KR20210041306A

KR20210041306A - 세탁장치 및 그 제어방법

Info

Publication number: KR20210041306A
Application number: KR1020190123832A
Authority: KR
Inventors: 박윤식
Original assignee: 엘지전자 주식회사
Priority date: 2019-10-07
Filing date: 2019-10-07
Publication date: 2021-04-15
Also published as: US20210102328A1; US11261554B2

Abstract

사물 인터넷을 위해 연결된 5G 환경에서 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 이용하는 세탁장치 및 그 제어방법이 개시된다.
세탁물을 수용하는 수용부를 구비하는 세탁장치는, 제어부; 상기 제어부와 전기적으로 연결되고, 상기 수용부를 회전시키는 모터; 상기 제어부와 전기적으로 연결되고, 상기 수용부에 수용되는 세탁물의 무게를 측정하는 무게센서; 상기 제어부와 전기적으로 연결되고, 상기 모터에 인가되는 전류값을 측정하는 전류센서; 및 상기 제어부와 전기적으로 연결되고, 상기 수용부에 수용되는 세탁물을 촬영하는 비젼센서를 포함할 수 있다.

Description

세탁장치 및 그 제어방법{WASHING APPARATUS AND CONTROL METHOD THEREOF}

실시예는, 세탁장치 및 그 제어방법에 관한 것으로, 더욱 상세하게는 인공지능 모델 학습을 구현하는 세탁장치 및 그 제어방법에 관한 것이다.

이 부분에 기술된 내용은 단순히 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.

세탁장치는 세탁, 헹굼, 탈수 및/또는 건조 등의 여러 작용을 통해 세탁물을 처리하는 장치이다. 이러한 세탁물 처리기기는 모터에 의해 회전되고, 세탁물이 수용되는 수용부 예를 들어, 세탁조를 갖는다.

세탁장치에서, 세탁물의 양을 정확하게 측정하지 못하는 경우, 고속으로 동작하는 탈수동작을 수행하는데 많은 시간이 소요되므로, 전체 세탁시간이 증가하고, 그에 따른 에너지 소비량이 증가하는 문제점이 있다. 따라서, 세탁물의 양을 정확하게 감지하는 방법에 대한 다양한 연구가 진행되고 있다.

세탁물 처리기기는 통상 상기 세탁조 내에 투입된 세탁물의 양을 감지하는 알고리즘을 탑재하고 있다.

한국공개특허 10-2006-0061319는 모터 속도를 일정 회전수까지 가속 후, 등속 제어를 하면서 얻어지는 편심값, DC전압, 모터토크값 정보들을 아래 수식을 이용하여 계산하여 세탁물의 양을 감지하는 방법에 대해서 개시하고 있다.

한국공개특허 1999-0065538은 기설정된 속도로 모터를 가속하면서 가속에 소요된 시간과 상기 설정된 속도로 모터를 회전하면서 모터 회전속도 변화량을 측정하여 세탁물의 양을 감지하는 방법에 대해서 개시하고 있다.

한편, 세탁장치는 세탁이 완료되고 물기를 머금은 세탁물의 건조작업을 진행할 수 있다. 세탁물의 건조작업은 세탁물의 양 뿐만 아니라, 세탁장치에 구비되는 모터의 출력, 세탁물의 무게 등에 따라 작업시간, 소비되는 전력 등이 달라질 수 있다.

따라서, 건조작업을 효율적으로 진행하기 위해서는, 세탁물의 양, 모터의 출력, 세탁물의 무게가 서로다는 다양한 경우에 있어서, 적절한 건조작업 종료시점을 파악할 필요가 있다.

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.

딥러닝에서, 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.

실시예에서는, 인공지능 모델 학습을 통해 세탁물의 건조작업 종료시점을 파악하는 과정이 구현되는 세탁장치 및 그 제어방법을 제안한다.

실시예에서는, 세탁장치의 건조작업 종료시점을 파악하기 위해 인공지능 모델 학습을 위해 인공 신경망에 입력되는 입력인자를 어떠한 것으로 설정할지를 제안한다.

실시예에서는, 건조작업을 종료하는 조건 즉, 설정된 조건을 어떠한 것으로 설정할지, 이러한 설정된 조건을 도출하기 위한 인공지능 모델 학습의 구체적인 방안을 제안한다.

실시예가 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 실시예가 속하는 기술분야에서 통상의 지식을 가진자에게 명확하게 이해될 수 있을 것이다.

전술한 과제를 달성하기 위해, 세탁물을 수용하는 수용부를 구비하는 세탁장치는, 제어부, 제어부와 전기적으로 연결되고, 수용부를 회전시키는 모터, 제어부와 전기적으로 연결되고, 수용부에 수용되는 세탁물의 무게를 측정하는 무게센서, 제어부와 전기적으로 연결되고, 모터에 인가되는 전류값을 측정하는 전류센서, 및 제어부와 전기적으로 연결되고, 수용부에 수용되는 세탁물을 촬영하는 비젼센서를 포함할 수 있다.

제어부는, 세탁물의 건조상태가 설정된 조건을 만족하면 모터의 작동을 중단하여 세탁물 건조작업을 종료하고, 세탁물의 건조상태에 대한 설정된 조건은, 모터의 출력, 세탁물의 무게 및 비전센서로 촬영된 세탁물의 이미지를 기반으로 인공지능(Artificial Intelligence) 모델에 따라 학습에 의해 도출되는 것일 수 있다.

설정된 조건은, 모터의 전류값이 설정값 이하로 유지되는 상태인 것일 수 있다.

제어부는 모터의 전류설정값을 도출하는 프로세서와 연결되고, 제어부는, 사용자에게 세탁물 건조상태에 대한 만족여부를 문의하고, 프로세서는, 사용자가 만족하는 경우에 있어서 모터의 전류값의 변화추세를 기반으로 전류설정값을 정하는 것일 수 있다.

전류설정값은, 사용자가 만족하는 건조상태에서 모터의 최대 전류값보다 작은 값으로 설정되는 것일 수 있다.

제어부는, 사용자가 건조상태에 대하여 불만족하는 경우, 기 학습된 데이터에 따라 세탁물 건조작업을 다시 진행하는 것일 수 있다.

세탁장치는, 제어부와 전기적으로 연결되고, 사용자에게 세탁물 건조상태에 대한 만족여부를 문의하고, 사용자의 답변을 입력받는 사용자 인터페이스를 더 포함하는 것일 수 있다.

