KR20200095981A

KR20200095981A - 인공지능을 적용한 세탁기 및 세탁기의 제어방법

Info

Publication number: KR20200095981A
Application number: KR1020190014056A
Authority: KR
Inventors: 김윤근
Original assignee: 엘지전자 주식회사
Priority date: 2019-02-01
Filing date: 2019-02-01
Publication date: 2020-08-11

Abstract

본 발명은 세탁기 및 세탁기의 제어방법에 관한 것이다. 본 발명의 일 실시 예에 따른 세탁기는, 포를 수용하고 회전 가능하게 구비되는 세탁조, 상기 세탁조로 급수를 수행하는 급수밸브 및 기 설정된 급수 방식에 따라 상기 세탁조에 급수가 이루어지도록 상기 급수밸브를 제어하는 제어부를 포함하고, 상기 제어부는, 급수와 관련된 복수 종류의 데이터를 기학습된 인공신경망의 입력값으로 입력하여, 상기 급수밸브를 통해 급수되는 수압을 결과값으로 산출하는 것을 특징으로 한다.

Description

세탁기 및 세탁기의 제어방법{Washing machine and Method for controlling the same}

본 발명은 세탁기 및 세탁기의 제어방법에 관한 것으로, 보다 상세하게는 머신 러닝(machine learning) 기반의 수압을 산출하는 것이 가능한 세탁기 및 세탁기의 제어 방법에 관한 것이다.

일반적으로 세탁기는, 물과 세제의 화학적 분해 작용과 물과 세탁물간의 마찰 등 물리적 작용 등을 이용하여, 의복, 침구 등의 세탁물(이하, '포'라고도 함)에 묻은 오염물질을 분리해내는 장치를 통칭하는 것이다.

세탁기는 크게 교반식과 와류식 및 드럼식 세탁기로 구분된다. 이 중 드럼식 세탁기는 물이 담기는 저수조(또는 터브)와, 상기 저수조 내에 회전 가능하게 구비되어 세탁물을 수용하는 세탁조(또는 드럼)를 포함한다.

상기 세탁조(또는 드럼)에는 물이 통과하는 다수의 통공이 형성된다. 세탁운전은 통상적으로 세탁행정, 헹굼행정 및 탈수행정으로 구분된다. 이러한 행정의 진행 과정은 세탁기의 외부에 구비된 컨트롤 패널(또는 디스플레이)를 통해 확인이 가능하다.

세탁행정은 저수조에 저장된 물과 세탁조에 저장된 포의 마찰력, 물에 저장된 세제의 화학적 작용에 의해 세탁물에 묻은 오염물질을 제거하게 된다.

헹굼행정은 저수조 내로 세제가 용해되지 않은 물을 공급하여, 포를 헹구는 것으로, 특히 세탁행정시 포에 흡수된(또는 묻어 있는) 세제가 제거된다. 헹굼행정시에는 물과 함께 섬유 유연제가 공급되기도 한다.

탈수행정은 헹굼행정이 완료된 이후에, 세탁조를 고속으로 회전시켜 포를 탈수시키는 것이다. 통상적으로 탈수행정이 완료됨으로써, 세탁기의 모든 운전이 종료된다. 반면, 건조 겸용 세탁기의 경우는, 탈수행정 이후에 건조행정이 더 추가되기도 한다.

통상 세탁운전은 세탁조 내에 투입된 세탁물의 양(이하, '포량'이라고도 함)에 따라 서로 다른 조건으로 운전하도록 설정된다. 예를들어, 포량에 따라 급수수위, 세탁강도, 배수시간, 탈수시간 등의 설정이 달라질 수 있다.

반면, 세탁성능은 포량 뿐만 아니라 세탁물의 종류(이하, '포질'이라고도 함)에 따라서도 편차가 발생되는 것으로, 세탁운전을 설정함에 있어서 포량만을 고려하는 경우에는 충분한 세탁성능을 기대할 수 없는 문제가 있다.

한편, 세탁기의 세탁운전 중 헹굼행정은, 수압별로 서로 다른 방식으로 헹굼을 수행하도록 설계될 수 있다.

예를 들어, 고수압인 경우, 고수압에 적합한 헹굼 알고리즘(또는 헹굼 과정)에 따라 헹굼을 수행할 수 있으며, 저수압인 경우, 저수압에 적합한 헹굼 알고리즘(또는 헹굼 과정)에 따라 헹굼을 수행할 수 있다.

고수압인 경우와 저수압인 경우 수행되는 헹굼 과정은, 세탁조 내에 물이 공급되는 수압의 세기, 물이 공급되는 시간, 물이 공급되는 양 등이 서로 달라지도록 설계될 수 있다.

이와 같이, 서로 다른 방식의 헹굼 과정들 중 어느 하나를 선택하기 위해서는, 수압을 판단하는 것이 필요하다.

그러나, 종래의 경우, 급수가 완료되는 급수시간에 근거하여 수압을 판단하는 알고리즘을 사용하였다. 그러나, 급수시간을 이용하여 수압을 판단하는 경우, 사용중인 밸브의 개수를 고려하지 못한 채 수압을 산출하게 되어, 정확한 수압을 산출할 수 없다는 문제점이 있다.

예를 들어, 종래에는 급수시간만을 이용하여 수압을 판단하는 경우, 2 개의 급수 밸브가 연결된 경우의 기준시간을 이용하여 수압을 판단하였다.

그러나, 실제로 세탁기를 이용(설치)할 때에는 1 개의 급수 밸브만이 세탁기에 연결될 수 있다. 이 때, 상기 2 개의 급수 밸브가 연결된 경우의 기준시간을 적용하는 경우, 저수압으로 판단될 확률이 상당히 높아지게 되며, 이로 인해 저수압인 경우 수행되는 헹굼 과정만을 수행한다는 문제가 발생하였다.

이에 따라, 수압에 따른 헹굼 과정을 정확하게 선택하기 위해, 수압을 정확하게 산출할 수 있는 기술 개발이 필요하다.

한편, 최근에는 인공지능과 딥러닝 등 머신 러닝에 관한 관심이 크게 증가하고 있다.

종래의 머신 러닝은 통계학 기반의 분류, 회귀, 군집 모델이 중심이었다. 특히, 분류, 회귀 모델의 지도 학습에서는 학습 데이터의 특성과 이러한 특성을 기반으로 새로운 데이터를 구별하는 학습 모델을 사람이 사전에 정의했다. 이와 달리, 딥러닝은 컴퓨터가 스스로 특성을 찾아내고 판별하는 것이다.

딥러닝의 발전을 가속화한 요인 중 하나로 오픈소스로 제공되는 딥러닝 프레임워크를 들 수 있다. 예를 들어, 딥러닝 프레임워크로는 캐나다 몬트리올 대학교의 시아노(Theano), 미국 뉴욕 대학교의 토치(Torch), 캘리포니아 버클리 대학교의 카페(Caffe), 구글의 텐서플로우(TensorFlow) 등이 있다.

딥러닝 프레임워크들의 공개에 따라, 효과적인 학습 및 인식을 위해, 딥러닝 알고리즘 외에 학습 과정, 학습 방법, 학습에 시용하는 데이터의 추출 및 선정이 더욱 중요해지고 있다.

또한, 인공지능과 머신 러닝을 다양한 제품, 서비스에 이용하기 위한 연구가 증가하고 있다.

