KR20200095983A - 세탁기 및 세탁기의 제어방법 - Google Patents

Abstract

본 발명은 세탁기 및 세탁기의 제어방법에 관한 것이다. 본 발명의 일 실시 예에 따른 세탁기는, 터브, 상기 터브에 구비되는 진동센서, 포를 수용하고, 상기 터브 내에서 회전 가능하도록 구비되는 드럼 및 탈수 과정 중 상기 드럼이 특정 회전속도로 회전하는 감지구간에서, 상기 진동센서를 이용하여 상기 터브에서 발생되는 다축 진동과 관련된 값을 측정하고, 상기 측정된 값을 이용하여, 상기 터브에서 발생될 것으로 예상되는 최대진동변위 예측값을 결정하며, 상기 결정된 최대진동변위 예측값과 기 설정된 기준값에 근거하여, 상기 감지구간에서 상기 탈수 과정을 초기화할지 여부를 결정하는 제어부를 포함한다.

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) 기반으로 탈수 과정에서 발생될 과도한 진동을 조기에 예측하는 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.

세탁운전은, 세탁기 정면을 바라보았을 때 전후 방향을 회전축으로 하여 드럼이 회전할 때 세탁물이 중력에 의한 힘에 의해 떨어지며 세탁이 이루어 진다.

세탁 및 헹굼 운전 이후 탈수 운전에서는, 드럼을 높은 회전속도로 가속시키고, 이로 인해, 원심력에 의해 드럼 내부에 달라붙은 세탁물에서 빠져나온 물이 드럼 표면의 탈수공들을 통해 터브로 배출되게 된다.

탈수를 진행하는 과정에서 드럼 내부의 세탁물 배치의 불균일성(Unbalance, 이하 UB)이 발생하게 될 경우, 중력에 의한 구동부(드럼을 포함하는 터브)의 진동이 발생하게 되며, 이 진동은 터브, 캐비넷 및 바닥으로 전달이 된다. 이러한 진동은 소음을 야기하게 되며, 드럼을 회전시키는데 필요한 부하도 증가시킨다는 문제가 있다.

따라서 세탁기에서 드럼의 진동을 줄이는 것은 제품의 안정성이나 소비자 만족 측면에서 매우 중요하다고 할 수 있다.

종래에는 구동부 진동 저감을 위해 UB 자체를 능동적으로 줄여주는 발란싱유닛(ball balancer, liquid balancer) 등을 적용하여, 구동부 자체의 무게를 늘여서 UB에 둔감해 지도록 하는 노력을 하고 있다. 또한 댐핑력을 갖는 마찰댐퍼와 스프링을 사용하여 구동부의 진동을 저감시키기 위한 기술 개발이 이루어지고 있다.

한편, 선행문헌 1(등록특허공보 10-0244874(1999.11.24.))은, 진동이 발생하게 될 것을 미리 예측하여 세탁기의 편심상태(unbalance)를 제거할 수 있도록, 자이로 센서로부터 출력되는 전압 파형을 읽어드리고, 전압 파형을 면적적분하여 세탁물의 편심량을 판단하며, 판단된 편심량이 과도진동을 발생시킬 것이라고 판단되는 기준값과 비교하여 과도진동을 예측하는 구성에 대하여 개시한다.

그러나, 선행문헌 1은, 단순히 편심량(UB값)과 과도진동이 발생되었던 기준값(기준UB값)을 비교하는 구성 및, 편심량 비교를 통해 과도진동 발생 여부만을 판단하는 구성에 대하여 개시할 뿐이다.

즉, 선행문헌 1은, 과도진동을 예측할 때 진동값이 아닌 편심량을 이용한다는 점 및 과도진동의 정확한 예측값(즉, 최대과도진동값)을 산출하지 못한다는 점에서, 과도진동 발생의 예측 정확성이 떨어진다는 문제점이 있다.

과도진동 발생의 예측 정확성이 떨어지게 되면, 탈수과정의 불필요한 단락을 야기하게 되어, 탈수시간이 늘어나게 된다는 문제점도 있다.

선행문헌 2(등록특허공보 10-1272341(2013.05.30.))는, RPM변동량(UB값)과 세탁기에서 발생되는 실제 진동량을 직접 측정하여, 감지된 실제 진동량 기준 진동량 이상이거나, 감지된 RPM변동량이 기준RPM 변동량 이상인 경우, 모터의 회전을 정지시켜 세탁물을 분산하는 과정을 다시 수행하는 구성에 대하여 개시한다.

그러나, 선행문헌 2의 경우에도, 실제로 발생된 진동량을 기준 진동량과 비교하는 구성에 대하여 개시할 뿐, 실제로 발생된 진동량을 이용하여 미래에 발생될 과도진동에 대한 진동값(즉, 최대과도진동값)을 예측(산출)하는 구성에 대해서는 개시하지 못한다.

선행문헌 2의 경우에도, 과도진동의 정확한 예측값을 예측(산출)하는 구성에 대하여 개시하지 못하므로, 과도진동 발생의 예측 정확성이 떨어지게 되며, 이로 인해 탈수과정의 불필요한 단락을 야기하게 되어, 탈수시간이 늘어나게 된다는 문제점을 갖는다.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.

또한, 인공지능과 머신 러닝을 탈수행정에 적용하여, 최적화된 탈수행정을 수행하기 위한 개발이 활발히 진행되고 있다.

예를 들어, 선행문헌 3(등록특허공보 10-1841248(2018.03.16.))을 참조하면, 선행문헌 3은 모터회전 속도를 인공신경망의 입력으로 이용하여 포량을 감지하는 구성에 대하여 개시하고 있다.

그러나, 선행문헌 3은, 기학습된 인공신경망을 이용하여 탈수 과정에서 발생될 최대과도진동값(또는 최대진동변위 예측값)을 감지하는 구성에 대해서는 개시하지 못한다.

본 발명의 실시예는 상기한 문제점을 해결하기 위하여, 과도한 진동의 발생 여부를 정확하게 판단하여 탈수 시간을 단축시키는 것이 가능한 세탁기 및 세탁기의 제어방법을 제공하는데 목적이 있다.

본 발명의 실시예는, 탈수과정에서 과도한 진동을 발생시키는 UB를 정확하게 감지하는 것이 가능한 세탁기 및 세탁기 제어방법을 제공하는데 목적이 있다.

본 발명의 실시예는, 인공신경망을 이용하여 탈수과정 중 과도한 진동이 발생될 것을 탈수과정 초기에 예측하는 것이 가능한 세탁기 및 세탁기 제어방법을 제공하는데 목적이 있다.

본 발명의 실시예는, 과도한 진동이 발생되기 이전에 탈수과정의 초기화 여부를 정확하게 결정하여, 불필요한 초기화에 의해 탈수시간이 길어지는 것을 방지하는 것이 가능한 세탁기 및 세탁기 제어방법을 제공하는데 목적이 있다.

본 발명의 실시예는, 진동센서를 통해 측정된 진동값을 이용하여 탈수과정에서 발생될 최대진동변위 예측값을 직접 산출하고 최대진동변위 예측값으로 과도한 진동 발생 여부를 정확하게 판단하는 것이 가능한 세탁기 및 세탁기의 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 일 실시예에 따른 세탁기는, 탈수시간 단축을 위해, 드럼이 특정 회전속도로 회전하는 감지구간(즉, 저 RPM 구간)에서, 진동센서를 이용하여 다축 진동과 관련된 값을 측정하고, 측정된 값을 이용하여 탈수 과정 전체(또는, 공진구간(또는 과도영역))에서 발생될 것으로 예상되는 최대진동변위 예측값을 산출하며, 최대진동변위 예측값이 기 설정된 기준값을 초과하는지 여부에 근거하여, 상기 감지구간(저 RPM 구간)에서 탈수 과정의 초기화 여부를 결정할 수 있는 제어부를 포함할 수 있다.

본 발명의 일 실시예에 따른 세탁기는, 정확한 탈수과정 초기화 여부를 판별하게 위해, 머신 러닝을 통해 기 학습된 인공신경망에 다축 진동과 관련된 값을 입력값으로 하여, 탈수 과정 전체(또는 과도영역(공진영역)(150~600RPM))에서 발생될 최대진동변위 예측값을 정확하게 감지할 수 있는 제어부를 포함할 수 있다.

구체적으로, 본 발명의 실시예에 따른 세탁기는, 터브, 상기 터브에 구비되는 진동센서, 포를 수용하고, 상기 터브 내에서 회전 가능하도록 구비되는 드럼 및 탈수 과정 중 상기 드럼이 특정 회전속도로 회전하는 감지구간에서, 상기 진동센서를 이용하여 상기 터브에서 발생되는 다축 진동과 관련된 값을 측정하고, 상기 측정된 값을 이용하여, 상기 터브에서 발생될 것으로 예상되는 최대진동변위 예측값을 결정하며, 상기 결정된 최대진동변위 예측값과 기 설정된 기준값에 근거하여, 상기 감지구간에서 상기 탈수 과정을 초기화할지 여부를 결정하는 제어부를 포함한다.

실시예에 있어서, 상기 진동센서는, 상기 터브를 기준으로 서로 다른 복수의 축을 따라 진동하는 복수의 진동들에 대한 복수의 진동변위값을 측정하는 것을 특징으로 한다.

실시예에 있어서, 상기 제어부는, 상기 복수의 진동들 사이의 복수의 위상차 정보를 산출하는 것을 특징으로 한다.

실시예에 있어서, 상기 복수의 위상차 정보는, 상기 복수의 진동 중 어느 하나의 진동을 기준으로 한 다른 진동들의 위상차 정보를 포함하는 것을 특징으로 한다.

실시예에 있어서, 상기 제어부는, 상기 복수의 진동 변위값, 상기 복수의 위상차 정보 및 회전속도 흔들림 값 중 적어도 하나를 기 학습된 인공신경망의 입력값으로 입력하여, 상기 최대진동변위 예측값을 출력값으로 산출하는 것을 특징으로 한다.

실시예에 있어서, 상기 최대진동변위 예측값은, 서로 다른 복수의 축 별로 최대로 진동할 것으로 예상되는 복수의 최대진동변위 예측값을 포함하는 것을 특징으로 한다.

