 위한 필터(1500)를 포함한다. 구체적으로 필터(1500)가 설치된 식기세척기는 필터를 통과한 세척수가 세척 펌프에 의해 가압되고 노즐에서 분사된 뒤 필터를 통해 다시 세척 펌프로 돌아가는 일련의 동작을 통해 식기세척기의 구동이 이루어질 수 있다.

이를 위해 필터(1500)로 배수되는 세척수의 배수 음향을 통해 필터(1500)의 폐쇄 정도를 분석할 수 있도록 한다. 즉, 필터로 배수되는 세척수의 배수 음향 변화를 통해 필터 폐쇄를 감지하고, 이러한 필터 폐쇄 감지를 통하여 식기세척기의 작동 상태를 분석할 수 있도록 한다.

구체적으로, 필터(1500)의 폐쇄를 감지할 수 있는 식기세척기(1000)는, 식기세척기(1000)가 작동할 때 세척수가 필터(1500)를 통해 배수되며 발생하는 배수 음향 신호를 획득할 수 있다(단계 S110).

식기세척기(1000) 내에 세척을 위한 식기를 넣고 식기세척기(1000)를 구동시키면 식기의 세척을 수행할 수 있다. 식기 세척 시, 식기를 세척한 세척수를 순환시키거나 배수시킬 수 있다. 이러한 일련의 과정에서 세척구가 필터를 통해 배수되는 동안 발생하는 세척수의 배수 음향을 획득하는 것이다.

세척수의 배수 음향을 획득할 때(단계 S110), 식기세척기의 동작이 중지하고 필터(1500)로 세척수가 배수되는 시점에서 배수 음향 신호를 추출할 수 있다(단계 S112). 즉, 배수 음향 신호를 추출할 때 주변의 잡음이 함께 추출되는 것을 방지하기 위하여 세척수가 필터로 유입되는 시점에서부터 배수 음향 신호를 추출하는 것이다.

이후, 필터(1500)로 세척수를 배수한 뒤, 배수 음향 신호를 추출하는 과정을 통해 세척수의 배수 음향 신호를 추출할 수 있다(단계 S114, S116).

이와 다르게, 세척수의 배수 음향을 획득할 때(단계 S110), 식기세척기(1000)의 동작 시작 시점과 완료 시점을 저장하여 배수 음향 신호를 추출할 수 있다(단계 S111).

즉, 배수 음향 신호를 추출하기 위해서 식기세척기(1000)가 작동하는 시점에서부터 식기세척기(1000)의 작동이 완료되는 시점까지의 동작 계획인 세척수 유입에서부터 세척된 식기의 건조까지의 일련의 동작 계획을 저장하는 것이다.

이렇게 저장된 동작 계획에 따라 식기세척기 내부로 세척수가 유입되는 시점에서부터 배수 음향 신호를 추출 및 획득할 수 있다(단계 S113, S115). 구체적으로, 식기세척기의 동작 계획은 일정 시간 동안 세척, 헹굼, 건조 등의 과정이 반복적으로 이루어지는 것을 의미한다. 따라서, 세척수가 유입되는 시점은 기 설정된 동작 계획에 따라 유입될 수 있으며, 배수 음향 신호가 발생하는 시점은 동작 계획에 따라 식기세척기 내부로 세척수가 유입되는 시점이라 할 수 있다. 그러므로, 기 저장된 조건에 따라 세척수가 유입되는 시점에만 배수 음향 신호를 획득하게 되는 것이다.

한편, 세척수의 배수 음향을 획득할 때(단계 S110), 식기세척기(1000) 내에서 발생한 음향과 식기세척기의 동작 상태 정보를 수신할 수 있다(단계 S1111, S1112). 즉, 식기세척기가 구동하면서 발생하는 음향과, 현재 식기세척기의 동작 상태를 확인하는 것이다.

식기세척기(1000)의 동작 상태 정보를 수신하면, 동작 상태에 따른 식기세척기(1000)의 소음을 분석할 수 있다(단계 S1113). 이때 발생하는 식기세척기의 소음은 세척수 배수 음향 신호 이외에 세척수가 식기에 분사될 때 발생하는 소리, 세척수 분사 시 노즐의 회전 소리, 모터의 구동 소리 등 식기세척기에서 발생 가능한 소리를 의미한다.

