KR20210017702A

KR20210017702A - 딥러닝 기반의 세탁기 결함 검사 방법 및 장치

Info

Publication number: KR20210017702A
Application number: KR1020190097384A
Authority: KR
Inventors: 정동수; 배건태
Original assignee: 엘지전자 주식회사
Priority date: 2019-08-09
Filing date: 2019-08-09
Publication date: 2021-02-17
Also published as: US11514316B2; US20210042618A1

Abstract

딥러닝 기반의 세탁기 결함 검사 방법 및 장치가 개시된다. 본 발명의 일 실시예에 따른 딥러닝 기반의 세탁기 결함 검사 방법은, 세탁기가 동작하는 동안 학습 데이터를 수집하고, 세탁기의 상태를 진단하는 제1 인공 신경망 모델 및 세탁기 상태 검사 결과의 신뢰도를 확보하는 제2 인공 신경망 모델을 학습시킨다. 이후, 세탁기는 기학습된 두 가지의 인공 신경망 모델을 이용하여 세탁기의 결함 여부를 진단할 수 있으며, 이러한 방법을 통해 세탁기의 이상 상태가 존재하는지 지속적으로 모니터링할 수 있다.
본 발명의 인공 지능(Artificial Intelligence) 모듈은 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다

Description

딥러닝 기반의 세탁기 결함 검사 방법 및 장치{METHOD AND APPARATUS FOR INSPECTING CONDITION OF LAUNDRY MACHINES BASED ON DEEP LEARNING}

본 발명은 딥러닝 기반의 세탁기 결함 검사 방법 및 장치에 관한 것으로서, 보다 구체적으로는 세탁기의 상태를 지속적으로 모니터링할 수 있는 할 수 있는 딥러닝 기반의 세탁기 결함 검사 방법 및 장치에 관한 것이다.

일반적으로 세탁기는 의복, 침구 등의 세탁물에 물리적 작용 및/또는 화학적 작용을 가하여 포를 처리하는 각종 장치를 의미한다. 세탁기는 세탁수가 담기는 외조와, 포가 담기며 상기 외조 내에 회전 가능하게 설치되는 내조를 포함한다. 일반적인 세탁기의 세탁방법은 내조를 회전시켜서 포를 세탁하는 세탁 과정, 및 내조의 원심력을 이용하여 포를 탈수하는 탈수 과정을 포함한다.

다만, 세탁기는 정상적인 작동을 위해서 수평을 유지하여 설치되어야 하고, 고장나거나 노후화되어 정상적인 작동이 이루어 지지 않는 경우가 있다.

종래에 세탁기의 상태 검사 방법은 장치가 망가지거나 단선되는 것과 같은 극단적인 변화만 확인하거나, 장치의 사용 시간에 비추어 부품의 수명(lifetime)을 예측하는 정도에 불과하여 세탁기의 동작 상태를 검사하는 데 어려움이 있었다.

본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.

또한, 본 발명은, 세탁기의 상태를 지속적으로 검사할 수 있는 딥러닝 기반의 세탁기 결함 검사 방법 및 장치를 구현하는 것을 목적으로 한다.

또한, 본 발명은, 검사 결과 데이터의 신뢰도를 향상 시킬 수 있는 딥러닝 기반의 세탁기 결함 검사 방법 및 장치를 구현하는 것을 목적으로 한다.

또한, 본 발명은, 세탁기의 이용환경이 변하더라도 적절한 상태 검사 결과를 도출할 수 있는 딥러닝 기반의 세탁기 결함 검사 방법 및 장치를 구현하는 것을 목적으로 한다.

본 발명의 실시예에 따른 딥러닝 기반의 세탁기 결함 검사 방법은 세탁기가 동작하는 동안 데이터 수집부를 통해 세탁기의 동작과 관련된 데이터를 수집하는 단계;상기 수집된 세탁기의 동작과 관련된 데이터에 기초하여 학습 데이터를 결정하는 단계;상기 학습 데이터를 입력 데이터로 설정하고, 세탁기 상태 데이터를 출력 데이터로 설정하여, 제1 인공 신경망 모델을 학습하는 단계;상기 학습 데이터를 입력 데이터 및 출력 데이터로 설정하여 제2 인공 신경망 모델을 학습하는 단계;상기 학습된 제1 및 제2 인공 신경망 모델을 결합하여 세탁기 상태 검사 모델을 생성하는 단계; 및 상기 세탁기 상태 검사 모델을 사용하여 상기 세탁기의 결함 여부를 검사하는 단계;를 포함하고, 상기 학습 데이터는 rRPM, cRPM, Iq, UB, 자이로 3축 및 가속도 3축의 데이터 중 적어도 하나를 포함하고, 상기 세탁기 상태 데이터는 정상, 고장, 노후화, 설치에러 중 적어도 하나를 포함할 수 있다.

또한, 상기 세탁기의 동작과 관련된 데이터를 수집하는 단계는, 정상, 고장, 노후화 또는 설치에러 중 적어도 하나를 포함하는 세탁기의 상태와 포 레벨에 기초하여 각각의 상태 및 상기 포 레벨에 대응되는 학습 데이터를 수집할 수 있다.

또한, 상기 세탁기의 동작과 관련된 데이터를 수집하는 단계는, 적어도 60msec 이상의 기간동안 수행할 수 있다.

또한, 상기 제2 인공 신경망 모델은 오토인코더(autoencoder)일 수 있다.

또한, 상기 세탁기의 결함 여부를 검사하는 단계는, 상기 수집된 세탁기의 동작과 관련된 데이터에 기초하여 검사 대상 데이터를 결정하는 단계;상기 검사 대상 데이터의 수가 기설정된 임계값 이상이면 검사 대상 데이터를 상기 제2 인공 신경망 모델에 입력 데이터로 입력하는 단계; 및 상기 제2 인공 신경망 모델의 출력 데이터와 상기 입력 데이터를 비교하여 평균제곱오차(mean squre error, MSE)를 계산하는 단계;를 포함하되, 상기 평균제곱오차가 기설정된 임계값 이상이면 세탁기 상태 검사에 관한 판단을 보류할 수 있다.

또한, 상기 평균제곱오차가 기설정된 임계값 미만이면, 검사 대상 데이터를 제1 인공 신경망 모델의 입력 데이터로 입력하는 단계; 및 제1 인공 신경망 모델의 출력 데이터를 기초로 세탁기 상태를 판단하는 단계;를 더 포함할 수 있다.

또한, 상기 평균제곱오차가 기설정된 임계값 이상이면, 상기 세탁기가 동작하는 동안 상기 데이터 수집부를 통해 상기 세탁기의 동작과 관련된 데이터를 재수집하는 단계; 상기 재수집된 데이터에 기초하여 상기 검사 대상 데이터를 재결정하는 단계; 상기 세탁기 상태 검사 모델을 사용하여 상기 세탁기의 결함 여부를 재검사하는 단계; 를 더 포함할 수 있다.

또한, 상기 세탁기 상태가 정상으로 판단되면, 상기 세탁기가 동작하는 동안 상기 데이터 수집부를 통해 상기 세탁기의 동작과 관련된 데이터를 재수집하는 단계; 및 상기 재수집된 세탁기의 동작과 관련된 데이터에 기초하여 상기 검사 대상 데이터를 재결정하는 단계; 상기 세탁기 상태 검사 모델을 사용하여 상기 세탁기의 결함 여부를 재검사하는 단계;를 더 포함할 수 있다.

또한, 상기 세탁기 상태 검사 모델에 평가 데이터를 입력하는 단계; 상기 평가 데이터를 입력 데이터로 하여 상기 세탁기 상태 검사 모델로부터 출력되는 출력 데이터가 기설정된 기준을 만족하지 못하면 다시 상기 상태 검사 모델을 재학습시키는 단계;를 더 포함할 수 있다.

또한, 상기 상태 검사 모델을 재학습시키는 단계는, 출력 데이터의 분석 결과가 정확하지 않은 상기 평가 데이터의 개수 또는 비율이 기설정된 임계치를 초과하면 기설정된 기준을 만족하지 못한 것으로 평가할 수 있다.