본 발명의 실시예는 상기한 문제점을 해결하기 위하여, 최적화된 수압을 산출하는 것이 가능한 세탁기 및 세탁기 제어방법을 제공하는데 목적이 있다.

또한, 본 발명의 실시예는, 머신 러닝으로 학습된 인공신경망을 적용하여 수압을 정확하게 산출할 수 있는 세탁기 및 세탁기 제어방법을 제공하는데 목적이 있다.

또한, 본 발명의 실시예는, 인공신경망을 통해 산출된 수압을 기반으로 최적화된 헹굼 과정을 수행하는 것이 가능한 세탁기 및 세탁기 제어방법을 제공하는데 목적이 있다.

본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상기 과제를 달성하기 위하여, 본 발명의 실시예에 따른 세탁기는, 포를 수용하고 회전 가능하게 구비되는 세탁조, 상기 세탁조로 급수를 수행하는 급수밸브 및 기 설정된 급수 방식에 따라 상기 세탁조에 급수가 이루어지도록 상기 급수밸브를 제어하는 제어부를 포함하고, 상기 제어부는, 급수와 관련된 복수 종류의 데이터를 기학습된 인공신경망의 입력값으로 입력하여, 상기 급수밸브를 통해 급수되는 수압을 결과값으로 산출하는 것을 특징으로 한다.

실시 예에 있어서, 상기 복수 종류의 데이터는, 코스, 포량, 급수단계, 급수시간 및 수위주파수 중 적어도 하나를 포함하는 것을 특징으로 한다.

실시 예에 있어서, 상기 제어부는, 상기 복수 종류의 데이터를 상기 인공신경망의 입력값으로 입력하여 산출된 수압에 근거하여, 서로 다른 헹굼 과정을 수행하는 것을 특징으로 한다.

실시 예에 있어서, 상기 제어부는, 상기 산출된 수압이 제1 기준수압보다 큰 경우, 고수압인 경우 수행되도록 설정된 제1 헹굼 과정을 수행하고, 상기 산출된 수압이 상기 제1 기준수압보다 작은 제2 기준수압보다 작은 경우, 저수압인 경우 수행되도록 설정된 제2 헹굼 과정을 수행하는 것을 특징으로 한다.

실시 예에 있어서, 상기 제어부는, 상기 산출된 수압이 상기 제1 기준수압보다 작고, 상기 제2 기준수압보다 큰 경우, 일반적인 수압인 경우 수행되도록 설정된 제3 헹굼 과정을 수행하는 것을 특징으로 한다.

실시 예에 있어서, 상기 제어부는, 급수가 상기 기 설정된 급수 방식에 따라 진행되는 동안 복수 종류의 데이터를 산출하고, 상기 산출된 복수 종류의 데이터를 이용하여 상기 수압을 산출하는 것을 특징으로 한다.

실시 예에 있어서, 상기 기 설정된 급수 방식은, 냉수 밸브 및 온수 밸브를 선택적으로 개폐시키는 복수의 구간으로 구분되며, 상기 제어부는, 상기 복수의 구간별로 상기 복수 종류의 데이터를 측정한 후 상기 기학습된 인공신경망의 입력값으로 입력하여, 상기 복수의 구간별 수압을 산출하는 것을 특징으로 한다.

실시 예에 있어서, 상기 제어부는, 상기 복수의 구간별 수압에 근거하여, 최대 수압, 냉수 밸브만 열린 경우의 냉수 수압 및 온수 밸브만 열린 경우의 온수 수압을 산출하는 것을 특징으로 한다.

실시 예에 있어서, 상기 제어부는, 상기 복수의 구간별 수압에 근거하여, 상기 냉수 밸브 및 상기 온수 밸브 중 급수가 가능한 밸브를 판단하는 것을 특징으로 한다.

본 발명의 일 실시 예에 따른 세탁기의 제어방법은, 기 설정된 급수 방식에 따라 세탁조에 급수를 수행하는 단계 및 급수와 관련된 복수 종류의 데이터를 기학습된 인공신경망의 입력값으로 입력하여, 급수밸브를 통해 급수되는 수압을 결과값으로 산출하는 단계를 포함한다.

기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명의 실시예에 따르면 다음과 같은 효과가 하나 혹은 그 이상 있다.

첫째, 본 발명은 급수시간을 통해 수압을 판단하는 것이 아닌, 기학습된 인공신경망을 통해 수압 값을 직접적으로 산출하는 것이 가능하다. 이로 인해, 산출된 수압 값에 근거하여, 헹굼행정에서 최적화된 헹굼 과정으로 헹굼을 수행할 수 있다는 효과가 있다.

둘째, 본 발명은 급수시간을 통해 수압을 판단하는 경우, 세탁기의 급수밸브에 몇 개의 호스가 연결되어 있는지를 판단할 수 없었다는 문제를 해결할 수 있다는 효과가 있다. 즉, 본 발명은, 상기 복수의 구간별 수압에 근거하여, 상기 냉수 밸브 및 상기 온수 밸브 중 급수가 가능한 밸브를 판단할 수 있는 새로운 제어방법을 제공할 수 있다는 효과가 있다.

셋째, 본 발명은 기 설정된 급수 방식에 포함된 복수의 구간별로 수압을 판단하여, 최대 수압, 냉수 밸브만 열린 경우의 냉수 수압 및 온수 밸브만 열린 경우의 온수 수압을 산출할 수 있으며, 이를 통해 최적화된 헹굼 과정을 선택하여 헹굼을 수행할 수 있다는 효과가 있다.

본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시 예에 따른 세탁기의 측단면도이다.
도 2는 도 1의 세탁기의 주요 구성들 간의 제어 관계를 설명하기 위한 블록도이다.
도 3은 종래의 수압 판단 과정을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시 예에 따른 수압을 판단하기 위한 제어방법을 설명하기 위한 흐름도이다.
도 5 및 도 6은 도 4에서 살펴본 제어방법을 설명하기 위한 개념도이다.

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.

도 1은 본 발명의 일 실시 예에 따른 세탁기의 측단면도이고, 도 2는 도 1의 세탁기의 주요 구성들 간의 제어 관계를 설명하기 위한 블록도이다.

도 1을 참조하면, 본 발명의 실시예에 따른 세탁기는, 외관을 형성하는 케이싱(1)과, 케이싱(1) 내에 배치되고 세탁수가 저장되는 저수조(3)(또는 터브(Tub))와, 저수조(3)내에 회전 가능하도록 설치되어 세탁물이 투입되는 세탁조(4)와, 세탁조(4)를 회전시키는 모터(9)를 포함한다.

세탁조(4)는 세탁물의 입출을 위한 개구부가 형성된 전면 커버(41)와, 대략 수평하게 배치되어 전단이 전면 커버(41)와 결합되는 원통형의 드럼(42)과, 드럼(42)의 후단에 결합되는 후면 커버(43)를 포함한다. 모터(9)의 회전축은 저수조(3)의 후벽을 통과하여 후면 커버(43)와 연결될 수 있다. 세탁조(4)와 저수조(3) 사이에 물이 교류될 수 있도록, 드럼(42)에는 다수개의 통공이 형성될 수 있다.

드럼(42)의 내주면에는 리프터(20)가 구비될 수 있다. 리프터(20)는 드럼(42)의 내주면 상에서 돌출된 형태로써, 드럼(42)의 길이방향(전후 방향)으로 길게 연장되고, 복수개가 원주방향으로 이격 배치될 수 있다. 세탁조(4)의 회전시 리프터(20)에 의해 포가 퍼 올려져 질 수 있다.