식기세척기 내 소음을 분석하면, 동작에 따른 식기세척기(1000)의 음향에서부터 소음을 제거하여 세척수의 배수 음향만을 추출할 수 있다(단계 S1114). 즉, 식기세척기(1000)에서 발생 가능한 전체의 소리에서 배수 음향 소리만 제외하고 나머지 소리를 제거하는 것이다. 이로 인해, 세척수가 배수될 때 발생하는 배수 음향 신호만을 분석할 수 있으므로 필터(1500)의 폐쇄 정도를 보다 정확하게 분석할 수 있게 된다.

이후, 배수 음향 신호에 기초하여 필터(1500)의 폐쇄 정도를 분석할 수 있다(단계 S120).

이때, 필터(1500)의 폐쇄 상태를 분석할 때(단계 S120), 필터(1500)를 통해 세척수가 배수되며 발생하는 음향 신호에 따라 필터(1500)의 폐쇄 정도를 분석하도록 미리 훈련된 신경망 모델에 획득된 배수 음향 신호를 입력한 뒤, 신경망 모델로부터 출력된 정보를 기초로 필터(1500)의 폐쇄 정도를 분석할 수 있도록 한다.

즉, 세척수가 필터(1500)를 통해 배수되며 발생하는 배수 음향 신호를 획득하고, 획득한 배수 음향 신호를 입력한다. 이후, 앞서 설명된 메모리(160)에 저장된 신경망 모델로부터 출력된 배수음 신호 데이터 정보를 기초로 필터(1500)의 폐쇄 정도를 분석할 수 있다.

이때, 메모리(160)에는 식기세척기(1000)에 수용된 식기를 세척하기 위해 세척수를 유입할 때, 필터(1500)의 폐쇄단계에 따라 필터(1500)로 배수되는 배수음 신호 데이터 정보가 저장될 수 있다. 저장된 배수음 신호 데이터를 트레이닝 프로그램을 통해 트레이닝하여 신경망 모델을 생성할 수 있다.

이후, 폐쇄 정도가 미리 정해진 레벨 이상인 경우 알람을 발생할 수 있다(단계 S130). 즉, 사용자에게 필터(1500) 폐쇄 상태를 알려 필터(1500)의 교체, 교환이 이루어질 수 있도록 한다.

도 9는 본 발명의 실시예에 따른 식기세척기에서 필터의 폐쇄 정도에 따라 배수 음향 신호를 결정하기 위한 심층 신경망 모델을 설명하기 위한 도면이다.

식기세척기(1000)는 필터의 폐쇄 정도를 분석하기 위해 인공지능의 머신 러닝을 이용하여 미리 훈련된 심층 신경망 모델을 사용할 수도 있다.

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

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

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

이러한 인공신경망의 머신 러닝 방법으로는 자율학습(unsupervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다.

또한, 머신 러닝의 일종인 딥러닝(deep learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습할 수 있다. 딥러닝은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝 알고리즘의 집합을 나타낼 수 있다.

딥러닝 구조는 인공신경망(ANN)을 포함할 수 있으며, 예를 들어 딥러닝 구조는 CNN(convolutional neural network), RNN(recurrent neural network), DBN(deep belief network) 등 심층신경망(DNN)으로 구성될 수 있다. 본 실시 예에 따른 딥러닝 구조는 공지된 다양한 구조를 이용할 수 있다. 예를 들어, 본 발명에 따른 딥러닝 구조는 CNN, RNN, DBN 등을 포함할 수 있다. RNN은, 자연어 처리 등에 많이 이용되고 있으며, 시간의 흐름에 따라 변하는 시계열 데이터(time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아 올려 인공신경망 구조를 구성할 수 있다. DBN은 딥러닝 기법인 RBM(restricted boltzman machine)을 다층으로 쌓아 구성되는 딥러닝 구조를 포함할 수 있다. RBM 학습을 반복하여, 일정 수의 레이어가 되면 해당 개수의 레이어를 가지는 DBN을 구성할 수 있다. CNN은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델을 포함할 수 있다.

한편, 인공신경망의 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(back propagation) 등의 방법이 사용될 수 있다.

본 발명의 실시예에서 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 판단방법이다.

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 분석할 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.

위와 같은 방식들을 이용하면 피가열체의 상태에 대한 추정이 더욱 정교해질 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.

식기세척기는, 단계적으로 필터를 폐쇄하여 필터를 통해 배수되는 세척수의 배수 음향 신호를 감지하고, 이에 대해 필터를 통해 세척수가 배수되며 발생하는 음향 신호에 따라 필터의 폐쇄 정도를 분석할 수 있도록 레이블링하게 하는 훈련 데이터세트를 구성할 수 있다.