본 발명의 다른 실시예에 따른 딥러닝 기반의 서버를 통한 세탁기 결함 검사 방법은 세탁기가 동작하는 동안 상기 세탁기의 데이터 수집부를 통해 수집된 세탁기의 동작과 관련된 데이터를 수신하는 단계; 상기 수신된 세탁기의 동작과 관련된 데이터에 기초하여 학습 데이터를 결정하는 단계; 상기 학습 데이터를 입력 데이터로 설정하고, 세탁기 상태 데이터를 출력 데이터로 설정하여, 제1 인공 신경망 모델을 학습하는 단계; 상기 학습 데이터를 입력 데이터 및 출력 데이터로 설정하여 제2 인공 신경망 모델을 학습하는 단계; 상기 학습된 제1 및 제2 인공 신경망 모델을 결합하여 세탁기 상태 검사 모델을 생성하는 단계; 상기 세탁기 상태 검사 모델을 사용하여 상기 세탁기의 결함 여부를 검사하는 단계; 및 세탁기 상태 검사 결과를 세탁기로 전송하는 단계; 를 포함하고, 상기 학습 데이터는 rRPM, cRPM, Iq, UB, 자이로 3축 및 가속도 3축의 데이터 중 적어도 하나를 포함하고, 상기 세탁기 상태 데이터는 정상, 고장, 노후화, 설치에러 중 적어도 하나를 포함할 수 있다.

본 발명의 또 다른 실시예에 따른 딥러닝 기반의 결함 검사 모델을 구비한 세탁기는 데이터 수집부; 통신 모듈; 메모리; AI 프로세서를 포함하되, 상기 데이터 수집부는, 상기 세탁기가 동작하는 동안 세탁기의 동작과 관련된 데이터를 수집하고, 상기 AI 프로세서는, 수집된 세탁기의 동작과 관련된 데이터에 기초하여 학습 데이터를 결정하고, 상기 학습 데이터를 입력 데이터로 설정하고 세탁기 상태 데이터를 출력 데이터로 설정하여 제1 인공 신경망 모델을 학습시키고, 상기 학습 데이터를 입력 데이터 및 출력데이터로 설정하여 제2 인공 신경망 모델을 학습시키고, 상기 학습된 제1 및 제2 인공 신경망 모델을 결합하여 세탁기 상태 검사 모델을 생성하고, 상기 세탁기 상태 검사 모델을 사용하여 상기 세탁기의 결함 여부를 검사하며, 상기 학습 데이터는 rRPM, cRPM, Iq, UB, 자이로 3축 및 가속도 3축의 데이터 중 적어도 하나를 포함하고, 상기 세탁기 상태 데이터는 정상, 고장, 노후화, 설치에러 중 적어도 하나를 포함할 수 있다.

본 발명의 또 다른 실시예에 따른 딥러닝 기반의 결함 검사 모델을 구비한 AI 장치는 통신 모듈; 메모리; AI 프로세서를 포함하되, 상기 통신 모듈은, 세탁기가 동작하는 동안 상기 세탁기의 데이터 수집부를 통해 수집된 세탁기의 동작과 관련된 데이터를 수신하고, 탁기 상태 검사 결과를 세탁기로 전송하며, 상기 AI 프로세서는, 상기 수신된 세탁기의 동작과 관련된 데이터에 기초하여 학습 데이터를 결정하고, 상기 학습 데이터를 입력 데이터로 설정하고 세탁기 상태 데이터를 출력 데이터로 설정하여 제1 인공 신경망 모델을 학습하고, 상기 학습 데이터를 입력 데이터 및 출력 데이터로 설정하여 제2 인공 신경망 모델을 학습하고, 상기 학습된 제1 및 제2 인공 신경망 모델을 결합하여 세탁기 상태 검사 모델을 생성하고, 상기 세탁기 상태 검사 모델을 사용하여 상기 세탁기의 결함 여부를 검사하고, 상기 학습 데이터는 rRPM, cRPM, Iq, UB, 자이로 3축 및 가속도 3축의 데이터 중 적어도 하나를 포함하고, 상기 세탁기 상태 데이터는 정상, 고장, 노후화, 설치에러 중 적어도 하나를 포함할 수 있다.

본 발명의 일 실시예에 따른 딥러닝 기반의 세탁기 결함 검사 방법 및 장치의 효과에 대해 설명하면 다음과 같다.

본 발명은 세탁기의 상태를 지속적으로 검사할 수 있다.

또한, 본 발명은 검사 결과 데이터의 신뢰도를 향상시킬 수 있다.

또한, 본 발명은 세탁기의 이용환경이 변하더라도 적절한 상태 검사 결과를 도출할 수 있다.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 발명의 실시 예에 따른 지능형 세탁기를 나타내는 도면이다.
도 5는 도 4에 도시된 세탁기의 주요 구성을 나타내는 블록도이다.
도 6은 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 7은 본 발명의 일 실시예에 따른 인공 신경망을 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 상태 검사 모델을 나타내는 도면이다.
도 9 및 도 10은 본 발명의 일 실시예에 따른 세탁기의 결함 검사 방법을 나타내는 순서도이다.
도 11은 본 발명의 다른 실시예에 따른 서버를 포함하는 세탁기의 결함 검사 시스템의 세탁기 결함 검사 방법을 나타내는 시퀀스 도면이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 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 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 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.

이하, AI 프로세싱된 정보를 필요로 하는 장치 및/또는 AI 프로세서가 필요로 하는 5G 통신(5th generation mobile communication)을 단락 A 내지 단락 G를 통해 설명하기로 한다.

A. UE 및 5G 네트워크 블록도 예시

도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.

도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.

AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.

5G 네트워크가 제 1 통신 장치로, AI 장치가 제 2 통신 장치로 표현될 수도 있다.

예를 들어, 상기 제 1 통신 장치 또는 상기 제 2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, 차량, 자율주행 기능을 탑재한 차량, 커넥티드카(Connected Car), 드론(Unmanned Aerial Vehicle, UAV), AI(Artificial Intelligence) 모듈, 로봇, AR(Augmented Reality) 장치, VR(Virtual Reality) 장치, MR(Mixed Reality) 장치, 홀로그램 장치, 공공 안전 장치, MTC 장치, IoT 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, 5G 서비스와 관련된 장치 또는 그 이외 4차 산업 혁명 분야와 관련된 장치일 수 있다.

예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 예를 들어, 드론은 사람이 타지 않고 무선 컨트롤 신호에 의해 비행하는 비행체일 수 있다. 예를 들어, VR 장치는 가상 세계의 객체 또는 배경 등을 구현하는 장치를 포함할 수 있다. 예를 들어, AR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 연결하여 구현하는 장치를 포함할 수 있다. 예를 들어, MR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 융합하여 구현하는 장치를 포함할 수 있다. 예를 들어, 홀로그램 장치는 홀로그래피라는 두 개의 레이저 광이 만나서 발생하는 빛의 간섭현상을 활용하여, 입체 정보를 기록 및 재생하여 360도 입체 영상을 구현하는 장치를 포함할 수 있다. 예를 들어, 공공 안전 장치는 영상 중계 장치 또는 사용자의 인체에 착용 가능한 영상 장치 등을 포함할 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 사람의 직접적인 개입이나 또는 조작이 필요하지 않는 장치일 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 스마트 미터, 벤딩 머신, 온도계, 스마트 전구, 도어락 또는 각종 센서 등을 포함할 수 있다. 예를 들어, 의료 장치는 질병을 진단, 치료, 경감, 처치 또는 예방할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 상해 또는 장애를 진단, 치료, 경감 또는 보정할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 구조 또는 기능을 검사, 대체 또는 변형할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 임신을 조절할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 진료용 장치, 수술용 장치, (체외) 진단용 장치, 보청기 또는 시술용 장치 등을 포함할 수 있다. 예를 들어, 보안 장치는 발생할 우려가 있는 위험을 방지하고, 안전을 유지하기 위하여 설치한 장치일 수 있다. 예를 들어, 보안 장치는 카메라, CCTV, 녹화기(recorder) 또는 블랙박스 등일 수 있다. 예를 들어, 핀테크 장치는 모바일 결제 등 금융 서비스를 제공할 수 있는 장치일 수 있다.

