KR20210088956A - 인공 지능 세탁기 및 그 동작 방법 - Google Patents

인공 지능 세탁기 및 그 동작 방법 Download PDF

Info

Publication number
KR20210088956A
KR20210088956A KR1020200002070A KR20200002070A KR20210088956A KR 20210088956 A KR20210088956 A KR 20210088956A KR 1020200002070 A KR1020200002070 A KR 1020200002070A KR 20200002070 A KR20200002070 A KR 20200002070A KR 20210088956 A KR20210088956 A KR 20210088956A
Authority
KR
South Korea
Prior art keywords
time
expected
water supply
washing
drainage
Prior art date
Application number
KR1020200002070A
Other languages
English (en)
Inventor
차승철
이상현
박현지
구본권
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020200002070A priority Critical patent/KR20210088956A/ko
Priority to US16/870,245 priority patent/US11739458B2/en
Publication of KR20210088956A publication Critical patent/KR20210088956A/ko

Links

Images

Classifications

    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/50—Control of washer-dryers characterised by the purpose or target of the control
    • D06F33/70—Control of the operating time, e.g. reduction of overall operating time
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D06F33/44—Control of the operating time, e.g. reduction of overall operating time
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/30—Control of washing machines characterised by the purpose or target of the control 
    • D06F33/47—Responding to irregular working conditions, e.g. malfunctioning of pumps 
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/50—Control of washer-dryers characterised by the purpose or target of the control
    • D06F33/52—Control of the operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
    • D06F33/54—Control of the operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry of water filling
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/50—Control of washer-dryers characterised by the purpose or target of the control
    • D06F33/52—Control of the operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
    • D06F33/60—Control of the operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry of centrifugal separation of water from the laundry
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F33/00—Control of operations performed in washing machines or washer-dryers 
    • D06F33/50—Control of washer-dryers characterised by the purpose or target of the control
    • D06F33/52—Control of the operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
    • D06F33/62—Control of the operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry of draining
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/04—Signal transfer or data transmission arrangements
    • D06F34/05—Signal transfer or data transmission arrangements for wireless communication between components, e.g. for remote monitoring or control
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/06—Timing arrangements
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/14—Arrangements for detecting or measuring specific parameters
    • D06F34/18—Condition of the laundry, e.g. nature or weight
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/28—Arrangements for program selection, e.g. control panels therefor; Arrangements for indicating program parameters, e.g. the selected program or its progress
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/02—Characteristics of laundry or load
    • D06F2103/04—Quantity, e.g. weight or variation of weight
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
    • D06F2103/02—Characteristics of laundry or load
    • D06F2103/06—Type or material
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/02—Water supply
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/08—Draining of washing liquids
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/56—Remaining operation time; Remaining operational cycles
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F2105/00—Systems or parameters controlled or affected by the control systems of washing machines, washer-dryers or laundry dryers
    • D06F2105/58—Indications or alarms to the control system or to the user
    • D—TEXTILES; PAPER
    • D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
    • D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
    • D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
    • D06F34/04—Signal transfer or data transmission arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Textile Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Control Of Washing Machine And Dryer (AREA)

Abstract

본 발명은 인공 지능 세탁기 및 그 동작 방법에 관한 것으로, 세탁기의 동작 방법은 이전 세탁 시에 획득한 세탁물량, 급수시간, 배수시간, 및 탈수시간에 기초하여 급수 예상시간, 배수 예상시간 및 탈수 예상시간을 결정하는 동작, 사용자의 세탁을 위한 설정 입력을 획득하는 동작, 센서를 이용하여 세탁물량 정보를 획득하는 동작, 결정된 상기 급수 예상시간, 상기 배수 예상시간, 상기 탈수 예상시간, 상기 세탁을 위한 설정 및 획득한 상기 세탁물량에 기초하여 세탁 예상시간을 결정하는 동작 및 결정된 상기 세탁 예상시간을 상기 사용자에게 표시하는 동작을 포함할 수 있으며, 이에 따라 사용 횟수의 증가에 따라 축적된 세탁기의 데이터를 반영하여 세탁 예상 시간을 제공함으로써 실제 운전시간과의 차이를 작게 할 수 있고, 사용자의 불편을 최소화할 수 있다.

Description

인공 지능 세탁기 및 그 동작 방법{ARTIFICIAL INTELLIGENCE WASHING MACHINE AND OPERATION METHOD THEREOF}
다양한 실시 예들은 인공 지능 세탁기 및 그 동작 방법에 관한 것이다.
세탁기는 세제의 유화 작용과, 세탁조 또는 세탁 날개의 회전에 의해 발생하는 수류 작용 및 세탁 날개가 가하는 충격 작용 등을 이용하여 세탁물을 세탁하는 기기로서, 세제와 물의 작용을 이용하여 세탁물에 묻어 있는 오염을 제거하도록 세탁, 헹굼 및 탈수 행정을 진행한다.
한편, 기술의 발전에 따라, 인공 지능(artificial intelligence, AI)을 갖춘 기기들이 널리 소개되고 있으며 세탁기 또한 인공 지능을 이용하여 세탁의 효율성을 추구하고 있다.
일반적으로, 세탁기는 세탁기 사용 시 사용자의 명령에 기초하여 또는 자동으로 진행할 행정을 결정하고, 그에 따른 예상 시간을 사용자에게 제공할 수 있다. 이때 세탁기는 출시 시에 미리 정해져 있는 표준 급수 시간, 배수 시간, 세탁 시간 등에 기초하여 예상 시간을 결정할 수 있다. 하지말 실사용 환경에서는 다양한 원인으로 편차가 발생하여 사용자에게 제공된 예상 시간과 현저히 차이가 나는 시간동안 세탁이 진행될 수 있고, 이러한 차이는 사용자에게 불편을 초래할 수 있다.
사용자의 불편을 최소화하기 위하여 현재 세탁기가 경험하는 실제 실사용 환경에 맞추어 예상 시간을 결정하고, 사용자에게 제공할 필요가 있다.
따라서, 본 발명의 다양한 실시 예는 인공 지능을 이용하여 장기간의 세탁기의 세탁 행정 시간을 모니터링하여 이상 상태를 분류하고 인식할 수 있는 인공지능 세탁기 및 동작 방법을 제공하고자 한다.
본 발명의 다양한 실시 예는 세탁기가 경험하는 실제 실사용 환경에 기초하여 배수 시간 및 급수 시간을 결정하고, 그에 기초하여 예상 세탁 시간을 결정할 수 있는 인공지능 세탁기의 방법을 제공하고자 한다.
본 문서에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 다양한 실시 예들에 따르면, 세탁기는 제어 명령에 따라 급수, 배수, 세탁, 및/또는 탈수를 수행하는 구동부, 사용자의 설정 입력을 획득하는 입력부, 세탁물량을 측정하는 무게 센서, 상기 사용자에게 상기 세탁기의 상태 정보 및 세탁 예상시간 정보를 제공하는 출력부 및 상기 구동부, 입력부 및 출력부와 작동적으로 연결되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 이전 세탁 시에 획득한 세탁물량, 급수시간, 배수시간, 및 탈수시간에 기초하여 급수 예상시간, 배수 예상시간 및 탈수 예상시간을 결정하고, 상기 입력부를 통해 세탁을 위한 상기 사용자의 설정 입력을 획득하고, 상기 무게 센서를 통해 세탁물량 정보를 획득하고, 결정된 상기 급수 예상시간, 상기 배수 예상시간, 상기 탈수 예상시간, 세탁을 위한 상기 사용자의 설정 및 획득한 상기 세탁물량에 기초하여 상기 세탁 예상시간을 결정할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 세탁기의 동작 방법은 이전 세탁 시에 획득한 세탁물량, 급수시간, 배수시간, 및 탈수시간에 기초하여 급수 예상시간, 배수 예상시간 및 탈수 예상시간을 결정하는 동작, 사용자의 세탁을 위한 설정 입력을 획득하는 동작, 센서를 이용하여 세탁물량 정보를 획득하는 동작, 결정된 상기 급수 예상시간, 상기 배수 예상시간, 상기 탈수 예상시간, 상기 세탁을 위한 설정 및 획득한 상기 세탁물량에 기초하여 세탁 예상시간을 결정하는 동작 및 결정된 상기 세탁 예상시간을 상기 사용자에게 표시하는 동작을 포함할 수 있다.
다양한 실시 예들에 따라, 사용 횟수의 증가에 따라 축적된 세탁기의 데이터를 반영하여 세탁 예상 시간을 제공함으로써 실제 운전시간과의 차이를 작게 할 수 있고, 그에 따라 사용자의 불편을 최소화할 수 있다.
다양한 실시 예들에 따라, 표준 설정 운전조건과의 차이가 발생하는 원인을 분류함으로써 고장 또는 이상 분류의 정확도를 개선할 수 있다.
다양한 실시 예들에 따라, 수집한 제품 사용 데이터를 근거로 서비스 센터 방문 여부를 제공할 수 있고, 방문의 경우 서비스 센터에서의 부품 준비 및 정확도를 개선하여 재방문 횟수를 줄일 수 있어, 사용자의 불편을 줄일 수 있다.
다양한 실시 예들에 따라, 고장 또는 이상에 대한 정확한 원인 분석과 해결을 제공함으로써 제품의 신뢰도를 높일 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 다양한 실시 예들에 따른 시스템을 도시한 도면이다.
도 2는 다양한 실시 예에 따른 서버의 구성을 도시한 도면이다.
도 3은 다양한 실시 예에 따른 인공지능 세탁기의 개략적인 블록도를 도시한 도면이다.
도 4는 일실시 예에 따라 입력부 및 출력부를 구성하는 세탁기의 컨트롤 패널을 도시한 도면이다.
도 5는 완전 연결된 인공 신경망 구조의 일 예를 도시한 도면이다.
도 6은 심층 신경망의 일종인 합성곱 신경망(convolutional neural network, CNN) 구조의 일 예를 도시한 도면이다.
도 7은 일실시 예들에 따른 세탁기에서의 세탁 동작을 도시한 도면이다.
도 8는 일실시 예에 따른 세탁기)의 세탁 행정 동안의 급수 센서 및 RPM 센서에서 측정한 결과를 도시한 도면이다.
도 9는 매 세탁 시의 급수 시간을 측정하여 수집한 데이터를 표시한 도면이다.
도 10은 다양한 실시 예들에 따른, 세탁기(100)의 프로세서(180) 및/또는 러닝 프로세서(130)가 본 발명에 따라 수행하는 기능들을 도시한 블록도이다.
도 11은 다양한 실시 예들에 따른, 급수 예상시간 결정을 위한 인공 신경망 모델을 학습시키기 위한 학습 데이터의 일 예를 도시한 도면이다.
도 12은 다양한 실시 예들에 따른, 배수 예상시간 결정을 위한 인공 신경망 모델을 학습시키기 위한 학습 데이터의 일 예를 도시한 도면이다.
도 13은 다양한 실시 예들에 따른, 탈수 예상시간 결정을 위한 인공 신경망 모델을 학습시키기 위한 학습 데이터의 일 예를 도시한 도면이다.
도 14는 다양한 실시 예들에 따른, 세탁기가 세탁 예상시간을 결정하여 표시하는 동작을 도시한 흐름도이다.
도 15는 다양한 실시 예들에 따른, 세탁기가 인공 신경망 모델을 갱신하는 동작을 도시한 흐름도이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
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' 또는 '부'는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, '모듈' 또는 '부'는 소프트웨어 구성요소 또는 FPGA(field programmable gate array), ASIC(application specific integrated circuit)과 같은 하드웨어 구성요소를 의미할 수 있으며, '부' 또는 '모듈'은 어떤 역할들을 수행한다. 그렇지만 '부' 또는 '모듈'은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '부' 또는 '모듈'은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '부' 또는 '모듈'은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함할 수 있다. 구성요소들과 '부' 또는 '모듈'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '부' 또는 '모듈'들로 결합되거나 추가적인 구성요소들과 '부' 또는 '모듈'들로 더 분리될 수 있다.
본 발명의 몇몇 실시예들과 관련하여 설명되는 방법 또는 알고리즘의 단계는 프로세서에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM, 또는 당업계에 알려진 임의의 다른 형태의 기록 매체에 상주할 수도 있다. 예시적인 기록 매체는 프로세서에 커플링 되며, 그 프로세서는 기록 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 기록 매체는 프로세서와 일체형일 수도 있다. 프로세서 및 기록 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC은 사용자 단말기 내에 상주할 수도 있다.