이러한 훈련 데이터로 심층 신경망 모델을 훈련시키면, 훈련된 학습 모델은 식기세척기의 특징을 반영하여, 필터가 폐쇄되는 정도에 따라 이를 사용자에게 알릴지 여부를 분석할 수 있게 된다.

사용자는 심층 신경망 모델의 분석 결과에 대해 지속적으로 피드백을 줌으로써, 이러한 학습 모델을 보다 정교화할 수 있다.

이상 설명된 본 발명에 따른 실시예는 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, 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 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 단계들은 적당한 순서로 행해질 수 있다. 반드시 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 또한, 본 발명에 따른 방법들에 포함된 단계들은 프로세서 또는 해당 단계의 기능을 수행하기 위한 모듈들을 통해서 수행될 수 있다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 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 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims

필터 폐쇄 감지를 통한 식기세척기 작동 상태 판단방법으로서,
식기세척기 작동 시, 세척수가 필터를 통해 배수되며 발생하는 배수 음향 신호를 획득하는 단계;
상기 배수 음향 신호에 기초하여 상기 필터의 폐쇄 정도를 분석하는 단계; 및
상기 폐쇄 정도가 미리 정해진 레벨 이상인 경우 알람을 발생시키는 단계를 포함하는,
식기세척기 작동 상태 판단방법.
제1항에 있어서,
상기 배수 음향 신호를 획득하는 단계는,
상기 식기세척기의 동작이 중지하고 상기 필터로 상기 세척수가 배수되는 시점에 상기 배수 음향 신호를 추출하는,
식기세척기 작동 상태 판단방법.
제1항에 있어서,
상기 배수 음향 신호를 획득하는 단계는,
상기 식기세척기의 작동개시 시점에서부터 상기 식기세척기 작동완료 시점까지의 동작 계획을 저장하는 단계, 및
상기 동작 계획에 따라 상기 식기세척기 내로 상기 세척수가 유입되는 시점에서부터 상기 배수 음향 신호를 획득하는 단계를 포함하는,
식기세척기 작동 상태 판단방법.
제1항에 있어서,
세척수가 배수되는 필터의 폐쇄 정도 별로 상기 필터를 통해 배수되는 배수음의 기준 신호를 획득하는 단계; 및
각각의 필터 폐쇄 정도에 매칭하여 획득된 배수음의 기준 신호를 포함하는 매칭 테이블을 생성하는 단계를 더 포함하고,
상기 필터의 폐쇄 정도를 분석하는 단계는,
상기 매칭 테이블을 이용하여 상기 배수 음향 신호에 매칭하는 필터의 폐쇄 정도를 분석하는 단계를 포함하는,
식기세척기 작동 상태 판단방법.
제1항에 있어서,
상기 필터의 폐쇄 정도를 분석하는 단계는,
상기 필터를 통해 세척수가 배수되며 발생하는 음향 신호에 따라 상기 필터의 폐쇄 정도를 분석하도록 미리 훈련된 신경망 모델에 획득된 상기 배수 음향 신호를 입력하는 단계; 및
상기 신경망 모델로부터의 출력을 기초로 상기 필터의 폐쇄 정도를 분석하는 단계를 포함하는,
식기세척기 작동 상태 판단방법.
제1항에 있어서,
상기 배수 음향 신호를 획득하는 단계는,
상기 식기세척기 내에서 발생하는 음향을 획득하는 단계;
상기 식기세척기의 동작 상태에 대한 정보를 수신하는 단계;
상기 동작 상태에 따른 식기세척기 내의 소음을 분석하는 단계; 및
상기 음향으로부터 상기 소음을 제거하여 상기 배수 음향 신호를 추출하는 단계를 포함하는,
식기세척기 작동 상태 판단방법.
컴퓨터를 이용하여 제1항 내지 제6항의 방법을 실행하도록 하는 컴퓨터 프로그램을 저장하는 컴퓨터 판독가능 기록매체.
필터 폐쇄 감지를 통해 작동 상태를 분석하는 식기세척기로서,