도 1을 참고하면, 제 1 통신 장치(910)와 제 2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제 1 통신 장치에서 제 2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.

UL(제 2 통신 장치에서 제 1 통신 장치로의 통신)은 제 2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제 1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.

본 발명의 일 실시예에 의하면, 상기 제1 통신 장치는 차량이 될 수 있으며, 상기 제2 통신 장치는 5G 네트워크가 될 수 있다.

B. 무선 통신 시스템에서 신호 송/수신 방법

도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.

도 2를 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)를 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).

한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.

상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.

도 2를 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.

UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.

SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.

셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.

336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다

SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.

다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.

SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.

도 2를 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.

임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.

UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.

BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.

상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.

C. 5G 통신 시스템의 빔 관리(Beam Management, BM) 절차

BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS(sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.

SSB를 이용한 DL BM 과정에 대해 살펴본다.

SSB를 이용한 빔 보고(beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보(channel state information, CSI)/빔 설정 시에 수행된다.

- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고을 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, ??}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.

- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.

- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.

UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.

다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.

CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.

먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.

- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.

- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.

- UE는 자신의 Rx 빔을 결정한다.

- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.

다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.

- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.

- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.

- UE는 최상의(best) 빔을 선택(또는 결정)한다.

- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.

다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.

- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.

- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.

- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.

다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.

빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고; 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.

D. URLLC (Ultra-Reliable and Low Latency Communication)

NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.

NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.

프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.

상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.

UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.

E. mMTC (massive MTC)

mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.

mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.

즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제 1 주파수 자원에서 제 2 주파수 자원으로 가드 구간(guard period)에서 (RF) 리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)를 통해 송/수신될 수 있다.

F. 5G 통신을 이용한 AI 기본 동작

도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.

UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1).그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2).여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).

G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작

이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.

먼저, 후술할 본 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.

보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.

또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.

다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.

다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.

도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.

앞서 살핀 5G 통신 기술은 후술할 본 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.

도 4는 본 발명의 실시 예에 따른 지능형 세탁기를 나타내는 도면이다. 도 5는 도 4에 도시된 세탁기의 주요 구성을 나타내는 블록도이다.

도 4 및 도 5를 참조하면, 본 발명의 실시 예에 따른 세탁기(10)는 제어부(100), 하드웨어부(200), 영상획득부(300) 및 사용자 인터페이스(400)를 포함한다.

제어부(100)는 사용자 인터페이스(400)를 통해서 입력되는 정보에 따라 하드웨어(200)를 제어함으로써, 세탁기(10) 전반의 구동을 제어한다. 또한, 제어부(100)는 영상획득부(300)를 통해서 획득되는 세탁물 이미지를 바탕으로 하드웨어(200)의 동작을 제어한다. 보다 구체적으로 제어부(100)는 세탁물 이미지로부터 포 분류 정보 또는 포 분산 정보를 획득하고, 포 분류 정보 또는 포 분산 정보를 바탕으로 하드웨어(200)의 동작을 제어할 수 있다. 포 분류 정보는 세탁물의 종류, 재질 등에 대한 정보로써 특히 세탁물의 함수율 정보를 지칭할 수 있다. 포 분산 정보는 내조(211)에 안착된 세탁물의 배치 정도 또는 높이 정보를 지칭할 수 있다.

제어부(100)는 포 분류 정보를 학습하여 탈수 과정에서 발생할 수 있는 내조(211)의 진동 정도를 예측하고, 내조(211)의 진동 정도에 따라 탈수 과정에서 모터(220)의 RPM(Revolution Per Minute)을 가변시킬 수 있다. 예를 들어, 제어부(100)는 포 분류 정보가 단락 유발이 우려되는 세탁물로 판단될 경우에, 탈수 과정에서 모터(220)의 RPM을 낮추도록 제어할 수 있다.

하드웨어(200)는 세탁조(210), 모터(220), 급수 밸브(230) 및 히터(240) 등을 포함할 수 있다.

세탁조(210)는 세탁수를 수용하는 외조(213), 및 외조(213)의 내측에 배치되어 세탁물이 안착되며 모터(220)로부터 제공받는 회전력을 이용하여 회전하는 내조(211)를 포함한다. 급수 밸브(230)는 세탁수의 공급을 제어한다. 히터(240)는 세탁조 내의 급수의 가열한다.

영상획득부(300)는 내조(211)에 안착된 세탁물의 이미지를 획득한다. 영상획득부(300)는 2D 또는 3D 카메라 중에서 적어도 어느 하나를 이용할 수 있으며, 세탁기(10)의 덮개에 배치될 수 있다.

사용자 인터페이스(400)는 전원 입력부(410), 시작 입력부(420), 코스 선택부(430), 옵션 선택부(440), 디스플레이부(450) 및 스피커(460)를 포함할 수 있다.

전원 입력부(410)는 세탁기의 메인 전원의 온/오프를 제어하기 위한 수단을 제공한다. 시작 입력부(420)는 세탁 과정, 헹굼 과정 또는 탈수 과정 등의 시작을 제어하기 위한 수단을 제공한다. 코스 선택부(430)는 세탁 과정, 헹굼 과정 또는 탈수 과정의 종류를 선택할 수 있는 수단을 제공한다. 옵션 선택부(440)는 세탁 과정, 헹굼 과정 또는 탈수 과정을 진행하기 위한 세부적인 옵션들을 선택할 수 있는 수단을 제공한다. 예를 들어, 옵션 선택부(440)는 물 온도, 시간, 예약 등의 옵션들을 선택하기 위한 수단이 될 수 있다. 디스플레이부(450)는 세탁기(10)의 동작 상태를 표시하거나, 사용자가 코스 선택부(430)를 통해서 선택한 코스 정보 또는 옵션 선택부(440)를 통해서 선택한 옵션 정보 등을 표시할 수 있다. 스피커(460)는 세탁기(10)의 동작 상태 또는 특정 이벤트에 대한 상황을 음성 신호로 출력한다. 특정 이벤트는 포 이미지를 바탕으로 포분산 제어 또는 RPM 제어와 상황이 될 수 있다.

도 6은 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.

도 6을 살펴보면, AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, AI 장치(20)는 도 4 및 도 5에 도시된 세탁기(10)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.

AI 프로세싱은 도 4에 도시된 세탁기(10)의 제어부(100)와 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 세탁기(10)는 세탁물 이미지 또는 포 분류 정보 또는 포 분산 정보를 AI 프로세싱 하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다.

AI 장치(20)는 AI 프로세싱 결과를 직접 이용하는 클라이언트 디바이스이거나, AI 프로세싱 결과를 다른 기기에 제공하는 클라우드 환경의 디바이스일 수도 있다. AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.

AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.

AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 세탁기(10)의 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 세탁기(10)의 관련 데이터를 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.

한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.

메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 발명의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.

한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.

데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.

데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.

학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다.

모델 학습부(24)는 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(24)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다. 지도 학습은 일련의 학습 데이터와 그에 상응하는 레이블(label, 목표 출력값)을 이용하여 학습을 이루어지며, 지도 학습에 기초한 신경망 모델은 훈련 데이터(training data)로부터 함수를 추론해내는 형태의 모델일 수 있다. 지도 학습은 일련의 학습 데이터와 그에 상응하 목표 출력값을 수신하고, 입력되는 데이터에 대한 실제 출력값과 목표 출력값을 비교하는 학습을 통해 오류를 찾아내고, 해당 결과를 근거로 모델을 수정할 수 있다. 지도 학습은 결과물의 형태에 따라 다시 회귀(regression), 분류(classification), 검출(detection), 시멘틱 세그멘테이션(semantic segmentation) 등으로 구분될 수 있다. 지도 학습을 통해 도출된 함수는 다시 새로운 결과값을 예측하는데 사용될 수 있다. 이처럼, 지도 학습에 기초한 신경망 모델은 수많은 학습 데이터의 학습을 통해, 신경망 모델의 파라미터를 최적화할 수 있다.

신경망 모델이 학습되면, 모델 학습부(24)는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.

데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.

학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(24)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

또한, 학습 데이터 선택부는, 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(24)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 세탁기(10)의 촬영수단을 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.