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.
본 발명의 다양한 실시 예들에 따른 세탁기는 가정용 세탁기, 산업용 세탁기 및 상업용 세탁기 등을 포함할 수 있으나, 이하에서는 설명의 편의를 위해 가정에서 주로 사용되는 가정용 세탁기를 예시로 본 발명의 다양한 실시 예들을 설명한다.
도 1은 다양한 실시 예들에 따른 시스템(1)을 도시한 도면이다.
통상적으로 인공지능 세탁기(100)는 인공지능 기능을 가진 프로세서를 내장하고, 독립적으로 사용될 수도 있지만, 도 1을 참조하면, 네트워크(5)를 통해 시스템(1)을 구성하여 서버(200) 및 사용자 단말(300)과 함께 연동하여 사용될 수 있다.
여기서, 네트워크(5)는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access)와 같은 2G 네트워크, WCDMA(wideband CDMA)와 같은 3G 네트워크, LTE(Long Term Evolution) 네트워크와 같은 4G 네트워크, 5G 네트워크, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), DSRC(dedicated short range communication), 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication)을 포함하는 무선 통신 네트워크 등을 이용하여 구성될 수 있다.
시스템(1)을 구성하는 각 장치들(10, 100, 200)은 네트워크(5)를 통해 서로 연결될 수 있다. 일 실시 예에 따라, 각 장치들(10, 100, 200)은 기지국 또는 AP(access point)를 통해서 서로 통신할 수도 있지만, 기지국 또는 AP를 통하지 않고 직접 서로 통신할 수도 있다.
서버(200)는 인공지능 프로세싱을 수행하는 AI 서버와 빅 데이터에 대한 연산을 수행하는 빅데이터 서버를 포함할 수 있다. 또는 하나의 서버가 인공지능 프로세싱 기능 및 빅 데이터 처리 연산 기능을 모두 포함하고 있을 수 있다.
서버(200)는 사용자 단말(300)에 설치된 세탁기 구동 애플리케이션 또는 구동 웹 브라우저를 이용하여 세탁기(100)의 동작을 원격에서 제어할 수 있도록 하는 웹 서버 또는 애플리케이션 서버를 포함할 수 있다.
서버(200)는 시스템(1)을 구성하는 인공지능 세탁기(100)와 네트워크(5)를 통하여 연결되고, 연결된 세탁기(100)의 인공지능 프로세싱의 적어도 일부를 도울 수 있다.
서버(200)는 인공지능 세탁기(100)를 대신하여 기계 학습 알고리즘에 따라 인공 신경망을 학습시켜 학습된 인공 신경망 모델(이하 학습 모델)을 생성할 수 있고, 학습 모델을 직접 저장하거나 인공지능 세탁기(100)에 전송할 수 있다.
서버(200)는 인공지능 세탁기(100)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 인공지능 세탁기(100)로 전송할 수 있다. 다른 일실시 예들에 따라, 인공지능 세탁기(100)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.
사용자 단말(300)은 예를 들어, 휴대폰, 스마트폰(smart phone), 태블릿 PC(tablet PC), 울트라북(ultrabook), 노트북 컴퓨터, 퍼스널 컴퓨터, 웨어러블 디바이스(wearable device, 예를 들어, 워치형 인공 지능 기기(smartwatch), 글래스형 인공 지능 기기(smart glass), HMD(head mounted display)), 인공지능 스피커 등을 포함할 수 있으나, 이에 제한되지 않는다.
사용자 단말(300)은 세탁기 구동 애플리케이션 또는 구동 웹 브라우저를 설치할 수 있고, 이를 이용하여 사용자 단말(300)은 서버(200)를 통하거나 또는 직접 세탁기(100)에 제어 명령을 제공하여 세탁기(100)를 동작시킬 수 있다. 또한, 사용자 단말(300)은 서버(200)를 통하거나 또는 직접 세탁기(100)로부터 동작 현황을 입력받을 수도 있다.
도 2는 다양한 실시 예에 따른 서버(200)의 구성을 도시한 도면이다.
도 2를 참조하면, 서버(200)는 인공지능 기능을 포함할 수 있다. 서버(200)는 기계 학습 알고리즘을 이용하여 인공 신경망 모델을 학습시키거나 학습된 인공 신경망 모델인 학습 모델을 이용하는 장치를 의미할 수 있다. 여기서, 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수도 있다.
일 실시 예에 따라, 서버(200)는 세탁기(100)의 일부 구성으로 포함될 수 있다. 또한, 서버(200)는 인공지능 프로세싱 중 적어도 일부를 세탁기(100)와 함께 수행할 수도 있다. 일 실시 예로, 세탁기(100)의 컴퓨팅 파워가 부족할 경우 세탁기(100)는 서버(200)에 인공지능 프로세싱 중 적어도 일부 또는 전부를 수행하도록 요청할 수 있다.
다양한 실시 예들에 따르면, 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(250)를 포함할 수 있다.
통신부(210)는 세탁기(100) 및 사용자 단말(300)을 포함하는 외부 장치와 데이터를 송수신할 수 있다. 일실시 예에 따라 통신부(210)는 네트워크(5)를 통해 외부 장치와 데이터를 송수신할 수 있거나, 다른 실시 예에 따라 통신부(210)는 외부 장치와 직접 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)를 통하여 학습 중인 또는 학습된 인공 신경망 모델(231a)을 저장할 수 있다. 일실시 예에 따라, 메모리(230)는 세탁기(100)의 세탁 행정 정보를 포함할 수 있다. 또는 메모리(230)은 세탁기(100)를 제어하기 위한 제어 명령들을 저장하고 있을 수 있다.
메모리(230)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 메모리(230)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD, CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, Xd 카드, 또는 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망 모델(231a)을 학습시킨 학습 모델을 생성할 수 있다. 학습 모델은 서버(200)에 탑재된 상태에서 이용되거나, 세탁기(100)와 같은 외부 장치에 탑재되어 이용될 수도 있다.
학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.
프로세서(250)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 3은 다양한 실시 예에 따른 인공지능 세탁기(100)의 개략적인 블록도를 도시한 도면이다.
도 3을 참조하면, 세탁기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(160), 구동부(170) 및 프로세서(180)를 포함할 수 있다.
다양한 실시 예들에 따르면, 입력부(120)는 사용자로부터 소정의 제어 명령을 입력 받을 수 있다. 여기서, 제어 명령은 예를 들면, 세탁 시작 및 종료 명령, 세탁물의 동작 코스(표준세탁, 스피드워시, 조용조용, 컬러케어, 행굼+탈수 등), 행굼 횟수, 세탁 유형, 탈수 강도, 물 온도 등을 포함할 수 있다.
출력부(150)는 사용자가 입력한 제어 명령에 따른 제어 정보 또는 세탁기의 작동 상태, 예를 들면, 세탁 설정, 현재 진행되는 세탁 행정, 예상 세탁 시간 및 세탁 잔여 시간 등을 표시할 수 있다. 출력부(150)는 시각 또는 청각 등과 관련된 출력을 발생시킬 수 있다. 일실시 예에 따라, 출력부(150)는 컨트롤 패널(123)에 구비된 시각 정보를 출력하는 디스플레이 및/또는 LED 또는 청각 정보를 출력하는 스피커 등을 이용하여 사용자에게 필요한 데이터를 출력할 수 있다.
도 4는 일실시 예에 따라 입력부(120) 및 출력부(150)를 구성하는 세탁기의 컨트롤 패널을 도시한 도면이다.
도 4를 참조하면, 세탁기(100)는 입력부(120) 및 출력부(150)로 도 4에 도시된 것과 같은 컨트롤 패널(123)을 포함할 수 있다. 컨트롤 패널(123)은 사용자가 세탁 행정을 설정할 수 있는 다양한 제어 입력 키를 포함하고 있을 수 있다. 사용자는 세탁기(100)의 컨트롤 패널(123)에 있는 제어 입력 키를 이용하여 세탁기(100)에 미리 설정되어 있는 다양한 세탁 코스 행정을 수행하도록 할 수 있으며, 또는 세탁, 행굼, 탈수 각각에 대한 수행 정도를 임의대로 설정하여 세탁 행정을 수행하도록 할 수 있다. 이러한 사용자 입력에 대응하여 세탁기(100)는 예상 시간을 결정하여 컨트롤 패널(123)의 시간 표시기(125)에 예상 시간을 표시할 수 있다. 또는 세탁기(100)는 사용자 입력 설정에 기초하여 세탁 행정을 수행하는 중에는 세탁 행정이 완료될 때가지의 예상 시간을 결정하여 컨트롤 패널(123)의 시간 표시기(125)에 예상 시간을 표시할 수 있다.
다양한 실시 예들에 따르면, 통신부(110)는 유무선 통신 기술을 이용하여 사용자 단말(300) 또는 서버(200)와 같은 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호, 세탁 행정 수행 정보 등을 송수신할 수 있다.
일실시 예에 따라, 통신부(110)는 사용자 단말(300) 또는 서버(200)로부터 원격에서 제어하는 세탁 행정 수행 명령을 수신할 수 있다. 예를 들면, 도 4에 도시된 것과 같은 컨트롤 패널(123)을 통해 사용자가 세탁 행정을 설정하는 것과 유사한 작업을 원격에서 사용자가 사용자 단말(300)을 이용하여 수행할 수 있고, 사용자 단말(300)은 직접 또는 서버(200)를 통해 사용자의 세탁 행정 제어 명령을 세탁기(100)로 전달할 수 있다. 세탁기(100)를 통신부(110)를 통해 해당 세탁 행정 제어 명령을 수신하고 그에 따라 세탁 행정을 수행할 수 있다.
또한, 세탁기(100)는 통신부(110)를 통해 사용자 단말(300)로 직접 또는 서버(200)를 통해 세탁 행정 진행 현황을 전달할 수 있다. 일실시 예에 따라, 세탁기(100)는 도 4에 도시에 컨트롤 패널(123)의 출력을 제어할 때마다 사용자 단말(300)로 해당 출력 정보를 전달할 수 있다. 이때 세탁기(100)는 설정에 따른 예상 세탁 행정 수행 시간 또는 남아있는 세탁 행정 수행 시간을 예상하여 사용자 단말(300)로 전달할 수 있다.
통신부(110)는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G (fifth generation communication), WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), DSRC(dedicated short range communication), 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication)을 포함하는 무선 통신 기술 또는 LAN(local area network), WAN(wide area network), MAN(metropolitan area network), 이더넷을 포함하는 유선 통신 기술을 이용할 수 있다.
다양한 실시 예들에 따르면, 러닝 프로세서(130)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정, 및 기계 학습 알고리즘 및 기술을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다.
러닝 프로세서(130)는 세탁기(100)에 의해 수신, 검출, 감지, 생성, 사전 정의 또는 다른 방식으로 출력되거나 수신, 검출, 감지, 생성, 사전 정의 또는 다른 방식으로 다른 컴포넌트, 디바이스, 전자 장치 또는 전자 장치와 통신하는 장치에 의해 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함 할 수 있다.
러닝 프로세서(130)는 세탁기(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 일부 실시 예에서, 러닝 프로세서(130)는 메모리(160)를 사용하여 구현될 수 있다.
선택적으로 또는 부가 적으로, 러닝 프로세서(130)는 세탁기(100)에 직접 결합된 외부 메모리 또는 세탁기(100)과 통신하는 서버에서 유지되는 메모리와 같이 세탁기(100)와 관련된 메모리를 사용하여 구현될 수 있다.
다른 실시 예에서, 러닝 프로세서(130)는 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 세탁기(100)에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.
러닝 프로세서(130)는 일반적으로 지도 학습, 비지도 학습, 강화 학습, 데이터 마이닝, 예측 분석 또는 다른 전자 장치에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다.
러닝 프로세서(130)에 의해 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(180) 또는 세탁기(100)의 하나 이상의 다른 제어기에 의해 이용될 수 있다.
이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판돈 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화된 계획 등을 포함할 수 있다.
러닝 프로세서(130)는 기계 학습 알고리즘에서 사용하는 인공 신경망(artificial neural network, ANN) 모델을 메모리(160)에 저장할 수 있고, 인공 신경망 모델을 학습시킨 학습 모델을 생성하여 메모리(160)에 저장하고 있을 수 있으며, 학습 모델을 이용하여 입력되는 데이터에 기초하여 분류, 검출, 인지와 같은 작업을 수행할 수 있다.