세탁장치는 서버와 통신을 위한 통신부를 더 포함하고, 프로세서는 서버에 구비되는 것일 수 있다.

제어부는, 전류설정값에 관한 정보를 서버로부터 전송받는 것일 수 있다.

세탁장치는 전류설정값에 관한 정보를 저장하는 메모리부를 더 포함하고, 제어부는 메모리부에 저장된 전류설정값에 관한 정보에 기반하여 전류설정값을 선택하는 것일 수 있다.

제어부는, 모터의 전류설정값을 도출하는 프로세서와 연결되고, 프로세서는, 인공지능 모델에 따라 학습을 수행하되, 입력인자를 입력받아 전류설정값을 도출하는 것일 수 있다.

입력인자는, 모터의 출력, 수용부에 수용되는 세탁물의 무게 및 촬영된 세탁물의 이미지를 포함하는 것일 수 있다.

제어부는 촬영된 세탁물의 이미지로부터 세탁물의 종류를 분류하고, 전류설정값은, 인공지능 모델에 따른 학습모드 중, 모터의 출력, 세탁물의 무게 및 세탁물의 종류 중 적어도 하나가 다른 조건에서의 값인 것일 수 있다.

제어부는, 촬영된 세탁물의 이미지로부터 세탁물의 종류를 분류(classification)하고, 각각의 세탁물의 종류에 따라 설정된 조건을 다르게 선택하는 것일 수 있다.

프로세서는, 촬영된 세탁물의 이미지를 기반으로, 세탁물의 분류에 대하여 인공지능 모델에 따른 학습을 진행하는 것일 수 있다.

세탁장치의 제어방법은, 세탁물이 수용된 수용부에 급수하고 세탁물을 세탁하는 단계, 모터를 작동하여 세탁물을 건조하는 단계, 세탁물의 건조상태에 대하여 사용자에게 만족여부를 문의하는 단계, 및 사용자가 만족하는 경우, 세탁물 건조작업을 종료하는 단계를 포함할 수 있다.

세탁장치에 구비되는 제어부는, 세탁물의 건조상태가 설정된 조건을 만족하면 모터의 작동을 중단하여 세탁물 건조작업을 종료하고, 세탁물의 건조상태에 대한 설정된 조건은, 모터의 출력, 세탁물의 무게 및 세탁장치에 구비되는 비전센서로 촬영된 세탁물의 이미지를 기반으로 인공지능(Artificial Intelligence) 모델에 따라 학습에 의해 도출되는 것일 수 있다.

설정된 조건은 모터의 전류값이 설정값 이하로 유지되는 상태이고, 제어부는 모터의 전류설정값을 도출하는 프로세서와 연결되고, 제어부는, 사용자에게 세탁물 건조상태에 대한 만족여부를 문의하고, 프로세서는, 사용자가 만족하는 경우에 있어서 모터의 전류값의 변화추세를 기반으로 전류설정값을 정하는 것일 수 있다.

세탁장치의 제어방법은, 사용자가 건조상태에 대하여 불만족하는 경우, 기 학습된 데이터에 따라 세탁물 건조작업을 다시 진행하는 단계를 더 포함하는 것일 수 있다.

실시예에서, 인공지능 모델 학습을 통해 도출되는 전류설정값을 이용하여, 세탁물의 건조작업을 제어할 수 있으므로, 별도의 습도센서를 사용하는 경우와 비교하여, 세탁물 건조작업의 편의를 도모할 수 있다.

실시예에서, 세탁물의 건조상태를 파악하기 위해, 별도의 습도센서를 사용할 필요가 없으므로, 비용측면에서 유리한 효과가 있다.

별도의 습도센서를 사용할 경우, 습도센서의 배치위치에 따라 세탁물의 건조상태가 서로 다르고 부정확하게 파악될 수 있으나, 인공지능 모델 학습을 통해 세탁물의 건조상태를 파악할 수 있으므로, 세탁물의 건조작업의 정확성을 높일 수 있다.

도 1은 일 실시예에 따른 세탁장치를 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 모터의 제1전류패턴과 제2전류패턴을 나타낸 그래프이다.
도 3은 다른 실시예에 따른 모터의 제1전류패턴과 제2전류패턴을 나타낸 그래프이다.
도 4는 또 다른 실시예에 따른 모터의 제1전류패턴과 제2전류패턴을 나타낸 그래프이다.
도 2 내지 도 4에서 모터의 출력은 서로 다르고, 세탁물의 무게는 각각 1kg, 3kg, 5kg으로 하여 테스트하였다.
도 5는 일 실시예에 따른 인공지능 신경망을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 인공지능 모델에 따른 학습을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 세탁장치의 제어방법을 설명하기 위한 순서도이다.

이하, 첨부된 도면들을 참조하여 실시예를 상세히 설명한다. 실시예는 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 실시예를 특정한 개시 형태에 대해 한정하려는 것이 아니며, 실시예의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

"제1", "제2" 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로 사용된다. 또한, 실시예의 구성 및 작용을 고려하여 특별히 정의된 용어들은 실시예를 설명하기 위한 것일 뿐이고, 실시예의 범위를 한정하는 것이 아니다.

실시예의 설명에 있어서, 각 element의 "상(위)" 또는 "하(아래)(on or under)"에 형성되는 것으로 기재되는 경우에 있어, 상(위) 또는 하(아래)(on or under)는 두개의 element가 서로 직접(directly)접촉되거나 하나 이상의 다른 element가 상기 두 element사이에 배치되어(indirectly) 형성되는 것을 모두 포함한다. 또한 “상(위)" 또는 "하(아래)(on or under)”로 표현되는 경우 하나의 element를 기준으로 위쪽 방향뿐만 아니라 아래쪽 방향의 의미도 포함할 수 있다.

또한, 이하에서 이용되는 "상/상부/위" 및 "하/하부/아래" 등과 같은 관계적 용어들은, 그런 실체 또는 요소들 간의 어떠한 물리적 또는 논리적 관계 또는 순서를 반드시 요구하거나 내포하지는 않으면서, 어느 한 실체 또는 요소를 다른 실체 또는 요소와 구별하기 위해서 이용될 수도 있다.

도 1은 일 실시예에 따른 세탁장치를 설명하기 위한 도면이다. 세탁장치는 세탁물을 수용하는 수용부를 구비할 수 있다. 상기 수용부는 회전 가능하도록 구비될 수 있다. 세탁장치는 세탁물을 회전시키면서 세탁 또는 세탁된 세탁물을 건조할 수 있다.