또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.

모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정되 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.

통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다. 예를 들어, 외부 전자 기기는 블루투스 장치, 자율주행 차량, 로봇, 드론, AR 기기, 모바일 기기, 가전 기기 등을 포함할 수 있다.

한편, 도 6에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.

도 7은 본 발명의 일 실시예에 따른 인공 신경망을 나타내는 도면이다.

구체적으로, 도 7(a)는 인공 신경망의 일반적인 구조를 나타내는 도면이며, 도 7(b)는 인공 신경망 중 인코딩 후 디코딩을 하며 복원(Reconstruction) 단계를 거치는 오토인코더(autoencoder)를 나타내는 도면이다.

인공 신경망은 일반적으로 입력층(input layer), 은닉층(hidden lyaer) 및 출력층(output layer)로 구성되어 있으며 각 층에 포함된 뉴런들이 가중치를 통해 연결될 수 있다. 가중치와 뉴런값의 선형 결합과 비선형 활성화 함수를 통해 인공 신경망은 복잡한 함수를 근사화할 수 있는 형태를 가질 수 있다. 인공 신경망 학습의 목적은 출력층에서 계산된 출력과 실제 출력의 값 차이를 최소화시키는 가중치를 찾는데 있다.

심층 신경망은 입력층과 출력층 사이에 여러 개의 은닉층들로 이루어진 인공 신경망을 의미할 수 있다. 많은 은닉층을 이용함으로써 복잡한 비선형 관계들을 모델링할 수 있으며, 이처럼 층의 개수를 늘림으로써 고도화된 추상화가 가능한 신경망 구조를 딥러닝(Deep Learning)이라고 부른다. 딥러닝은 매우 방대한 양의 데이터를 학습하여, 새로운 데이터가 입력될 경우 학습 결과를 바탕으로 확률적으로 가장 높은 답을 선택할 수 있다. 따라서, 딥러닝은 입력에 따라 적응적으로 동작할 수 있으며, 데이터에 기초하여 모델을 학습하는 과정에서 특성인자를 자동으로 찾아낼 수 있다.

딥러닝 기반의 모델은 도 6에서 전술한 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함할 수 있으나, 이에 제한되지 않는다. 또한, 딥러닝 이외의 머신 러닝(Machine Learning) 방법도 포함할 수 있다. 예컨대, 딥러닝 기반의 모델을 적용하여 입력 데이터의 특징을 추출하고, 추출된 특징에 기초하여 입력 데이터를 분류하거나 인식할 때는 머신 러닝 기반의 모델을 적용할 수도 있다. 머신 러닝 기반의 모델은 서포트 벡터 머신(Support Vector Machine, SVM), 에이다부스트(AdaBoost) 등을 포함할 수 있으나, 이에 한정되지 않는다.

도 7(a)를 참조하면, 본 발명의 일 실시예에 따른 인공 신경망은 입력층, 은닉층, 출력층 및 가중치를 포함할 수 있다. 예를 들어, 도 1은 입력층의 크기가 3, 제1 및 제2 은닉층의 크기가 4, 출력층의 크기가 1인 인공 신경망의 구조를 나타낸다. 구체적으로 은닉층에 포함된 뉴런들은 입력층에 포함된 뉴런들과 가중치에 포함된 개별 가중치와의 선형결합으로 연결될 수 있다. 출력층에 포함된 뉴런들은 은닉층에 포함된 뉴런들과 가중치에 포함된 개별 가중치와의 선형 결합으로 연결될 수 있다. 그리고, 인공 신경망은 출력층에서 계산된 출력과 실제 출력의 값 차이를 최소화시키는 찾을 수 있다.

또한, 본 발명의 일 실시예에 따른 인공 신경망은 입력층의 크기가 10, 출력층의 크기가 4이고, 은닉층의 크기를 한정하지 않는 인공 신경망 구조를 가질 수 있다. 이때, 입력층에는 세탁기(10)의 동작과 관련된 데이터에 기초하여 학습 데이터로 결정된 데이터가 입력 데이터로 입력될 수 있다. 예를 들어, 세탁기(10)의 동작과 관련된 rRPM(request RPM), cRPM(current RPM), Iq(q축 전류), UB(편심값), 자이로 3축 및 가속도 3축의 데이터가 입력층에 입력될 수 있고, 출력층에서는 정상, 고장, 노후화 및 출력에러 각각에 해당하는 출력 값이 출력될 수 있다.

도 7(b)를 참조하면, 본 발명의 일 실시예에 따른 인공 신경망은 오토인코더(autoencoder)를 포함할 수 있다. 오토인코더는 원본 데이터를 인공 신경망에 입력하여 인코딩하고, 인코딩된 데이터를 디코딩함으로써 복원(Reconstruction)하면 복원 데이터와 입력 데이터는 어느 정도 차이가 발생할 수 있는데, 이러한 차이를 이용하는 인공 신경망이다. 예를 들어, 오토인코더는 입력층의 크기와 출력층의 크기가 각각 5로 동일하고, 제1 은닉층의 크기가 3, 제2 은닉층의 크기가 2, 제3 은닉층의 크기가 3일 수 있으며 이와 은닉층의 노드수가 중간층으로 갈수록 점진적으로 감소하고 출력층에 가까워질수록 점진적으로 증가하는 구조일 수 있다. 도면 7(b)에 도시된 오토인코더는 예시적인 도면이며, 본 발명의 실시예는 이에 한정되지 않는다. 오토인코더는 원본 데이터의 입력값과 복원 데이터의 출력값을 비교하여 그 차이가 크다면 해당 데이터는 학습되지 않은 것으로 판단할 수 있고, 입력값과 출력값의 차이가 작다면 해당 데이터는 기학습된 것으로 판단할 수 있다. 따라서, 오토인코더를 이용하면 데이터의 신뢰도를 높일 수 있다.

이때, 입력값과 출력값을 비교하는 방식으로, 평균제곱오차(Mean Square Error, MSE)를 이용할 수 있다. 평균제곱오차의 값이 커질수록 학습되지 않은 데이터로 판단할 수 있으며, 평균제곱오차의 값이 작을수록 기학습된 데이터로 판단할 수 있다. 본 발명의 일 실시예는 평균제곱오차 값이 기설정된 임계값 미만이면, 기학습된 데이터로 판단하여 검사 대상 데이터를 제1 인공 신경망 모델(811)의 입력층에 입력하고, 제1 인공 신경망 모델(811)의 출력 데이터를 기초로 세탁기(10)의 상태를 판단할 수 있다. 출력 데이터가 0이면, 정상, 1이면 고장, 2면 노후화, 3이면 설치에러로 판단할 수 있다.

도 8은 본 발명의 일 실시예에 따른 상태 검사 모델을 나타내는 도면이다.

도 8을 참조하면 세탁기 상태 검사 모델(810)은 제1 인공 신경망 모델(811) 및 제2 인공 신경망 모델(812)을 포함할 수 있다. 제1 인공 신경망 모델(811)은 입력층에 세탁기의 동작과 관련된 데이터가 입력되면 세탁기의 상태 검사 결과를 출력할 수 있다. 제2 인공 신경망 모델(812)은 입력층에 세탁기의 동작과 관련된 데이터가 입력되면, 그 복원 데이터가 출력될 수 있다. 제2 인공 신경망 모델(812)은 입력 데이터와 복원 데이터를 비교하여 상태 검사 모델(810)의 신뢰도를 확인할 수 있다.

제1 인공 신경망 모델(811)은 제2 인공 신경망 모델(812)에 검사 대상 데이터가 입력되는 것과 동시에 그 값이 입수될 수 있고, 제2 인공 신경망 모델(812)에 우선적으로 검사 대상 데이터를 입력하여 데이터가 신뢰도가 없는 것으로 판단되면 제1 인공 신경망 모델(811)을 통한 세탁기 상태 검사를 보류할 수 있다.

또한, 본 발명의 다양한 실시예에서는, 입력되는 검사 대상 데이터의 노이즈 제거를 위하여, 제2 인공 신경망 모델(812)를 통해 출력된 복원 데이터를 제1 인공 신경망 모델(811)의 입력 데이터로 설정하여 세탁기의 상태를 검사할 수 있다.