실시예에 있어서, 상기 제어부는, 상기 복수의 최대진동변위 예측값이 모두 상기 기 설정된 기준값 이하인 경우, 상기 감지구간에서의 특정 회전속도보다 빠른 회전속도로 상기 드럼을 회전시키는 것을 특징으로 한다.

실시예에 있어서, 상기 제어부는, 상기 복수의 최대진동변위 예측값 중 적어도 하나가 상기 기 설정된 기준값을 초과하는 것에 근거하여, 상기 감지구간에서 상기 드럼의 회전을 단락시키는 것을 특징으로 한다.

실시예에 있어서, 상기 기 설정된 기준값은, 서로 다른 복수의 축 별로 각각 설정되어 있는 것을 특징으로 한다.

실시예에 있어서, 상기 특정 회전속도는, 상기 포가 상기 드럼의 벽면에 붙은 상태로 회전되는 속도보다 빠르고, 탈수과정의 최대회전속도보다 느린 속도인 것을 특징으로 한다.

본 발명의 일 실시예에 따른 세탁기의 제어방법은, 탈수 과정 중 드럼이 특정 회전속도로 회전하는 감지구간에서, 진동센서를 이용하여 상기 드럼을 포함하는 터브에서 발생되는 다축 진동과 관련된 값을 측정하는 단계, 상기 측정된 값을 이용하여, 상기 터브에서 발생될 것으로 예상되는 최대진동변위 예측값을 결정하는 단계 및 상기 결정된 최대진동변위 예측값과 기 설정된 기준값에 근거하여, 상기 감지구간에서 상기 탈수 과정을 초기화할지 여부를 결정하는 단계를 포함 한다.

실시예에 있어서, 상기 진동센서는, 상기 터브를 기준으로 서로 다른 복수의 축을 따라 진동하는 복수의 진동들에 대한 복수의 진동변위값을 측정하는 것을 특징으로 한다.

실시예에 있어서, 상기 측정하는 단계는, 상기 복수의 진동들 사이의 복수의 위상차 정보를 산출하는 것을 특징으로 한다.

실시예에 있어서, 상기 복수의 위상차 정보는, 상기 복수의 진동 중 어느 하나의 진동을 기준으로 한 다른 진동들의 위상차 정보를 포함하는 것을 특징으로 한다.

실시예에 있어서, 상기 산출하는 단계는, 상기 복수의 진동 변위값, 상기 복수의 위상차 정보 및 회전속도 흔들림 값 중 적어도 하나를 기 학습된 인공신경망의 입력값으로 입력하여, 상기 최대진동변위 예측값을 출력값으로 산출하는 것을 특징으로 한다.

실시예에 있어서, 상기 최대진동변위 예측값은, 서로 다른 복수의 축 별로 최대로 진동할 것으로 예상되는 복수의 최대진동변위 예측값을 포함하는 것을 특징으로 한다.

실시예에 있어서, 상기 복수의 최대진동변위 예측값이 모두 상기 기 설정된 기준값 이하인 경우, 상기 감지구간의 특정 회전속도보다 빠른 회전속도로 상기 드럼을 회전시키는 단계를 더 포함하는 것을 특징으로 한다.

실시예에 있어서, 상기 초기화하는 단계는, 상기 복수의 최대진동변위 예측값 중 적어도 하나가 상기 기 설정된 기준값을 초과하는 것에 근거하여, 상기 감지구간에서 상기 드럼의 회전을 단락시키는 것을 특징으로 한다.

실시예에 있어서, 상기 기 설정된 기준값은, 서로 다른 복수의 축 별로 각각 설정되어 있는 것을 특징으로 한다.

실시예에 있어서, 상기 특정 회전속도는, 상기 포가 상기 드럼의 벽면에 붙은 상태로 회전되는 속도보다 빠르고, 탈수과정의 최대회전속도보다 느린 속도인 것을 특징으로 한다.

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 감지구간에서 탈수과정 중 발생되는 터브의 최대진동변위를 예측하여, 탈수 초기에 탈수과정 초기화/지속진행 여부를 결정할 수 있다.

둘째, 본 발명은 탈수 과정 중 초기에서, 과도한 진동을 발생시킬 것으로 예상되는 UB상태를 조기에 감지할 수 있으며, 이를 통해 조기에 탈수 과정을 초기화함으로써, 탈수시간을 단축시킬 수 있다는 효과가 있다.

셋째, 본 발명은 감지구간에서 인공신경망을 통해 산출된 최대진동변위 예측값이 미리 설정된 기준치를 초과하는 경우, 탈수과정을 더 이상 진행하지 않고 초기화(단락)시킴으로써, 과도한 진동의 발생을 방지하고, 탈수 진입에 소요되는 시간을 단축시킬 수 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 탈수행정 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 회전속도 흔들림 및 3D UB를 설명하기 위한 개념도이다.
도 5는 본 발명의 대표적인 제어방법을 설명하기 위한 흐름도이다.
도 6, 도 7, 도 8 및 도 9는 도 5에서 살펴본 제어방법을 설명하기 위한 개념도이다.
도 10 및 도 11은 본 발명의 일 실시예에 따른 제어방법을 적용한 경우의 실험 데이터를 나타낸 결과이다.

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)(또는 드럼(Drum))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)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), 출력부(72), 통신부(73), 속도 감지부(74), 전류 감지부(75), 진동 감지부(76) 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.

속도 감지부(74)는 세탁조(4)의 회전속도를 감지한다. 속도 감지부(74)는 모터(9)의 회전자의 회전속도를 감지할 수 있다. 모터(9)의 회전비를 변환시켜 세탁조(4)를 회전시키는 유성 기어열이 구비된 경우, 세탁조(4)의 회전속도는 속도 감지부(74)에 의해 감지된 상기 회전자의 회전속도를 상기 유성 기어열의 감속 또는 증속비를 고려하여 변환한 값일 수 있다.

제어부(60)는, 속도 감지부(74)로부터 전달된 세탁조의 회전속도를 피드백(feedback)으로 하여, 모터(9)가 기 설정된 목표속도를 추종하도록 모터 구동부(71)를 제어할 수 있다. 다른 말로, 제어부(60)는, 세탁조의 회전속도가 목표속도에 도달하도록, 상기 모터(9)를 제어할 수 있다.

전류 감지부(75)는, 모터(9)에 인가되는 전류(또는 모터(9)에 흐르는 출력 전류)를 감지하여 제어부(60)로 전달할 수 있다. 제어부(60)는 수신된 전류를 이용하여 포량과 포질을 감지할 수 있다.

이때, 상기 전류 값들은 세탁조(4)가 목표속도를 향해 가속되는 과정(또는 모터(9)가 기 설정된 목표속도를 향해 가속되는 과정)에서 구한 값들을 포함한다.

토크 전류와 자속 전류를 바탕으로 한 벡터 제어에 의해 모터(9)의 회전이 제어되는 경우, 상기 전류는 모터 회로에 흐르는 전류의 토크축(q축) 성분, 즉, 토크 전류(Iq)일 수 있다.

진동 감지부(76)는, 포를 수용한 세탁조(4)의 회전에 의해 저수조(3)(또는 세탁기)에서 발생되는 진동을 감지하는 역할을 한다.

본 발명의 일 실시 예에 따른 세탁기는, 진동센서(또는 진동측정센서)(77)를 포함할 수 있다. 상기 진동센서는, 세탁기의 일 지점에 구비될 수 있으며, 일 예로, 저수조(3)의 일 지점에 구비될 수 있다. 일 예로, 상기 진동센서는, 진동 감지부(76)에 포함될 수 있다.

진동 감지부(76)는, 진동센서에 의해 측정되는 진동값(또는 진동변위값)을 수신하고, 이를 제어부(60)로 전달할 수 있다. 또한, 진동 감지부(76)는, 진동센서(77)에서 측정되는 진동신호를 이용하여, 저수조(3)(또는 세탁기)의 진동값(또는 진동변위값)을 산출할 수도 있다.

본 발명의 일 실시 예에 따른 세탁기에 구비되는 속도 감지부(74), 전류 감지부(75), 진동 감지부(76)는, 센싱부로 명명될 수도 있고, 상기 센싱부에 포함되는 개념으로 이해될 수 있다.

또한, 상기 센싱부에서는, 속도 감지부(74)에서 측정된 세탁조(4)의 회전속도값(또는 속도 값), 전류 감지부(75)에서 측정된 모터(9)에 인가되는 전류값, 진동 감지부(76)에서 측정된 저수조(3)의 진동값을 산출할 수 있다.

한편, 본 발명은 UB 감지부(미도시)를 더 포함할 수 있다. 상기 UB 감지부는, 세탁조(4)의 편심량(흔들림량), 즉 세탁조(4)의 언발란스(unbalance, UB)를 감지할 수 있다. UB감지부는 세탁조(4)의 흔들림을 수치적으로 나타내는 UB값을 산출할 수 있다.

제어부(60)는, 세탁조(4)의 회전속도(RPM, Revolution Per Minute) 흔들림 값을 UB 값으로 산출할 수 있다.

예를 들어, 제어부(60)는, 속도 감지부(74)에서 측정되는 세탁조(4)의 회전속도의 파형값에 근거하여, 최대 속도와 최저 속도 사이의 변위값을 회전속도 흔들림값으로 산출하고, 상기 산출된 회전속도 흔들림 값(또는 RPM 흔들림 값)에 근거하여 UB값을 결정할 수 있다.

상기 UB값은, 상기 산출된 회전속도 흔들림 값 자체일 수도 있으며, 상기 산출된 회전속도 흔들림 값을 이용하여 산출된 특정 값일 수도 있다.

제어부(60)는, 포를 수용한 세탁조(4)가 회전할 때 발생되는 세탁조(4)의 언발란스(unbalance, UB)를 측정할 수 있다. 여기서 세탁조(4)의 언발란스는, 세탁조(4)의 흔들림 또는 세탁조(4)의 흔들림 값(또는 흔들림 정도)을 의미할 수 있다. 또한, 상기 세탁조(4)의 언발란스는, 세탁조(4) 내부의 포 무게의 불균일한 배치 상태를 의미할 수도 있다.

제어부(60)는, 세탁조(4)(또는 드럼)의 흔들림 값(또는 흔들림 정도)을 측정(산출)할 수 있다. 여기서, 상기 세탁조(4)의 흔들림 값은, UB값, UB량, 언발란스값, 언발란스량 또는 편심량 등으로 명명될 수 있다.