반드시 이에 한정되어야 하는 것은 아니나, 드럼(42)으로부터 리프터(20)가 돌출된 높이는 바람직하게는 30mm(또는, 드럼 직경의 6.0%) 이하일 수 있고, 더 바람직하게는 10 내지 20mm이다. 특히, 리프터(20)의 높이가 20mm 이하인 경우, 세탁조(4)를 대략 80rpm으로 일방향으로 연속하여 회전시키더라도 포가 세탁조(4)에 달라 붙지 않고 유동될 수 있다. 즉, 세탁조(4)가 1회전 이상을 일방향으로 회전될 시, 세탁조(4) 내에서 최하측에 위치한 포가 세탁조(4)의 회전에 의해 소정 높이까지 상승하였다가 세탁조(4)로부터 분리되며 낙하될 수 있다.

세탁조(4)는 수평한 축을 중심으로 회전된다. 여기서의 "수평"은 엄밀한 의미에서의 기하학적인 수평을 의미하는 것은 아니고, 도 1에 도시된 바와 같이 수평에 대해 소정 각도로 기울어진 경우에도 수직보다는 수평에 가까운 경우인 바, 세탁조(4)가 수평한 축을 중심으로 회전된다고 하기로 한다.

케이싱(1)의 전면에는 세탁물 투입구가 형성되고, 상기 세탁물 투입구를 개폐하는 도어(2)가 케이싱(1)에 회전 가능하게 구비된다. 케이싱(1)의 내부에는 급수밸브(5), 급수관(6), 급수호스(8)가 설치될 수 있다. 급수밸브(5)가 개방되어 급수가 이루어질 시, 급수관(6)을 통과한 세탁수가 디스펜서(7)에서 세제와 혼합된 다음, 급수호스(8)를 통하여 저수조(3)(또는 세탁조(4))로 공급될 수 있다.

펌프(11)의 입력포트는 배출 호스(10)에 의해 저수조(3)와 연결되고, 펌프(11)의 토출포트는 배수관(12)과 연결된다. 저수조(3)로부터 배출 호스(10)를 통해 배출된 물이 펌프(11)에 의해 압송되어 배수관(12)을 따라 유동된 후, 세탁기의 외부로 배출된다.

도 2를 참조하면, 본 발명의 일 실시예에 따른 세탁기는, 세탁기의 전반적인 동작을 제어하는 제어부(60), 제어부(60)에 의해 제어되는 모터 구동부(71), 급수밸브 구동부(74), 출력부(72), 통신부(73), 수위 감지부(75) 및 메모리(78)를 포함할 수 있다.

제어부(60)는 세탁, 헹굼, 탈수 및 건조의 일련의 세탁과정을 제어할 수 있다. 제어부(60)는 미리 설정되어 있는 알고리즘에 따라, 세탁, 헹굼, 탈수 및 건조 행정을 진행할 수 있고, 또한, 제어부(60)는 상기 알고리즘에 따라 모터 구동부(71)를 제어할 수 있다.

모터 구동부(71)는 제어부(60)로부터 인가되는 제어신호에 대응하여, 모터(9)의 구동을 제어할 수 있다. 제어신호는 모터(9)의 목표속도, 가속 기울기(또는, 가속도), 구동시간 등을 제어하는 신호일 수 있다.

모터 구동부(71)는, 모터(9)를 구동시키기 위한 것으로, 인버터(미도시), 및 인버터 제어부(미도시)를 포함할 수 있다. 또한, 모터 구동부(71)는, 인버터에 입력되는 직류 전원을 공급하는, 컨버터 등을 더 포함하는 개념일 수 있다.

예를 들어, 인버터 제어부(미도시)가 펄스폭 변조(PWM) 방식의 스위칭 제어 신호를 인버터(미도시)로 출력하면, 인버터(미도시)는 고속 스위칭 동작을 하여, 소정 주파수의 교류 전원을 모터(9)에 공급할 수 있다.

본 명세서에서, 제어부(60)가 모터(9)를 특정 방식으로 제어한다고 설명하는 것은, 모터(9)가 특정 방식으로 제어되도록, 제어부(60)가 모터 구동부(71)로 제어신호를 인가하고, 상기 모터 구동부(710)가 상기 제어신호에 근거하여, 상기 모터(9)를 상기 특정 방식으로 제어한다는 것을 의미할 수 있다. 여기서, 상기 특정 방식은, 본 명세서에서 설명하는 다양한 실시 예를 포함할 수 있다.

급수밸브 구동부(74)는 제어부(60)로부터 인가되는 제어신호에 대응하여, 급수밸브(5)의 구동을 제어할 수 있다. 제어신호는, 급수밸브(5)의 열림(Open) 및 닫힘(close), 즉 개폐를 제어하는 신호일 수 있다.

상기 급수밸브(5)는, 냉수를 공급하는 호스가 연결된 냉수 밸브 및 온수를 공급하는 호스가 연결된 온수 밸브를 포함할 수 있다.

제어부(60)는, 기 설정된 급수 방식에 따라 세탁조에 급수가 이루어지도록 급수밸브(5)를 제어할 수 있다. 본 명세서에서, 제어부(60)가 특정 방식으로 급수밸브(5)를 제어한다는 것은, 급수밸브(5)가 특정 방식으로 제어되도록, 제어부(60)가 급수밸브 구동부(74)에 제어신호를 인가하고, 상기 급수밸브 구동부(74)가 인가된 제어신호에 따라 급수밸브(5)를 상기 특정 방식으로 제어하는 것을 의미할 수 있다.

여기서, 상기 특정 방식은, 본 명세서에서 설명하는 다양한 실시 예를 포함할 수 있다.

수위 감지부(75)는, 수위센서에 의해 전달되는 신호의 수위주파수를 센싱할 수 있다. 또한, 수위 감지부(75)는, 수위센서를 이용하여 급수된 물(세탁수)의 수위를 센싱할 수 있다. 즉, 제어부(60)는, 수위 감지부(75)에서 센싱된 물의 수위에 근거하여, 현재 세탁조(4)(또는 저수조(3))에 급수된 물의 수위를 실시간으로 결정(판단, 산출)할 수 있다.

수위 감지부(75)는, 수위센서를 이용하여 실시간으로 세탁수의 급수량을 측정할 수 있다. 수위 감지부(75)는, 수위센서에 의해 전달되는 신호의 수위주파수를 실시간으로 측정할 수 있다.

본 발명의 일 실시 예에 따른 세탁기에 구비되는 수위센서(또는 수위측정센서)는, 세탁기의 일 지점에 구비될 수 있으며, 일 예로, 저수조(3)의 일 지점에 구비될 수 있다. 일 예로, 상기 수위센서는, 수위 감지부(75)에 포함될 수 있다.

본 발명의 일 실시 예에 따른 세탁기에 구비되는 수위 감지부(75)는, 센싱부로 명명될 수도 있고, 상기 센싱부에 포함되는 개념으로 이해될 수 있다.

한편, 도면에는, 수위 감지부(75)가 제어부(60)와 별도로 마련되는 것으로 도시하나, 이에 한정되지 않는다.

수위 감지부(75)는 제어부(60) 내에 구비될 수 있다. 이 경우, 수위 감지부(75)에 의해 수행되는 기능/동작/제어방법은, 제어부(60)에 의해 수행될 수 있다.