도 9 및 도 10은 본 발명의 일 실시예에 따른 세탁기의 결함 검사 방법을 나타내는 순서도이다.

도 9는 본 발명의 일 실시예에 따른 제1 인공 신경망 모델(811) 및 제2 인공 신경망 모델(812)을 학습시킨 후, 제1 인공 신경망 모델(811) 및 제2 인공 신경망 모델(812)을 이용하여 세탁기의 결함 여부를 검사하는 방법을 도시하며, 구체적으로 인공 신경망을 학습시키는 방법을 구체적으로 나타낸다.

우선, 세탁기(10)는 데이터 수집부를 통해 세탁기(10)의 동작과 관련된 데이터를 획득할 수 있다(S910).

세탁기(10)는 세탁기(10)의 동작을 감지할 수 있는 적어도 하나의 데이터 수집부를 통하여 세탁기(10)의 동작과 관련된 데이터를 수집할 수 있다. 세탁기(10)의 동작과 관련된 데이터는 rRPM, cRPM, Iq, UB, 자이로 3축, 가속도 3축, 수위레벨, 등의 정보를 포함할 수 있으나 이에 한정되지 않는다. 본 발명의 일 실시예에서 AI 프로세서(21)는 세탁기(10)가 동작하는 동안 정상, 고장, 노후화 또는 설치에러 중 적어도 하나를 포함하는 세탁기(10)의 상태와 포 레벨에 기초하여 각각의 상태 및 포 레벨에 해당하는 데이터를 수집할 수 있다. 예를 들어, 데이터의 수집의 일 방식으로 세탁물의 레벨별 및 케이스별로 프로파일을 반복 실행하여 데이터를 수집할 수도 있다. 또한, 세탁기(10)가 정상 상태일 때, 제1 포 레벨부터 제7 포 레벨로 세탁물을 변경하며 세탁기(10)를 동작하고 정상 상태에서의 각각의 포 레벨에 해당하는 세탁기(10)의 동작과 관련된 데이터를 수집하거나, 세탁기(10)가 고장 상태일 때, 제1 포 레벨부터 제7 포 레벨로 세탁물을 변경하며 세탁기(10)를 동작하고 정상 상태에서의 각각의 포 레벨에 해당하는 세탁기(10)의 동작과 관련된 데이터를 수집할 수 있다. 이와 같은 방식으로 세탁기(10)의 상태와 포 레벨 별로 데이터 수집을 반복하여 수행할 수 있다. 또한, 본 발명의 일 실시예에서는 세탁기(10)의 동작과 관련된 데이터의 수집은 적어도 60msec 이상의 기간동안 수행될 수 있다.

이후, AI 프로세서(21)는 수집된 세탁기(10)의 동작과 관련된 데이터를 기초하여 학습 데이터를 결정할 수 있다(S920).

세탁기(10)의 학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 세탁기(10)의 데이터 수집부를 통해 수집된 복수의 데이터 중 인공 신경망을 목표로 하는 모델로 학습하기 위하여, 수집된 데이터 중 신경망 모델에 필요한 학습 데이터를 분류할 수 있어야 한다. 본 발명의 일 실시예에서 학습 데이터 획득부(23)는 rRPM, cRPM, Iq, UB, 자이로 3축, 가속도 3축의 데이터를 학습 데이터로 분류할 수 있다.

이후, AI 프로세서(21)는 학습 데이터를 입력 데이터로 설정하고 세탁기(10) 상태 데이터를 출력 데이터로 설정하여 제1 인공 신경망 모델(811)을 학습시킬 수 있다(S930).

제1 인공 신경망 모델(811)은 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 구체적으로, 모델 학습부(24)는 획득된 학습 데이터를 인공 신경망의 입력층에 인가하고, 정상, 고장, 노후화, 설치에러 중 적어도 하나를 포함하는 세탁기(10) 상태에 대응하는 출력 데이터를 출력층에 인가함으로써 제1 인공 신경망 모델(811)을 학습시킬 수 있다.

이후, AI 프로세서(21)는 학습 데이터를 입력 데이터 및 출력 데이터로 설정하여 제2 인공 신경망 모델(812)을 학습시킬 수 있다(S940).

제2 인공 신경망 모델(812)은 오토인코더로 구성될 수 있다. 오토인코더는 도 7에서 전술한 바와 같이 데이터의 신뢰도를 확보할 수 있다. 본 발명의 일 실시예에서 AI 프로세서(21)는 제2 인공 신경망 모델(812)의 입력층과 출력층에 학습 데이터를 인가하여 제2 인공 신경망 모델(812)을 학습시킬 수 있다. 학습된 제2 인공 신경망 모델(812)은 세탁기(10) 상태를 검사할 때, 입력 데이터와 제2 인공 신경망 모델(812)을 통해 복원된 복원 데이터를 비교하여 입력 데이터가 이전에 학습된 데이터인지 판단할 수 있다.

또한, 본 발명의 다양한 실시예에서 입력된 검사 대상 데이터가 제2 인공 신경망 모델(812)에 의하여 학습되지 않은 데이터로 판단되면, AI 프로세서(21)는 세탁기(10) 상태 검사에 관한 판단을 보류할 수 있다. 또한, 입력 데이터가 학습되지 않은 데이터로 판단되면, 세탁기(10)의 데이터 수집부를 통해 세탁기(10)의 동작과 관련된 데이터를 다시 수집하고 학습 데이터를 분류하여 제1 인공 신경망 모델(811) 및 제2 인공 신경망 모델(812)을 재학습시킬 수 있다.

이후, AI 프로세서(21)는 제1 인공 신경망 모델(811) 및 제2 인공 신경망 모델(812)을 포함하는 세탁기(10) 상태 검사 모델(810)을 생성할 수 있다(S950).

AI 프로세서(21)는 제1 인공 신경망 모델(811) 및 제2 인공 신경망 모델(812)을 포함하는 딥 러닝 모델을 생성하고, 이를 메모리(25)에 저장함으로써 이후 세탁기(10)의 상태 검사에 이용할 수 있다. 구체적으로, 세탁기(10) 상태 검사 모델(810)의 제1 인공 신경망 모델(811)은 세탁기(10)의 이상 상태의 존재 여부를 확인할 수 있고, 제2 인공 신경망 모델(812)은 입력층에 입력되는 데이터가 기학습된 데이터에 관한 것인지 판단할 수 있다.

본 발명의 다양한 실시예는, 세탁기(10) 상태 검사 모델(810)에 평가데이터를 입력하고, 출력 데이터가 기설정된 기준을 만족하지 못하면 다시 상태 검사 모델(810)을 재학습 시킬 수 있다. 또한, 출력 데이터의 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임게치를 초과하면 기설정된 기준을 만족하지 못하는 것으로 평가할 수 있다.

이후, AI 프로세서(21)는 세탁기(10) 상태 검사 모델(810)을 사용하여 세탁기(10)의 동작에 있어서 결함이 존재하는지 여부를 검사할 수 있다(S960).

제1 인공 신경망 모델(811)은 학습 결과에 따라, 기학습된 제1 인공 신경망 모델(811)에 검사 대상 데이터가 입력되면, 제1 인공 신경망 모델(811)은 입력 데이터에 따라 세탁기(10) 상태를 판단할 수 있다. 예를 들어, 특정한 입력 데이터에 따라 제1 인공 신경망 모델(811)은 0, 1, 2, 3을 출력값으로 출력할 수 있다. 이때, 0은 정상, 1은 고장, 2는 노후화, 3은 설치에러에 각각 대응되도록 설정될 수 있고 이를 통해 AI 프로세서(21)는 세탁기(10) 상태를 판단할 수 있다.

본 발명의 일 실시예에서, 제1 인공 신경망 모델(811)의 출력 결과로 세탁기(10)가 정상 상태로 판단되면, 세탁기(10)가 동작하는 동안 데이터 수집부를 통해 세탁기(10)의 동작과 관련된 데이터를 다시 수집하고, 재수집된 세탁기(10)의 동작과 관련된 데이터에 기초하여 검사 대상 데이터를 재결정한 후, 세탁기(10)의 결함 여부를 반복하여 검사할 수 있다. 이와 같은 반복 검사를 통해 실시간으로 세탁기(10)의 결함 여부를 모니터링할 수 있다.