또한, 세탁장치는 제어부(100), 모터(200), 무게센서(300), 전류센서(400), 비젼센서(600) 및 사용자 인터페이스(700)를 포함할 수 있다.

제어부(100)는 모터(200)의 작동을 제어하여 세탁물의 세탁 또는 건조작업을 진행할 수 있다.

모터(200)는 상기 제어부(100)와 전기적으로 연결되고, 상기 수용부를 회전시킬 수 있다. 모터(200)의 회전축은 수용부와 결합되어, 모터(200)가 작동하면 수용부는 회전할 수 있다.

모터(200)는 상기 제어부(100)로부터 동작이 제어되고, 따라서 제어부(100)는 모터(200)의 출력(power)을 제어할 수 있다. 제어부(100)는 수용부에 수용되는 세탁물의 무게에 따라 모터(200)의 출력이 다르도록 상기 모터(200)를 제어할 수 있다.

모터(200)의 출력은 세탁물의 무게에 따라 적절히 설정될 수 있다. 세탁물의 무게가 동일한 경우에도 제어부(100)는 모터(200)의 출력을 서로 다르게 제어할 수 있다. 따라서, 후술하는 인공지능 모델 학습에서 모터(200)의 출력과 세탁물의 무게는 서로 독립적인 입력인자가 될 수 있다

무게센서(300)는 상기 제어부(100)와 전기적으로 연결되고, 상기 수용부에 수용되는 세탁물의 무게를 측정할 수 있다. 예를 들어, 무게센서(300)는 상기 수용부 내부 또는 수용부에 인접한 부위에 장착될 수 있다. 무게센서(300)에서 측정되는 세탁물의 무게에 관한 정보는 제어부(100)로 전송될 수 있다.

전류센서(400)는 제어부(100)와 전기적으로 연결되고, 상기 모터(200)에 인가되는 전류값을 측정할 수 있다. 예를 들어, 전류센서(400)는 모터(200) 내부 또는 모터(200)에 인접한 부위에 장착될 수 있다. 전류센서(400)에서 측정되는 모터(200)의 전류값에 관한 정보는 제어부(100)로 전송될 수 있다.

제어부(100)는 전류센서(400)로부터 측정된 모터(200)의 전류값을 지속적으로 전송받아, 상기 모터(200)의 전류값의 시간에 대한 변화추세를 나타내는 전류패턴을 파악할 수 있다.

한편, 제어부(100)는 모터(200)의 출력을 제어하므로, 모터(200)에 인가되는 출력은 제어부(100) 스스로 알 수 있다.

비젼센서(600)는 제어부(100)와 전기적으로 연결되고, 상기 수용부에 수용되는 세탁물을 촬영할 수 있다. 비젼센서(600)는 예를 들어 RGB 카메라 등으로 구비될 수 있으나, 이에 한정되지 않으며, 세탁물을 촬영하여 세탁물에 대한 이미지를 얻을 수 있는 것이라면 어떠한 형태, 구조를 가진 것이라도 사용할 수 있다.

사용자 인터페이스(700)는 제어부(100)와 전기적으로 연결되고, 사용자에게 세탁물 건조상태에 대한 만족여부를 문의하고, 사용자의 답변을 입력받을 수 있다.

사용자 인터페이스(700)는 사용자와 인터랙션(interaction)을 위한 것이므로, 사용자가 인식할 수 있는 음성을 발화하는 스피커 또는, 문자 기타 시각적인 신호를 디스플레이하는 디스플레이 장치 등을 구비할 수 있다.

또한, 사용자 인터페이스(700)는 사용자의 명령을 입력받기 위해 사용자의 음성인식이 가능한 마이크로폰, 사용자가 손으로 명령을 입력하기 위한 버튼, 터치스크린 등의 장치를 구비할 수 있다.

사용자는 사용자 인터페이스(700)를 통해 세탁장치로부터 세탁물 건조상태에 대해 만족하는지에 대한 문의를 청각 또는 시각으로 인식하고, 자신의 음성 또는 손으로 만족여부를 상기 세탁장치에 입력할 수 있다.

또한, 제어부(100)는 프로세서(500)와 통신가능하도록 연결될 수 있다. 프로세서(500)는 세탁장치 또는 서버에 구비될 수 있는데, 이에 대해서는 하기에 구체적으로 설명한다.

세탁장치는 전류설정값(Is)에 관한 정보를 저장하는 메모리부(800)를 더 포함할 수 있는데, 이에 대해서는 하기에 구체적으로 설명한다.

제어부(100)는 세탁이 완료된 세탁물의 물기를 제거하기 위해, 모터(200)를 회전시켜 세탁물의 건조작업을 진행할 수 있다. 이때, 세탁물이 사용자가 만족할 수 있는 건조상태에 도달하면, 제어부(100)는 건조작업을 종료할 수 있다.

제어부(100)는 세탁물의 건조상태가 설정된 조건을 만족하면 상기 모터(200)의 작동을 중단하여 세탁물 건조작업을 종료할 수 있다. 즉, 세탁물이 사용자가 만족할 수 있는 건조상태에 도달한 경우, 세탁물의 건조상태가 설정된 조건을 만족하는 것이 된다.

따라서, 하기에 구체적으로 설명하는 바와 같이, 세탁장치가 사용자에게 세탁물의 건조상태를 만족하는지 문의하고, 사용자가 만족하는 값이 세탁작업을 종료하는 설정된 조건이 될 수 있다.

세탁물의 건조상태에 대한 상기 설정된 조건은, 모터(200)의 출력, 전류패턴 및 세탁물의 무게를 기반으로 인공지능(Artificial Intelligence) 모델에 따라 학습에 의해 도출될 수 있다.

상기 설정된 조건은, 상기 모터(200)의 전류값이 설정값 즉, 전류설정값(Is) 이하로 유지되는 상태에 있는 것일 수 있다.

이하에서 도 2 내지 도 4를 참조하여, 전류설정값(Is)에 관하여 구체적으로 설명한다.

도 2는 일 실시예에 따른 모터(200)의 제1전류패턴(Ip1)과 제2전류패턴(Ip2)을 나타낸 그래프이다.

도 3은 다른 실시예에 따른 모터(200)의 제1전류패턴(Ip1)과 제2전류패턴(Ip2)을 나타낸 그래프이다.

도 4는 또 다른 실시예에 따른 모터(200)의 제1전류패턴(Ip1)과 제2전류패턴(Ip2)을 나타낸 그래프이다.