인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 기계 학습은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 기계 학습은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망은 기계 학습에서 사용되는 모델로서, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력 값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
도 5는 완전 연결된 인공 신경망 구조의 일 예를 도시한 도면이다.
도 5를 참조하면, 인공 신경망은 입력 층(Input Layer)(10), 출력 층(Output Layer)(20), 그리고 선택적으로 하나 이상의 은닉 층(Hidden Layer)(31, 33)을 포함할 수 있다. 각 층은 신경망의 뉴런에 대응되는 하나 이상의 노드를 포함하고, 인공 신경망은 한 층의 노드와 다른 층의 노드 간을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 노드는 시냅스를 통해 입력되는 입력 신호들을 받고, 각 입력 신호들에 대한 가중치 및 편향에 대한 활성 함수에 기초하여 출력 값을 생성할 수 있다. 각 노드의 출력 값은 시냅스를 통해 다음 층의 입력 신호로 작용할 수 있다. 한 층의 모든 노드와 다음 층의 모든 노드가 시냅스를 통해 모두 연결된 경우의 인공 신경망을 완전 연결된 인공 신경망이라 칭할 수 있다.
인공 신경망 모델의 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함될 수 있다. 그리고, 하이퍼 파라미터는 기계 학습 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함될 수 있다.
인공 신경망 중에서 복수의 은닉 층을 포함하는 심층 신경망(deep neural network, DNN)으로 구현되는 기계 학습을 심층 학습(Deep Learning)이라 부르기도 하며, 심층 학습은 기계 학습의 일부이다. 이하에서, 기계 학습은 심층 학습을 포함하는 의미로 사용될 수 있다.
도 6은 심층 신경망의 일종인 합성곱 신경망(convolutional neural network, CNN) 구조의 일 예를 도시한 도면이다.
이미지, 동영상, 문자열과 같은 구조적 공간 데이터를 식별하는 데 있어서는 도 6에 도시된 것과 같은 합성곱 신경망 구조가 더 효과적일 수 있다. 합성곱 신경망은 이미지의 공간 정보를 유지하면서 인접 이미지와의 특징을 효과적으로 인식할 수 있다.
도 6을 참조하면, 합성곱 신경망은 특징 추출 층(60)과 분류 층(70)을 포함할 수 있다. 특징 추출 층(60)은 합성곱(convolution)을 이용하여 이미지에서 공간적으로 가까이에 위치한 것들을 합성하여 이미지의 특징을 추출할 수 있다.
특징 추출 층(60)은 합성곱 층(61, 65)과 풀링 층(63, 67)을 복수 개 쌓은 형태로 구성될 수 있다. 합성곱 층(61, 65)은 입력 데이터에 필터를 적용한 후 활성화 함수를 적용한 것일 수 있다. 합성곱 층(61, 65)은 복수의 채널을 포함할 수 있으며, 각각의 채널은 서로 상이한 필터 및/또는 서로 상이한 활성화 함수를 적용한 것일 수 있다. 합성곱 층(61, 65)의 결과는 특징 지도(feature map)일 수 있다. 특징 지도는 2차원 행렬 형태의 데이터일 수 있다. 풀링 층(63, 67)은 합성곱 층(61, 65)의 출력 데이터, 즉 특징 지도를 입력으로 받아서 출력 데이터의 크기를 줄이거나, 특정 데이터를 강조하는 용도로 사용될 수 있다. 풀링 층(63, 67)은 합성곱 층(61, 65)의 출력 데이터의 일부 데이터 중에서 가장 큰 값을 선택하는 맥스 풀링(max pooling), 평균값을 선택하는 평균 풀링(average pooling), 최소 값을 선택하는 민 풀링(min pooling)의 함수를 적용하여 출력 데이터를 생성할 수 있다.
일련의 합성곱 층과 풀링 층을 거치면서 생성되는 특징 지도는 그 크기가 점점 작아질 수 있다. 마지막 합성곱 층과 풀링 층을 거쳐 생성된 최종 특징 지도는 1차원 형태로 변환되어 분류 층(70)으로 입력될 수 있다. 분류 층(70)은 도 2에 도시된 완전 연결된 인공 신경망 구조일 수 있다. 분류 층(70)의 입력 노드의 개수는 최종 특징 지도의 행렬의 원소 수에 채널의 수를 곱한 것과 동일할 수 있다.
심층 신경망 구조로 상술한 합성곱 신경망 외에도 순환신경망(recurrent neural network, RNN), LSTM(long short term memory network), GRU(gated recurrent units)등이 사용될 수도 있다. 순환신경망은 순차적인 데이터를 학습하여 분류 또는 예측을 수행할 수 있는 것으로 내부에 순환 구조가 들어 있어 과거 시간의 학습이 가중치와 곱해져 현재 학습에 반영될 수 있은 구조이다. 따라서 현재의 출력 결과는 과거 시간에서의 출력 결과에 영향을 받으며, 은닉 층은 일종의 메모리 기능을 수행한다. 순환신경망은 음성 파형을 분석하여 기계 번역을 수행하거나, 텍스트의 문장 앞 뒤 성분을 파악하여 텍스트를 생성하거나, 음성 인식을 위해 사용될 수 있다.
인공 신경망 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다. 완전 연결된 인공 신경망의 경우, 학습에 의하여 각 시냅스의 가중치가 결정될 수 있으며, 합성곱 신경망의 경우, 학습에 의하여 특징 지도를 추출하기 위한 합성곱 층의 필터가 결정될 수 있다.
기계 학습은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델들(161a, 161b)을 학습시킬 수 있다. 일 실시 예에 따라, 러닝 프로세서(130)는 복수의 인공 신경망으로 구성된 모델들(161a, 161b)을 학습시킬 수 있는데, 이 경우, 각 모델을 위한 학습 데이터는 각 모델의 목적에 따라 상이할 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다. 일 실시 예에 따라, 러닝 프로세서(130)는 서버(200)의 러닝 프로세서(240)과 함께 인공지능 프로세싱을 수행할 수 있다.
러닝 프로세서(130)는 세탁기(100)의 프로세서(180)와 통합되어 구현될 수 있다. 또한, 러닝 프로세서(130)에서 실행되는 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(160), 세탁기(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리에 저장되어 있을 수 있다. 러닝 프로세서(130)는 해당 명령어를 메모리로부터 읽어 들여 실행함으로써 인공지능 프로세싱 프로그램을 실현할 수 있다.
다양한 실시 예들에 따르면, 센싱부(140)는 다양한 센서들을 이용하여 세탁기(100) 내부 정보, 세탁기(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다. 일실시 예에 따라, 센싱부(140)는 세탁기(100) 내의 수량을 측정하는 수량 센서, 급수량을 측정하는 급수 센서 및 세탁조 또는 이를 회전시키는 모터의 회전수를 측정하는 RPM 센서, 세탁물의 양을 측정하는 센서를 포함할 수 있다.
다양한 실시 예들에 따르면, 메모리(160)는 세탁기(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(160)는 세탁기(100)에 미리 설정된 세탁 행정 정보, 통신부(110) 및/또는 입력부(120)를 통해 수신한 사용자의 입력을 통해 수집한 학습 데이터, 러닝 프로세서(130)를 위한 명령어, 프로세서(180)를 위한 명령어, 러닝 프로세서(130)를 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망), 학습 히스토리 등을 저장할 수 있다.
메모리(160)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 메모리(160)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD, CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, Xd 카드, 또는 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.
다양한 실시 예들에 따르면, 구동부(170)는 세탁기(100)의 드럼 또는 세탁조를 회전시켜 세탁물에 대한 세탁 행정을 수행할 수 있다. 구동부(170)는 진행되는 세탁 행정에 따른 프로세서(180)의 제어 명령에 기초하여 세탁에 필요한 모든 기계적인 동작 예를 들면, 급수구의 개폐, 배수구의 개폐, 세탁 및 탈수를 위한 드럼 또는 세탁조의 회전을 포함하는 세탁기(100)의 기계적인 동작을 수행할 수 있다.
다양한 실시 예들에 따르면, 프로세서(180)는 데이터 분석 알고리즘 또는 기계 학습 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, 세탁기(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 세탁기(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다. 프로세서(180)가 실행 시에 사용하는 프로그램은 메모리(160)에 저장되어 있을 수 있다.
프로세서(180)는 러닝 프로세서(130) 또는 메모리(160)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 세탁기(100)의 구성 요소들을 제어할 수 있다.
프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치와의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
프로세서(180)는 세탁기(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(160) 또는 러닝 프로세서(130)에 저장하거나, 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(160)에 저장된 응용 프로그램을 구동하기 위하여, 세탁기(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 또한, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, 세탁기(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작 시킬 수 있다.
도 7은 일실시 예들에 따른 세탁기(100)에서의 세탁 동작을 도시한 도면이다.
도 7을 참조하면, 세탁기(100)는 동작 701에서, 사용자의 세탁 설정 후 세탁 시작 명령을 수신하면, 동작 703에서 세탁조에 투입된 세탁물의 양을 감지하고, 세탁행정을 시작할 수 있다. 일실시 예에 따라, 통상적으로 사용자의 세탁 설정 전에 세탁물을 투입하는 것이 일반적이므로 세탁기(100)는 동작 703에서 세탁물의 양을 먼저 감지하고, 동작 701에서 세탁 시작 명령을 수신할 수도 있다.
세탁기(100)는 동작 705에서, 감지된 세탁량에 기초하여 미리 설정된 양의 급수를 수행하고, 동작 707에서 세탁물에 대한 세탁을 수행하고, 동작 709에서 배수를 수행할 수 있다. 이후 추가적으로 세탁기(100)는 동작 710에서 탈수를 수행할 수 있다.
세탁기(100)는 동작 711에서 미리 설정된 양의 급수를 수행하고, 동작 713에서 헹굼을 수행하고, 동작 715에서 배수를 수행할 수 있다. 일실시 예에 따라, 세탁기(100)는 추가적으로 동작 717에서 탈수를 수행할 수 있다.
세탁기(100)는 동작 719에서 동작 711 내지 동작 717의 헹굼을 위한 동작을 사용자의 입력에 기초하여 반복하여 수행할 수 있다. 일실시 예에 따라, 사용자의 입력에 기초하여 헹굼이 2회로 설정된 경우, 세탁기는 동작 719에 따른 동작을 수행하지 않고 동작 717에서 바로 동작 721로 진행하여 수행할 수 있다. 다른 일실시 예에 따라, 사용자의 입력에 기초하여 헹굼이 3회로 설정된 경우, 세탁기는 동작 719를 1회 수행하여 세탁기의 전체 헹굼 동작이 3회가 되도록 할 수 있다.
세탁기(100)는 마지막 헹굼을 위하여 동작 721에서 미리 설정된 양의 급수를 수행할 수 있다. 일실시 예에 따라, 세탁기(100)는 동작 721 수행 전에 섬유유연제 투입 동작을 수행할 수 있다. 세탁기(100)는 동작 723에서 마지막 헹굼을 수행하고, 동작 725에서 배수를 수행하고, 동작 727에서 탈수를 수행하고 동작 729에서 세탁을 종료할 수 있다. 세탁기(100)는 세탁이 종료된 경우 출력부(150) 또는 통신부(110)를 통해 사용자에게 세탁의 종료를 알려줄 수 있다.
도 8는 일실시 예에 따른 세탁기(100)의 세탁 행정 동안의 급수 센서 및 RPM 센서에서 측정한 결과를 도시한 도면이다.
도 8을 참고하면, 급수 센서가 출력하는 주파수(810)는 세탁조 내의 수량에 대한 정보를 제공할 수 있다. 일실시 예에 따라, 급수 센서는 수량에 따른 압력에 기초하여 압력이 클수록 낮은 주파수를 출력하는 센서일 수 있다. 이에 따라, 낮은 주파수는 세탁조 내의 수량이 많은 경우를 나타내고, 높은 주파수는 세탁조 내의 수량이 적은 경우를 나타낼 수 있다. 그리고 RPM 센서의 출력(820)은 드럼 또는 세탁조의 회전 속도를 나타낼 수 있다.