수위 감지부(75)가 제어부(60) 내에 포함되거나, 제어부(60)에 의해 수행되는 경우, 수위센서는, 수위 감지부(75)에 포함되는 것이 아니라, 세탁기의 일 지점에 별도로 마련되는 것으로 이해될 수 있다.

출력부(72)는 세탁기와 관련된 다양한 정보를 출력할 수 있다. 일 예로, 출력부(72)는, 세탁기의 작동 상태를 출력하는 것이다. 출력부(72)는 시각적 표시를 출력하는 LCD, LED 등의 화상 출력장치 또는 음향을 출력하는 스피커 부져(buzzer) 등의 음향 출력장치일 수 있다. 제어부(60)의 제어에 의해 출력부(72)는 포량 또는 포질에 대한 정보를 출력할 수 있다.

메모리(78)에는 프로그램된 인공신경망, 포량 별 및/또는 포질 별 전류 패턴들, 상기 전류 패턴을 바탕으로 머신 러닝 기반의 학습을 통해 구축된 데이터 베이스(DB), 머신 러닝 알고리즘, 전류 감지부(75)에 의해 감지된 전류 값, 상기 전류 값들을 평균한 값, 이들 평균한 값들을 파싱 룰(parsing rule)에 따라 처리한 값, 통신부(73)를 통해 송수신되는 데이터 등이 저장될 수 있다.

뿐만 아니라, 메모리(78)에는 세탁기의 동작 전반의 제어를 위한 각종 제어 데이터, 사용자가 입력한 세탁설정 데이터, 세탁설정에 따라 산출되는 세탁시간, 세탁 코스 등에 대한 데이터, 세탁기의 에러 발생 여부를 판단하기 위한 데이터 등이 저장될 수 있다.

통신부(73)는 네트워크에 연결된 서버와 통신할 수 있다. 통신부(73)는 인터넷 모듈, 이동 통신 모듈 등 하나 이상의 통신 모듈을 구비할 수 있다. 통신부(73)는 상기 서버로부터 학습 데이터, 알고리즘 업데이트 등의 각종 데이터를 수신할 수 있다.

제어부(60)는 통신부(73)를 통해 수신된 각종 데이터를 처리하여 메모리(78)를 갱신할 수 있다. 예를 들어, 통신부(73)를 통해 입력된 데이터가 메모리(78)에 기저장된 운전 프로그램에 대한 업데이트 데이터인 경우, 제어부(60)는, 업데이트 데이터를 이용하여 메모리(78)에 업데이트시킬 수 있다. 또한, 제어부(60)는, 입력된 데이터가 신규한 운전 프로그램인 경우, 메모리(78)에 신규한 운전 프로그램을 추가로 저장시킬 수 있다.

머신 러닝은 컴퓨터에게 사람이 직접 로직(Logic)을 지시하지 않아도 데이터를 통해 컴퓨터가 학습을 하고 이를 통해 컴퓨터가 알아서 문제를 해결하게 하는 것을 의미한다.

딥러닝(Deep Learning)은, 인공지능을 구성하기 위한 인공신경망(ANN)에 기반으로 해 컴퓨터에게 사람의 사고방식을 가르치는 방법으로 사람이 가르치지 않아도 컴퓨터가 스스로 사람처럼 학습할 수 있는 인공지능 기술이다. 인공신경망(ANN)은 소프트웨어 형태로 구현되거나 칩(chip) 등 하드웨어 형태로 구현될 수 있다.

일 예로, 세탁기는, 머신 러닝(machine learning) 기반으로 전류 감지부(75)에 의해 감지된 전류 값들을 처리하여 세탁조(4) 내에 투입된 세탁물(포)의 특성(이하, 포 특성이라고 함.)을 파악할 수 있다.

이러한 포 특성은 포량과 포질을 포함할 수 있다.

제어부(60)는 머신 러닝 기반으로 포량 별 포질을 판정할 수 있다. 예를 들어, 제어부(60)는 포량을 구하고, 다시 포질에 따라 기 분류된 카테고리들 중 어느 것에 속하는지를 판정할 수 있다. 이러한 포질은 포의 재질, 부드러운 정도(예를 들어, 부드러운(soft) 포/ 뻣뻣한(hard) 포), 포가 물을 머금을 수 있는 능력(즉, 함습율), 건포와 습포 간의 부피 차 등의 여러 요인들을 바탕으로 정의될 수 있다.

한편, 제어부(60)는, 머신 러닝 기반으로 수압을 판정할 수 있다. 제어부(60)는 머신 러닝 기반으로 기학습된 인공신경망(ANN)에 급수와 관련된 복수 종류의 데이터를 입력하여, 수압을 결과값으로 산출할 수 있다. 여기서 수압은, 급수되는 물의 초당 수량을 의미할 수 있다.

또한, 상기 기학습된 인공신경망(ANN)은, 급수와 관련된 복수 종류의 데이터와, 복수 종류의 데이터별로 실험적으로 산출된 수압값을 학습 데이터(Training Data)로 이용하여 지도 학습(Supervised learning)된 심층신경망(Deep Neural Network)일 수 있다.

이하에서는, 기학습된 인공신경망을 이용하여 수압을 산출하는 과정에 대하여 첨부된 도면을 참조하여 보다 구체적으로 살펴보기로 한다.

우선, 기학습된 인공신경망을 이용하여 수압을 직접적으로 산출하는 본 발명을 설명하기 전에 종래의 수압 판단 방법과 이로 인한 문제점에 대하여 먼저 살펴본다.

도 3은 종래의 수압 판단 과정을 설명하기 위한 흐름도이다.

도 3을 살펴보면, 종래에는, 세탁운전이 시작되면, 세탁행정을 위해 급수를 실시하고(S1), 급수가 완료되었는지를 판단(S2)하여, 제어부(60)가 급수시간을 측정한다. 여기서, 급수시간은, 급수가 시작된 시점부터, 포량별로 설정된 급수수위만큼 급수가 완료된 시점까지의 시간간격을 의미할 수 있다.

이 때, 수압이 쎈 경우, 급수시간은 짧고, 수압이 약한 경우, 굽수시간은 길어질 수 있다. 본 명세서에서 설명하는 고수압은, 제1 기준수압보다 큰 수압을 의미하고, 저수압은 상기 제1 기준수압보다 작은 제2 기준수압보다도 작은 수압을 의미할 수 있다. 상기 제1 기준수압보다는 작고, 상기 제2 기준수압보다는 큰 수압은, 일반 수압으로 정의될 수 있다.

수압은 급수되는 물의 초당 수량을 나타낼 수 있다.

종래에는, 세탁기가 급수시간이 제1 기준시간보다 짧은 경우, 고수압으로 판단하고, 고수압인 경우 수행되도록 설정된 고수압 헹굼 과정을 수행하였다(S3, S4).

여기서, 상기 제1 기준시간은, 고수압인지 여부를 판단하기 위해 미리 설정된 기준시간일 수 있다. 상기 제1 기준시간은, 고수압 판단 기준시간으로 명명될 수 있다.

또한, 세탁기는, 급수시간이 상기 제1 기준시간보다 긴 제2 기준시간보다 긴 경우, 저수압으로 판단하고, 저수압인 경우 수행되도록 설정된 저수압 헹굼 과정을 수행하였다(S5, S6).

여기서, 상기 제2 기준시간은, 저수압인지 여부를 판단하기 위해 미리 설정된 기준시간일 수 있다. 상기 제2 기준시간은, 저수압 판단 기준시간으로 명명될 수 있다.