도 2 내지 도 4에서 모터(200)의 출력은 서로 다르고, 세탁물의 무게는 각각 1kg, 3kg, 5kg으로 하여 테스트하였다.

도 2 내지 도 4 각각의 도면에서는, 세탁물의 무게가 달라짐에 따라 모터(200)의 출력도 서로 다른 상태에서 테스트한 결과를 나타낸다.

도 2 내지 도 4는 테스트 결과이고, 제2전류패턴(Ip2)은, 세탁을 마친 후 모터(200)를 작동시켜 물에 젖은 상태의 세탁물을 건조시키면서 모터(200)에 인가되는 전류값을 시간의 경과에 따라 기록한 것이다. 그래프에서 제2전류패턴(Ip2) 즉, 급수후 상태에서 세탁물의 건조를 위해 상기 수용부를 회전시킬 때의 상기 모터(200)의 전류패턴을 알 수 있다.

제2전류패턴(Ip2)을 보면, 건조작업 초기에는 전류값이 급격하게 변동하는 것을 알 수 있다. 이는 건조작업 초기에 세탁물이 수용부의 특정부위에 몰려있는 점, 모터(200)의 작동이 정상상태(steady state)에 있지 않은 점 등에 기인한다.

제2전류패턴(Ip2)을 보면, 건조작업 초기를 지난 후에 전류값은 어느정도 안정적인 범위에서 변화하는 것을 알 수 있다. 그러나, 건조작업 후기와 비교하여 상대적으로 큰 전류값을 나타낸다. 이는 세탁물이 비교적 많은 물기를 가져 마른 상태에 비해 무거운 점, 세탁물이 수용부의 가장자리 부위에 있는 벽에 부착된 상태로 있는 점 등으로 모터(200)에 걸리는 부하가 커서 전류의 소비가 크기 때문이다.

제2전류패턴(Ip2)을 보면, 건조작업 후기에는 이전기간에 비해 상대적으로 작은 전류값을 나타낸다. 이는 세탁물이 건조가 진행될수록 세탁물의 물기가 줄어들고, 세탁물이 수용부의 가장자리에 부착되지 않는 점 등으로 모터(200)에 걸리는 부하가 줄어들기 때문이다.

제2전류패턴(Ip2)을 보면, 건조작업이 진행될수록 모터(200)의 최대 전류값은 점차 줄어들고, 세탁물의 건조가 완료되는 시점에서는 상기 최대 전류값이 비교적 일정한 값을 유지하는 것을 알 수 있다.

따라서, 건조가 완료되는 시점의 최대 전류값과 유사한 값을 상기 전류설정값(Is)으로 하고, 모터(200)의 전류값이 상기 전류설정값(Is) 이하로 유지되는 상태에 도달하면 제어부(100)가 모터(200)의 작동을 중단하여 세탁물 건조작업을 종료할 수 있다.

도 2 내지 도 4에서, 모터(200)의 출력은 서로 다르고 세탁물의 무게는 각각 1kg, 3kg, 5kg으로 하여 테스트하였다. 도 2 내지 도 4의 각 도면에 도시된 각 테스트 결과에서, 모터(200)의 출력 및 세탁물의 무게는 동일하다.

도 2 내지 도 4에서, 세탁물의 무게는 세탁을 위한 급수가 되기 이전, 즉, 세탁을 진행하기 이전의 값이다.

도 2를 참조하면, 제1전류패턴(Ip1)은 급수전 상태에서 세탁물이 수용된 상기 수용부를 회전시킬 때의 상기 모터(200)의 전류패턴을 나타낸다.

급수전 상태에서 세탁물이 수용된 수용부를 회전시키면, 세탁물에 물기가 없으므로, 비교적 빠른시간 내에 모터(200)의 작동이 정상상태에 도달할 수 있다. 따라서, 제1전류패턴(Ip1)은 비교적 빠른시간 내에 최대 전류값이 비교적 일정한 값을 유지하는 정상상태에 도달할 수 있다.

제2전류패턴(Ip2)을 보면, 전술한 바와 같이, 세탁물에 물기가 있으므로, 이로인해 시간이 지날수록 최대 전류값이 감소하고, 세탁물의 건조가 완료되는 시점에서 최대 전류값이 비교적 일정한 값을 유지하는 정상상태에 도달할 수 있다.

제1전류패턴(Ip1)과 제2전류패턴(Ip2)이 정상상태에 도달한 후에도, 제2전류패턴(Ip2)의 평균 전류값은 제1전류패턴(Ip1)의 평균 전류값보다 높은 것을 알 수 있다. 이는, 세탁되지 않은 마른 세탁물과 비교하여, 세탁후 건조된 세탁물은 부피가 늘어나는 점 등으로 인해 모터(200)에 걸리는 부하가 커서 전류의 소비가 크기 때문이다.

도 3 및 도 4를 참조하면, 세탁물의 무게가 3kg, 5kg일 경우에도, 상기한 내용과 유사한 결과를 가지는 것을 알 수 있다.

상기 테스트 결과를 고려하면, 상기 전류설정값(Is)은 상기 제1전류패턴(Ip1)의 최대 전류값보다 높은 값으로 설정될 수 있다. 이는 제1전류패턴(Ip1)과 제2전류패턴(Ip2)이 정상상태에 도달한 후에도, 제2전류패턴(Ip2)의 평균 전류값 및 최대 전류값은, 제1전류패턴(Ip1)의 평균 전류값 및 최대 전류값보다 높은 것을 고려한 것이다.

전류설정값(Is)은 제1전류패턴(Ip1)의 최대 전류값보다 높은 값을 만족하는 범위에서 적절히 정할 수 있다. 또한, 전류설정값(Is)은 제2전류패턴(Ip2)이 정상상태에 도달한 후의 상기 제2전류패턴(Ip2)의 최대 전류값보다 높게 설정될 수도 있다.

또한, 세탁장치는 사용자에게 세탁물의 건조상태를 문의하고, 사용자의 건조상태에 대한 만족여부를 기반으로 적절한 전류설정값(Is)을 정할 수 있다.

이때, 상기 전류설정값(Is)은 사용자가 만족하는 건조상태에서 상기 모터(200)의 최대 전류값, 즉 제2전류패턴(Ip2)에서 상기 모터(200)의 최대 전류값보다 작은 값으로 설정될 수 있다.