세탁기(100)는 동작 701의 세탁 시작 수신 및 동작 703의 세탁량 감지에 기초하여 동작 705에 따라 급수를 시작할 수 있다. 급수가 시작되면 급수 센서가 출력하는 주파수(810)는 도 8에 도시된 바와 같이 점점 낮아졌다가 미리 설정된 수량을 나타내는 주파수에 도달하는 경우 급수를 멈추고 동작 707에 따라 세탁을 수행할 수 있다. 세탁 중에는 일정한 수량을 유지하므로 급수 센서가 출력하는 주파수(810)도 일정한 범위를 유지할 수 있다. 세탁이 완료되고 동작 709에 따라 배수가 진행되면 급수 센서가 출력하는 주파수(810)는 높아지게 되고, 동작 710에서 탈수가 진행되면 급수 센서가 출력하는 주파수(810)는 수량이 거의 0임을 나타내는 가장 높은 값일 수 있다. 동작 705의 급수, 동작 707의 세탁 및 동작 709의 배수 동안에는 RPM 센서의 출력(820)은 아주 낮은 회전 수를 나타내나, 동작 710의 탈수 동안에 RPM 센서의 출력(820)은 도 8에 도시된 바와 같이 상당히 높을 수 있다.
다양한 실시 예에 따르면, 탈수는 2가지 탈수 동작으로 구성될 수 있다. 첫번째 탈수 동작(탈수1)은 세탁물이 세탁조 또는 드럼 내에서 고르게 퍼지도록 하기 위한 탈수 동작으로, 회전 방향을 바꾸어 가면서 드럼 또는 세탁조를 회전시킬 수 있다. 첫번째 탈수 동작(탈수1)에 의하여 세탁물이 고르게 퍼져 균형이 잡히고, 외조와 충돌을 야기하지 않으녀 두번째 탈수 동작(탈수2)으로 진행하여 드럼 또는 세탁조를 아주 빠르게 회전시킬 수 있다.
이후 세탁기(100)는 헹굼 동작을 위하여 급수, 배수, 탈수 동작을 반복하여 수행할 수 있다. 그에 따라, 급수 센서가 출력하는 주파수(810)는 변화될 수 있다.
표 1은 일실시 예에 따른 세탁기(100)의 세탁 행정의 각 동작을 수행하는데 소요되는 통상적인 시간을 도시한 것이다.
세탁
행정		 세탁 헹굼 탈수 표시시간
급수 세탁 배수 탈수1 탈수2 급수 헹굼 배수 탈수1 탈수2
감지된 세탁
물량		 1LV 3 8 1 1 2 2 1 1 4 3 33
2LV 4 8 1 1 2 2 1 1 6 3 36
3LV 4 8 1 1 2 2 1 1 6 3 36
4LV 4 15 1 3 2 2 1 1 10 3 51
5LV 5 17 1 6 2 3 2 1 8 8 67
6LV 5 17 1 6 2 3 2 1 8 8 67
7LV 5 17 1 6 2 3 2 1 8 8 67
표 1에 도시된 바와 같이 세탁기(100)의 프로세서는 감지된 세탁량 및 사용자의 세탁 설정에 기초하여 미리 설정된 값에 기초하여 예상 시간을 결정하고 사용자에게 표시하여 줄 수 있다. 예를 들면, 프로세서(180)는 출력부(150)의 컨트롤패널(123)에 예상 시간을 표시하여 줄 수 있다. 그런데, 표 1에서 급수, 배수, 탈수1 시간은 세탁기 운전의 주변 상황에 따라 가변될 수 있는 값이다. 예를 들면, 세탁기가 설치된 집의 수압이 낮은 경우에는 급수 시간이 더 길어질 수 있다. 또는 세탁기 배수구의 필터가 이물질 등으로 인하여 막혔다면 배수 시간이 더 길어질 수 있다. 또는 세탁기가 올바르게 균형을 잡아 설치되지 못한 경우에 탈수1의 시간이 더 길어질 수 있는 가능성이 있다.
이처럼 세탁 행정의 많은 부분에서 동작 시간이 미리 설정된 값과 다를 수 있다. 따라서, 세탁기 출하 시에 세탁기에 미리 설정해 놓은 시간을 기초로 세탁 예상 시간을 결정하는 경우 실제 세탁기의 운전 시간과 예상 시간이 차이가 날 수 있고, 이는 사용자의 불편을 초래할 수 있다.
도 9는 매 세탁 시의 급수 시간을 측정하여 수집한 데이터를 표시한 도면이다.
도 9를 참조하면, x축은 x번째 세탁 행정을 나타내고, y축은 각 세탁 행정에서 급수에 걸린 시간을 도시한 것이다. 도 9에서 1차, 2차 및 3차 데이터는 서로 다른 시간에서 수집한 데이터일 수 있다. 일실시 예에 따라, 1차 데이터는 최초 설치 후에 가장 먼저 수집한 데이터일 수 있다.
도 9를 참조하면, 1차 데이터는 급수 시간이 평균적으로 4분정도인 것을 나타내고, 이는 세탁기(100)에 미리 설정되어 있는 급수 시간과 유사하거나 동일할 수 있다. 2차 데이터는 급수 시간이 평균적으로 9분 정도인 것을 나타내고, 이는 세탁기(100)에 미리 설정되어 있는 급수 시간과 다를 수 있다. 만약 세탁기(100)에 미리 설정되어 있는 급수 시간이 4분이고, 실제 급수 시간이 9분이라면, 급수를 3번하도록 설정된 한 번의 세탁 행정에 있어서 세탁기(100)가 예상한 시간보다 15분이상 길어질 수 있다. 따라서, 예상 시간을 변경할 필요가 있다. 일실시 예에 따라, 세탁기를 최초 설치한 이후에 2차 데이터를 획득하였다면, 현재 세탁기가 설치된 집의 수압이 낮은 것으로 판단하고, 현재 세탁기(100)에 미리 설정되어 있던 급수시간을 4분에서 9분으로 변경할 수 있다. 그러면, 세탁기(100)의 예상 시간을 실제 동작시간과 맞출 수 있을 것이다.
다른 일실시 예에 따라, 세탁기를 최초 설치한 이후에는 1차 데이터를 획득하였지만 얼마 정도 시간이 지나서 2차 데이터를 획득하였다면, 세탁기(100)는 집의 수압이 낮아졌다는 것으로 판단하기 보다는 급수부의 이상 상태로 판단할 수 있다. 예를 들면, 세탁기(100)는 급수구에 이물질이 끼거나 수도꼭지가 일부 잠겨져 있다고 판단하거나 세탁기의 급수 제어가 오동작하고 있다고 판단할 수 있다. 이러한 판단에 기초하여, 세탁기(100)는 사용자에게 관련 알림을 표시할 수 있다. 예를 들면, 세탁기(100)는 급수구에 이물질이 끼었거나, 수도꼭지가 일부 잠겨져 있는 지 점검할 것을 사용자에 요청하는 알림을 표시할 수 있다. 세탁기(100)는 사용자에게 요청 알림을 전송한 후에도 계속 동일한 현상이 나타나면, 사용자에게 세탁기(100) 수리가 필요하다는 알림을 표시할 수 있다.
3차 데이터의 경우에는 처음 얼마 동안은 미리 설정된 급수 시간과 어느 정도 일치하는 급수 시간을 보이다가 어느 순간에 급수 시간이 점점 커지는 현상을 보이고 있다. 이 경우에는 급수구에 이물질이 끼었거나, 필터가 막힌 것일 수 있다. 따라서, 세탁기(100)는 사용자에게 필터 청소 요청 알림을 표시할 수 있다. 이후에도 상황이 지속된다면 세탁기(100)는 사용자에게 수리가 필요하다는 알림을 표시할 수도 있다.
이처럼, 세탁기(100)는 일정 횟수의 세탁 행정을 통해 수집한 데이터를 이용하여 세탁기의 이상 상태뿐만 아니라 세탁기의 운전 환경에 맞추어 예상 시간을 조절할 수 있다.
도 10은 다양한 실시 예들에 따른, 세탁기(100)의 프로세서(180) 및/또는 러닝 프로세서(130)가 본 발명에 따라 수행하는 기능들을 도시한 블록도이다. 도 10의 블록도는 세탁기(100)가 세탁 행정의 예상 시간을 도출하기 위해 필요한 소프트웨어 구성요소들을 간략히 도시한 일 예이다. 일 실시 예에 따라, 도 10의 블록도에서 일부 구성요소들은 생략될 수 있으며, 다른 실시 예에 따라 미 도시된 다른 구성요소들이 더 추가될 수 있다. 또한, 몇 개의 구성요소들은 서로 통합될 수 있으며, 또는 하나의 구성요소들이 분할되어 복수의 구성요소로 구현될 수도 있다. 도 10에 도시한 각 구성요소들은 별도의 프로그램으로 구현되거나 또는 일부의 구성요소는 서로 밀접하게 연관되어 하나의 프로그램으로 구현될 수 있다.
도 10을 참조하면, 세탁기(100)의 프로세서(180) 및/또는 러닝 프로세서(130)는 입력 모듈(1010), 세탁 예상시간 결정 모듈(1020), 출력 모듈(1030), 데이터 수집 모듈(1040), 급수 예상시간 결정 모듈(1050), 배수 예상시간 결정 모듈(1060), 및 탈수1 예상시간 결정 모듈(1070)의 기능을 수행할 수 있다.
다양한 실시 예들에 따르면, 입력 모듈(1010)은 세탁기(100)의 입력부(120) 또는 통신부(110)와 연관되어 사용자의 설정 명령이나 동작 명령을 수신할 수 있다. 일실시 예로 사용자는 컨트롤 패널(123)을 이용하거나 또는 사용자 단말(300)을 이용하여 세탁기(100)에게 세탁물 세탁을 위한 설정(예: 헹굼 3회, 탈수 강과 같은 개별 설정 또는 매일코스, 위생코스와 같은 통합 설정)을 입력할 수 있고, 프로세서(180)는 입력 모듈(1010)을 통해 해당 사용자의 설정을 획득할 수 있다. 예를 들면 사용자가 매일코스를 선택하여 입력하면, 프로세서(180)의 입력 모듈(1010)은 해당 입력에 기초하여 "표준 세탁," "2회 헹굼," "탈수 강," "물온도 냉수"를 설정할 수 있다. 각각의 코스에 대응하는 세탁 행정 설정은 메모리(160)에 저장되어 있을 수 있다.
또한, 프로세서(180)는 센싱부(140)의 센서를 통해 감지된 세탁물의 양 또한 입력 모듈(1010)을 통해 획득할 수 있다.
다양한 실시 예들에 따르면, 프로세서(180)의 세탁 예상시간 결정 모듈(1020)은 표 1에 도시된 바와 같이 감지된 세탁물의 양과 사용자가 설정한 세탁 행정에 기초하여 세탁 예상시간을 결정할 수 있다. 예를 들면, 사용자가 매일코스를 선택하였고, 감지된 세탁물의 양이 4레벨(LV)이면 이에 대응하여 프로세서(180)의 세탁 예상시간 결정 모듈(1020)은 급수(4분)->세탁(15분)->배수(1분)->탈수1(3분)->탈수2(2분)->급수(2분)->헹굼(1분)->배수(1분)->탈수1(3분)->탈수2(2분)->급수(2분)->행굼(1분)->배수(1분)->탈수1(10분)->탈수2(3분)으로 세탁이 진행됨을 인식하고 이에 따라 총 예상 시간을 51분으로 결정할 수 있다. 여기서 "표준 세탁" 수행 시간, "헹굼" 수행 시간, "탈수2" 수행 시간은 고정된 값으로 메모리(160)에 미리 저장되어 있을 수 있다. 일실시 예에 따라, 사용자가 "표준 세탁"이 아닌 "강력 세탁"을 설정하였다면, 이에 대응하여 세탁시간이 변경될 수는 있으나, "강력 세탁" 수행 시간도 고정된 값으로 메모리91560)에 미리 저장되어 있을 수 있다.
한편, 급수 시간, 배수 시간, 탈수1 시간은 세탁기(100)의 사용 환경에 따라 변경될 수 있는 값으로, 세탁 예상시간 결정 모듈(1020)은 급수 시간, 배수 시간, 탈수 1 시간에 대해 각각 급수 예상시간 결정 모듈(1050), 배수 예상시간 결정 모듈(1060) 및 탈수1 예상시간 결정 모듈(1070)로부터 획득한 값을 사용할 수 있다.