본 명세서에서 UB(UnBalance)는, 세탁조(4)의 편심량, 즉, 세탁조(4)의 언밸런스 또는 세탁조(4)의 흔들림을 의미할 수 있다.

상기 UB값은, 세탁조(4)의 흔들림의 크기(또는 정도)를 나타내기 위한 값으로써, 세탁조(4)(또는 모터(9))의 회전속도 변화량 또는 세탁조(4)(또는 모터(9))의 가속도 변화량에 기초하여 산출(연산)될 수 있다.

일 예로, 상기 제어부(60)는, 속도 감지부(74)에서 측정된 세탁조(4)(또는, 모터(9))의 회전속도 값을 수신하고, 상기 수신된 회전속도 값의 변화량을 이용하여 UB값을 산출할 수 있다. 여기서, 상기 회전속도 변화량은, 일 예로, 소정 시간마다 측정되는 회전속도들의 차이를 의미하거나, 세탁조(4)가 소정 각도만큼 회전될 때마다 측정되는 회전속도들의 차이를 의미하거나, 최대 회전속도와 최소 회전속도의 차이를 의미할 수도 있다. 즉, 여기서 설명한 UB값은, 회전속도 흔들림 값(또는 RPM 흔들림 값)을 의미할 수 있다.

일 예로, 상기 제어부(60)는, 속도 감지부(74)에서 측정된 세탁조(4)의 회전속도를 일정 각도마다 측정하고, 측정된 회전속도의 차이를 통해 가속도를 측정할 수 있다. 이후, UB 감지부(77)는, 측정된 가속도 값 중 최대 가속도에서 최소 가속도를 뺀 가속도 차이에 해당하는 값을 이용하여 UB값을 산출할 수 있다.

한편, 도면에는, 속도 감지부(74), 전류 감지부(75), 진동 감지부(76) 및 UB 감지부(미도시)가 제어부(60)와 별도로 마련되는 것으로 도시하나, 이에 한정되지 않는다.

속도 감지부(74), 전류 감지부(75), 진동 감지부(76) 및 UB 감지부 중 적어도 하나는 제어부(60) 내에 구비될 수 있다. 이 경우, 속도 감지부(74), 전류 감지부(75), 진동 감지부(76) 및 UB 감지부에 의해 수행되는 기능/동작/제어방법은, 제어부(60)에 의해 수행될 수 있다.

진동 감지부(76)가 제어부(60) 내에 포함되거나, 제어부(60)에 의해 수행되는 경우, 진동센서(77)는, 진동 감지부(76)에 포함되는 것이 아니라, 세탁기의 일 지점에 별도로 마련되는 것으로 이해될 수 있다. 여기서, 상기 세탁기의 일 지점은, 저수조(3)의 외측면 중 일 지점일 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, 제어부(60)는, 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.

또한, 제어부(60)는, 머신 러닝을 통해 학습된 인공신경망(ANN)을 이용하여, 본 발명의 세탁조(4)의 언발란스와 관련된 다양한 정보를 판단(예측, 추정, 산출)할 수 있다. 예를 들어, 제어부(60)는, 머신 러닝을 통해 학습된 인공신경망을 이용하여, 탈수과정에서 발생될 것으로 예상되는 최대진동변위 예측값을 산출할 수 있다.

세탁조(4) 내에서 포가 어느 한 쪽으로 뭉치도록 배치되거나 포끼리 뭉쳐진 경우, 밸런스가 나빠지게 되고(즉, 언발란스가 심해지게 되고), 이에 따라, 세탁조의 회전에 따른 세탁조의 흔들림(또는 진동값)은 커지게 된다.

세탁조의 흔들림이 커지게 되면(세탁조의 UB값이 커지면), 탈수행정에서 세탁조(4)의 고속회전을 위해 모터(9)에 전류부하가 많이 인가되게 되어 에너지 소모가 많아지며, 소음이 발생된다는 문제를 야기한다.

반대로, 세탁조(4) 내에서 포가 균일하게 배치되거나, 포의 뭉침이 적은 경우, 밸런스가 좋아지게 되며, 이에 따라, 세탁조가 고속 회전되더라도, 세탁조의 흔들림(진동값)은 작아지게 되며, UB값도 작아지게 된다.

이하에서는, 본 발명의 세탁물에 의한 UB를 최소화하기 위한 방법에 대하여 보다 구체적으로 살펴보기로 한다.

도 3은 탈수행정 과정을 설명하기 위한 도면이고, 도 4는 본 발명의 일 실시예에 따른 회전속도 흔들림 및 3D UB를 설명하기 위한 개념도이다.

본 발명의 일 실시예에 따른 세탁기는 세탁물(포)에 의한 UB를 최소화하기 위한 탈수 구동 알고리즘을 이용하여 탈수행정을 수행할 수 있다.

이하에서는, 앞서 설명한 저수조(3)를 터브(3)로 명명하고, 앞서 설명한 세탁조(4)를 드럼(4)으로 명명하기로 한다.

세탁기 구동부(드럼을 포함하는 터브) 진동은 세탁물의 양(포량)에 따라 구동부 최대 진동변위 크기 및 발생 시점이 다르게 나타나는 경향이 있다. 이에 따라, 세탁기는 낮은 회전속도(RPM)(예를 들어, 50 RPM 미만)에서 포의 뒤척임을 감지해 세탁물의 포량을 감지하는 과정을 거친다.

포량의 감지는 모터에 걸리는 전류를 모니터링하여 이루어질 수 있다.

세탁기의 제어부(60)는 딥러닝을 활용하여 포량을 정확하게 예측할 수도 있다.

이후, 낮은 속도로 드럼을 회전 및 감속하면서 (약 50RPM 이하) 세탁물이 드럼 내부에 고르게 분포되도록 하는 포 분산 과정을 거친다(도 3의 2). 제어부(60)는 실시간으로 전류를 이용해 포의 분산 정도를 모니터링할 수 있다. 또한, 제어부(60)는, 세탁물이 어느 정도 고르게 분포된 수준의 기 설정된 전류량이 감지되면, 세탁물에 의한 UB를 감지하는 UB감지 과정으로 진입한다.

UB 감지의 경우, 세탁물이 드럼(4) 내부벽에 부착되어 더 이상 포의 이동이 없는 정도로 원심력이 가해지는 상태에서 수행될 수 있다.

드럼의 직경 등에 다라 조금씩 다르나, 제어부(60)는 주로 80~90RPM 이상의 속도로 드럼이 회전할 시 세탁물이 드럼 내부벽에 부착되어 UB를 형성한다.

때문에 UB 감지는 상기 80~90RPM 이상의 속도에서 수행 되며, 일 예로, 상기 80~90RPM 이상의 회전속도인 특정 회전속도(108RPM)에서 수행될 수 있다.

이와 같이, 드럼(4)이 상기 특정 회전속도(108RPM)로 회전이 유지되면서 UB를 감지하는 구간을 감지구간으로 명명하기로 한다.

같은 이유로 세탁물을 뒤섞어 분산하는 포 분산 과정은 세탁물이 드럼에 달라붙지 않는 80RPM 이하에서 이루어진다.

한편, 탈수시 구동부 최대진동변위가 발생하는 150~600RPM의 공진영역에서는 진동의 다방향성과 비선형성에 의해 진동 변위가 급격하게 변할 수 있다.

따라서, UB감지는 UB가 고정되지만 진동변위의 변화가 크지 않은 80~150RPM 사이에서 수행되어야 한다.

UB 감지 기술에 대해서는 도 4를 참조하여 보다 구체적으로 후술하도록 한다.

제어부(60)는, UB 감지 단계(감지구간)에서의 일련의 알고리즘을 통해, 만약 더 높은 RPM으로 가속하였을 때 UB에 의해 발생되는 진동변위값이 기준치를 넘을 것으로 예상되는 경우 다시 드럼의 회전속도를 0RPM으로 회귀, 단락하여 포량감지 이후의 일련의 단계를 반복할 수 있다. (도 3의 1)

이 때, 진동변위값의 기준치는 구동부와 캐비닛의 부딪힘 발생 여부, 소음 및 구동부 강성 한계 등 복합적인 사항을 고려하여 결정될 수 있다.

만약 UB에 의한 진동변위값이 기준치를 넘지 않을 것으로 예상되는 경우, 제어부(60)는 드럼(4)을 더 높은 RPM으로 가속하여 탈수도를 높일 수 있다.

가속 중 UB 감지 시의 예상과 다르게 진동이 크게 발생할 경우, 제어부(60)는, 진동 기준치를 넘는 과진동이 발생하기 전 드럼(4)의 회전을 단락하여 탈수 행정을 포량 감지 이후 단계부터 다시 시작하게 된다. (도 3의 3)

이와 같이, 드럼(4)의 회전을 단락시키거나, 드럼의 회전속도를 0RPM으로 회귀시킨 후 포량감지 이후의 일련의 과정을 반복하는 것을, 탈수과정을 초기화한다 또는 탈수과정을 단락시킨다고 명명할 수 있다.

이 때, 제어부(60)는, 진동을 측정하는 센서가 부착되어 있을 경우 측정된 진동변위값이 미리 설정된 기준치를 초과하면 드럼의 회전을 단락하며, 센서가 부착되지 않았을 경우 모터 구동에 사용되는 전류값을 모니터링하여 진동변위값을 추정하고, 추정된 진동변위값이 미리 설정된 기준치를 초과하면 드럼의 회전을 단락한다.

다량/다종의 세탁물이 함께 뒤섞여 있을 때, 세탁물의 종류에 따라 물빠짐의 정도가 상이하기 때문에, 이종포질에 의한 UB변화가 발생되게 된다.

높은 RPM에서의 UB 변화를 반영하기 위해 수 차례 가속과 감속을 반복하여 물빠진 상태에서의 UB 감지를 반복 진행하게 된다.

물빼기를 위한 RPM 가속과 다시 감속 후 108RPM에서의 UB 감지를 반복해서 진행하면서, 1) 수차례의 UB감지 모두 통과, 2) 가속 후 실제 진동변위값이 미리 설정된 기준치를 넘지 않았을 때 비로소 본 탈수에 진입하고, 높은 RPM으로 탈수를 진행하게 된다. (도 3의 4) 이외의 경우는 다시 단락, 포분산을 다시 시작하게 된다.