제어부(100)는 모터(200)를 작동하여 세탁물 건조작업을 진행하고, 제2전류패턴(Ip2)의 최대 전류값이 상기 전류설정값(Is) 이하로 유지되면 상기 모터(200)의 작동을 중단하여 세탁물 건조작업을 종료할 수 있다.

전술한 바와 같이, 모터(200)의 작동이 중단되는 시점에서, 상기 제2전류패턴(Ip2)의 최대 전류값은 상기 제1전류패턴(Ip1)의 최대 전류값보다 클 수 있다.

이러한 전류설정값(Is)은 인공지능 모델 학습에 의해 도출될 수 있다. 이하에서 인공지능 모델에 대해 설명한다.

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

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

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

용어 '머신 러닝'은 용어 '기계학습'과 혼용되어 사용될 수 있다.

기계학습에서 데이터를 어떻게 분류(classification)할 것인가를 놓고, 많은 기계학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.

베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.

서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망은 기계학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.

인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.

다음은 인공 신경망의 학습 방식에 대하여 설명한다.

인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계학습의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.

여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.

이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

비 지도 학습은 기계학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.

구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.

본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.

생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.

이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기는 판별기를 속이지 못한 데이터를 입력받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.

이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.

한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습은 기계학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.

준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.

예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.

하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.

예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.

손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.

손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.

교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.

머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.

경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.

모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.

이때, 스텝 사이즈는 학습률을 의미할 수 있다.

경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.

확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.

Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.

인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.

통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.

제어부(100)는, 상기 모터(200)의 전류설정값(Is)을 도출하는 프로세서(500)와 연결될 수 있다. 프로세서(500)는, 인공지능 모델에 따라 학습을 수행하되, 입력인자를 입력받아 상기 전류설정값(Is)을 도출할 수 있다.

프로세스는 인공지능 신경망을 구비하고, 입력인자를 입력받아 이를 기반으로 인공지능 모델을 학습하여 전류설정값(Is)을 도출할 수 있다.

입력인자는, 상기 모터(200)의 출력, 상기 수용부에 수용되는 세탁물의 무게 및 촬영된 세탁물의 이미지를 포함할 수 있다.

제어부(100)는, 사용자 인터페이스(700)를 통해 사용자에게 세탁물 건조상태에 대한 만족여부를 문의할 수 있다.

프로세서(500)는 사용자가 만족하는 경우에 있어서 상기 모터(200)의 전류값의 변화추세를 기반으로 상기 전류설정값(Is)을 정할 수 있다.

제어부(100)는 세탁물 건조작업을 일정정도 진행하고, 세탁물 건조작업을 중단한 후, 사용자에게 세탁물 건조상태에 대한 만족여부를 문의할 수 있다. 사용자가 세탁물의 건조상태를 만족하는 경우, 세탁물 건조작업을 중단시의 모터(200)의 전류값을 전류설정값(Is)으로 설정할 수 있다.

사용자가 세탁물의 건조상태를 만족하는 경우, 별도의 추가적인 건조작업을 진행할 필요없이, 제어부(100)는 세탁물 건조작업을 종료할 수 있다.

한편, 사용자에게 문의하기 위해 세탁물 건조작업을 중단하는 경우에 중단의 지침이 되는 전류설정값(Is)은 이전의 인공지능 모델 학습을 통해 도출된 것일 수 있다.

실시예에서, 인공지능 모델 학습은 서로 다른 입력인자가 입력되면, 최종적으로 사용자가 만족하는 세탁물의 건조상태에서의 모터(200)의 전류값을 전류설정값(Is)으로 할 수 있다.

한편, 사용자가 건조상태에 대하여 불만족하는 경우, 제어부(100)는 기 학습된 데이터에 따라 세탁물 건조작업을 다시 진행할 수 있다. 기 학습된 데이터는 각 입력인자와 이에 대응하는 전류설정값(Is)으로, 이전의 인공지능 모델 학습을 통해 도출된 것일 수 있다.

한편, 세탁장치는 서버와 통신을 위한 통신부를 더 포함하고, 제어부(100)는 통신부를 통해 서버와 통신할 수 있다.

서버는 인공지능 모델을 저장할 수 있고, 인공지능 모델의 학습에 필요한 데이터도 저장할 수 있다. 또한, 서버는 인공지능 모델을 평가할 수 있으며, 평가 후에도 더 나은 성능을 위해 인공지능 모델을 업데이트 할 수 있다.

통신부는 이동통신 모듈 및 무선 인터넷 모듈 중에서 적어도 하나를 포함하도록 구성될 수 있다. 그 밖에 통신부는 근거리 통신 모듈을 추가로 포함할 수 있다.

이동통신 모듈은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced), 5G 이동통신 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.

무선 인터넷 모듈은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 차량에 구비될 수 있다. 무선 인터넷 모듈은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.

차량은 5G 네트워크를 통해 서버, 각종의 통신가능한 단말과 데이터를 전송하고 수신할 수 있다. 특히 차량은 5G 네트워크를 통해 모바일 브로드밴드(Enhanced Mobile Broadband, eMBB), URLLC(Ultra-reliable and low latency communications) 및 mMTC(Massive Machine-type communications) 중에서 적어도 하나의 서비스를 이용하여 서버, 단말과 데이터 통신을 할 수 있다.

eMBB(Enhanced Mobile Broadband)는 모바일 브로드밴드 서비스로, 이를 통해 멀티미디어 콘텐츠, 무선데이터 액세스 등이 제공된다. 또한, 폭발적으로 증가하고 있는 모바일 트래픽을 수용하기 위한 핫스팟 (hot spot)과 광대역 커버리지 등 보다 향상된 모바일 서비스가 eMBB를 통해 제공될 수 있다. 핫스팟을 통해 사용자 이동성이 작고 밀도가 높은 지역으로 대용량 트래픽이 수용될 수 있다. 광대역 커버리지를 통해 넓고 안정적인 무선 환경과 사용자 이동성이 보장될 수 있다.

URLLC(Ultra-reliable and low latency communications) 서비스는 데이터 송수신의 신뢰성과 전송 지연 측면에서 기존 LTE 보다 훨씬 엄격한 요구사항을 정의하고 있으며, 산업 현장의 생산 프로세스 자동화, 원격 진료, 원격 수술, 운송, 안전 등을 위한 5G 서비스가 여기에 해당한다.

mMTC(Massive Machine-type communications)는 비교적 작은 양의 데이터 전송이 요구되는 전송지연에 민감하지 않은 서비스이다. 센서 등과 같이 일반 휴대폰 보다 훨씬 더 많은 수의 단말들이 동시에 무선액세스 네트워크에 mMTC에 의해 접속할 수 있다. 이 경우, 단말의 통신모듈 가격은 저렴해야 하고, 배터리 교체나 재충전 없이 수년 동안 동작할 수 있도록 향상된 전력 효율 및 전력 절감 기술이 요구된다.