프로세서(180)의 세탁 예상시간 결정 모듈(1020)은 세탁이 진행되어 감에 따라 세탁 행정의 남아 있는 동작에 기초하여 세탁 예상 시간을 변경할 수 있다. 일실시 예에 따라, 세탁 예상시간 결정 모듈(1020)은 내부 타이머를 구비하고, 타이머에 기초하여 최초에 설정된 세탁 예상시간을 줄여 나가면서 남아 있는 세탁 예상 시간을 수정할 수 있다. 다른 일실시 예에 따라, 세탁 예상시간 결정 모듈(1020)은 세탁 행정을 수행하기 위해 설정된 각각의 동작이 수행 완료될 때마다 대응하는 수행 시간을 차감함으로써 세탁 예상 시간을 수정할 수 있다. 이때 차감하는 수행 시간은 실제 수행 시간이 아닌 메모리(160)에 저장되어 있거나 또는 급수 예상시간 결정 모듈(1050), 배수 예상시간 결정 모듈(1060) 및 탈수1 예상시간 결정 모듈(1070)로부터 획득한 값일 수 있다.
다양한 실시 예들에 따르면, 출력 모듈(1030)은 출력부(150) 및/또는 통신부(110)와 연동하여 사용자에게 세탁 예상시간 결정 모듈(1020)이 결정한 세탁 예상 시간 및 세탁이 진행됨에 따라 수정되는 세탁 예상 시간을 알려줄 수 있다.
출력 모듈(1030)은 입력 모듈(1010)을 통해 사용자의 입력을 수신하면, 입력을 수신하였음을 나타내는 정보를 출력부(150) 및/또는 통신부(110)를 통해 출력할 수 있다. 예를 들면, 사용자가 컨트롤 패널(123)의 전원 버튼 누름을 입력 모듈(1010)을 통해 인식하면, 출력 모듈(1030)은 컨트롤 패널(123)에 전원 온(ON)을 나타내는 표시를 하거나 또는 출력부(150)의 스피커를 통해 "전원이 들어왔습니다"라는 음성 메시지를 방출하도록 할 수 있다. 또는 출력 모듈(1030)은 통신부(110)를 통해 사용자 단말(300) 또는 서버(200) 또는 AI 스피커로 전원이 인가되었음을 알리는 알림을 전달할 수 있다. 이 경우, AI 스피커는 "전원이 들어왔습니다"라는 음성 메시지를 방출할 수 있다. 입력 모듈(1010)이 사용자의 코스 선택 입력 또는 개별 선택 입력을 입력부(120) 및/또는 통신부(110)를 통해 수신하면, 출력 모듈(1030)은 해당 선택에 대응하는 표시를 출력부(150)의 컨트롤 패널(123)을 통해 시각적으로 또는 스피커를 통해 청각적으로 표시하거나 또는 통신부(110)를 통해 사용자 단말(300) 또는 서버(200)로 해당 선택이 수행되었다는 알림을 전송할 수 있다.
다른 일실시 예에 따라, 출력 모듈(1030)은 세탁기(100)의 상태를 통신부(110)를 통해 사용자의 단말로 전달하거나 출력부(150)를 통해 사용자에게 알려줄 수 있다. 예를 들면, 출력 모듈(1030)은 세탁기(100)에 이상이 있다고 판단하거나 또는 급수 예상시간 결정 모듈(1050), 배수 예상시간 결정 모듈(1060) 및 탈수1 예상시간 결정 모듈(1070)이 결정한 급수 예상시간, 배수 예상시간, 탈수1 예상시간의 변경이 필요한 경우, 해당 알림을 제공하기 위한 메시지를 사용자 단말(300) 또는 서버(200)로 전달하거나 통신부(110)를 통해 연결된 AI 스피커 또는 출력부(150)의 스피커를 통한 음성 메시지로 또는 LED를 통한 시각적 메시지로 사용자에게 알려줄 수 있다.
다양한 실시 예들에 따르면, 데이터 수집 모듈(1040)은 세탁기(100)가 세탁 행정을 수행하는 동안 환경에 따라 변경될 수 있는 배수 시간, 급수 시간, 및 탈수1 시간을 수집할 수 있다.
예를 들면, 세탁기(100)가 상술한 "매일코스"에 따른 세탁 행정을 진행하면서 3번의 급수, 3번의 배수, 3번의 탈수1이 수행될 수 있다. 데이터 수집 모듈(1040)은 각각의 급수, 배수, 탈수1에 대해 수행된 시간을 수집하여 메모리(160)에 저장할 수 있다. 일실시 예에 따라, 데이터 수집 모듈(1040)은 급수에 대해 수집한 3개의 수행 시간을 각각 저장하거나, 배수에 대해 수집한 3개의 수행 시간을 각각 저장하거나, 탈수1에 대해 수집한 3개의 수행 시간을 각각 저장할 수 있다. 하나의 세탁 행정에 포함된 복수의 급수에 대해 거의 유사한 급수 시간을 가질 것이고, 복수의 배수에 대해 또는 복수의 탈수1에 대해서도 거의 유사한 배수 시간 또는 탈수1 시간을 가질 것이기 때문에 다른 일실시 예에 따라, 데이터 수집 모듈(1040)은 급수에 대해 수집한 3개의 수행 시간을 통계 처리(예: 평균, 중간값)하여 1개의 값으로 저장하거나, 배수에 대해 수집한 3개의 수행 시간을 통계 처리하여 1개의 값으로 저장하거나, 탈수1에 대해 수집한 3개의 수행 시간을 통계 처리하여 1개의 값으로 저장할 수 있다. 이때, 데이터 수집 모듈(1040)은 감지된 세탁물량을 연동하여 함께 저장할 수 있다.
다양한 실시 예들에 따르면, 급수 예상시간 결정 모듈(1050)은 세탁기(100)의 급수 예상시간을 결정할 수 있다. 급수 예상시간 결정 모듈(1050)은 데이터 수집 모듈(1040)에서 획득한 급수 시간 데이터를 이용하여 세탁물량에 따른 세탁기(100)의 급수 예상시간을 결정할 수 있다.
일실시 예에 따라, 급수 예상시간 결정 모듈(1050)은 각 세탁물량 레벨에 대해 데이터 수집 모듈(1040)에 의해 획득한 가장 최근의 급수 시간을 급수 예상시간으로 결정할 수 있다.
다른 일실시 예에 따라, 급수 예상시간 결정 모듈(1050)은 각 세탁물량 레벨 별로 데이터 수집 모듈(1040)에서 획득한 n개의 이전 급수 시간을 평균한 값을 각 세탁물량 레벨에 대한 급수 예상시간으로 결정할 수 있다.
다른 일실시 예에 따라, 급수 예상시간 결정 모듈(1050)은 학습된 인공 신경망 모델에 기초하여 각 세탁물량 레벨에 대한 급수 예상시간을 결정할 수 있다. 일실시 예에 따라, 학습된 인공 신경망 모델은 세탁물량 레벨을 입력으로 하고, 급수 예상시간을 출력으로 할 수 있다. 급수 예상시간 결정 모듈(1050)은 인공 신경망 모델이 추가 학습을 통해 갱신될 때마다, 갱신된 학습 모델을 이용하여 각 세탁물량 레벨에 대한 급수 예상시간을 획득하고 메모리(160)에 저장하여 놓을 수 있다. 그리고 세탁 예상시간 결정 모듈(1020)로부터 요청이 오는 경우 메모리(160)로부터 결정된 급수 예상시간을 읽어 세탁 예상시간 결정 모듈(1020)로 전달할 수 있다. 다른 일실시 예에 따라, 급수 예상시간 결정 모듈(1050)은 세탁 예상시간 결정 모듈(1020)로부터 수신한 세탁물량 레벨을 학습된 인공 신경망 모델의 입력으로 하여 출력되는 학습된 인공 신경망 모델의 급수 예상시간을 세탁 예상시간 결정 모듈(1020)로 제공할 수 있다. 이경우에는 학습된 인공 신경망 모델을 돌리기 위한 프로세싱 파워를 매번 사용하여야 하기 때문에 전력 소비 관점에서 효율적이지 않을 수 있다.
일실시 예에 따라, 급수 예상시간 결정을 위하여 학습된 인공 신경망 모델은 도 11에 도시된 것과 같은 행렬 형태의 학습 데이터를 이용하여 학습 모델을 개선시킬 수 있다. 도11의 예에서 첫번째 열(1110)은 감지된 세탁물량을 나타내고, 두번째 열부터 11번째 열(1120)은 실측된 급수 시간을 나타낼 수 있다. 일실시 예에 따라, 두번째 열부터 11번째 열은 각각 0 또는 1의 값을 가지고, 해당 열의 값이 1이면 급수 시간이 1, 2, 3, 4, 5, 6, 7, 8, 9분 및 10분 이상임을 나타낼 수 있다. 그리고 각 행은 세탁기(100)가 수행한 세탁 행정 횟수를 나타낸다. 즉 첫번째 행은 첫번째 세탁 행정에서의 실측된 세탁물량 및 급수 시간을 나타내고, 두번째 행은 두번째 세탁 행정에서의 실측된 세탁물량 및 급수 시간을 나타낸다. 여기서 첫번째 또는 두번째의 표시는 학습 데이터 내에서의 첫번째 또는 두번째임을 나타낼 뿐이다.
다양한 실시 예들에 따르면, 급수 예상시간 결정 모듈(1050)은 인공 신경망 모델을 학습시키기 위하여 몇 번의 세탁 행정 수행 데이터를 수집하여 도 11에 도시된 것과 같은 학습데이터를 만들 것인지를 결정할 수 있다. 예를 들면, 급수 예상시간 결정 모듈(1050)은 새롭게 수집한 n(예: 100)개의 급수시간 데이터에 기초하여 학습 데이터를 생성할 수 있다. 즉 인공 신경망 모델을 갱신하기 위해 이전에 사용한 n개의 급수시간 데이터 이후에 수집된 n개의 급수시간 데이터를 이용하여 학습 데이터를 생성할 수 있다. 다른 일실시 예에 따라, 급수 예상시간 결정 모듈(1050)은 이전 인공 신경망 모델 갱신에 사용한 데이터 중 최근에 수집된 m(예: 50)개의 급수시간 데이터와 새롭게 수집한 l(예: 50)개의 급수시간 데이터를 이용하여 학습 데이터를 생성할 수 있다.
일실시 예에 따라, 급수 예상시간 결정 모듈(1050)은 도 11에 도시된 것과 같은 학습 데이터를 순차적으로 인공 신경망 모델에 입력함으로써 학습을 수행하여 인공 신경망 모델을 갱신하고, 학습된 인공 신경망 모델을 더욱 정교하게 할 수 있다.
다양한 실시 예들에 따르면, 급수 예상시간 결정 모듈(1050)은 추가적으로 저수압, 필터 막힘 등의 급수 관련 이상 상태를 인지할 수 있다. 일실시 예에 따라 급수 예상시간 결정 모듈(1050)은 학습된 인공 신경망 모델 또는 다른 방법에 의해 결정된 급수 예상시간이 이전 급수 예상시간보다 미리 설정된 값 이상의 차이가 나거나 미리 설정된 비율 이상의 차이가 난다면 급수에 사용되는 수압에 이상이 있다고 판단할 수 있다. 예를 들면 도 9에 도시된 바와 같이 각 급수시간 데이터 집합 내에서의 각 급수시간 간의 차이는 크지 않지만, 1차 데이터 집합과 2차 데이터 집합 사이의 평균 값 또는 학습된 인공 신경망 모델로 획득한 값이 미리 설정된 값 이상의 차이가 나는 경우, 급수 예상시간 결정 모듈(1050)은 수압이 낮아졌다고 인식할 수 있다. 또는 급수 예상시간이 2차 데이터에 의한 값에서 1차 데이터에 의한 값으로 변경된 경우 급수 예상시간 결정 모듈(1050)은 수압이 높아졌다고 인식할 수 있다.
급수 예상시간 결정 모듈(1050)은 저수압을 예상하는 경우, 출력 모듈(1030)에게 사용자에게 저수압 알림을 주도록 할 수 있다. 예를 들면, 출력 모듈(1030)은 급수 예상시간 결정 모듈(1050)의 요청에 의하여 사용자에게 급수가 저수압 상태임을 알리는 메시지를 전송할 수 있다. 또한, 출력 모듈(1030)은 추가적으로 수도꼭지의 잠금 상태 또는 필터의 이물질 끼임 상태를 확인할 것을 알려주는 메시지를 함께 전송할 수 있다. 추가적으로, 급수 예상시간 결정 모듈(1050)은 급수 예상시간이 미리 설정된 시간(예: 10분) 이상으로 커지는 경우, 급수 시스템에 이상이 있다고 인식하고, 출력 모듈(1030)을 통해 사용자에게 서비스 센터로 수리를 요청할 것을 제안하는 메시지를 전송할 수 있다. 이 경우, 일실시 예에 따라 세탁기(100)의 사용을 정지시킬 수도 있다.