식기세척기 작동 시, 세척수가 필터를 통해 배수되며 발생하는 배수 음향 신호를 획득하는 마이크;
상기 배수 음향 신호에 기초하여 상기 필터의 폐쇄 정도를 분석하는 프로세서; 및
상기 폐쇄 정도가 미리 정해진 레벨 이상인 경우 알람을 발생시키는 알람 발생부를 포함하는,
식기세척기.
제8항에 있어서,
상기 마이크는,
상기 식기세척기의 동작이 중지하고 상기 필터로 상기 세척수가 배수되는 시점에 상기 배수 음향 신호를 획득하는,
식기세척기.
제8항에 있어서,
상기 마이크는,
상기 식기세척기의 작동개시 시점에서부터 상기 식기세척기의 작동완료 시점까지의 동작 계획에 따라 상기 식기세척기 내로 상기 세척수가 유입되는 시점에서부터 상기 배수 음향 신호를 획득하는,
식기세척기.
제8항에 있어서,
세척수가 배수되는 필터의 폐쇄 정도 별로 상기 필터를 통해 배수되는 배수음의 기준 신호를 포함하는 매칭 테이블을 저장하는 메모리를 더 포함하고,
상기 프로세서는,
상기 매칭 테이블을 이용하여 상기 배수 음향 신호에 매칭하는 필터의 폐쇄 정도를 분석하도록 구성되는,
식기세척기.
제8항에 있어서,
상기 프로세서는,
상기 필터를 통해 세척수가 배수되며 발생하는 음향 신호에 따라 필터의 폐쇄 정도를 분석하도록 미리 훈련된 신경망 모델에 획득된 상기 배수 음향 신호를 입력하고, 상기 신경망 모델로부터의 출력을 기초로 상기 필터의 폐쇄 정도를 분석하도록 구성되는,
식기세척기.
제8항에 있어서,
상기 마이크는,
배수 음향을 포함하는 상기 식기세척기 내에서 발생하는 음향을 획득하고,
상기 프로세서는,
상기 식기세척기의 동작 상태에 따라 발생하는 식기세척기 내의 소음을 분석하고, 상기 마이크로부터 획득되는 상기 식기세척기 내에서 발생하는 음향으로부터 상기 소음을 제거하여 상기 배수 음향 신호를 추출하도록 구성되는,
식기세척기.
필터 폐쇄 감지를 통해 이상 여부를 분석하는 전자기기로서,
대상물이 수용되는 수용공간을 구비하는 터브;
상기 터브 내부로 공급되는 세척수를 수용하며, 상기 세척수를 가열하여 생성된 스팀을 복수개의 스팀유로를 통하여 상기 터브로 공급하는 세척수 공급부;
상기 터브로부터 세척수가 배수되는 필터; 및
상기 필터의 폐쇄 정도에 의해 상기 필터로 배수되는 상기 세척수의 배수 음향 신호를 기초로 작동 상태를 분석하는 프로세서를 포함하는,
전자기기.
제14항에 있어서,
세척수가 배수되는 필터의 폐쇄 정도 별로 상기 필터를 통해 배수되는 배수음의 기준 신호를 포함하는 매칭 테이블을 저장하는 메모리를 더 포함하고,
상기 프로세서는,
상기 매칭 테이블을 이용하여 상기 배수 음향 신호에 매칭하는 필터의 폐쇄 정도를 분석하도록 구성되는,
전자기기.
제14항에 있어서,
상기 프로세서는,
상기 필터를 통해 세척수가 배수되며 발생하는 음향 신호에 따라 필터의 폐쇄 정도를 분석하도록 미리 훈련된 신경망 모델에 획득된 상기 배수 음향 신호를 입력하고, 상기 신경망 모델로부터의 출력을 기초로 상기 필터의 폐쇄 정도를 분석하도록 구성되는,
전자기기.
제14항에 있어서,
상기 세척수의 배수 음향 신호를 획득하는 마이크를 더 포함하고,
상기 마이크는,
상기 식기세척기의 동작이 중지하고 상기 필터로 상기 세척수가 배수되는 시점에 상기 배수 음향 신호를 획득하는,
전자기기.
제17항에 있어서,
상기 마이크는,
상기 식기세척기의 작동개시 시점에서부터 상기 식기세척기의 작동완료 시점까지의 동작 계획에 따라 상기 식기세척기 내로 상기 세척수가 유입되는 시점에서부터 상기 배수 음향 신호를 획득하는,
전자기기.
제17항에 있어서,
상기 마이크는,
배수 음향을 포함하는 상기 식기세척기 내에서 발생하는 음향을 획득하고,
상기 프로세서는,
상기 식기세척기의 동작 상태에 따라 발생하는 식기세척기 내의 소음을 분석하고, 상기 마이크로부터 획득되는 상기 식기세척기 내에서 발생하는 음향으로부터 상기 소음을 제거하여 상기 배수 음향 신호를 추출하도록 구성되는,
전자기기.