상기 제1 기준시간과 상기 제2 기준시간은, 포량별로 달라질 수 있다.

또한, 세탁기는, 급수시간이, 상기 제1 기준시간과 상기 제2 기준시간 사이인 경우, 일반적인 헹굼 과정을 수행하였다(S7).

한편, 종래의 급수시간을 이용하여 수압을 판단하는 경우, 급수 가능한 급수밸브(5)의 설치 상태를 고려하지 못하므로, 수압을 잘못 판단할 수 있다는 문제점이 있었다.

예를 들어, 상기 제1 기준시간과, 제2 기준시간은, 급수밸브(5)에 포함된 냉수 밸브와 온수 밸브를 통해 모두 급수가 가능한 것을 가정한 상태에서 설정된 기준시간으로 정의된다.

그러나, 세탁기의 냉수 밸브와 온수 밸브 중 어느 하나가 급수가 불가능하도록 세탁기가 설치된 경우, 급수시간을 통해 수압은 판단 시, 부정확하게 수압이 판단된다는 문제가 발생한다.

예를 들어, 온수 밸브에 호스가 연결되지 않아, 온수 밸브를 통해 급수가 불가능한 경우, 온수 밸브의 급수를 통해 급수시간이 단축되는 것이 없게 된다.

이에 따라, 온수밸브를 통해 급수되는 것이 없으므로, 급수시간은 늘어나게 된다.

이로 인해, 냉수 밸브와 온수 밸브 중 어느 하나가 급수가 불가능하도록 설치된 경우, 급수시간은 늘어나게 되므로, 고수압으로 판정될 확률은 낮아지고, 저수압으로 판정될 확률은 높아지게 된다.

이에 따라, 종래의 급수시간을 이용한 수압 판단 시, 급수 가능한 밸브를 고려하지 못하므로, 잘못된 수압으로 판단하는 문제가 있었다.

이러한 문제를 해결하기 위해, 본 발명은 기학습된 인공신경망을 이용하여 수압 값을 직접적으로 판단(산출)하는 것이 가능한 세탁기 및 세탁기의 제어방법을 제공할 수 있다.

도 4는 본 발명의 일 실시 예에 따른 수압을 판단하기 위한 제어방법을 설명하기 위한 흐름도이고, 도 5 및 도 6은 도 4에서 살펴본 제어방법을 설명하기 위한 개념도이다.

우선, 본 발명의 제어부(60)는, 세탁운전이 시작되면, 기 설정된 급수 방식에 따라 세탁조(4)에 급수가 이루어지도록 급수밸브(5)를 제어할 수 있다(S10).

예를 들어, 제어부(60)는, 복수 종류의 세탁운전 코스 중 어느 한 코스가 선택된 후 세탁운전을 시작하는 제어명령이 인가되면, 상기 선택된 세탁운전 코스에 연계된 기 설정된 급수 방식에 따라 세탁조(4)에 급수가 이루어지도록 급수밸부 구동부(75)에 제어신호를 인가할 수 있다.

이 경우, 급수밸부 구동부(75)는, 상기 인가된 제어신호에 근거하여, 상기 선택된 세탁운전 코스에 연계된 기 설정된 급수 방식으로 급수가 이루어지도록, 급수밸브(5)를 구동시킬 수 있다.

도 6을 참조하면, 기 설정된 급수 방식은, 냉수 밸브 및 온수 밸브를 선택적으로 개폐시키는 복수의 구간(또는 급수단계, 복수의 급수단계)(Step 1, Step 2, Step 3)으로 구분될 수 있다.

예를 들어, 상기 복수의 구간 중 제1 구간(Step 1)은 냉수 밸브를 통해서만 급수를 수행하는 구간이고, 상기 복수의 구간 중 제1 구간 이후에 수행되는 제2 구간(Step 2)은 냉수 밸브와 온수 밸브를 통해 함께 급수를 수행하는 구간일 수 있다.

상기 제1 구간과 상기 제2 구간은, 온수를 이용하도록 설정된 세탁운전 코스(이하 ‘코스’라 명명함)인 경우, 급수과정에 공통적으로 포함될 수 있다.

한편, 상기 복수의 구간 중 제2 구간 이후에 수행되는 제3 구간(Step 3)은, 선택된 코스에 따라 달라질 수 있다. 예를 들어, 도 6에 도시된 것과 같이, 제어부(60)는, 선택된 코스에 따라, 상기 제3 구간(Step 3)에서, 냉수 밸브만 열거나, 온수 밸브만 열거나, 냉수밸브와 온수밸브를 함께 열어 급수를 수행할 수 있다. 또한, 제어부(60)는, 선택된 코스의 종류에 따라, 상기 제3 구간의 급수 과정을 생략할 수도 있다.

제어부(60)는, 상기 기 설정된 급수 방식에 따라, 세탁조에 급수가 이루어지도록 급수 밸브(5)를 제어할 수 있다.

예를 들어, 제어부(60)는, 상기 제1 구간(Step 1)에서는, 냉수만 급수되도록, 냉수 밸브를 열고, 온수 밸브를 닫을 수 있다.

다른 예로, 제어부(60)는, 상기 제2 구간(Step 2)에서는, 냉수와 온수가 함께 급수되도록, 냉수 밸브와 온수 밸브를 함께 열 수 있다.

또한, 제어부(60)는, 상기 제3 구간(Step 3)이 냉수만 공급되도록 설정된 경우, 냉수밸브만 열고, 상기 제3 구간(Step 3)이 온수만 공급되도록 설정된 경우, 온수 밸브만 열수 있다. 또한, 제어부(60)는, 상기 제3 구간(Step 3)이 냉수와 온수가 함께 공급되도록 설정된 경우, 냉수 밸브와 온수 밸브를 함께 열고, 제3 구간(Step 3)이 생략되도록 설정된 경우, 냉수 밸브와 온수 밸브를 둘다 닫을 수 있다.

제어부(60)는, 급수가 완료되었는지 여부를 판단하게 된다(S20). 제어부(60)는, 급수가 완료되지 않은 경우, 사용 조건 학습에 따른 수압을 계산할 수 있다(S30).

여기서, 사용 조건 학습에 따라 수압을 계산한다는 것은, 기학습된 인공신경망을 이용하여 수압을 산출한다는 의미를 포함할 수 있다.

제어부(60)는, 급수가 진행되는 동안, 수압을 산출하는데 이용되는 급수와 관련된 복수 종류의 데이터를 산출할 수 있다. 그리고, 제어부(60)는, 산출된 복수 종류의 데이터를 기학습된 인공신경망의 입력값으로 입력하여, 급수밸브를 통해 급수되는 수압을 결과값으로 산출할 수 있다.

상기 기학습된 인공신경망의 입력값으로 입력되는, 급수와 관련된 복수 종류의 데이터는, 코스(Course), 포량(부하 Level), 급수단계, 급수시간 및 수위주파수 중 적어도 하나를 포함할 수 있다.

상기 코스는, 세탁운전 코스이며, 세탁운전의 어느 한 종류(또는 세탁방식 또는 프로그램)를 의미할 수 있다. 예를 들어, 상기 코스는, 일반세탁 코스, 기능성의류 세탁 코스, 삶기 코스 등을 포함할 수 있다.

포량은, 세탁조(4)에 수용된 포의 수량을 의미할 수 있다. 일 예로, 제어부(60)는, 급수를 시작하기 전, 세탁조(4)를 소정각도만큼 회전시키기 위해 모터(9)에 전류를 인가할 수 있다. 이후, 제어부(60)는, 상기 소정각도만큼 회전되는데 인가된 전류값을 측정하여, 포량을 산출할 수 있다.