제2 인공 신경망 모델(812)은 학습 결과에 따라, 기학습된 제2 인공 신경망 모델(812)에 검사 대상 데이터가 입력되면, 제2 인공 신경망 모델(812)은 입력 데이터에 따라 상기 입력 데이터가 기학습된 데이터인지 판단할 수 있다. 기학습된 데이터가 아니라면, 제1 인공 신경망 모델(811)에 입력되더라도 신뢰할 수 있는 출력값을 획득하기 어렵고, 세탁기(10) 상태 검사 결과 또한 신뢰하기 어려울 수 있다. 따라서, 제2 인공 신경망 모델(812)은 평균제곱오차 값을 이용하여 상기 평균제곱오차 값이 기설정된 임계값 미만이면 학습된 데이터로 판단하고, 기설정된 임계값 이상이면 학습되지 않은 데이터로 판단할 수 있다. 이때, 기설정된 임계값은 0.1일 수 있다.

전술한 바와 같이 AI 프로세서(21)가 입력 데이터를 학습되지 않은 데이터로 판단하면, AI 프로세서(21)는 세탁기(10) 상태 모델을 재학습시킬 수 있다. 이러한 재학습을 통해 세탁기(10)가 초기 설계 단계 또는 공정 단계에서 생산되는 환경과 다른 환경에서 이용되는 경우에도 세탁기(10) 상태 검사는 오작동없이 적절하게 수행될 수 있다. 예를 들어, 한국에서 생산된 세탁기(10)의 상태 검사 모델(810)은 한국의 환경에 기초하여 학습이 이루어지며, 열대 지방에서의 입력 데이터는 세탁기(10) 상태 검사 모델(810)에 학습되지 않는다. 이에 따라, 다른 환경에서 세탁기(10)가 이용되면 입력 데이터의 차이로 인해 상태 검사 모델(810)은 오작동을 유발하거나 유발할 수 있으므로, 제2 인공 신경망 모델(812)은 적절한 세탁기(10) 상태 검사를 수행하는데 도움을 줄 수 있다. 또한, 전술한 재학습을 통해 다른 환경에서도 오작동 없이 세탁기(10) 상태 검사를 수행할 수 있다.

도 10은 본 발명의 일 실시예에 따른 세탁기의 결함 검사 방법을 구체적으로 도시한다. 구체적으로 도 10은 기학습된 세탁기 상태 검사 모델(810)을 이용하여 세탁기의 결함 검사를 수행하는 방법을 도시하고 있으며, 도 8에서 전술한 내용과 공통되는 내용은 간략히 요약하거나 생략하고 차이점 위주로 서술한다.

우선, AI 프로세서(21)는 세탁기(10)가 동작하는 동안 데이터 수집부를 통해 세탁기(10)의 동작과 관련된 데이터를 수집할 수 있다(S1010).

이때, 데이터 수집부는 수위센서, 진동센서, 홀센서, 전류센서, 관성센서, 가속도센서 등의 센서 및/또는 cRPM, rRPM, UB, Iq 등을 포함하는 제어 정보를 수집할 수 있는 제어 정보 수집부을 포함할 수 있으나, 이에 한정되지 않는다.

이후, AI 프로세서(21)는 수집된 세탁기(10)의 동작과 관련된 데이터 중 세탁기(10)의 결함 여부의 진단을 위한 검사 대상 데이터를 결정할 수 있다(S1020).

이때, 검사 대상 데이터는 인공 신경망을 학습하는 데 이용한 학습 데이터와 동일한 종류의 데이터로 분류 및 결정할 수 있다. 또한, 검사 대상 데이터는 학습 데이터만큼 많은 수의 데이터를 필요로 하지 않을 수 있다. 다만, 검사의 신뢰성을 위하여 rRPM, cRPM, Iq, UB, 자이로 3축 또는 가속도 3축 중 적어도 하나를 포함하는 각각의 세탁기(10)의 동작과 관련된 정보가 40 프레임 이상 획득되는 것을 세탁기(10) 검사 진행의 요건으로 할 수 있다.

이후, AI 프로세서(21)는 검사 대상 데이터의 수가 기설정된 임계값 이상이면 검사 대상 데이터를 제2 인공 신경망 모델(812)에 입력 데이터로 입력할 수 있다(S1030).

이때 제2 인공 신경망 모델(812)은 검사 대상 데이터의 복원 데이터를 출력할 수 있고, AI 프로세서(21)는 검사 대상 데이터와 복원 데이터를 비교하여 세탁기(10) 상태 검사의 신뢰도를 향상시킬 수 있다.

이후, AI 프로세서(21)는 제2 인공 신경망 모델(812)의 출력 데이터와 입력 데이터를 비교하여 평균제곱오차를 계산하고, 평균제곱오차가 기설정된 임계값 미만인지 판단할 수 있다(S1040).

이때, AI 프로세서(21)는 평균제곱오차가 기설정된 임계값 미만이면, 검사 대상 데이터를 제1 인공 신경망 모델(811)의 입력 데이터로 입력할 수 있고, 기설정된 임계값 이상이면 세탁기(10) 상태 검사에 관한 판단을 보류할 수 있다.

이때, 검사 대상 데이터가 제1 인공 신경망 모델(811)에 입력되는 단계와 검사 대상 데이터가 제2 인공 신경망 모델(812)에 입력되는 단계는 시간적 또는 논리적인 선순위성이 한정된 것이 아니며, 시간적으로 혼용될 수 있다. 예를 들어, 제1 인공 신경망 모델(811)에 검사 대상 데이터가 먼저 입력되더라도 제2 인공 신경망 모델(812)에 검사 대상 데이터가 입력되어 학습되지 않은 데이터라 판단된다면, 제1 인공 신경망 모델(811)을 통해 획득된 세탁기(10) 상태에 관련된 출력값은 신뢰할 수 없는 정보로 판단할 수 있고, 제2 인공 신경망 모델(812)에 검사 대상 데이터가 먼저 입력되어 검사 대상 데이터가 학습되지 않은 데이터로 판단되면, 제1 인공 신경망 모델(811)을 통한 세탁기(10) 상태 검사를 보류하거나, 판단된 상태 검사 결과를 신뢰할 수 없는 것으로 볼 수 있다.

이후, AI 프로세서(21)는 검사 대상 데이터는 제1 인공 신경망 모델(811)에 입력될 수 있다(S1050).

제1 인공 신경망 모델(811)은 검사 대상 데이터를 입력받아 세탁기(10)의 결함 존재 여부를 판단할 수 있다. 이때, 세탁기(10)가 정상 상태로 판단되면, 특정한 시점에 세탁기(10)가 다시 동작하는 동안 데이터 수집부를 통해 세탁기(10)의 동작과 관련된 데이터를 재수집하고, 검사 대상 데이터를 재결정하고, 세탁기(10)의 결함 여부를 재검사할 수 있다. 이를 통해, AI 프로세서(21)는 세탁기(10)의 상태를 지속적으로 모니터링할 수 있다.

이후, AI 프로세서(21)는 제1 인공 신경망 모델(811)을 통해 세탁기(10) 결함 여부가 존재하는지 판단할 수 있다(S1060).

이때, 세탁기는 세탁기 상태 검사 결과를 세탁기의 디스플레이부(450) 및/또는 스피커(460)를 통해 알림할 수 있다.

도 11은 본 발명의 다른 실시예에 따른 서버를 포함하는 세탁기의 결함 검사 시스템의 세탁기 결함 검사 방법을 나타내는 시퀀스 도면이다. 전술한 도 9 및 도 10에서 설명한 내용과 동일한 내용을 생략한다.

우선, 세탁기(10)는 데이터 수집부를 통해 세탁기(10)의 동작과 관련된 데이터를 수집할 수 있다(S1010).

이때 세탁기(10)가 수집한 데이터는 서버로 전송되어 서버의 AI 프로세서(21)에 구비된 인공 신경망을 학습할 때 이용할 수 있다.