또한, 급수 예상시간 결정 모듈(1050)은 결정한 급수 예상시간이 이전의 값과 다르게 변경되는 경우, 변경된 급수 예상시간을 바로 적용할 수도 있지만, 출력 모듈(1030)을 통해 사용자에게 급수 예상시간이 이전과 다르게 변경되었음을 알리고, 변경된 급수 예상시간을 적용할 것을 승인받은 후에 적용할 수도 있다.
일실시 예에 따라, 급수 예상시간 결정 모듈(1050)은 급수 예상시간을 다시 결정하기 위해 수집한 급수시간 데이터 집합 내에서 시간이 지날수록 급수시간이 길어지는 것을 인지한다면, 급수구의 필터가 점점 막히고 있다고 인지할 수 있다. 이러한 경우, 급수 예상시간 결정 모듈(1050)은 출력 모듈(1030)을 통해 사용자에게 급수구의 청소를 요청하는 메시지를 전송할 수 있다.
급수 예상시간 결정 모듈(1050)이 학습된 인공 신경망 모델을 사용한다면, 급수 예상시간과 함께 이상 상태에 대한 정보도 출력하도록 할 수 있다. 또는 급수 예상시간 결정 모듈(1050)은 이상 상태 판단을 위한 별도의 학습된 인공 신경망 모델을 포함할 수 있다. 이상 상태 판단을 위한 학습된 인공 신경망 모델은 감지된 세탁물량 및 실측된 급수 시간을 입력으로 하고, "저수압 상태", "필터 막힘 상태", "서비스 요청" 등을 출력으로 설정할 수 있다.
다양한 실시 예들에 따르면, 배수 예상시간 결정 모듈(1060)은 세탁기(100)의 배수 예상시간을 결정할 수 있다. 배수 예상시간 결정 모듈(1060)은 데이터 수집 모듈(1040)에서 획득한 배수 시간 데이터를 이용하여 세탁물량에 따른 세탁기(100)의 급수 예상시간을 결정할 수 있다.
일실시 예에 따라, 배수 예상시간 결정 모듈(1060)은 각 세탁물량 레벨에 대해 데이터 수집 모듈(1040)에 의해 획득한 가장 최근의 배수 시간을 배수 예상시간으로 결정할 수 있다.
다른 일실시 예에 따라, 배수 예상시간 결정 모듈(1060)은 각 세탁물량 레벨 별로 데이터 수집 모듈(1040)에서 획득한 n개의 이전 배수 시간을 평균한 값을 각 세탁물량 레벨에 대한 배수 예상시간으로 결정할 수 있다.
다른 일실시 예에 따라, 배수 예상시간 결정 모듈(1060)은 학습된 인공 신경망 모델에 기초하여 각 세탁물량 레벨에 대한 배수 예상시간을 결정할 수 있다. 일실시 예에 따라, 학습된 인공 신경망 모델은 세탁물량 레벨을 입력으로 하고, 배수 예상시간을 출력으로 할 수 있다. 배수 예상시간 결정 모듈(1060)은 인공 신경망 모델이 추가 학습을 통해 갱신될 때마다, 갱신된 학습 모델을 이용하여 각 세탁물량 레벨에 대한 배수 예상시간을 획득하고 메모리(160)에 저장하여 놓을 수 있다. 그리고 세탁 예상시간 결정 모듈(1020)로부터 요청이 오는 경우 메모리(160)로부터 결정된 배수 예상시간을 읽어 세탁 예상시간 결정 모듈(1020)로 전달할 수 있다. 다른 일실시 예에 따라, 배수 예상시간 결정 모듈(1060)은 세탁 예상시간 결정 모듈(1020)로부터 수신한 세탁물량 레벨을 학습된 인공 신경망 모델의 입력으로 하여 출력되는 학습된 인공 신경망 모델의 배수 예상시간을 세탁 예상시간 결정 모듈(1020)로 제공할 수 있다. 이경우에는 학습된 인공 신경망 모델을 돌리기 위한 프로세싱 파워를 매번 사용하여야 하기 때문에 전력 소비 관점에서 효율적이지 않을 수 있다.
일실시 예에 따라, 배수 예상시간 결정을 위하여 학습된 인공 신경망 모델은 도 12에 도시된 것과 같은 행렬 형태의 학습 데이터를 이용하여 학습 모델을 갱신시킬 수 있다. 도12의 예에서 첫번째 열(1210)은 감지된 세탁물량을 나타내고, 두번째 열부터 5번째 열(1220)은 실측된 배수 시간을 나타낼 수 있다. 일실시 예에 따라, 두번째 열부터 5번째 열은 각각 0 또는 1의 값을 가지고, 해당 열의 값이 1이면 배수 시간이 1, 2, 3, 4분 및 5분 이상임을 나타낼 수 있다. 그리고 각 행은 세탁기(100)가 수행한 세탁 행정 횟수를 나타낸다. 즉 첫번째 행은 첫번째 세탁 행정에서의 실측된 세탁물량 및 배수 시간을 나타내고, 두번째 행은 두번째 세탁 행정에서의 실측된 세탁물량 및 배수 시간을 나타낸다. 여기서 첫번째 또는 두번째의 표시는 학습 데이터 내에서의 첫번째 또는 두번째임을 나타낼 뿐이다.
다양한 실시 예들에 따르면, 배수 예상시간 결정 모듈(1060)은 인공 신경망 모델을 학습시키기 위하여 몇 번의 세탁 행정 수행 데이터를 수집하여 도 12에 도시된 것과 같은 학습데이터를 만들 것인지를 결정할 수 있다. 예를 들면, 배수 예상시간 결정 모듈(1060)은 새롭게 수집한 x(예: 50)개의 배수시간 데이터에 기초하여 학습 데이터를 생성할 수 있다. 즉 인공 신경망 모델을 갱신하기 위해 이전에 사용한 x개의 배수시간 데이터 이후에 수집된 x개의 배수시간 데이터를 이용하여 학습 데이터를 생성할 수 있다. 다른 일실시 예에 따라, 배수 예상시간 결정 모듈(1060)은 이전 인공 신경망 모델 갱신에 사용한 데이터 중 최근에 수집된 y(예: 20)개의 배수시간 데이터와 새롭게 수집한 z(예: 30)개의 배수시간 데이터를 이용하여 학습 데이터를 생성할 수 있다.
일실시 예에 따라, 배수 예상시간 결정 모듈(1060)은 도 12에 도시된 것과 같은 학습 데이터를 순차적으로 인공 신경망 모델에 입력함으로써 학습을 수행하여 인공 신경망 모델을 갱신하고, 학습된 인공 신경망 모델을 더욱 정교하게 할 수 있다.
다양한 실시 예들에 따르면, 배수 예상시간 결정 모듈(1060)은 추가적으로 필터 막힘 등의 배수 관련 이상 상태를 인지할 수 있다. 일실시 예에 따라 배수 예상시간 결정 모듈(1060)은 학습된 인공 신경망 모델 또는 다른 방법에 의해 결정된 배수 예상시간이 이전 배수 예상시간보다 미리 설정된 값 이상의 차이가 나거나 미리 설정된 비율 이상의 차이가 난다면 배수부의 이상 상태로 판단할 수 있다. 예를 들면, 배수 예상시간 결정 모듈(1060)은 배수구 또는 배수구의 필터가 일부 막혔다고 판단할 수 있다. 도 9에 도시된 바와 유사하게 각 배수시간 데이터 집합 내에서의 각 배수시간 간의 차이는 크지 않지만, 1차 데이터 집합과 2차 데이터 집합 사이의 평균 값 또는 학습된 인공 신경망 모델로 획득한 값이 미리 설정된 값 이상의 차이가 나는 경우, 배수 예상시간 결정 모듈(1060)은 배수구의 일부가 막혔다고 인식할 수 있다.
배수 예상시간 결정 모듈(1060)이 배수구의 일부 막힘을 예상하는 경우, 출력 모듈(1030)에게 사용자에게 배수구 막힘 알림을 주도록 할 수 있다. 예를 들면, 출력 모듈(1030)은 배수 예상시간 결정 모듈(1060)의 요청에 의하여 사용자에게 배수구 또는 배수구의 필터가 일부 막혀있는 상태임을 알리는 메시지를 전송할 수 있다. 또한, 출력 모듈(1030)은 추가적으로 배수구 막힘 상태를 확인하는 방법을 제시하면서 배수구 막힘을 확인할 것을 알려주는 메시지를 함께 전송할 수 있다. 추가적으로, 배수 예상시간 결정 모듈(1060)은 배수 예상시간이 미리 설정된 시간(예: 5분) 이상으로 커지는 경우, 배수 시스템에 이상이 있다고 인식하고, 출력 모듈(1030)을 통해 사용자에게 서비스 센터로 수리를 요청할 것을 제안하는 메시지를 전송할 수 있다. 이 경우, 일실시 예에 따라 세탁기(100)의 사용을 정지시킬 수도 있다.
또한, 배수 예상시간 결정 모듈(1060)은 결정한 배수 예상시간이 이전의 값과 다르게 변경되는 경우, 변경된 배수 예상시간을 바로 적용할 수도 있지만, 출력 모듈(1030)을 통해 사용자에게 배수 예상시간이 이전과 다르게 변경되었음을 알리고, 변경된 배수 예상시간을 적용할 것을 승인받은 후에 적용할 수도 있다.
일실시 예에 따라, 배수 예상시간 결정 모듈(1060)은 배수 예상시간을 다시 결정하기 위해 수집한 배수시간 데이터 집합 내에서 시간이 지날수록 배수시간이 길어지는 것을 인지한다면, 배수구 또는 배수구의 필터가 점점 막히고 있다고 인지할 수 있다. 이러한 경우, 배수 예상시간 결정 모듈(1060)은 출력 모듈(1030)을 통해 사용자에게 배수구의 청소를 요청하는 메시지를 전송할 수 있다.
배수 예상시간 결정 모듈(1060)이 학습된 인공 신경망 모델을 사용한다면, 배수 예상시간과 함께 이상 상태에 대한 정보도 출력하도록 할 수 있다. 또는 배수 예상시간 결정 모듈(1060)은 이상 상태 판단을 위한 별도의 학습된 인공 신경망 모델을 포함할 수 있다. 이상 상태 판단을 위한 학습된 인공 신경망 모델은 감지된 세탁물량 및 실측된 배수 시간을 입력으로 하고, "배수구 막힘 상태"등을 출력으로 설정할 수 있다.
다양한 실시 예들에 따르면, 탈수1 예상시간 결정 모듈(1070)은 세탁기(100)의 제1 탈수 예상시간을 결정할 수 있다. 탈수1 예상시간 결정 모듈(1070)은 데이터 수집 모듈(1040)에서 획득한 제1 탈수 시간 데이터를 이용하여 세탁물량에 따른 세탁기(100)의 제1 탈수 예상시간을 결정할 수 있다.
일실시 예에 따라, 탈수1 예상시간 결정 모듈(1070)은 각 세탁물량 레벨에 대해 데이터 수집 모듈(1040)에 의해 획득한 가장 최근의 제1 탈수 시간을 제1 탈수 예상시간으로 결정할 수 있다.
다른 일실시 예에 따라, 탈수1 예상시간 결정 모듈(1070)은 각 세탁물량 레벨 별로 데이터 수집 모듈(1040)에서 획득한 a개의 이전 배수 시간을 평균한 값을 각 세탁물량 레벨에 대한 제1 탈수 예상시간으로 결정할 수 있다.