상기 산출된 포량에 따라, 급수수위가 결정될 수 있다. 즉 제어부(60)는, 산철된 포량에 근거하여, 상기 포량에 연계된 급수수위를 결정할 수 있다. 제어부(60)는, 결정된 급수수위까지 급수가 이루어지도록, 급수밸브(5)를 제어할 수 있다.

급수단계는, 도 6에서 살펴본 복수의 구간(Step 1, Step 2, Step 3) 중 현재 수행되는 구간을 의미할 수 있다.

상기 급수 단계는, 앞서 설명한 것과 같이, 선택된 코스에 따라 달라질 수 있다. 예를 들어, 상기 급수 단계 중 제3 구간(Step 3)에서는 선택된 코스에 따라, 온수만 급수되도록 온수밸브만 열리거나, 생수만 급수되도록 냉수밸브만 열리거나, 냉수와 온수가 함께 급수되도록 냉수 밸브와 온수 밸브가 함께 열릴 수도 있다.

또한, 상기 급수 단계 중 제3 구간(Step 3)은, 선택된 코스에 따라 급수가 이루어지지 않도록 생략될 수도 있다.

제어부(60)는, 선택된 코스별로 수행되는 급수단계에 대한 정보를 복수 종류의 데이터 중 한 종류의 데이터로 선택할 수 있다.

급수시간은, 급수가 시작된 시점부터 경과된 시간을 의미할 수 있다. 또한, 상기 급수시간은, 급수가 완료된 시간을 의미할 수도 있다.

수위주파수는, 수위센서에 의해 전달되는 신호의 주파수를 의미할 수 있다. 제어부(60)는, 수위 감지부(75)를 통해, 수위센서에 의해 전달되는 신호의 수위주파수를 실시간으로 측정할 수 있다.

제어부(60)는, 위에서 살펴본, 복수 종류의 데이터(코스, 포량, 급수단계, 급수시간 및 수위주파수)를 기학습된 인공신경망의 입력값으로 입력할 수 있다.

본 발명의 제어부(60)는, 반복적인 머신 러닝을 통해 기 학습된 인공신경망(ANN)(예를 들어, 지도 학습된 심층신경망(DNN))을 이용하여, 수압을 산출할 수 있다.

본 발명에 적용되는 인공신경망에 대하여 보다 구체적으로 설명하기로 한다.

한편, 본 발명에서는, 수압(또는 수압값)을 산출하기 위한 인공신경망(ANN)을 포함할 수 있다. 상기 인공신경망(ANN)에 대한 정보는, 메모리(78) 혹은 제어부(60)에 기 저장되어 있을 수 있다.

도 5은 인공신경망의 일례를 도시한 개념도이다.

머신 러닝(Machine Learning)의 일종인 딥러닝(Deep Learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습하는 것을 의미할 수 있다.

딥러닝(Deep learning)은 히든 레이어들을 차례로 거치면서 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝(Machine Learning) 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.

도 5을 참조하면, 인공신경망(ANN)은 입력 레이어(Input Layer), 히든 레이어(Hiddent Layer) 및 출력 레이어(Output Layer)를 포함할 수 있다. 다중의 히든 레이어(hidden layer)를 갖는 것을 DNN(Deep Neural Network)이라고 한다. 각 레이어는 복수의 노드들을 포함하고, 각 레이어는 다음 레이어와 연관되어 있다. 노드들은 웨이트(weight)를 가지고 서로 연결될 수 있다.

제 1 히든 레이어(Hidden Layer 1)에 속한 임의의 노드로부터의 출력은, 제 2 히든 레이어(Hidden Layer 2)에 속하는 적어도 하나의 노드로의 입력이 된다. 이때, 각 노드의 입력은 이전 레이어의 노드의 출력에 웨이트(weight)가 적용된 값일 수 있다. 웨이트(weight)는 노드간의 연결 강도를 의미할 수 있다. 딥러닝 과정은 적절한 웨이트(weight)를 찾아내는 과정으로도 볼 수 있다.

본 발명의 일 실시 예에 따른 세탁기에 적용되는 인공신경망(ANN)은, 앞서 살펴본 복수 종류의 데이터(코스, 포량, 급수단계, 급수시간 및 수위주파수)를 입력 데이터로 하고, 실험에 의해 측정된 수압(또는 수압값)을 결과 데이터로 하여 지도 학습(Supervised Learning)된 심층신경망(DNN)을 의미할 수 있다.

상기 지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습(Machine Learning)의 한 방법을 의미할 수 있다.

본 발명의 인공신경망(ANN)은, 복수 종류의 데이터별로 수압값을 실험적으로 측정하고, 각 복수 종류의 데이터을 입력 데이터로, 각 복수 종류의 데이터별로 측정된 수압값을 결과값으로 입력하여, 히든 레이어가 학습된 심층신경망(DNN)일 수 있다. 여기서 히든 레이어를 학습시킨다는 것은, 히든 레이어에 포함된 노드 간 연결선의 웨이트(weight)를 조정(업데이트)하는 것을 의미할 수 있다.

이러한 인공신경망(ANN)을 이용하여, 본 발명의 제어부(60)는, 급수가 이루어지는 동안, 급수와 관련된 복수 종류의 데이터를 산출하고, 상기 복수 종류의 데이터를 상기 인공신경망의 입력값으로 하여, 수압을 산출(예측, 판정, 추정)할 수 있다.

제어부(60)는, 앞서 살펴본 복수 종류의 데이터를 트레이닝(training) 데이터로 사용하여 학습(learning)을 수행할 수 있다. 즉, 제어부(60)는 수압값을 인식 또는 판정할 때마다, 그 판정 결과와, 그 때 입력된 복수 종류의 데이터를 데이터 베이스에 추가하여 웨이트(weight)나 바이어스 등의 심층신경망(DNN) 구조를 업데이트(update)할 수 있다. 또한, 제어부(60)는, 소정 횟수의 트레이닝 데이터가 확보된 후에 확보된 트레이닝 데이터로 지도 학습 과정을 수행하여 웨이트(weight) 등 심층신경망(DNN) 구조를 업데이트할 수 있다.

제어부(60)는, 세탁운전의 코스가 선택된 후 세탁운전이 시작되면, 포량을 측정한 후 측정된 포량에 대응되는 급수수위만큼 급수가 이루어지도록, 급수를 시작할 수 있다(S10).

이후, 제어부(60)는, 급수되는 세탁수(물)이 급수수위에 도달했는지 여부를 판단할 수 있다(S20). 제어부(60)는, 급수에 의해 세탁수가 급수수위에 도달한 경우, 급수가 완료되었다고 판단할 수 있다. 예를 들어, 제어부(60)는, 수위 감지부(75)를 통해 세탁수가 결정된 급수수위까지 도달했는지 여부를 결정하고, 세탁수가 결정된 급수수위까지 도달한 경우 급수가 완료되었다고 판단할 수 있다. 이후, 급수가 완료된 경우, 제어부(60)는, 세탁행정을 수행할 수 있다.

한편, 급수가 완료되지 않은 경우(즉, 급수되는 동안), 제어부(60)는, 사용 조건 학습에 따른 수압을 계산할 수 있다(S30). 즉, 제어부(60)는, 급수가 수행되는 동안, 급수와 관련된 복수 종류의 데이터를 산출하고, 상기 산출된 복수 종류의 데이터를 기학습된 인공신경망의 입력값으로 입력하여, 수압을 산출할 수 있다(S30).