이후, 서버는 세탁기(10)로부터 세탁기(10)의 동작과 관련된 데이터를 수신할 수 있다(S1020).

이후, 서버는 학습데이터를 결정하고, 제1 인공 신경망 모델(811) 및 제2 인공 신경망 모델(812)을 학습시켜 세탁기(10) 상태 검사 모델(810)을 생성할 수 있다(S1030).

이때, 서버는 세탁기(10)로부터 수신한 데이터를 기초로 하여 인공 신경망의 학습을 위해 필요한 학습 데이터를 분류 및 결정할 수 있다. 또한, 서버는 세탁기(10)의 상태를 검사하는 제1 인공 신경망 모델(811) 및 입력 데이터가 학습된 데이터인지 확인함으로써 제1 인공 신경망 모델(811)을 통한 세탁기(10) 상태 검사 결과의 신뢰도를 확보할 수 있는 제2 인공 신경망 모델(812)을 학습시킬 수 있다. 서버는, 제1 인공 신경망 모델(811)과 제2 인공 신경망 모델(812)을 포함하는 세탁기(10) 상태 검사 모델(810)을 생성 후, 메모리(25)에 저장할 수 있다.

이후, 서버는 세탁기(10)로부터 세탁기(10)의 동작과 관련된 데이터를 수신할 수 있다(S1040).

세탁기(10)는 세탁기(10)가 동작하는 동안 세탁기(10)의 동작과 관련된 데이터를 수집할 수 있고, 수집된 데이터를 서버로 전송할 수 있다. 이때, 서버로의 데이터 전송은 지속적으로 전송하거나, 세탁기(10)로부터 상태 검사 요청이 있으면 상태 검사 요청에 응답하여 서버로부터 전송된 데이터 요청 메시지를 세탁기(10)가 수신하여 세탁기(10)는 서버로 데이터를 전송할 수 있다.

이후, 서버는 세탁기(10)로부터 수신된 데이터를 바탕으로 검사 데이터를 결정하고, 세탁기(10)의 결함 존재 여부를 판단할 수 있다(S1050).

서버는 세탁기(10)로부터 수신된 데이터를 제1 인공 신경망 모델(811) 및 제2 인공 신경망 모델(812)의 입력층에 입력하고, 제1 인공 신경망 모델(811)은 세탁기(10)의 상태와 관련된 출력값을 출력하고, 제2 인공 신경망 모델(812)은 입력 데이터와 복원 데이터를 비교하여 입력 데이터가 학습된 데이터인지 판단할 수 있다.

이후, 서버는 세탁기(10) 상태 검사 결과를 세탁기(10)로 전송할 수 있다(S1060).

이때, 서버로부터 세탁기(10) 상태 검사 결과를 수신한 세탁기(10)는 세탁기(10)의 디스플레이부(450) 및/또는 스피커를 통해 세탁기(10)의 상태 정보를 표시할 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 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 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