상기 프로세서(500)는 상기 서버에 구비될 수 있다. 서버는 세탁장치로부터 상기 입력인자에 관한 데이터를 전송받고, 프로세서(500)는 전송받은 데이터를 기반으로 인공지능 모델 학습을 진행하여 요구되는 전류설정값(Is)을 도출할 수 있다.

제어부(100)는, 상기 전류설정값(Is)에 관한 정보를 상기 서버로부터 전송받을 수 있다. 제어부(100)는 프로세서(500)가 인공지능 모델 학습을 하여 도출한, 각각의 조건에 대한 전류설정값(Is)에 관한 정보를 상기 서버로부터 전송받을 수 있다.

제어부(100)는 비젼센서(600)로부터 촬영된 세탁물의 이미지로부터 세탁물의 종류를 분류할 수 있다. 세탁물의 종류에 따라 사용자가 만족하는 건조상태가 서로 달라질 수 있으므로, 실시예에서는 이를 고려하여 세탁물의 종류를 고려한 건조상태를 인공지능 모델이 학습할 수 있다.

세탁물의 종류란, 예를 들어, 여러가지 의류 또는 침구가 혼합된 표준 세탁물, 스포츠 등을 위한 기능성 의류, 아기옷, 침구류 등으로 분류될 수 있다.

실시예에서, 제어부(100)는 촬영된 세탁물의 이미지를 기반으로 세탁물의 종류를 분류하고, 프로세서(500)는 세탁물의 종류별로 전류설정값(Is)을 정하는 인공지능 모델 학습을 진행할 수 있다.

제어부(100)는, 촬영된 세탁물의 이미지로부터 세탁물의 종류를 분류하고, 각각의 세탁물의 종류에 따라 상기 설정된 조건을 다르게 선택할 수 있다.

따라서, 전류설정값(Is)은, 인공지능 모델에 따른 학습모드 중, 상기 모터(200)의 출력, 상기 세탁물의 무게 및 세탁물의 종류 중 적어도 하나가 다른 조건에서의 값일 수 있다.

한편, 프로세서(500)는, 촬영된 세탁물의 이미지를 기반으로, 세탁물의 분류에 대하여 인공지능 모델에 따른 학습을 진행할 수 있다. 이에 대해서는 하기에 구체적으로 설명한다.

여기서, 상기 각각의 조건이란 상기 입력인자, 즉, 상기 모터(200)의 출력, 상기 세탁물의 무게 및 세탁물의 종류 중 적어도 하나가 다른 조건을 의미한다.

제어부(100)는 전송받은 전류설정값(Is)에 관한 정보에 기반하여, 상기 각각의 조건에 대하여, 제2전류패턴(Ip2)의 최대 전류값이 상기 전류설정값(Is) 이하로 유지되면 상기 모터(200)의 작동을 중단하여 세탁물 건조작업을 종료할 수 있다.

도 5는 일 실시예에 따른 인공지능 신경망을 설명하기 위한 도면이다. 인공지능 신경망은 프로세서(500)에 구비되고, 프로세서(500)는 인공지능 신경망을 통해 인공지능 모델을 학습할 수 있다.

전류설정값(Is)은, 인공지능 모델에 따른 학습모드 중, 상기 모터(200)의 출력, 상기 세탁물의 무게 및 세탁물의 종류 중 적어도 하나가 다른 조건에서의 값일 수 있다.

각각의 조건이 다르면 도출되는 전류설정값(Is)도 달라질 수 있다. 인공지능 모델 학습에 의해 상기 각각의 조건마다 서로 다른 전류설정값(Is)이 도출될 수 있다.

이러한 인공지능 모델 학습은 입력인자가 입력되는 입력 레이어, 전류설정값(Is)을 도출하는 출력 레이어 및 입력 레이어와 출력 레이어 사이에 있는 복수의 히든 레이어로 구성되는 인공지능 신경망에서 진행될 수 있다.

프로세서(500)는, 입력인자를 입력받고, 이를 기반으로 인공지능 모델 학습을 진행하여 세탁물 건조작업의 종료를 위한 조건을 만족하는 전류설정값(Is)을 도출할 수 있다.

상기 입력인자는, 전술한 바와 같이, 상기 모터(200)의 출력, 상기 수용부에 수용되는 세탁물의 무게 및 세탁물의 종류를 포함할 수 있다. 이외에도 전류설정값(Is)에 영향을 주는 요소들은 추가적으로 상기 입력인자가 될 수 있다.

서로 다른 조건을 가진 입력인자가 인공 신경망에 입력되면, 프로세서(500)는 인공지능 모델을 학습하여 그 조건에 해당하는 전류설정값(Is)을 도출할 수 있다.

예를 들어, 인공지능 학습모델로 RNN을 이용하는 경우, 서로 다른 조건의 입력인자가 서로 다른 시간에 순차적으로 인공 신경망에 입력되고, 히든 레이어에서 입력인자들의 조합, 연산을 진행하여, 입력인자들이 서로 다른 각각의 조건에서 요구되는 전류설정값(Is)이 도출될 수 있다.

다시 도 1을 참조하면, 세탁장치는 전류설정값(Is)에 관한 정보를 저장하는 메모리부(800)를 더 포함할 수 있다. 전류설정값(Is)은 프로세서(500)를 통해 입력인자들이 서로 다른 조건에서 학습된 값이다. 즉, 프로세서(500)에서 도출된 전류설정값(Is)이 메모리부(800)에 저장될 수 있다.

제어부(100)는 메모리부(800)에 저장된 상기 전류설정값(Is)에 관한 정보에 기반하여 상기 전류설정값(Is)을 선택할 수 있다. 메모리부(800)에는 입력인자들이 서로 다른 조건에서 각각의 전류설정값(Is)이 저장될 수 있다.

따라서, 제어부(100)는 메모리에 저장된 정보를 이용하여, 모터(200)의 출력, 상기 수용부에 수용되는 세탁물의 무게 및 세탁물의 종류에 대응하는 전류설정값(Is)을 선택하여, 이를 기반으로 모터(200)를 제어하여 세탁물 건조작업을 진행할 수 있다.