이상적으로 탈수 단계에서 완벽한 밸런싱을 통해 UB 제거를 하게 될 경우 진동 및 소음이 최저가 되지만, 이러한 과정을 위해 UB 감지가 지나치게 강화될 경우 탈수에 소요되는 시간 (탈수 진입시간)이 길어지게 되어, 전체 세탁 행정 시간을 지연시키는 요소가 되게 된다. 때문에 진동/소음과 탈수 진입시간 사이의 trade-off 관계가 있음을 고려하고 알고리즘을 구성하게 된다.

도 4를 참조하여, UB 감지 방법에 대하여 설명하기로 한다.

탈수 단계 중 UB 감지는, 특정 회전속도(108RPM)을 유지하기 위해 일정한 전류량을 모터에 투입할 때 발생하는 회전속도의 변동을 통해 수행될 수 있다.

드럼의 회전 중 포가 드럼 상부에 위치할 시(도 4의 1), 드럼이 회전하면서 포의 낙하에 의한 힘이 드럼(4)의 RPM을 가속하는 형태로 작용하게 된다(즉 RPM 증가가 발생하게 된다).

반대로 포(4)가 드럼 하부에 위치할 시(도 4의 2), 포에 가해지는 중력이 드럼(4)의 회전을 방해하는 방향으로 작용하게 되면서, 드럼(4)의 RPM을 감속하는 형태로 작용하게 된다(즉, RPM의 감소가 발생하게 된다).

또한, 포의 크기(또는 포가 언발란스된 정도)에 따라 RPM의 흔들림 폭이 달라지게 된다. 이와 같이 RPM의 흔들림 폭은, 회전속도 흔들림 값 또는 RPM 흔들림 값을 의미할 수 있으며, UB 값(또는 UB의 크기)를 의미할 수 있다.

일반적으로, UB의 크기는 과도 영역에서 발생하는 최대진동변위의 크기를 결정하게 된다. 이러한 회전 RPM 변동폭과 과도영역에서의 최대 진동변위 크기의 상관성을 고려하여, 제어부(60)는, 드럼(4) 회전의 단락 혹은 본 탈수 진입 여부를 결정하게 된다.

제어부(60)는, RPM 흔들림 외에도, 진동(또는 진동변위값)을 직접적으로 측정하는 진동센서(77)를 터브(3)에 부착 및 산출하고, 감지구간(108RPM)에서의 진동변위(크기)를 특정 기준값과 비교하여 드럼(4)의 회전을 단락시킬 수도 있다. 이 경우 상기 특정 기준값은 감지구간(108RPM)에서의 진동크기와 과도영역에서의 최대 진동변위와의 상관관계를 이용하여 정해질 수 있다.

한편, 세탁물의 양이 많을 경우, UB는 도 4의 (a)에 도시된 것처럼 하나로 볼 수 없으며, 드럼(4)의 깊이방향과 각도 등에 의해 3차원적으로 분포되게 된다.

도 4의 (b)에 도시된 것과 같이, UB가 전 후방에 특정 각도를 갖고 배치되는 경우(대각UB, 3D UB), 도 4의 (a)에서 설명한 방법을 통해 회전속도의 흔들림 값(변동폭)을 관찰할 경우, 드럼(4)의 전 후방에 각각 배치된 포(m_f, m_r)에 의한 RPM 변동이 서로 상쇄되어 RPM 흔들림이 작게 발생하게 된다.

진동센서를 사용하는 경우에도, 특정 회전속도(108RPM)로 드럼(4)이 회전되는 감지구간(감지RPM)에서는 고차의 모드가 발생하지 않기 때문에 세탁물이 작을 경우에는 포의 언발란스 정도에 따라 진동이 선형적으로 증가하지만, 대각UB(3D UB)의 경우에는 RPM 흔들림이 상쇄되어, 진동량이 작게 발생하게 된다. 따라서 특정 회전속도(108RPM)로 회전되는 감지구간에서 측정된 진동변위만으로는 상기 특정 회전속도보다 높은 RPM에서의 진동을 예측하기 힘들다.

한편, 드럼의 공진에 의해 최대진동변위가 발생하는 150~600RPM(과도영역)의 경우, 저 RPM에서는 관찰되지 않는 고차원의 진동모드가 발생되게 된다.

이러한 고차원의 진동모드의 복합적인 작용에 의해 진동이 비선형적으로 나타나게 된다. 이에 따라, 다량 부하의 복잡한 UB(대각 UB, 3D UB)의 감지가 제대로 이루어지지 않는 기존의 방법으로는 과도 영역에서의 진동량(진동변위값)을 제대로 예측하기가 어렵다.

만약, UB 감지에 의한 단락 여부 판단이 잘못 이루어질 경우, 진동과 진입시간 양쪽 관점에서 문제가 발생하게 된다.

먼저 UB가 크게 발생함에도 불구하고 오감지하여 본 탈수를 진입하게 될 경우, 과도 영역에서 큰 진동이 발생함과 함께 드럼의 회전이 단락되고, 탈수 행정을 처음부터 다시 진행하게 되므로, UB 감지 시점에서 단락시킨 경우에 대비하여 탈수 진입시간의 지연이 생긴다.

만약에 UB가 작아 과진동이 발생하지 않음에도 단락을 하게 될 경우, 탈수 진입 가능에 대한 기회 대비 탈수 진입시간의 지연을 가져오게 된다.

본 발명의 세탁기는 탈수 시간의 단축을 위해, 탈수과정 초기에 탈수과정 중 발생될 수 있는 최대진동변위 예측값을 산출하고, 산출된 최대진동변위 예측값을 이용하여, 탈수과정을 초기화할지, 본 탈수 과정에 진입할지 여부를 결정할 수 있다.

이하에서는, 특정 회전속도로 UB를 감지하는 감지구간에서(탈수과정 초기에), 과도 영역에서 발생될 수 있는 최대진동변위(탈수과정에서 발생될 것으로 예상되는 최대진동변위)를 정확하게 예측하여, 과도한 진동이 발생되기 전에 미리 포분산을 다시 수행하도록 탈수과정을 초기화하거나, 과도한 진동이 없을 경우 빠르게 본 탈수 과정에 진입하여 탈수시간을 단축할 수 있는 최적화된 세탁기의 제어방법에 대하여 살펴본다.

도 5는 본 발명의 대표적인 제어방법을 설명하기 위한 흐름도이고, 도 6, 도 7, 도 8 및 도 9는 도 5에서 살펴본 제어방법을 설명하기 위한 개념도이다.

우선, 본 발명의 세탁기는, 감지구간(드럼(4)의 회전속도가 특정 회전속도(108RPM)로 유지되는 구간)에서, 주로, 과도영역(150~600RPM)에서 발생되는 터브(3)의 최대진동변위를 예측하여, 탈수 초기에 탈수과정 초기화 또는 지속진행 여부를 결정할 수 있다. 즉, 상기 과도영역에서 발생되는 터브(3)의 최대진동변위는, 탈수과정 전체에서 발생될 것으로 예상되는 최대진동변위를 의미할 수 있다.

다른 말로, 세탁기는, 탈수과정 초기(감지구간)에 드럼(4) 내에 존재하는 포들의 배치(UB)에 따라 과도영역(150~600RPM)에서 과도한 진동이 발생될지 여부를 판단할 수 있다.

예를 들어, 포의 배치가 불균일하게 배치된 경우(Unbalance), 드럼의 회전속도가 빨라짐에 따라 과도영역에서 과도한 진동이 발생할 확률이 높아지게 된다.

이를 위해, 본 발명의 일 실시예에 따른 세탁기는, 터브(3)의 최대진동변위값을 예측하기 위해, 터브(3)에 진동센서를 구비할 수 있다. 이 때, 상기 터브(3)에 구비되는 진동센서(77)는, 6축 진동센서일 수 있다.

제어부(60)는, 터브(3)의 최대진동변위값을 예측하기 위해, 6축 진동센서(77)를 통해 감지구간(108RPM)에서 측정된 진동변위값 및 위상을 RPM 흔들림값과 함께 3D UB 딥러닝을 수행한 학습 신경망(인공신경망)에 입력값으로 입력하여, 터브(4)의 최대진동변위 예측값을 출력값으로 획득할 수 있다.

구체적으로, 제어부(60)는, 진동센서(77)를 통해 측정된 복수의 진동변위값과, 상기 복수의 진동변위값에 근거하여 산출된 복수의 위상차 정보 및 회전속도 흔들림 값을 기학습된 인공신경망의 입력값으로 입력하여, 탈수과정 전체 과정에서 발생될 것으로 예상되는 최대진동변위 예측값을 결과값으로 산출할 수 있다.

이후, 제어부(60)는, 상기 최대진동변위 예측값을 미리 설정된 기준치와 비교하여, 탈수과정 초기에 탈수과정을 초기화(단락)할지, 탈수를 계속 진행할지 여부를 결정할 수 있다.

예를 들어, 제어부(60)는, 최대진동변위의 예측값이 미리 설정된 기준치를 초과하는 경우, 탈수과정을 더 이상 진행하지 않고, 초기화(단락)시킴으로서, 과진동을 예방하고, 본 탈수 과정(108RPM 이상의 회전속도로 탈수가 이루어지는 과정) 진입에 소요되는 시간을 단축시킬 수 있다.

이하에서는, 첨부된 도면을 참조하여, 최대진동변위 예측값을 산출하는 과정에 대하여 보다 구체적으로 설명하기로 한다.

우선, 본 발명의 세탁기는, 터브(3), 상기 터브(3)에 구비되는 진동센서(77) 및 포(세탁물)을 수용하고, 상기 터브(3) 내에서 회전 가능하도록 구비되는 드럼(4)을 포함할 수 있다.

또한, 상기 세탁기는, 상기 드럼(4)을 회전시키는 모터(9)를 포함할 수 있으며, 진동센서(77)에 의해 측정된 진동값(이하, 진동변위값이라 함)을 이용하여 상기 모터(9)를 제어하는 제어부(60)를 포함할 수 있다.

도 5를 참조하면, 제어부(60)는 탈수 과정 중 드럼(4)이 특정 회전속도(예를 들어, 108RPM)로 회전하는 감지구간에서, 진동센서(77)를 이용하여 드럼(4)을 포함하는 터브(3)에서 발생되는 다축 진동과 관련된 값을 측정할 수 있다(S510).