제어부(60)는, 복수 종류의 데이터를 인공신경망의 입력값으로 입력하여 산출된 수압에 근거하여, 서로 다른 헹굼 과정을 수행할 수 있다.

도 4를 참조하면, 제어부(60)는, 급수가 이루어지는 동안 산출된 수압에 근거하여, 어느 방식으로 헹굼행정을 수행할지를 결정할 수 있다. 여기서, 헹굼헹정의 방식을 결정하는 시점은, 급수가 이루어지는 동안 수행될 수도 있고, 수압이 산출된 시점에 수행될 수도 있으며, 급수가 완료된 시점에 수행될 수도 있고, 세탁행정이 끝난 후에 이루어질 수도 있다.

예를 들어, 제어부(60)는, 산출된 수압이 제1 기준수압보다 큰 경우, 고수압인 경우 수행되도록 설정된 제1 헹굼 과정(고수압 제어 헹굼)을 수행할 수 있다(S40, S50).

상기 고수압은, 제1 기준수압보다 큰 수압으로 정의될 수 있으며, 상기 제1 헹굼 과정은, 산출된 수압이 제1 기준수압보다 큰 경우 수행되도록 프로그래밍 된 헹굼 과정을 의미할 수 있다.

다른 예로, 제어부(60)는, 상기 산출된 수압이 상기 제1 기준수압보다 작은 제2 기준수압보다 작은 경우, 저수압인 경우 수행되도록 설정된 제2 헹굼 과정(저수압 제어 헹굼)을 수행할 수 있다(S60, S70).

상기 저수압은, 제2 기준수압보다 작은 수압으로 정의될 수 있으며, 상기 제2 헹굼 과정은, 산출된 수압이 제2 기준수압보다 작은 경우 수행되도록 프로그래밍 된 헹굼 과정을 의미할 수 있다.

또한, 제어부(60)는, 상기 산출된 수압이 상기 제1 기준수압보다 작고, 상기 제2 기준수압보다 큰 경우, 일반적인 수압인 경우 수행되도록 설정된 제3 헹굼 과정(Normal 제어 헹굼)을 수행할 수 있다(S80).

상기 제1 내지 제3 헹굼 과정은 서로 다른 방식으로 헹굼을 수행하도록 설정될 수 이다.

예를 들어, 고수압인 경우 수행되는 제1 헹굼 과정은, 급수 횟수가 가장 적고, 한번 급수될 때 급수되는 시간도 가장 짧을 수 있다. 고수압인 경우, 세제를 헹구는데 공급되는 물을 세게 공급할 수 있으므로, 급수 횟수와 급수 시간을 짧게 하여도 기대하는 만큼 헹굼이 이루어질 수 있으므로, 헹굼 시간을 단축시킬 수 있다.

다른 예로, 저수압인 경우 수행되는 제2 헹굼 과정은, 급수 횟수가 가장 많으며, 한번 급수될 때 급수되는 시간도 가장 길 수 있다. 즉, 본 발명의 세탁기는, 헹굼행정에서 수행되는 급수의 수압이 낮더라도, 급수 횟수와 급수 시간을 길게 하여, 충분한 헹굼이 이루어질 수 있도록 할 수 있다.

제3 헹굼 과정은, 제1 헹굼 과정에서보다는 많고, 제2 헹굼 과정보다는 적은 횟수만큼 급수를 수행하고, 급수시간도 제1 헹굼 과정에서의 급수시간과 제2 헹굼 과정에서의 급수시간 사이의 급수시간을 갖도록 형성될 수 있다.

한편, 본 발명의 제어부(60)는, 급수가 기 설정된 급수 방식에 따라 진행되는 동안 복수 종류의 데이터를 산출하고, 상기 산출된 복수 종류의 데이터를 이용하여 수압을 산출할 수 있다.

예를 들어, 제어부(60)는, 급수가 완료된 이후에는, 수압을 산출하지 않고, 급수가 진행되는 동안에만 수압을 산출할 수 있다.

또한, 제어부(60)는, 기 설정된 급수 방식에 따라 급수가 이루어지는 동안, 기 설정된 급수 방식에 포함된 복수의 구간별로 수압을 산출할 수도 있다.

즉, 제어부(60)는, 복수의 구간별로 복수 종류의 데이터를 측정할 수 있다. 이후, 제어부(60)는, 상기 복수의 구간별로 상기 복수 종류의 데이터를 측정한 후 상기 기학습된 인공신경망의 입력값으로 입력하여, 상기 복수의 구간별로 수압을 산출할 수 있다.

제어부(60)는, 선택된 코스별로 수행되는 급수단계(즉, 기 설정된 급수 방식)에서 어느 밸브가 열리는지 알 수 있다. 제어부(60)는, 급수 단계, 즉, 복수의 구간별로 개폐되는 급수밸브(5)의 종류와, 각 구간에서 산출된 수압을 이용하여, 냉수밸브와 온수밸브 각각의 수압과, 최대 수압을 산출할 수 있다.

다시 말해, 제어부(60)는, 복수의 구간별 수압에 근거하여, 최대 수압, 냉수 밸브만을 열린 경우의 냉수 수압 및 온수 밸브만 열린 경우의 온수 수압을 산출할 수 있다.

여기서, 최대 수압은, 냉수 밸브와 온수 밸브를 동시에 열린 경우(즉, 냉수 밸브와 온수 밸브가 동시에 열렸을 경우)의 수압을 의미할 수 있다.

예를 들어, 도 6을 참조하면, 제어부(60)는, 복수의 구간 중 제1 구간(Step 1)에서 급수와 관련된 복수 종류의 데이터를 산출하고, 산출된 복수 종류의 데이터를 기학습된 인공신경망의 입력값으로 입력하여 제1 수압을 산출할 수 있다.

상기 제1 구간(Step 1)에서는 급수밸브(5) 중 냉수 밸브만 열림에 따라 냉수만 공급될 수 있다. 제어부(60)는, 상기 제1 구간에서 산출된 제1 수압을 냉수 밸브만 열린 경우의 냉수 수압으로 결정할 수 있다.

제어부(60)는, 복수의 구간 중 제2 구간(Step 2)에서 급수와 관련된 복수 종류의 데이터를 재산출하고, 상기 재산출된 복수 종류의 데이터를 기학습된 인공신경망의 입력값으로 입력하여 제2 수압을 산출할 수 있다.

상기 제2 구간(Step 2)에서는 급수밸브(5) 중 냉수 밸브와 온수 밸브가 모두열림에 따라 냉수와 온수가 함께 공급될 수 있다. 제어부(60)는, 상기 제2 구간에서 산출된 제2 수압을 최대 수압으로 결정할 수 있다. 또한, 제어부(60)는, 상기 제2 수압에서 상기 제1 수압을 뺀 수압(제3 수압)을 온수 밸브만 열린 경우의 온수 수압으로 결정할 수 있다. 즉, 최대 수압에서 냉수 수압을 뺀 수압은 온수 수압이 될 수 있다.

만약 제3 구간(Step)에서 냉수가 아닌 온수만 공급되도록 온수 밸브만 열리는 경우, 제어부(60)는, 상기 제3 구간에서 복수 종류의 데이터를 측정하고, 측정된 복수 종류의 데이터에 의해 산출된 제3 수압을 온수 밸브만 열린 경우의 온수 수압으로 결정할 수도 있다.