다른 일실시 예에 따라, 탈수1 예상시간 결정 모듈(1070)은 학습된 인공 신경망 모델에 기초하여 각 세탁물량 레벨에 대한 제1 탈수 예상시간을 결정할 수 있다. 일실시 예에 따라, 학습된 인공 신경망 모델은 세탁물량 레벨을 입력으로 하고, 제1 탈수 예상시간을 출력으로 할 수 있다. 탈수1 예상시간 결정 모듈(1070)은 인공 신경망 모델이 추가 학습을 통해 갱신될 때마다, 갱신된 학습 모델을 이용하여 각 세탁물량 레벨에 대한 제1 탈수 예상시간을 획득하고 메모리(160)에 저장하여 놓을 수 있다. 그리고 세탁 예상시간 결정 모듈(1020)로부터 요청이 오는 경우 메모리(160)로부터 결정된 제1 탈수 예상시간을 읽어 세탁 예상시간 결정 모듈(1020)로 전달할 수 있다. 다른 일실시 예에 따라, 탈수1 예상시간 결정 모듈(1070)은 세탁 예상시간 결정 모듈(1020)로부터 수신한 세탁물량 레벨을 학습된 인공 신경망 모델의 입력으로 하여 출력되는 학습된 인공 신경망 모델의 제1 탈수 예상시간을 세탁 예상시간 결정 모듈(1020)로 제공할 수 있다. 이경우에는 학습된 인공 신경망 모델을 돌리기 위한 프로세싱 파워를 매번 사용하여야 하기 때문에 전력 소비 관점에서 효율적이지 않을 수 있다.
일실시 예에 따라, 제1 탈수 예상시간 결정을 위하여 학습된 인공 신경망 모델은 도 13에 도시된 것과 같은 행렬 형태의 학습 데이터를 이용하여 학습 모델을 갱신시킬 수 있다. 도13의 예에서 첫번째 열(1310)은 감지된 세탁물량을 나타내고, 두번째 열부터 12번째 열(1220)은 실측된 제1 탈수 시간을 나타낼 수 있다. 일실시 예에 따라, 두번째 열부터 12번째 열은 각각 0 또는 1의 값을 가지고, 해당 열의 값이 1이면 제1 탈수 시간이 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11분 및 12분 이상임을 나타낼 수 있다. 그리고 각 행은 세탁기(100)가 수행한 세탁 행정 횟수를 나타낸다. 즉 첫번째 행은 첫번째 세탁 행정에서의 실측된 세탁물량 및 제1 탈수 시간을 나타내고, 두번째 행은 두번째 세탁 행정에서의 실측된 세탁물량 및 제1 탈수 시간을 나타낸다. 여기서 첫번째 또는 두번째의 표시는 학습 데이터 내에서의 첫번째 또는 두번째임을 나타낼 뿐이다.
다양한 실시 예들에 따르면, 탈수1 예상시간 결정 모듈(1070)은 인공 신경망 모델을 학습시키기 위하여 몇 번의 세탁 행정 수행 데이터를 수집하여 도 13에 도시된 것과 같은 학습데이터를 만들 것인지를 결정할 수 있다. 예를 들면, 배수 예상시간 결정 모듈(1060)은 새롭게 수집한 a(예: 150)개의 급수시간 데이터에 기초하여 학습 데이터를 생성할 수 있다. 즉 인공 신경망 모델을 갱신하기 위해 이전에 사용한 a개의 배수시간 데이터 이후에 수집된 a개의 제1 탈수시간 데이터를 이용하여 학습 데이터를 생성할 수 있다. 다른 일실시 예에 따라, 탈수1 예상시간 결정 모듈(1070)은 이전 인공 신경망 모델 갱신에 사용한 데이터 중 최근에 수집된 b(예: 75)개의 제1 탈수시간 데이터와 새롭게 수집한 c(예: 75)개의 제1 탈수시간 데이터를 이용하여 학습 데이터를 생성할 수 있다.
일실시 예에 따라, 탈수1 예상시간 결정 모듈(1070)은 도 13에 도시된 것과 같은 학습 데이터를 순차적으로 인공 신경망 모델에 입력함으로써 학습을 수행하여 인공 신경망 모델을 갱신하고, 학습된 인공 신경망 모델을 더욱 정교하게 할 수 있다.
다양한 실시 예들에 따르면, 탈수1 예상시간 결정 모듈(1070)은 추가적으로 평형 이상 상태를 인지할 수 있다. 일실시 예에 따라 탈수1 예상시간 결정 모듈(1070)은 학습된 인공 신경망 모델 또는 다른 방법에 의해 결정된 제1 탈수 예상시간이 이전 제1 탈수 예상시간보다 미리 설정된 값 이상의 차이가 나거나 미리 설정된 비율 이상의 차이가 난다면 평형 이상이 있다고 판단할 수 있다. 예를 들면, 1차 데이터 집합과 2차 데이터 집합 사이의 평균 값 또는 학습된 인공 신경망 모델로 획득한 값이 미리 설정된 값 이상의 차이가 나는 경우, 탈수1 예상시간 결정 모듈(1070)은 세탁기(100)의 탈수부의 이상 상태를 인식할 수 있다. 예를 들면, 탈수1 예상시간 결정 모듈(1070)은 세탁기(100)의 평형이 이상 상태에 있다고 인식할 수 있다.
탈수1 예상시간 결정 모듈(1070)이 평형 상태 이상을 예상하는 경우, 출력 모듈(1030)에게 사용자에게 평형 상태 이상 알림을 주도록 할 수 있다. 예를 들면, 출력 모듈(1030)은 탈수1 예상시간 결정 모듈(1070)의 요청에 의하여 사용자에게 세탁기(100)의 평형 이상이 있음을 알리는 메시지를 전송할 수 있다. 또한, 출력 모듈(1030)은 추가적으로 평형 이상을 확인하는 방법을 제시하면서 세탁기의 평형 이상을 확인할 것을 알려주는 메시지를 함께 전송할 수 있다. 추가적으로, 탈수1 예상시간 결정 모듈(1070)은 제1 탈수 예상시간이 미리 설정된 시간(예: 12분) 이상으로 커지는 경우, 평형 시스템에 이상이 있다고 인식하고, 출력 모듈(1030)을 통해 사용자에게 서비스 센터로 수리를 요청할 것을 제안하는 메시지를 전송할 수 있다. 이 경우, 일실시 예에 따라 세탁기(100)의 사용을 정지시킬 수도 있다.
또한, 탈수1 예상시간 결정 모듈(1070)은 결정한 제1 탈수 예상시간이 이전의 값과 다르게 변경되는 경우, 변경된 제1 탈수 예상시간을 바로 적용할 수도 있지만, 출력 모듈(1030)을 통해 사용자에게 제1 탈수 예상시간이 이전과 다르게 변경되었음을 알리고, 변경된 제1 탈수 예상시간을 적용할 것을 승인받은 후에 적용할 수도 있다.
탈수1 예상시간 결정 모듈(1070)이 학습된 인공 신경망 모델을 사용한다면, 제1 탈수 예상시간과 함께 이상 상태에 대한 정보도 출력하도록 할 수 있다. 또는 탈수1 예상시간 결정 모듈(1070)은 이상 상태 판단을 위한 별도의 학습된 인공 신경망 모델을 포함할 수 있다. 이상 상태 판단을 위한 학습된 인공 신경망 모델은 감지된 세탁물량 및 실측된 배수 시간을 입력으로 하고, "평형 이상 상태"등을 출력으로 설정할 수 있다.
상술한 프로세서(180) 또는 러닝 프로세서(130)의 급수 예상시간 결정 모듈(1050), 배수 예상시간 결정 모듈(1060), 탈수1 예상시간 결정 모듈(1070)은 세탁기(100)가 아닌 서버(200) 또는 사용자 단말(300)에서 수행될 수 있다. 이는 세탁기(100)의 프로세서(180)가 가지고 있는 컴퓨팅 파워가 상당히 작을 때 유효할 수 있다. 이경우, 세탁기(100)의 데이터 수집 모듈(1040)은 수집한 데이터를 통신부(110)를 통해 서버(200) 또는 사용자 단말(300)로 전달할 수 있다. 서버(200) 또는 사용자 단말(300)은 세탁기(100)로부터 획득한 실측 데이터에 기초하여 상술한 급수 예상시간 결정 모듈(1050), 배수 예상시간 결정 모듈(1060) 및 탈수1 예상시간 결정 모듈(1070)의 기능을 수행하고, 수행 결과 획득한 급수 예상시간, 배수 예상시간 및/또는 탈수1 예상시간을 세탁기(100)로 전달할 수 있다. 세탁기(100)의 입력 모듈(1010)은 서버(200) 또는 사용자 단말(300)로부터 통신부(110)를 통해 전달받은 급수 예상시간, 배수 예상시간 및/또는 탈수1 예상시간을 메모리(160)에 저장하고, 추후 세탁 예상시간 결정 모듈(1020)에서 사용하도록 할 수 있다.
다양한 실시 예들에 따르면, 세탁기(예: 도 3의 세탁기(100))는 제어 명령에 따라 급수, 배수, 세탁, 및/또는 탈수를 수행하는 구동부(예: 도 3의 구동부(170)), 사용자의 설정 입력을 획득하는 입력부(예: 도 3의 입력부(120)), 세탁물량을 측정하는 무게 센서(예: 도 3의 센싱부(140)), 상기 사용자에게 상기 세탁기의 상태 정보 및 세탁 예상시간 정보를 제공하는 출력부(예: 도 3의 출력부(150)) 및 상기 구동부, 입력부 및 출력부와 작동적으로 연결되는 적어도 하나의 프로세서(예: 도 3의 프로세서(180) 또는 러닝 프로세서(130))를 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는, 이전 세탁 시에 획득한 세탁물량, 급수시간, 배수시간, 및 탈수시간에 기초하여 급수 예상시간, 배수 예상시간 및 탈수 예상시간을 결정하고, 상기 입력부를 통해 세탁을 위한 상기 사용자의 설정 입력을 획득하고, 상기 무게 센서를 통해 세탁물량 정보를 획득하고, 결정된 상기 급수 예상시간, 상기 배수 예상시간, 상기 탈수 예상시간, 세탁을 위한 상기 사용자의 설정 및 획득한 상기 세탁물량에 기초하여 상기 세탁 예상시간을 결정할 수 있다. 여기서 탈수 예상시간은 첫번째 탈수 동작(탈수1)에 대한 예상 시간이거나 또는 첫번째 탈수 동작(탈수1) 및 두번째 탈수 동작(탈수2)에 대한 예상 시간일 수 있다.
다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 이전 세탁 시에 획득한 급수시간 중에서 상기 세탁물량에 대해 가장 최근에 획득한 급수시간을 상기 급수 예상시간으로 결정하거나, 또는 이전 세탁 시에 획득한 급수시간 중에서 상기 세탁물량에 대해 획득한 최근의 n(미리 설정한 임의의 자연수)개의 급수시간을 평균한 값을 상기 급수 예상시간으로 결정하거나, 또는 이전 세탁 시에 획득한 급수시간 및 세탁물량을 기초로 학습한 제1 인공 신경망 모델을 이용하여 상기 급수 예상시간을 결정할 수 있다.
다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 이전 세탁 시에 획득한 배수시간 중에서 상기 세탁물량에 대해 가장 최근에 획득한 배수시간을 상기 배수 예상시간으로 결정하거나, 또는 이전 세탁 시에 획득한 배수시간 중에서 상기 세탁물량에 대해 획득한 최근의 l(미리 설정한 임의의 자연수)개의 배수시간을 평균한 값을 상기 배수 예상시간으로 결정하거나, 또는 이전 세탁 시에 획득한 배수시간 및 세탁물량을 기초로 학습한 제2 인공 신경망 모델을 이용하여 상기 배수 예상시간을 결정할 수 있다.
다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 이전 세탁 시에 획득한 탈수시간 중에서 상기 세탁물량에 대해 가장 최근에 획득한 탈수시간을 상기 탈수 예상시간으로 결정하거나, 또는 이전 세탁 시에 획득한 탈수시간 중에서 상기 세탁물량에 대해 획득한 최근의 a(미리 설정한 임의의 자연수)개의 탈수시간을 평균한 값을 상기 탈수 예상시간으로 결정하거나, 또는 이전 세탁 시에 획득한 탈수시간 및 세탁물량을 기초로 학습한 제3 인공 신경망 모델을 이용하여 상기 탈수 예상시간을 결정할 수 있다.