상기 특정 회전속도는, 포가 드럼의 벽면에 붙은 상태로 회전되는 속도보다 빠르고, 탈수과정의 최대회전속도보다 느린 속도일 수 있다.

즉, 상기 특정 회전속도는, 포가 드럼의 벽면에 부착되어 회전되기 시작하는 최소속도(예를 들어, 드럼의 직경에 따라 다르나, 일반적으로 80~90RPM 사이의 속도)보다 빠르고, 탈수과정의 최대회전속도(또는 과도영역(공진구간)(ex. 150~600RPM)의 최대회전속도)(예를 들어, 600RPM)보다 느린 속도(예를 들어, 108RPM)일 수 있다.

앞서 설명한 것과 같이, 상기 진동센서(77)는, 6축 진동센서일 수 있다.

상기 다축은, 진동센서에서 측정할 수 있는 서로 다른 복수의 축(예를 들어, 6축에 대한 진동을 센싱할 수 있는 진동센서인 경우, 6축)을 의미할 수 있다.

상기 다축 진동과 관련된 값은, 서로 다른 복수의 축을 기준으로 측정된 복수의 진동들에 대한 복수의 진동변위값 및 상기 복수의 진동들 사이의 복수의 위상차 정보를 포함할 수 있다.

즉, 상기 다축 진동과 관련된 값은, 상기 다축 진동(복수의 진동들)의 변위 및 위상(또는 위상차) 값을 의미할 수 있다.

상기 진동센서(77)는, 상기 터브(3)를 기준으로 서로 다른 복수의 축(예를 들어, 6축)을 따라 진동하는 복수의 진동들에 대한 복수의 진동변위값을 측정할 수 있다.

여기서, 서로 다른 복수의 축(6축)은, 서로 다른 여섯 개의 축을 의미하며, 상기 터브(3)의 서로 다른 복수의 지점에서 서로 다른 복수의 방향을 갖는 축을 의미할 수 있다. 다른 말로, 상기 서로 다른 복수의 축은, 터브(3)의 서로 다른 복수의 지점별로 각각 서로 다른 복수의 방향을 갖는 축을 의미할 수 있다.

상기 터브(3)의 서로 다른 복수의 지점은, 도 6을 참조하면, 터브의 전방 지점(F)과 후방 지점(R)을 의미하며, 상기 서로 다른 복수의 방향은, 전후 방향(x), 상기 전후 방향에 수직한 좌우방향(y) 및 상기 전후방향과 좌우방향에 각각 수직한 상하방향(z)을 포함할 수 있다.

상기 서로 다른 복수의 축(6축)은, 상기 서로 다른 복수의 지점 각각에서의 서로 다른 복수의 방향의 조합으로 이루어질 수 있다. 예를 들어, 상기 6축은, 전방전후 축(Fx), 전방좌우 축(Fy), 전방상하 축(Fz), 후방전후 축(Rx), 후방좌우 축(Ry) 및 후방상하 축(Rz)을 포함할 수 있다.

상기 진동센서(77)는, 터브(3)를 기준으로(또는 터브(3)가) 서로 다른 복수의 축(Fx, Fy, Fz, Rx, Ry, Rz)을 따라 진동하는 복수의 진동들에 대한 복수의 진동변위값을 측정할 수 있다. 즉, 진동센서(77)는, 상기 터브(3)의 서로 다른 복수의 지점(F, R)에서 서로 다른 복수의 방향(x, y, z)으로 진동하는 복수의 진동 변위값을 측정할 수 있다.

진동센서(77)는, 터브(3)의 일 지점에 배치되어, 터브(3)에서 발생되는 진동을 상기 서로 다른 복수의 축을 기준으로 복수의 진동으로 구분하고, 상기 복수의 진동에 대한 복수의 진동변위값을 측정할 수 있다.

상기 복수의 진동변위값은, 전방전후 진동 변위값(Fx진동변위값), 전방좌우 진동 변위값(Fy진동변위값), 전방상하 진동 변위값(Fz진동변위값), 후방전후 진동 변위값(Rx진동변위값), 후방좌우 진동 변위값(Ry진동변위값) 및 후방상하 진동 변위값(Rz진동변위값)을 포함할 수 있다.

또한, 제어부(60)는, 서로 다른 복수의 축(6축)을 따라 진동하는 복수의 진동들(즉, 터브(3)에서 발생된 진동을 서로 다른 복수의 축을 기준으로 구분한 복수의 진동들) 사이의 복수의 위상차 정보를 산출할 수 있다.

다른 말로, 제어부(60)는, 상기 복수의 진동 변위값을 이용하여, 상기 복수의 진동 변위값들 간 복수의 위상차 정보를 산출할 수 있다.

상기 복수의 위상차 정보는, 상기 복수의 진동(Fx진동, Fy진동, Fz진동, Rx진동, Ry진동, Rz진동) 중 어느 하나의 진동(예를 들어, Ry진동)을 기준으로 한 다른 진동들(Fx진동, Fy진동, Fz진동, Rx진동, Rz진동)의 위상차 정보를 포함할 수 있다.

다른 말로, 상기 복수의 위상차 정보는, 상기 복수의 진동 변위값들(Fx진동변위값, Fy진동변위값, Fz진동변위값, Rx진동변위값, Ry진동변위값, Rz진동변위값) 중 어느 하나의 진동 변위값(예를 들어, Ry진동변위값)을 기준으로 한 다른 진동변위값들(Fx진동변위값, Fy진동변위값, Fz진동변위값, Rx진동변위값, Rz진동변위값)의 위상차 정보를 포함하는 의미로 받아들여질 수도 있다.

기준이 되는 상기 어느 하나의 진동이 Ry진동(또는 Ry진동변위값)인 경우, 상기 복수의 위상차 정보는, 후방좌우 진동(Ry진동)을 기준으로 한, 전방전우-후방좌우 위상차(FxRy위상차), 전방좌우-후방좌우 위상차(FyRy위상차), 전방상하-후방좌우 위상차(FzRy위상차), 후방전후-후방좌우 위상차(RxRy위상차) 및 후방상하-후방좌우 위상차(RzRy위상차)를 포함할 수 있다.

제어부(60)는, 상기 복수의 진동들 중 진동센서(77)가 배치된 위치에 근거하여, 상기 어느 하나의 진동(즉, 위상차를 구하는 기준이 되는 어느 하나의 진동)을 결정할 수 있다.

상기 진동센서(77)가, 도 6에 도시된 것과 같이, 터브(3)의 후방(R)에 위치한 경우, 제어부(60)는, 후방에서 측정된 진동들(Rx진동, Ry진동 및 Rz진동) 중 어느 하나를 상기 기준이 되는 어느 하나의 진동으로 결정할 수 있다.

도시되진 않았지만, 제어부(60)는, 진동센서(77)가 터브(3)의 전방(F)에 위치한 경우에는, 전방에서 측정된 진동들(Fx진동, Fy진동, Fz진동) 중 어느 하나를 상기 기준이 되는 어느 하나의 진동으로 결정할 수 있다.

여기서, 제어부(60)는, 일 실시 예로, 상기 후방에서 측정된 진동들(또는 진동센서(77)가 터브의 전방에 배치된 경우에는 전방에서 측정된 진동들) 중 가장 큰 진동변위값을 갖는 진동을 상기 기준이 되는 어느 하나의 진동으로 결정할 수 있다.

다른 예로, 제어부(60)는, 측정된 복수의 진동변위값들(Fx, Fy, Fz, Rx, Ry, Rz 진동변위값들) 중 가장 큰 진동변위값을 갖는 진동을 상기 기준이 되는 어느 하나의 진동으로 결정할 수 있다.

또 다른 예로, 제어부(60)는, 측정된 복수의 진동변위값들(Fx, Fy, Fz, Rx, Ry, Rz 진동변위값들) 중 가장 작은 진동변위값을 갖는 진동을 상기 기준이 되는 어느 하나의 진동으로 결정할 수 있다.

또 다른 예로, 제어부(60)는, 사용자 설정에 의해 상기 기준이 되는 어느 하나의 진동을 결정할 수도 있다.

도 7을 참조하면, 위상차 정보는, 복수의 축에서 발생된 복수의 진동들 간의 시간 차이에 대한 정보를 의미할 수 있다. 즉, 위상차(위상 차이)는, 각 진동 간의 시간 차이를 의미할 수 있다.

예를 들어, FxRy위상차는, 후방좌우(Ry) 축에서 발생된 진동을 기준으로 전방전후(Fx) 축에서 발생된 진동의 시간차이를 의미할 수 있다.

예를 들어, 도 7에 도시된 것과 같이, 상기 FxRy 위상차(Phase Difference)는, Ry 진동의 원점이 발생된 시점을 기준으로, Fx 진동의 원점이 발생된 시점 사이의 시간 차이를 의미할 수 있다.

본 명세서에서는, 위상차 정보를 표현할 때 기준이 되는 어느 하나의 진동을 뒤쪽에 표시하고, 비교 대상이 되는(또는, 측정 대상이 되는) 다른 진동을 앞쪽에 표시하기로 한다. 즉, FxRy위상차는, Ry(후방좌우) 진동을 기준으로 한 Fx(전방전후) 진동의 위상차를 의미할 수 있다.

상기 위상차의 표현은 절대적인 것이 아님에 유의하여야 한다. 또한, 기준 진동을 무엇으로 정하느냐에 따라 다르게 표현할 수 있으나, 물리적인 의미는 동일할 수 있다.

제어부(60)는, 복수의 축에서 측정되는 복수의 진동에 대한 복수의 진동변위값을 각각 측정할 수 있다. 또한, 제어부(60)는, 상기 복수의 축을 기준으로 측정되는 복수의 진동들 사이의 복수의 위상차 정보를 산출(결정)할 수 있다.

상기 복수의 축의 개수가 n개이면, 상기 복수의 진동 변위값의 개수는 상기 복수의 축의 개수와 동일하고(n개), 상기 복수의 위상차 정보는 상기 복수의 축의 개수보다 하나 적을 수 있다(n-1개). 이는, 위상차 정보는, 어느 하나의 진동을 기준으로 한 정보이기 때문이다.