또한, 제어부(60)는, 복수의 구간별로 개폐되는 급수밸브(5)의 종류와 산출된 수압에 근거하여, 냉수 밸브 및 온수 밸브 중 급수가 가능한 밸브를 판단할 수 있다.

다른 말로, 제어부(60)는, 복수의 구간별 수압에 근거하여, 냉수 밸브 및 온수 밸브 중 급수가 가능한 밸브를 판단할 수 있다.

구체적으로, 제어부(60)는, 복수의 구간별 수압에 근거하여, 호스가 연결되지 않은(즉, 급수가 불가능한) 밸브를 식별(판별)할 수 있다.

예를 들어, 복수의 구간 중 냉수 밸브만 열리도록 설정된 제1 구간(Step 1)에서 인공신경망을 통해 산출된 제1 수압과, 냉수 밸브와 온수 밸브가 함께 열리도록 설정된 제2 구간(Step 2)에서 인공신경망을 통해 산출된 제2 수압이 같은 경우, 제어부(60)는, 온수 밸브에 호스가 연결되지 않은 것으로 판단할 수 있다. 즉, 제어부(60)는, 냉수 밸브를 통해서만 급수가 가능하고, 온수 밸브를 통해서는 급수가 불가능하다고 판단할 수 있다.

다른 예로, 제어부(60)는, 냉수가 공급되도록 설정된 제1 구간(Step 1)에서 급수가 이루어지지 않거나, 제1 구간에서 측정된 복수 종류의 데이터에 의해 산출된 제1 수압이 0에 가까운 값인 경우, 냉수 밸브에 호스가 연결되지 않은 것으로 판단할 수도 있다.

이와 같이, 본 발명은, 기 설정된 급수 방식(코스별로 설정된 급수 단계)에 포함된 복수의 구간별로 수압을 측정하고, 이를 통해, 최대 수압, 냉수 수압, 온수 수압을 각각 구분하여 산출할 수 있다.

또한, 본 발명은, 세탁운전의 기 설정된 급수 방식(코스별로 설정된 급수 단계)에 포함된 복수의 구간별로 수압을 측정하여, 냉수 밸브와 온수 밸브 중 어느 밸브를 통해 급수가 가능한지, 다른 말로, 어느 밸브에 호스가 연결되지 않았는지 여부를 판단(결정)할 수도 있다.

이후, 제어부(60)는, 산출된 최대 수압, 냉수 수압, 온수 수압에 근거하여, 서로 다른 방식의 헹굼 과정을 수행할 수 있다. 예를 들어, 제어부(60)는, 최대 수압에 근거하여, 제1 내지 제3 헹굼 과정 중 어느 하나를 수행할 수 있다.

다른 예로, 제어부(60)는, 선택된 코스에 따라, 냉수 수압을 기준으로 헹굼 과정을 선택하거나, 온수 수압을 기준으로 헹굼 과정을 선택할 수도 있다.

또한, 제어부(60)는, 급수 가능한 밸브의 종류에 근거하여, 복수의 헹굼 과정 중 어느 하나를 결정할 수도 있다. 예를 들어, 제어부(60)는, 냉수 밸브와 온수 밸브 모두를 통해 급수가 가능한 경우, 제1 헹굼 과정을 수행할 수 있다.

다른 예로, 제어부(60)는, 냉수 밸브 또는 온수 밸브 중 어느 하나를 통해서만 급수가 가능한 경우, 제1 헹굼 과정을 수행하지 않고, 제2 헹굼 과정 또는 제3 헹굼 과정을 수행할 수 있다.

상기 제2 헹굼 과정을 수행할지, 제3 헹굼 과정을 수행할지 여부는, 측정된 수압에 근거하여 결정될 수 있다.

이상에서 설명한 내용은, 세탁기의 제어방법에도 동일/유사하게 유추적용될 수 있다. 세탁기의 제어방법은, 일 예로, 제어부(60)에 의해 수행될 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 프로세서 또는 제어부를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 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.

Claims

포를 수용하고 회전 가능하게 구비되는 세탁조;
상기 세탁조로 급수를 수행하는 급수밸브; 및
기 설정된 급수 방식에 따라 상기 세탁조에 급수가 이루어지도록 상기 급수밸브를 제어하는 제어부를 포함하고,
상기 제어부는,
급수와 관련된 복수 종류의 데이터를 기학습된 인공신경망의 입력값으로 입력하여, 상기 급수밸브를 통해 급수되는 수압을 결과값으로 산출하는 것을 특징으로 하는 세탁기.
제 1 항에 있어서,
상기 복수 종류의 데이터는,
코스, 포량, 급수단계, 급수시간 및 수위주파수 중 적어도 하나를 포함하는 것을 특징으로 하는 세탁기.
제 1 항에 있어서,
상기 제어부는,
상기 복수 종류의 데이터를 상기 인공신경망의 입력값으로 입력하여 산출된 수압에 근거하여, 서로 다른 헹굼 과정을 수행하는 것을 특징으로 하는 세탁기.
제 3 항에 있어서,
상기 제어부는,
상기 산출된 수압이 제1 기준수압보다 큰 경우, 고수압인 경우 수행되도록 설정된 제1 헹굼 과정을 수행하고,
상기 산출된 수압이 상기 제1 기준수압보다 작은 제2 기준수압보다 작은 경우, 저수압인 경우 수행되도록 설정된 제2 헹굼 과정을 수행하는 것을 특징으로 하는 세탁기.
제 4 항에 있어서,
상기 제어부는,
상기 산출된 수압이 상기 제1 기준수압보다 작고, 상기 제2 기준수압보다 큰 경우, 일반적인 수압인 경우 수행되도록 설정된 제3 헹굼 과정을 수행하는 것을 특징으로 하는 세탁기.
제 1 항에 있어서,
상기 제어부는,
급수가 상기 기 설정된 급수 방식에 따라 진행되는 동안 복수 종류의 데이터를 산출하고, 상기 산출된 복수 종류의 데이터를 이용하여 상기 수압을 산출하는 것을 특징으로 하는 세탁기.
제 1 항에 있어서,
상기 기 설정된 급수 방식은, 냉수 밸브 및 온수 밸브를 선택적으로 개폐시키는 복수의 구간으로 구분되며,
상기 제어부는,
상기 복수의 구간별로 상기 복수 종류의 데이터를 측정한 후 상기 기학습된 인공신경망의 입력값으로 입력하여, 상기 복수의 구간별 수압을 산출하는 것을 특징으로 하는 세탁기.
제 7 항에 있어서,
상기 제어부는,
상기 복수의 구간별 수압에 근거하여, 최대 수압, 냉수 밸브만 열린 경우의 냉수 수압 및 온수 밸브만 열린 경우의 온수 수압을 산출하는 것을 특징으로 하는 세탁기.
제 7 항에 있어서,
상기 제어부는,
상기 복수의 구간별 수압에 근거하여, 상기 냉수 밸브 및 상기 온수 밸브 중 급수가 가능한 밸브를 판단하는 것을 특징으로 하는 세탁기.
기 설정된 급수 방식에 따라 세탁조에 급수를 수행하는 단계; 및
급수와 관련된 복수 종류의 데이터를 기학습된 인공신경망의 입력값으로 입력하여, 급수밸브를 통해 급수되는 수압을 결과값으로 산출하는 단계를 포함하는 세탁기의 제어방법.