세탁기가 동작하는 동안 데이터 수집부를 통해 세탁기의 동작과 관련된 데이터를 수집하는 단계;
상기 수집된 세탁기의 동작과 관련된 데이터에 기초하여 학습 데이터를 결정하는 단계;
상기 학습 데이터를 입력 데이터로 설정하고, 세탁기 상태 데이터를 출력 데이터로 설정하여, 제1 인공 신경망 모델을 학습하는 단계;
상기 학습 데이터를 입력 데이터 및 출력 데이터로 설정하여 제2 인공 신경망 모델을 학습하는 단계;
상기 학습된 제1 및 제2 인공 신경망 모델을 결합하여 세탁기 상태 검사 모델을 생성하는 단계; 및
상기 세탁기 상태 검사 모델을 사용하여 상기 세탁기의 결함 여부를 검사하는 단계;를 포함하고,
상기 학습 데이터는 rRPM, cRPM, Iq, UB, 자이로 3축 및 가속도 3축의 데이터 중 적어도 하나를 포함하고, 상기 세탁기 상태 데이터는 정상, 고장, 노후화, 설치에러 중 적어도 하나를 포함하는 것을 특징으로 하는 딥러닝 기반의 세탁기 결함 검사 방법.
제1 항에 있어서,
상기 세탁기의 동작과 관련된 데이터를 수집하는 단계는,
정상, 고장, 노후화 또는 설치에러 중 적어도 하나를 포함하는 세탁기의 상태와 포 레벨에 기초하여 각각의 상태 및 상기 포 레벨에 대응되는 학습 데이터를 수집하는 것을 특징으로 하는 딥러닝 기반의 세탁기 결함 검사 방법
제1 항에 있어서,
상기 세탁기의 동작과 관련된 데이터를 수집하는 단계는,
적어도 60msec 이상의 기간동안 수행되는 것을 특징으로 하는 딥러닝 기반의 세탁기 결함 검사 방법.
제1 항에 있어서,
상기 제2 인공 신경망 모델은 오토인코더(autoencoder)인 것을 특징으로 하는 딥러닝 기반의 세탁기 결함 검사 방법.
제1 항에 있어서,
상기 세탁기의 결함 여부를 검사하는 단계는,
상기 수집된 세탁기의 동작과 관련된 데이터에 기초하여 검사 대상 데이터를 결정하는 단계;
상기 검사 대상 데이터의 수가 기설정된 임계값 이상이면 검사 대상 데이터를 상기 제2 인공 신경망 모델에 입력 데이터로 입력하는 단계; 및
상기 제2 인공 신경망 모델의 출력 데이터와 상기 입력 데이터를 비교하여 평균제곱오차(mean squre error, MSE)를 계산하는 단계;
를 포함하되,
상기 평균제곱오차가 기설정된 임계값 이상이면 세탁기 상태 검사에 관한 판단을 보류하는 것을 특징으로 하는 딥러닝 기반의 세탁기 결함 검사 방법.
제5 항에 있어서,
상기 평균제곱오차가 기설정된 임계값 미만이면,
상기 검사 대상 데이터를 상기 제1 인공 신경망 모델의 입력 데이터로 입력하는 단계; 및
상기 제1 인공 신경망 모델의 출력 데이터를 기초로 상기 세탁기 상태를 판단하는 단계;
를 더 포함하는 것을 특징으로 하는 딥러닝 기반의 세탁기 결함 검사 방법
제5 항에 있어서,
상기 평균제곱오차가 기설정된 임계값 이상이면,
상기 세탁기가 동작하는 동안 상기 데이터 수집부를 통해 상기 세탁기의 동작과 관련된 데이터를 재수집하는 단계;
상기 재수집된 데이터에 기초하여 상기 검사 대상 데이터를 재결정하는 단계;
상기 세탁기 상태 검사 모델을 사용하여 상기 세탁기의 결함 여부를 재검사하는 단계;
를 더 포함하는 것을 특징으로 하는 딥러닝 기반의 세탁기 결함 검사 방법.
제6 항에 있어서,
상기 세탁기 상태가 정상으로 판단되면,
상기 세탁기가 동작하는 동안 상기 데이터 수집부를 통해 상기 세탁기의 동작과 관련된 데이터를 재수집하는 단계; 및
상기 재수집된 세탁기의 동작과 관련된 데이터에 기초하여 상기 검사 대상 데이터를 재결정하는 단계;
상기 세탁기 상태 검사 모델을 사용하여 상기 세탁기의 결함 여부를 재검사하는 단계;
를 더 포함하는 것을 특징으로 하는 딥러닝 기반의 세탁기 결함 검사 방법.
제1 항에 있어서,
상기 세탁기 상태 검사 모델에 평가 데이터를 입력하는 단계;
상기 평가 데이터를 입력 데이터로 하여 상기 세탁기 상태 검사 모델로부터 출력되는 출력 데이터가 기설정된 기준을 만족하지 못하면 다시 상기 상태 검사 모델을 재학습시키는 단계;
를 더 포함하는 것을 특징으로 하는 딥러닝 기반의 세탁기 결함 검사 방법.
제9 항에 있어서,
상기 상태 검사 모델을 재학습시키는 단계는,
상기 출력 데이터의 분석 결과가 정확하지 않은 상기 평가 데이터의 개수 또는 비율이 기설정된 임계치를 초과하면 상기 기설정된 기준을 만족하지 못한 것으로 평가하는 것을 특징으로 하는 딥러닝 기반의 세탁기 결함 검사 방법.
세탁기가 동작하는 동안 상기 세탁기의 데이터 수집부를 통해 수집된 세탁기의 동작과 관련된 데이터를 수신하는 단계;
상기 수신된 세탁기의 동작과 관련된 데이터에 기초하여 학습 데이터를 결정하는 단계;
상기 학습 데이터를 입력 데이터로 설정하고, 세탁기 상태 데이터를 출력 데이터로 설정하여, 제1 인공 신경망 모델을 학습하는 단계;
상기 학습 데이터를 입력 데이터 및 출력 데이터로 설정하여 제2 인공 신경망 모델을 학습하는 단계;
상기 학습된 제1 및 제2 인공 신경망 모델을 결합하여 세탁기 상태 검사 모델을 생성하는 단계;
상기 세탁기 상태 검사 모델을 사용하여 상기 세탁기의 결함 여부를 검사하는 단계; 및
세탁기 상태 검사 결과를 세탁기로 전송하는 단계;
를 포함하고,
상기 학습 데이터는 rRPM, cRPM, Iq, UB, 자이로 3축 및 가속도 3축의 데이터 중 적어도 하나를 포함하고, 상기 세탁기 상태 데이터는 정상, 고장, 노후화, 설치에러 중 적어도 하나를 포함하는 것을 특징으로 하는 딥러닝 기반의 세탁기 결함 검사 방법.
제11 항에 있어서,
상기 세탁기 상태 검사 모델을 사용하여 상기 세탁기의 결함 여부를 검사하는 단계는,
상기 수신된 세탁기의 동작과 관련된 데이터에 기초하여 검사 대상 데이터를 결정하는 단계;
상기 검사 대상 데이터의 수가 기설정된 임계값 이상이면 상기 검사 대상 데이터를 상기 제2 인공 신경망 모델에 입력 데이터로 입력하는 단계; 및
상기 제2 인공 신경망 모델의 출력 데이터와 입력 데이터를 비교하여 평균제곱오차를 계산하는 단계;
를 포함하되,
상기 평균제곱오차가 기설정된 임계값 이상이면 상기 세탁기 상태 검사에 관한 판단을 보류하는 것을 특징으로 하는 딥러닝 기반의 세탁기 결함 검사 방법.
제12 항에 있어서,
상기 평균제곱오차가 기설정된 임계값 미만이면,
상기 검사 대상 데이터를 상기 제1 인공 신경망 모델의 입력 데이터로 입력하는 단계; 및
상기 제1 인공 신경망 모델의 출력 데이터를 기초로 상기 세탁기 상태를 판단하는 단계;
를 더 포함하는 것을 특징으로 하는 딥러닝 기반의 세탁기 결함 검사 방법.
제13 항에 있어서,
상기 세탁기 상태가 정상으로 판단되면,
상기 세탁기가 동작하는 동안 상기 데이터 수집부를 통해 세탁기의 동작과 관련된 데이터를 재수집하는 단계; 및
상기 재수집된 세탁기의 동작과 관련된 데이터에 기초하여 상기 검사 대상 데이터를 재결정하는 단계;
상기 세탁기 상태 검사 모델을 사용하여 상기 세탁기의 결함 여부를 재검사하는 단계;
를 더 포함하는 것을 특징으로 하는 딥러닝 기반의 세탁기 결함 검사 방법.
딥러닝 기반의 결함 검사 모델을 구비한 세탁기에 있어서,
데이터 수집부;
통신 모듈;
메모리;
AI 프로세서를 포함하되,
상기 데이터 수집부는,
상기 세탁기가 동작하는 동안 세탁기의 동작과 관련된 데이터를 수집하고,
상기 AI 프로세서는,
수집된 세탁기의 동작과 관련된 데이터에 기초하여 학습 데이터를 결정하고, 상기 학습 데이터를 입력 데이터로 설정하고 세탁기 상태 데이터를 출력 데이터로 설정하여 제1 인공 신경망 모델을 학습시키고, 상기 학습 데이터를 입력 데이터 및 출력데이터로 설정하여 제2 인공 신경망 모델을 학습시키고, 상기 학습된 제1 및 제2 인공 신경망 모델을 결합하여 세탁기 상태 검사 모델을 생성하고, 상기 세탁기 상태 검사 모델을 사용하여 상기 세탁기의 결함 여부를 검사하며,
상기 학습 데이터는 rRPM, cRPM, Iq, UB, 자이로 3축 및 가속도 3축의 데이터 중 적어도 하나를 포함하고, 상기 세탁기 상태 데이터는 정상, 고장, 노후화, 설치에러 중 적어도 하나를 포함하는 것을 특징으로 하는 딥러닝 기반의 결함 검사 모델을 구비한 세탁기.
제15 항에 있어서,
상기 AI 프로세서는,
정상, 고장, 노후화 또는 설치에러 중 적어도 하나를 포함하는 상기 세탁기의 상태와 포 레벨을 기초하여 각각의 상태 및 상기 포 레벨에 해당하는 상기 학습 데이터를 수집하는 것을 특징으로 하는 딥러닝 기반의 결함 검사 모델을 구비한 세탁기.
제15 항에 있어서,
상기 제2 인공 신경망 모델은 오토인코더(autoencoder)인 것을 특징으로 하는 딥러닝 기반의 결함 검사 모델을 구비한 세탁기.
제15 항에 있어서,
상기 AI 프로세서는,
상기 세탁기 상태 검사 모델을 사용하여 상기 세탁기의 결함 여부를 검사하고,
상기 수집된 세탁기의 동작과 관련된 데이터에 기초하여 검사 대상 데이터를 결정하고,
상기 검사 대상 데이터의 수가 기설정된 임계값 이상이면 상기 검사 대상 데이터를 상기 제2 인공 신경망 모델에 입력데이터로 입력하고, 상기 제2 인공 신경망 모델의 출력 데이터와 입력 데이터를 비교하여 평균제곱오차를 계산하고,
상기 평균제곱오차가 기설정된 임계값 이상이면 상기 세탁기 상태 검사에 관한 판단을 보류하는 것을 특징으로 하는 딥러닝 기반의 결함 검사 모델을 구비한 세탁기.
제18 항에 있어서,
상기 AI 프로세서는,
상기 평균제곱오차가 기설정된 임계값 미만이면, 상기 검사 대상 데이터를 상기 제1 인공 신경망 모델의 입력 데이터로 입력하고, 상기 제1 인공 신경망 모델의 출력 데이터를 기초로 상기 세탁기 상태를 판단하는 것을 특징으로 하는 딥러닝 기반의 결함 검사 모델을 구비한 세탁기.
딥러닝 기반의 결함 검사 모델을 구비한 AI 장치에 있어서,
통신 모듈;
메모리;
AI 프로세서를 포함하되,
상기 통신 모듈은, 세탁기가 동작하는 동안 상기 세탁기의 데이터 수집부를 통해 수집된 세탁기의 동작과 관련된 데이터를 수신하고, 탁기 상태 검사 결과를 세탁기로 전송하며,
상기 AI 프로세서는, 상기 수신된 세탁기의 동작과 관련된 데이터에 기초하여 학습 데이터를 결정하고, 상기 학습 데이터를 입력 데이터로 설정하고 세탁기 상태 데이터를 출력 데이터로 설정하여 제1 인공 신경망 모델을 학습하고, 상기 학습 데이터를 입력 데이터 및 출력 데이터로 설정하여 제2 인공 신경망 모델을 학습하고, 상기 학습된 제1 및 제2 인공 신경망 모델을 결합하여 세탁기 상태 검사 모델을 생성하고, 상기 세탁기 상태 검사 모델을 사용하여 상기 세탁기의 결함 여부를 검사하고,
상기 학습 데이터는 rRPM, cRPM, Iq, UB, 자이로 3축 및 가속도 3축의 데이터 중 적어도 하나를 포함하고, 상기 세탁기 상태 데이터는 정상, 고장, 노후화, 설치에러 중 적어도 하나를 포함하는 것을 특징으로 하는 딥러닝 기반의 결함 검사 모델을 구비한 AI 장치.