실시예에서, 프로세서(500)는 세탁장치가 세탁 및 건조를 진행할 때마다 인공지능 모델을 학습할 수 있고, 학습결과에 따라 달라진 입력인자 및 전류설정값(Is)에 관한 정보는 상기 메모리부(800)에 업데이트될 수 있다.

인공지능 모델 학습으로 전류설정값(Is)을 도출하기 위해, 프로세서(500)는 세탁물의 종류를 몇가지로 분류하고 군집화할 필요가 있다.

또한, 세탁물 종류에 관한 분류되고 군집화된 데이터를 기반으로, 새로운 이미지의 세탁물이 있는 경우 새로운 이미지를 기존의 세탁물의 분류 중 어느 하나에 포함시키는, 촬영된 이미지로부터 세탁물의 종류를 분류하는 작업이 필요하다.

프로세서(500)는, 촬영된 새로운 이미지로부터 세탁물을 종류별로 분류하는 것에 대하여 인공지능 모델에 따른 학습을 진행할 수 있다. 즉, 새로운 이미지로부터 세탁물 분류의 정확성은 인공지능 모델 학습으로 향상될 수 있다. 예를 들어, 이러한 학습은 메타학습(meta learning)을 통해 진행될 수 있다.

도 6은 일 실시예에 따른 인공지능 모델에 따른 학습을 설명하기 위한 도면이다. 이하에서, 도 6을 참조하여, 새로운 이미지로부터 세탁물을 분류하는 메타학습을 설명한다.

도면에서, 클래스1 내지 클래스4는 세탁물의 종류를 나타낸 이미지이다. 예를 들어, 클래스1은 여러가지 의류 또는 침구가 혼합된 표준 세탁물, 클래스2는 스포츠 등을 위한 기능성 의류, 클래스3은 아기옷, 클래스4는 침구류에 관한 이미지일 수 있다. 물론 상기 클래스의 개수는 변동될 수 있다.

예를 들어, 클래스1 내지 클래스4로 분류된 세탁물 이미지에서 각 클래스의 특징을 임베딩함수(embedding function) g(θ)가 추출할 수 있다. 또한, 함수 g(θ)는 세탁물 이미지에 관한 범주형 데이터(category type data)를 연속적인 벡터형태로 변환할 수 있다.

함수 f(θ)는 함수 g(θ)로 표현된 세탁물 이미지의 특징을 군집화할 수 있다. 또한, 함수 f(θ)는 군집화된 각 클래스의 특징을 기반으로 인공신경망에 입력되는 새로운 이미지가 어느 클래스에 속하는지를 결정할 수 있다.

이와 같이, 인공신경망은 함수 f(θ)와 g(θ)를 사용하여, 새로운 이미지가 어느 클래스에 속하는지 분류할 수 있다. 도 6에서는, 메타학습의 결과로 새로운 이미지 클래스1 즉, 표준 세탁물에 속하는 것으로 분류될 수 있다.

도 7은 일 실시예에 따른 세탁장치의 제어방법을 설명하기 위한 순서도이다.

세탁물이 수용된 수용부에 급수하고 세탁물을 세탁할 수 있다(S110). 제어부(100)는 모터(200)를 작동하여 수용부를 회전시키면세 세탁물을 세탁할 수 있다.

세척이 완료된 후, 제어부(100)는 모터(200)를 작동하여 세탁물을 건조할 수 있다(S120). 제어부(100)는 상기 세탁물의 건조상태가 설정된 조건을 만족하면 상기 모터(200)의 작동을 중단하여 세탁물 건조작업을 종료할 수 있다. 상기 설정된 조건은, 전술한 바와 같이, 상기 모터(200)의 전류값이 전류설정값(Is) 이하로 유지되는 상태에 있는 것이다.

세탁물의 건조상태에 대한 상기 설정된 조건은, 상기 모터(200)의 출력, 세탁물의 무게 및 상기 세탁장치에 구비되는 비전센서로 촬영된 세탁물의 이미지를 기반으로 인공지능 모델에 따라 학습에 의해 도출될 수 있다.

제어부(100)는 상기 모터(200)의 전류설정값(Is)을 도출하는 프로세서(500)와 연결될 수 있다. 상기 프로세서(500)는 인공지능 모델에 따라 학습을 수행하되, 입력인자를 입력받아 상기 전류설정값(Is)을 도출할 수 있다.

상기 입력인자는 상기 모터(200)의 출력, 상기 수용부에 수용되는 세탁물의 무게 및 촬영된 세탁물의 이미지를 포함할 수 있다.

제어부(100)는, 사용자 인터페이스(700)를 통해, 세탁물의 건조상태에 대하여 사용자에게 만족여부를 문의할 수 있다(S130).

사용자가 만족하는 경우, 제어부(100)는 모터(200)의 작동을 중단시켜 세탁물 건조작업을 종료할 수 있다(S140). 프로세서(500)는 인공지능 모델 학습을 진행하고, 사용자가 만족하는 경우에 있어서 상기 모터(200)의 전류값의 변화추세를 기반으로 상기 전류설정값(Is)을 정할 수 있다.

사용자가 건조상태에 대하여 불만족하는 경우, 제어부(100)는 기 학습된 데이터에 따라 세탁물 건조작업을 다시 진행할 수 있다(S150).

한편, 전술한 전류설정값(Is)의 도출을 위한 인공지능 모델 학습은 전술한 세탁장치의 세탁 및 건조과정에서 세탁장치의 동작과 함께 진행될 수 있다.

실시예의 세탁장치 및 그 제어방법은 급수하여 세탁하는 과정이 없는 세탁물 건조장치에도 유사하게 적용될 수 있다.

세탁물 건조장치의 경우, 세탁이 완료되고 물기가 있는 세탁물이 상기 건조장치로 옮겨져 건조작업이 진행되고, 이러한 건조작업에 필요한 전류설정값(Is)은 인공지능 모델 학습에 의해 도출될 수 있다.

세탁물 건조장치의 경우, 상기 S110 과정은 진행되지 않을 수 있다.

실시예에서, 인공지능 모델 학습을 통해 도출되는 전류설정값(Is)을 이용하여, 세탁물의 건조작업을 제어할 수 있으므로, 별도의 습도센서를 사용하는 경우와 비교하여, 세탁물 건조작업의 편의를 도모할 수 있다.