또한, 제어부(60)는, 도 4에서 살펴본 바와 같이, 회전속도 흔들림 값(RPM 흔들림 값)을 산출할 수 있다.

상기 회전속도 흔들림 값은, 일 예로, 속도 감지부(74)를 통해 감지되는 드럼(4)의 회전속도 값들에 근거하여 산출될 수 있다.

앞서 설명한 것과 같이, 드럼(4) 내에 존재하는 포들의 불균일한 배치에 의해 UB가 발생되는 경우, 제어부(60)가 드럼(4)을 감지구간의 회전속도(108RPM)으로 회전시키도록 제어하더라도, 실제 드럼(4)은 도 4에 도시된 것과 같이, 회전속도가 일정하지 않고 가변될 수 있다(흔들릴 수 있다).

제어부(60)는, 속도 감지부(74)를 통해 측정된 드럼(4)의 실제 회전속도에 근거하여, 회전속도 흔들림 값을 산출(결정)할 수 있다. 여기서 상기 회전속도 흔들림 값은, UB값을 산출하는데 이용되거나, UB값 자체일 수 있다.

이후, 본 발명의 제어부(60)는, 측정된 값을 이용하여, 터브에서 발생될 것으로 예상되는 최대진동변위 예측값을 산출할 수 있다(S520).

상기 측정된 값은, 앞서 살펴본, 복수의 진동변위값 및 복수의 위상차 정보를 포함할 수 있다. 또한, 상기 측정된 값은, 회전속도 흔들림 값을 더 포함할 수 있다.

제어부(60)는, 상기 복수의 진동변위값, 복수의 위상차 정보 및 회전속도 흔들림 값 중 적어도 하나를 기 학습된 인공신경망의 입력값으로 입력하여, 최대진동변위 예측값을 출력값으로 산출할 수 있다.

본 발명에서는, 탈수 과정 전체에서 발생되는 최대진동변위의 예측값을 결과값으로 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.

여기서, 상기 최대진동변위는, 일반적으로, 드럼(4)의 회전속도가 150~600RPM으로 회전되는 과도영역에서 발생된다. 탈수과정 전체에서 발생되는 최대진동변위는, 상기 과도영역에서 발생되는 최대진동변위를 의미할 수 있다.

도 8에 도시된 것과 같이, 제어부(60)는, 감지구간(드럼(4)의 특정 회전속도(108RPM)으로 회전하는 구간)에서 진동센서(77)를 통해 측정한 복수의 진동변위값(Fx진동변위값, Fy진동변위값, Fz진동변위값, Rx진동변위값, Ry진동변위값, Rz진동변위값)과, 복수의 위상차 정보(FxRy위상차, FyRy위상차, FzRy위상차, RxRy위상차, RzRy위상차) 및 회전속도(RPM) 흔들림 값을 기 학습된 인공신경망의 입력값(Input Layer)으로 입력할 수 있다.

상기 기 학습된 인공신경망은, 도 8에 도시된 것과 같이 LSTM(Long-Short-Term Memory) 네트워크를 사용하는 LSTM 레이어 및 Dense Layer로 구성될 수 있다.

상기 기 학습된 인공신경망은, 드럼(4) 내에 위치한 포의 불균일한 배치에 따른 3차원 UB(3D UB)를 감지(예측)하고, 이에 따라 발생되는 최대진동변위 예측값을 산출하도록 학습된 신경망일 수 있다.

도 8에 도시된 것과 같이, 상기 기 학습된 인공신경망은, 감지구간(108RPM)에서 측정된 상기 복수의 진동변위값, 상기 복수의 위상차 정보 및 회전속도 흔들림 값을 입력값으로 입력받으면, 탈수과정 전체 구간(또는 과도영역(드럼이 150~600RPM으로 회전하는 구간)에서 발생되는 최대진동변위 예측값을 결과값(Output Layer)로 출력하도록 형성될 수 있다.

상기 기 학습된 인공신경망은, 사전 실험을 통해, 다양한 부하의 입력값(6개의 변위값, 5개의 위상차 및 회전속도 흔들림 값) 및 그에 따른 출력값(6개의 최대진동변위 예측값)을 수집하고, 이를 기반으로 기계 학습된 신경망일 수 있다.

도 8에 도시된 입력값과 출력값의 종류 및 개수는, 일 예에 불과하므로, 이에 한정되지 않음에 유의하여야 한다.

본 발명의 기 학습된 인공신경망은, 도 8에 도시된 입력값들 중 적어도 일부가 생략되거나 추가될 수도 있고, 출력값들 중 적어도 일부가 생략되거나 추가될 수도 있다.

즉, 신경망의 Input과 Output은 하나의 실시예로서, 이보다 더 작은 Input과 Output을 사용하거나, 필요에 의해 새로운 Input 인자 및 필요 Output 인자를 추가하여 구성하는 것도 가능하다.

딥러닝(Deep Learning)이란 인간의 뇌를 모방한 알고리즘으로 인간이 직접 찾을 수 없는 패턴을 찾아서 학습하는 것을 의미한다.

상기 기 학습된 인공신경망은 딥러닝을 통해 학습된 신경망을 의미한다.

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.

본 발명에서는, 3D UB 탈수 예측 시(즉, 최대진동변위 예측값을 결정(산출)할 때), 현재까지 개발된 Machine Learning기반 Network중 가장 성능이 좋은 네트워크 중 하나인 LSTM(Long Short ?Term Memory) Network를 사용할 수 있다.

상기 LSTM Network는, 과거를 지우기 위한 forget gate, 현재 정보를 기억하기 위한 input gate, 최종 결과를 위한 output gate로 구성될 수 있다.

반면, 본 발명의 기 학습된 인공신경망의 네트워크가 LSTM으로 한정되는 것은 아니며 다른 네트워크를 이용해 예측하는 것도 가능하다.

예를 들어, 최대진동변위 예측값을 산출하는데 이용되는 기 학습된 인공신경망(ANN, Artificial Neural Network)은, CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등 심층신경망(DNN)으로 구성되거나, 하나의 Output을 위한 단일 신경망으로 구성될 수도 있다.

도 9를 참조하면, 제어부(60)는, 3D UB 딥러닝을 수행하는 방법이 도시되어 있다. 도 9를 참조하면, 제어부(60)는, 측정된 값(예를 들어, 복수의 진동변위값, 복수의 위상차 정보 및 회전속도 흔들림 값)을 파싱(parsing) 및 정규화(normalization)한 후 기 학습된 인공신경망(Deep Network)에 입력하여, 3D UB를 예측할 수 있다.

여기서, 3D UB를 예측한다는 것은, 탈수과정 중에 과도한 진동이 발생될 것을 예측하는 것을 의미한다. 탈수과정 중 과도한 진동이 발생될 것을 예측하기 위해, 제어부(60)는, 탈수과정 중 발생될 최대진동변위 예측값을 상기 기 학습된 인공신경망을 통해 결정(산출)할 수 있다.

이후, 최대진동변위 예측값이 기 설정된 기준값(미리 정해둔 기준치)보다 큰 경우, 제어부(60)는 과도한 진동이 발생될 것으로 예측(결정)할 수 있다.

한편, 제어부(60)는, 실제로 측정된 최대진동변위값과, 상기 측정된 값을 이용하여, 기 학습된 인공신경망을 다시 한번 학습시킬 수 있다(즉, 업데이트시킬 수 있다)(Deep Network(Training 과정) 및 Parameter 학습)

예를 들어, 상기 기 학습된 인공신경망은(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 측정된 값(예를 들어, 복수의 진동변위값, 복수의 위상차 정보 및 회전속도 흔들림 값)를 입력 데이터로 하고, 실험에 의해 측정된 최대진동변위값(또는 실제 측정된 최대진동변위값)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, 측정된 값(예를 들어, 복수의 진동변위값, 복수의 위상차 정보 및 회전속도 흔들림 값)을 입력 데이터로, 최대진동변위값을 결과값으로 입력하여, 히든 레이어가 학습된 심층신경망일 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, 감지구간(드럼이 특정 회전속도(108RPM)로 회전을 유지하는 구간)에서 측정된 값(예를 들어, 복수의 진동변위값, 복수의 위상차 정보 및 회전속도 흔들림 값)을 상기 인공신경망의 입력값으로 하여, 탈수과정에서 발생될 최대진동변위 예측값을 산출(예측, 판정, 추정)할 수 있다.

제어부(60)는, 측정된 값(예를 들어, 복수의 진동변위값, 복수의 위상차 정보 및 회전속도 흔들림 값)을 트레이닝(training) 데이터로 사용하여 학습(learning)을 수행할 수 있다.

또한, 제어부(60)는 최대진동변위 예측값(또는 최대진동변위값)을 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.

본 발명의 일 실시예에 따른 세탁기의 제어부(60)는, 상기 복수의 진동 변위값, 상기 복수의 위상차 정보 및 회전속도 흔들림 값 중 적어도 하나를 기 학습된 인공신경망의 입력값으로 입력하여, 상기 최대진동변위 예측값을 출력값으로 산출(결정)할 수 있다.

다시 도 5로 돌아와, 제어부(60)는, 결정된 최대진동변위 예측값과 기 설정된 기준값에 근거하여, 감지구간에서 탈수과정을 초기화할지 여부를 결정할 수 있다(S530).

예를 들어, 제어부(60)는, 결정된 최대진동변위 예측값이 기 설정된 기준값을 초과하면, 감지구간에서 탈수과정을 초기화할 수 있다.

다른 예로, 제어부(60)는, 결정된 최대진동변위 예측값이 기 설정된 기준값 이하이면, 감지구간보다 빠른 회전속도로 드럼을 회전시킬 수 있다(즉, 감지구간 이후에 존재하는 탈수구간에 진입할 수 있다 또는 감지구간 이후의 탈수과정을 진행할 수 있다).

앞서 설명한 것과 같이, 제어부(60)는, 드럼(4)이 특정 회전속도(108RPM)으로 회전이 유지되는 감지구간에서 측정된 복수의 진동변위값, 복수의 위상차 정보 및 회전속도 흔들림 값 중 적어도 하나를 기 학습된 인공신경망(3D UB 딥러닝된 신경망)의 입력값으로 입력하여, 최대진동변위 예측값을 결정(산출)할 수 있다.

상기 최대진동변위 예측값은, 터브(3)에서 발생될 것으로 예상되는 최대진동값을 의미하며, 감지구간에서뿐만 아니라 탈수과정 전체 과정에서 발생될 최대진동 시의 변위값을 의미한다.

상기 최대진동은, 탈수과정 전체 과정 중 과도영역(드럼(4)이 150~600RPM으로 회전(가속)하는 구간)에서 발생된다.

제어부(60)는, 감지구간(드럼(4)이 특정 회전속도(108RPM)로 회전하는 구간)에서 아직 진입하지 않은 과도영역에서 발생될 최대진동의 변위값(즉, 최대진동변위 예측값)을 결정(예측)할 수 있다.

상기 최대진동변위 예측값은, 도 8에 도시된 것과 같이, 기 학습된 인공신경망의 결과값으로 출력(산출)될 수 있다.

상기 최대진동변위 예측값은, 앞서 설명한 서로 다른 복수의 축(다축) 별로 최대로 진동할 것으로 예상되는 복수의 최대진동변위 예측값을 포함할 수 있다.

구체적으로, 상기 복수의 최대진동변위 예측값은, 전방전후(Fx)축에서 발생될 최대진동변위 예측값(Fx_max), 전방좌우(Fy)축에서 발생될 최대진동변위 예측값(Fy_max), 전방상하(Fz)축에서 발생될 최대진동변위 예측값(Fz_max), 후방전후(Rx)축에서 발생될 최대진동변위 예측값(Rx_max), 후방좌우(Ry) 축에서 발생될 최대진동변위 예측값(Ry_max) 및 후방상하(Rz) 축에서 발생될 최대진동변위 예측값(Rz_max)을 포함할 수 있다.

상기 복수의 최대진동변위 예측값의 개수는, 진동센서(77)에서 측정하는 서로 다른 복수의 축(다축)의 개수에 대응될 수 있으며, 상기 복수의 축이 n개인 경우, 상기 복수의 최대진동변위 예측값의 개수도 n개일 수 있다.

제어부(60)는, 결정된 최대진동변위 예측값이 기 설정된 기준값을 초과하는 것에 근거하여, 감지구간에서 탈수과정을 초기화할 수 있다.

구체적으로, 제어부(60)는, 결정된 최대진동변위 예측값과 기 설정된 기준값을 비교하여, 드럼(4)이 특정 회전속도(108RPM)으로 회전하는 감지구간에서 탈수 과정을 초기화(단락)시킬 지 탈수과정을 계속 진행할지 여부를 결정할 수 있다.

여기서, 제어부(60)는, 복수의 최대진동변위 예측값(Fx_max, Fy_max, Fz_max, Rx_max, Ry_max, Rz_max)이 모두 기 설정된 기준값 이하인 경우, 상기 감지구간에서의 특정 회전속도보다 빠른 회전속도로 드럼을 회전시킬 수 있다(즉, 탈수과정을 계속 진행할 수 있다).

상기 감지구간에서의 특정 회전속도보다 빠른 회전속도로 드럼을 회전시킨다는 것은, 과도영역(150-600RPM) 및 그 이상의 고속 RPM으로 드럼(4)을 회전시키는 본 탈수 과정을 진행한다는 의미를 포함할 수 있다.

또한, 제어부(60)는, 상기 복수의 최대진동변위 예측값(Fx_max, Fy_max, Fz_max, Rx_max, Ry_max, Rz_max) 중 적어도 하나가 상기 기 설정된 기준값을 초과하는 것에 근거하여, 상기 감지구간에서 상기 드럼의 회전을 단락시킬 수 있다.

상기 드럼의 회전을 단락시킨다는 것은, 탈수과정을 초기화한다는 의미에 포함될 수 있다. 즉, 본 명세서에서 탈수과정을 초기화한다는 의미는, 드럼의 회전을 중단(단락)시키고, 포량 감지 이후의 단계부터 다시 탈수 과정을 시작한다는 의미를 포함한다.

상기 기 설정된 기준값은, 서로 다른 복수의 축(다축, 6축)별로 각각 설정되어 있을 수 있다.

예를 들어, 전방전후(Fx)축에는, 기 설정된 제1 기준값이 설정되어 있고, 전방좌우(Fy)축에는, 상기 제1 기준값과 구별되는 기 설정된 제2 기준값이 설정되어 있을 수 있다. 또한, 전방상하(Fz) 축에는 제3 기준값, 후방전후(Rx) 축에는 제4 기준값, 후방좌우(Ry) 축에는 제5 기준값, 후방상하(Rz) 축에는 제6 기준값이 설정되어 있을 수 있다.

상기 서로 다른 복수의 축별로 각각 설정된 기 설정된 기준값들은, 서로 동일한 값을 가질 수도 있고, 다른 값을 가질 수도 있다.

상기 서로 다른 복수의 축별로 각각 설정된 기 설정된 기준값들은, 터브(3)와 캐비닛(1) 사이의 여유 공간(Gap)에 근거하여 설정될 수 있다.

예를 들어, 전방전후(Fx) 축의 원점 지점과 캐비닛 사이의 여유 공간이 11mm인 경우, 상기 전방전후(Fx) 축에 설정된 제1 기준값은, 11mm 미만의 값일 수 있다.

제어부(60)는, 서로 다른 복수의 축 별로 결정(산출)된 최대진동변위 예측값이, 상기 복수의 축 별로 설정된 기 설정된 기준값을 각각 초과하지 않는 경우(이하인 경우), 감지구간에서의 특정 회전속도보다 빠른 회전속도로 드럼을 회전시킬 수 있다(즉, 고속 RPM으로 본 탈수 과정을 진행할 수 있다).

반면, 제어부(60)는, 서로 다른 복수의 축 별로 결정(산출)된 최대진동변위 예측값 중 적어도 하나가, 상기 복수의 축 별로 설정된 기 설정된 기준값을 초과하는 경우(예를 들어, Fx_max가 Fx축에 설정된 제1 기준값을 초과하는 경우), 제어부(60)는, 감지구간에서 드럼의 회전속도를 가속하지 않고, 탈수과정을 초기화(즉, 드럼의 회전을 단락(중단)시키고, 포량 감지 이후의 과정부터 다시 탈수 과정을 시작)할 수 있다.

도 10 및 도 11은 본 발명의 일 실시예에 따른 제어방법을 적용한 경우의 실험 데이터를 나타낸 결과이다.

도 10에는, 본 발명의 일 실시예에 따른 기 학습된 인공신경망으로 예측된 최대진동변위(Fx_max, Fy_max, Ry_max) 예측값과, 실험을 통해 측정된 최대 진동변위값과의 상관관계를 나타낸 실험결과이다.

기존에 UB signal(UB값, 회전속도 흔들림 값)을 기반으로 실제로 측정된 진동과의 상관계수는 0.5 이하의 상관관계를 보이는 반면, 3D UB 딥러닝을 적용한 기 학습된 인공신경망을 이용하는 경우, 상관계수가 0.8 이상의 높은 상관관계가 나타남을 알 수 있다.

이와 같이, 본 발명은, 진동센서(77)를 통해 복수의 진동변위값, 복수의 위상차 정보 및 회전속도 흔들림 값을 3D UB 딥러닝으로 기 학습된 인공신경망에 입력하여 출력된 최대진동변위 예측값(결과값)은, 실제로 측정된 최대진동변위값과 상당히 높은 상관관계를 나타내므로, 과도한 진동을 예측하는 정확성을 현저히 높일 수 있다.

또한, 본 발명에서 3D UB 딥러닝으로 기 학습된 인공신경망을 통해 결정(산출)된 최대진동변위 예측값의 데이터 신뢰도가 상당히 높다는 것을 알 수 있다.

도 11에는, 본 발명의 3D UB 딥러닝으로 기 학습된 인공신경망을 이용하여, 감지구간에서 탈수과정을 초기화할 지, 탈수과정을 계속 진행할지를 적용한 경우의 탈수 진입 시간과 구동부(드럼을 포함하는 터브) 최대 진동변위를 나타낸 실험 결과이다.

최대진동변위 예측값과 비교하는 복수의 축 별로 설정된 기 설정된 기준값을 터브와 캐비닛 부딪힘이 발생하지 않는 범위(값)으로 설정한 경우, 탈수진입시간이 기존 제품(즉, UB signal만 고려한 경우) 대비 현저하게 줄어든 것을 볼 수 있다.

여기서, 상기 탈수진입시간은, 감지구간(드럼이 특정 회전속도(108RPM)로 회전하는 구간)보다 더 빠른 회전속도로 회전하면서 탈수가 진행되는 과정에 진입하는 시간(즉, 본 탈수 과정, 또는 고속 탈수 과정에 진입하는 시간)을 의미할 수 있다.

여기서, 구동부 최대진동변위의 조건 D의 경우는, 기존의 UB 감지 기준이 과도하게 낮게 설정된 경우로서, 3D UB 딥러닝을 적용한 본 발명에서는, 탈수진입시간이 단축되도록, 최대진동변위 예측값과 비교하는 기 설정된 기준값을 완화하여 설정한 경우(기 설정된 기준값을 터브가 캐비닛에 부딪히지 않는 범위 내에서 가능한 크게 설정한 경우)의 실험결과를 나타낸 것이다.

정리하면, 본 발명의 세탁기는, 서로 다른 복수의 축(다축, 각 진동방향)에 대해 구동부(드럼을 포함하는 터브)와 캐비닛이 부딪히지 않도록 둘 사이의 여유 공간(Gap)을 고려하여 상기 복수의 축 별로 기 설정된 기준값(즉, 한계변위 기준치)를 설정할 수 있다.

제어부(60)는, 드럼(4)이 특정 회전속도(108RPM)으로 회전하는 감지구간에서, 3D UB 딥러닝을 통해 예측된 최대진동변위 중 어느 하나라도 기 설정된 기준치를 초과하는 경우, 감지구간에서 드럼(4)의 회전을 중단시키고, 탈수과정을 포량 감지 이후부터 다시 시작(초기화)할 수 있다.