실시예와 관련하여 전술한 바와 같이 몇 가지만을 기술하였지만, 이외에도 다양한 형태의 실시가 가능하다. 앞서 설명한 실시예들의 기술적 내용들은 서로 양립할 수 없는 기술이 아닌 이상은 다양한 형태로 조합될 수 있으며, 이를 통해 새로운 실시형태로 구현될 수도 있다.

100: 제어부
200: 모터
300: 무게센서
400: 전류센서
500: 프로세서
600: 비젼센서
700: 사용자 인터페이스
800: 메모리부
Is: 전류설정값
Ip1: 제1전류패턴
Ip2: 제2전류패턴

Claims

세탁물을 수용하는 수용부를 구비하는 세탁장치로서,
제어부;
상기 제어부와 전기적으로 연결되고, 상기 수용부를 회전시키는 모터;
상기 제어부와 전기적으로 연결되고, 상기 수용부에 수용되는 세탁물의 무게를 측정하는 무게센서;
상기 제어부와 전기적으로 연결되고, 상기 모터에 인가되는 전류값을 측정하는 전류센서; 및
상기 제어부와 전기적으로 연결되고, 상기 수용부에 수용되는 세탁물을 촬영하는 비젼센서
를 포함하고,
상기 제어부는,
상기 세탁물의 건조상태가 설정된 조건을 만족하면 상기 모터의 작동을 중단하여 세탁물 건조작업을 종료하고,
세탁물의 건조상태에 대한 상기 설정된 조건은,
상기 모터의 출력, 세탁물의 무게 및 상기 비전센서로 촬영된 세탁물의 이미지를 기반으로 인공지능(Artificial Intelligence) 모델에 따라 학습에 의해 도출되는,
세탁장치.
제1항에 있어서,
상기 설정된 조건은,
상기 모터의 전류값이 설정값 이하로 유지되는 상태인, 세탁장치.
제2항에 있어서,
상기 제어부는 상기 모터의 전류설정값을 도출하는 프로세서와 연결되고,
상기 제어부는,
사용자에게 세탁물 건조상태에 대한 만족여부를 문의하고,
상기 프로세서는,
사용자가 만족하는 경우에 있어서 상기 모터의 전류값의 변화추세를 기반으로 상기 전류설정값을 정하는, 세탁장치.
제3항에 있어서,
상기 전류설정값은,
사용자가 만족하는 건조상태에서 상기 모터의 최대 전류값보다 작은 값으로 설정되는, 세탁장치.
제3항에 있어서,
상기 제어부는,
사용자가 건조상태에 대하여 불만족하는 경우, 기 학습된 데이터에 따라 세탁물 건조작업을 다시 진행하는, 세탁장치.
제3항에 있어서,
상기 세탁장치는,
상기 제어부와 전기적으로 연결되고, 사용자에게 세탁물 건조상태에 대한 만족여부를 문의하고, 사용자의 답변을 입력받는 사용자 인터페이스를 더 포함하는, 세탁장치.
제3항에 있어서,
상기 세탁장치는 서버와 통신을 위한 통신부를 더 포함하고,
상기 프로세서는 상기 서버에 구비되는, 세탁장치.
제7항에 있어서,
상기 제어부는,
상기 전류설정값에 관한 정보를 상기 서버로부터 전송받는, 세탁장치.
제3항에 있어서,
상기 세탁장치는 상기 전류설정값에 관한 정보를 저장하는 메모리부를 더 포함하고,
상기 제어부는 상기 메모리부에 저장된 상기 전류설정값에 관한 정보에 기반하여 상기 전류설정값을 선택하는, 세탁장치.
제2항에 있어서,
상기 제어부는,
상기 모터의 전류설정값을 도출하는 프로세서와 연결되고,
상기 프로세서는,
인공지능 모델에 따라 학습을 수행하되,
입력인자를 입력받아 상기 전류설정값을 도출하는, 세탁장치.
제10항에 있어서,
상기 입력인자는,
상기 모터의 출력, 상기 수용부에 수용되는 세탁물의 무게 및 촬영된 세탁물의 이미지를 포함하는, 세탁장치.
제11항에 있어서,
상기 제어부는 촬영된 세탁물의 이미지로부터 세탁물의 종류를 분류하고,
상기 전류설정값은,
인공지능 모델에 따른 학습모드 중, 상기 모터의 출력, 상기 세탁물의 무게 및 세탁물의 종류 중 적어도 하나가 다른 조건에서의 값인, 세탁장치.
제1항에 있어서,
상기 제어부는,
촬영된 세탁물의 이미지로부터 세탁물의 종류를 분류(classification)하고, 각각의 세탁물의 종류에 따라 상기 설정된 조건을 다르게 선택하는, 세탁장치.
제13항에 있어서,
촬영된 세탁물의 이미지를 기반으로, 세탁물의 분류에 대하여 인공지능 모델에 따른 학습을 진행하는, 세탁장치.
세탁장치의 제어방법으로서,
세탁물이 수용된 수용부에 급수하고 세탁물을 세탁하는 단계;
모터를 작동하여 세탁물을 건조하는 단계;
세탁물의 건조상태에 대하여 사용자에게 만족여부를 문의하는 단계; 및
사용자가 만족하는 경우, 세탁물 건조작업을 종료하는 단계
를 포함하고,
상기 세탁장치에 구비되는 제어부는,
상기 세탁물의 건조상태가 설정된 조건을 만족하면 상기 모터의 작동을 중단하여 세탁물 건조작업을 종료하고,
세탁물의 건조상태에 대한 상기 설정된 조건은,
상기 모터의 출력, 세탁물의 무게 및 상기 세탁장치에 구비되는 비전센서로 촬영된 세탁물의 이미지를 기반으로 인공지능(Artificial Intelligence) 모델에 따라 학습에 의해 도출되는,
세탁장치의 제어방법.
제15항에 있어서,
상기 설정된 조건은 상기 모터의 전류값이 설정값 이하로 유지되는 상태이고, 상기 제어부는 상기 모터의 전류설정값을 도출하는 프로세서와 연결되고,
상기 제어부는,
사용자에게 세탁물 건조상태에 대한 만족여부를 문의하고,
상기 프로세서는,
사용자가 만족하는 경우에 있어서 상기 모터의 전류값의 변화추세를 기반으로 상기 전류설정값을 정하는, 세탁장치의 제어방법.
제15항에 있어서,
사용자가 건조상태에 대하여 불만족하는 경우, 기 학습된 데이터에 따라 세탁물 건조작업을 다시 진행하는 단계를 더 포함하는, 세탁장치의 제어방법.