여기서, 3D UB 딥러닝을 통해 최대진동변위를 예측한다는 것은, 앞서 살펴본 바와 같이, 진동센서(77)를 이용하여 측정된, 서로 다른 복수의 축 별 복수의 진동변위값, 상기 복수의 축에서 감지되는 복수의 진동들 사이의 복수의 위상차 정보, 및 회전속도 흔들림 값을 기 학습된 인공신경망의 입력값으로 입력하여, 복수의 축 별로 예상되는 최대진동변위 예측값을 결과값으로 결정(산출, 출력)한다는 것을 의미한다.

또한, 상기 최대진동변위 예측값은, 감지구간에서 한정되는 것이 아닌, 탈수과정 전체 과정(또는, 과도영역)에서 발생이 예상되는 최대진동시의 변위값을 의미할 수 있다.

이후, 제어부(60)는, 서로 다른 복수의 축 별로 결정(산출)된 상기 최대진동변위 예측값이 상기 복수의 축별로 설정된 기 설정된 기준값을 모두 초과하지 않는 경우, 드럼(4)을 감지구간의 특정 회전속도(108RPM)보다 빠르게 회전시키는 본 탈수과정을 수행할 수 있다.

또한, 제어부(60)는, 서로 다른 복수의 축 별로 결정(산출)된 상기 최대진동변위 예측값 중 적어도 하나라도 상기 복수의 축별로 설정된 기 설정된 기준값을 초과하는 경우, 드럼의 회전을 중단시키고, 탈수과정을 포량 감지 이후부터 다시 시작하는 초기화(또는 단락)을 수행할 수 있다.

이러한 구성을 통해, 본 발명은 감지구간을 통과하여 탈수가 계속 진행되다가 진동값이 기준치를 넘어버려 초기화되는 것을 사전에 방지하여, 과진동 방지와 함께 탈수 소요시간을 단축시킬 수 있다.

또한, 본 발명은 감지구간을 통과하여 드럼의 회전속도(RPM)이 높아진 상태에서 초기화되는 것을 사전에 방지하여, 전력소모도 줄일 수 있다.

또한, 본 발명은 과도영역에서 발생되는 공진 이전의 한정된 정보를 바탕으로 한 기존의 방법들에 비해, 많은 정보량(총 12개의 정보)을 바탕으로, 108RPM 이상의 공진영역(과도영역, 150~600RPM)에서의 이상진동 발생 여부(과도한 진동 발생 여부)를 딥러닝을 바탕으로 보다 정확하게 예측할 수 있다.

본 명세서에서 설명한 과도한 진동은, 구동부(드럼을 포함하는 터브)가 캐비닛에 부딪힐 정도의 큰 진동(예를 들어, 최대진동변위값이 기 설정된 기준값보다 큰 진동)을 의미한다.

본 발명은 기 학습된 인공신경망을 이용하여 과도한 진동 발생 여부를, 최대진동변위 예측값을 통해 직접적으로 예측하므로, 예측 정확도가 현저하게 상승한다.

또한, 본 발명은, 고 RPM 구간(예를 들어, 150RPM 이상인 구간 또는 과도영역(공진영역))에 진입하기 전에 저 RPM 구간(예를 들어, 108RPM 이하)에서 탈수과정의 초기화 여부를 보다 정확하게 판단할 수 있는 인공지능 탈수 알고리즘을 제공할 수 있다.

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

첫째, 본 발명은 감지구간에서 탈수과정 중 발생되는 터브의 최대진동변위를 예측하여, 탈수 초기에 탈수과정 초기화/지속진행 여부를 결정할 수 있다.

둘째, 본 발명은 탈수 과정 중 초기에, 과도한 진동을 발생시킬 것으로 예상되는 UB상태를 조기에 감지할 수 있으며, 이를 통해 조기에 탈수 과정을 초기화함으로써, 탈수시간을 단축시킬 수 있다는 효과가 있다.

셋째, 본 발명은 감지구간에서 인공신경망을 통해 산출된 최대진동변위 예측값이 미리 설정된 기준치를 초과하는 경우, 탈수과정을 더 이상 진행하지 않고 초기화(단락)시킴으로써, 과도한 진동의 발생을 방지하고, 탈수 진입에 소요되는 시간을 단축시킬 수 있다.

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

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 (20)

1. 터브;
   상기 터브에 구비되는 진동센서;
   포를 수용하고, 상기 터브 내에서 회전 가능하도록 구비되는 드럼; 및
   탈수 과정 중 상기 드럼이 특정 회전속도로 회전하는 감지구간에서, 상기 진동센서를 이용하여 상기 터브에서 발생되는 다축 진동과 관련된 값을 측정하고,
   상기 측정된 값을 이용하여, 상기 터브에서 발생될 것으로 예상되는 최대진동변위 예측값을 결정하며,
   상기 결정된 최대진동변위 예측값과 기 설정된 기준값에 근거하여, 상기 감지구간에서 상기 탈수 과정을 초기화할지 여부를 결정하는 제어부를 포함하는 세탁기.
2. 제 1 항에 있어서,
   상기 진동센서는,
   상기 터브를 기준으로 서로 다른 복수의 축을 따라 진동하는 복수의 진동들에 대한 복수의 진동변위값을 측정하는 것을 특징으로 하는 세탁기.
3. 제 2 항에 있어서,
   상기 제어부는,
   상기 복수의 진동들 사이의 복수의 위상차 정보를 산출하는 것을 특징으로 하는 세탁기.
4. 제 3 항에 있어서,
   상기 복수의 위상차 정보는,
   상기 복수의 진동 중 어느 하나의 진동을 기준으로 한 다른 진동들의 위상차 정보를 포함하는 것을 특징으로 하는 세탁기.
5. 제 3 항에 있어서,
   상기 제어부는,
   상기 복수의 진동변위값, 상기 복수의 위상차 정보 및 회전속도 흔들림 값 중 적어도 하나를 기 학습된 인공신경망의 입력값으로 입력하여, 상기 최대진동변위 예측값을 출력값으로 산출하는 것을 특징으로 하는 세탁기.
6. 제 1 항에 있어서,
   상기 최대진동변위 예측값은,
   서로 다른 복수의 축 별로 최대로 진동할 것으로 예상되는 복수의 최대진동변위 예측값을 포함하는 것을 특징으로 하는 세탁기.
7. 제 6 항에 있어서,
   상기 제어부는,
   상기 복수의 최대진동변위 예측값이 모두 상기 기 설정된 기준값 이하인 경우, 상기 감지구간에서의 특정 회전속도보다 빠른 회전속도로 상기 드럼을 회전시키는 것을 특징으로 하는 세탁기.
8. 제 6 항에 있어서,
   상기 제어부는,
   상기 복수의 최대진동변위 예측값 중 적어도 하나가 상기 기 설정된 기준값을 초과하는 것에 근거하여, 상기 감지구간에서 상기 드럼의 회전을 단락시키는 것을 특징으로 하는 세탁기.
9. 제 1 항에 있어서,
   상기 기 설정된 기준값은, 서로 다른 복수의 축 별로 각각 설정되어 있는 것을 특징으로 하는 세탁기.
10. 제 1 항에 있어서,
    상기 특정 회전속도는,
    상기 포가 상기 드럼의 벽면에 붙은 상태로 회전되는 속도보다 빠르고, 탈수과정의 최대회전속도보다 느린 속도인 것을 특징으로 하는 세탁기.
11. 탈수 과정 중 드럼이 특정 회전속도로 회전하는 감지구간에서, 진동센서를 이용하여 상기 드럼을 포함하는 터브에서 발생되는 다축 진동과 관련된 값을 측정하는 단계;
    상기 측정된 값을 이용하여, 상기 터브에서 발생될 것으로 예상되는 최대진동변위 예측값을 결정하는 단계; 및
    상기 결정된 최대진동변위 예측값과 기 설정된 기준값에 근거하여, 상기 감지구간에서 상기 탈수 과정을 초기화할지 여부를 결정하는 단계를 포함하는 세탁기의 제어방법.
12. 제 11 항에 있어서,
    상기 진동센서는,
    상기 터브를 기준으로 서로 다른 복수의 축을 따라 진동하는 복수의 진동들에 대한 복수의 진동변위값을 측정하는 것을 특징으로 하는 세탁기의 제어방법.
13. 제 12 항에 있어서,
    상기 측정하는 단계는,
    상기 복수의 진동들 사이의 복수의 위상차 정보를 산출하는 것을 특징으로 하는 세탁기의 제어방법.
14. 제 13 항에 있어서,
    상기 복수의 위상차 정보는,
    상기 복수의 진동 중 어느 하나의 진동을 기준으로 한 다른 진동들의 위상차 정보를 포함하는 것을 특징으로 하는 세탁기의 제어방법.
15. 제 13 항에 있어서,
    상기 산출하는 단계는,
    상기 복수의 진동변위값, 상기 복수의 위상차 정보 및 회전속도 흔들림 값 중 적어도 하나를 기 학습된 인공신경망의 입력값으로 입력하여, 상기 최대진동변위 예측값을 출력값으로 산출하는 것을 특징으로 하는 세탁기의 제어방법.
16. 제 11 항에 있어서,
    상기 최대진동변위 예측값은,
    서로 다른 복수의 축 별로 최대로 진동할 것으로 예상되는 복수의 최대진동변위 예측값을 포함하는 것을 특징으로 하는 세탁기의 제어방법.
17. 제 16 항에 있어서,
    상기 복수의 최대진동변위 예측값이 모두 상기 기 설정된 기준값 이하인 경우, 상기 감지구간의 특정 회전속도보다 빠른 회전속도로 상기 드럼을 회전시키는 단계를 더 포함하는 것을 특징으로 하는 세탁기의 제어방법.
18. 제 16 항에 있어서,
    상기 초기화하는 단계는,
    상기 복수의 최대진동변위 예측값 중 적어도 하나가 상기 기 설정된 기준값을 초과하는 것에 근거하여, 상기 감지구간에서 상기 드럼의 회전을 단락시키는 것을 특징으로 하는 세탁기의 제어방법.
19. 제 11 항에 있어서,
    상기 기 설정된 기준값은, 서로 다른 복수의 축 별로 각각 설정되어 있는 것을 특징으로 하는 세탁기의 제어방법.
20. 제 11 항에 있어서,
    상기 특정 회전속도는,
    상기 포가 상기 드럼의 벽면에 붙은 상태로 회전되는 속도보다 빠르고, 탈수과정의 최대회전속도보다 느린 속도인 것을 특징으로 하는 세탁기의 제어방법.

Images