다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 이전 세탁 시에 획득한 세탁물량을 입력으로 하고 이전 세탁 시에 함께 획득한 급수시간을 레이블(label)로 하여 생성한 학습 데이터를 이용하여 상기 제1 인공 신경망 모델을 학습시키고, 이전 세탁 시에 획득한 세탁물량을 입력으로 하고 이전 세탁 시에 함께 획득한 배수시간을 레이블(label)로 하여 생성한 학습 데이터를 이용하여 상기 제2 인공 신경망 모델을 학습시키고, 이전 세탁 시에 획득한 세탁물량을 입력으로 하고 이전 세탁 시에 함께 획득한 탈수시간을 레이블(label)로 하여 생성한 학습 데이터를 이용하여 상기 제3 인공 신경망 모델을 학습시킬 수 있다.
다양한 실시 예들에 따르면, 상기 세탁기는 외부 서버 및/또는 사용자 단말과 통신하는 통신부(예: 도 3의 통신부(110))를 더 포함하고, 상기 적어도 하나의 프로세서는 상기 통신부를 통해 상기 사용자의 설정 입력을 획득하고, 상기 통신부를 통해 상기 사용자에게 상기 세탁기의 상태 정보 및 상기 세탁 예상시간 정보를 추가적으로 제공할 수 있다.
다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 결정된 상기 급수 예상시간에 기초하여 급수부의 이상 상태를 인지하고, 결정된 상기 배수 예상시간에 기초하여 배수부의 이상 상태를 인지하고, 결정된 상기 탈수 예상시간에 기초하여 탈수부의 이상 상태를 인지할 수 있다.
다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 결정된 상기 급수 예상시간이 이전 급수 예상시간보다 미리 설정된 값 이상의 차이가 나거나 미리 설정된 비율 이상의 차이가 난다면 상기 급수부의 이상 상태로 인지하고, 결정된 상기 배수 예상시간이 이전 배수 예상시간보다 미리 설정된 값 이상의 차이가 나거나 미리 설정된 비율 이상의 차이가 난다면 상기 배수부의 이상 상태로 인지하고, 결정된 상기 탈수 예상시간이 이전 탈수 예상시간보다 미리 설정된 값 이상의 차이가 나거나 미리 설정된 비율 이상의 차이가 난다면 상기 탈수부의 이상 상태로 인지할 수 있다.
다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 상기 급수부, 상기 배수부, 상기 탈수부 중 적어도 하나의 이상 상태를 인지한 경우, 상기 사용자로 결정된 상기 급수 예상시간 또는 결정된 상기 배수 예상시간 또는 결정된 상기 탈수 예상시간 중의 상기 인지한 이상 상태에 대응하는 예상시간을 전달하고, 상기 사용자로부터 상기 인지한 이상 상태에 대응하는 예상시간에 대한 승인을 획득하고, 상기 사용자로부터의 승인을 획득한 후에 결정된 상기 급수 예상시간 또는 결정된 상기 배수 예상시간 또는 결정된 상기 탈수 예상시간을 상기 세탁 예상시간을 결정하는데 사용할 수 있다.
다양한 실시 예들에 따르면, 상기 적어도 하나의 프로세서는 결정된 상기 급수 예상시간이 미리 설정된 제1 값보다 커지는 경우, 상기 급수부의 이상 상태로 인지하고, 결정된 상기 배수 예상시간이 미리 설정된 제2 값보다 커지는 경우, 상기 배수부의 이상 상태로 인지하고, 결정된 상기 탈수 예상시간이 미리 설정된 제3 값보다 커지는 경우, 상기 탈수부의 이상 상태로 인지하고, 상기 급수부, 상기 배수부, 상기 탈수부 중 적어도 하나에 이상 상태로 인지한 경우, 상기 통신부 또는 상기 출력부를 통해 서비스센터로 수리 요청을 제안하는 메시지를 상기 사용자에게 전달할 수 있다.
도 14는 다양한 실시 예들에 따른, 세탁기(100)가 세탁 예상시간을 결정하여 표시하는 동작을 도시한 흐름도이다. 도 14에 도시된 흐름도에 따른 동작은 세탁기(예: 도 1 또는 도 3의 세탁기(100)) 또는 세탁기의 적어도 하나의 프로세서(예: 도 3의 프로세서(180), 러닝 프로세서(130))에 의해 실현될 수 있다.
도 14를 참조하면, 동작 1410에서, 세탁기(100)는 세탁물량 정보에 기초하여 급수 예상시간, 배수 예상시간 및/또는 탈수1 예상시간을 획득할 수 있다.
여기서, 급수 예상시간, 배수 예상시간 및 탈수1 예상시간은 세탁기의 주변 환경에 따라 변경될 수 있는 값일 수 있다. 예를 들면, 급수를 하는 집의 수압이 낮으면 급수 예상시간을 길수 있고, 수압이 높으면 급수 예상 시간이 짧을 수 있다. 또한, 배수구가 일부 막혀 있다면 막히지 않은 경우에 비하여 배수 시간이 길 수 있다. 따라서, 급수 예상시간, 배수 예상시간 및 탈수1 예상시간을 출하 시의 설정 값을 그대로 사용한다면 세탁기가 설치된 주변 환경에 따른 변화 요소를 반영할 수 없어 세탁 예상시간이 실제 세탁 시간과 다를 수 있다. 이는 사용자의 불편을 초래할 수 잇다.
이를 해소하기 위하여 본원 발명은 과거의 세탁 시에 획득한 급수 시간 정보, 배수 시간 정보 및 탈수1 시간 정보에 각각 기초하여 급수 예상시간, 배수 예상시간 및 탈수1 예상시간을 결정하고, 이를 반영함으로써 실제 세탁시간과 세탁기(100)가 제공하는 세탁 예상시간이 거의 유사하도록 할 수 있다.
이에 따라, 동작 1410에서, 세탁기(100)는 과거 세탁 시에 수집한 정보에 기초하여 결정한 급수 예상시간, 배수 예상시간 및/또는 탈수1 예상시간을 획득할 수 있다.
다양한 실시 예들에 따르면, 동작 1430에서, 세탁기(100)는 사용자에 의해 입력되는 세탁 설정 정보 및 센서를 통해 감지되는 세탁물량 정보를 획득할 수 있다. 일실시 예에 따라, 사용자가 "매일코스"와 같은 일련의 세탁 행정을 정의하는 코스 정보를 입력하는 경우, 세탁기(100)는 해당 코스에 대응하는 일련의 세탁 정보를 획득할 수 있다. 코스에 대응하는 세탁 정보는 메모리(160)에 저장되어 있을 수 있다.
동작 1450에서, 세탁기(100)는 전체 세탁 예상시간을 결정할 수 있다. 세탁기(100)는 사용자의 세탁 설정에 기초하여 세탁 수행 순서(예를 들면, 급수(4분)->세탁(15분)->배수(1분)->탈수1(3분)->탈수2(2분)->급수(2분)->헹굼(1분)->배수(1분)->탈수1(3분)->탈수2(2분)->급수(2분)->행굼(1분)->배수(1분)->탈수1(10분)->탈수2(3분))를 결정하고, 각각의 동작을 수행하기 위해 필요한 예상시간을 세탁물량 정보에 기초하여 결정할 수 있다. 여기서, 세탁, 헹굼 및 탈수 2는 그 수행시간이 변경되지 않는 것으로 출하시부터 메모리(160)에 저장되어 있는 값을 그대로 사용할 수 있다. 반면에 급수, 배수, 탈수1에 대해서는 세탁기의 설치 환경 및 주변 환경의 변화에 따라 가변되는 것으로 동작 1430에서 획득한 값을 사용할 수 있다.
추가적으로 동작 1450에서 세탁기(100)는 세탁이 진행됨에 따라 전체 세탁 예상시간에서 세탁기에 의해 수행된 동작에 해당하는 예상시간을 빼서 남은 세탁 예상시간을 결정할 수 있다.
다양한 실시 예들에 따르면, 동작 1470에서, 세탁기(100)는 동작 1450에서 결정된 세탁 예상시간을 컨트롤 패널(123) 또는 사용자 단말(300)에 표시할 수 있다.
도 15는 다양한 실시 예들에 따른, 세탁기(100)가 인공 신경망 모델을 갱신하는 동작을 도시한 흐름도이다. 도 15에 도시된 흐름도에 따른 동작은 세탁기(예: 도 3의 세탁기(100)) 또는 세탁기의 적어도 하나의 프로세서(예: 도 3의 프로세서(180), 러닝 프로세서(130))에 의해 실현될 수 있다.
도 15에 대한 동작 흐름도는 급수 예상시간에 대한 인공 신경망 모델, 배수 예상시간에 대한 인공 신경망 모델 또는 탈수1 예상 시간에 대한 인공 신경망 모델에 대해 각각 적용될 수 있다.
도 15를 참조하면, 동작 1510에서, 세탁기(100)는 세탁 데이터를 획득할 수 있다. 세탁기(100)는 매 세탁 수행 시마다, 검지된 세탁물량, 급수 시간, 배수 시간, 탈수1 시간을 획득하여 메모리(160)에 저장할 수 있다.
동작 1530에서, 세탁기(100)는 인공 신경망 모델을 위한 학습 데이터를 생성할 수 있다. 일실시 예에 따라, 세탁기(100)는 급수 예상시간에 대한 인공 신경망 모델을 위한 학습 데이터, 배수 예상시간에 대한 인공 신경망 모델을 위한 학습 데이터, 탈수1 예상시간에 대한 인공 신경망 모델을 위한 학습 데이터를 별개로 생성할 수 있다. 각 인공 신경망 모델을 위한 학습 데이터의 크기를 서로 다를 수 있으며 학습 데이터의 형태는 도 11 내지 도 13에 도시된 것과 같은 형태일 수 있다.
동작 1550에서, 세탁기(100)는 동작 1530에서 생성한 학습 데이터에 기초하여 인공 신경망 모델을 갱신할 수 있다.
동작 1570에서, 세탁기(100)는 갱신된 인공 신경망 모델에 기초하여 급수 예상시간, 배수 예상시간, 또는 탈수1 예상시간을 획득할 수 있다.
상술한 도 15에 도시된 흐름도의 동작은 세탁기(100)가 아닌 서버(예: 도 1의 서버(200))에서 실행될 수 있으며, 이 경우 서버(200)는 동작 1510에서, 통신부(210)를 통해 세탁기(100)로부터 검지된 세탁물량, 급수 시간, 배수 시간, 탈수1 시간을 포함하는 세탁 데이터를 획득할 수 있다. 그리고 인공 신경망 모델에 대한 학습이 완료되어 갱신된 경우, 동작 1570에서 획득한 급수 예상시간, 배수 예상시간, 또는 탈수1 예상시간을 통신부(210)를 통해 세탁기(100)로 전달할 수 있다.
다양한 실시 예들에 따르면, 세탁기(예: 도 3의 세탁기(100))의 동작 방법은 이전 세탁 시에 획득한 세탁물량, 급수시간, 배수시간, 및 탈수시간에 기초하여 급수 예상시간, 배수 예상시간 및 탈수 예상시간을 결정하는 동작, 사용자의 세탁을 위한 설정 입력을 획득하는 동작, 센서를 이용하여 세탁물량 정보를 획득하는 동작, 결정된 상기 급수 예상시간, 상기 배수 예상시간, 상기 탈수 예상시간, 상기 세탁을 위한 설정 및 획득한 상기 세탁물량에 기초하여 세탁 예상시간을 결정하는 동작 및 결정된 상기 세탁 예상시간을 상기 사용자에게 표시하는 동작을 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 급수 예상시간을 결정하는 동작은 이전 세탁 시에 획득한 급수시간 중에서 상기 세탁물량에 대해 가장 최근에 획득한 급수시간을 상기 급수 예상시간으로 결정하는 동작, 또는 이전 세탁 시에 획득한 급수시간 중에서 상기 세탁물량에 대해 획득한 최근의 n(미리 설정한 임의의 자연수)개의 급수시간을 평균한 값을 상기 급수 예상시간으로 결정하는 동작, 또는 이전 세탁 시에 획득한 급수시간 및 세탁물량을 기초로 학습한 제1 인공 신경망 모델을 이용하여 상기 급수 예상시간을 결정하는 동작 중의 적어도 하나를 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 배수 예상시간을 결정하는 동작은 이전 세탁 시에 획득한 배수시간 중에서 상기 세탁물량에 대해 가장 최근에 획득한 배수시간을 상기 배수 예상시간으로 결정하는 동작, 또는 이전 세탁 시에 획득한 배수시간 중에서 상기 세탁물량에 대해 획득한 최근의 l(미리 설정한 임의의 자연수)개의 배수시간을 평균한 값을 상기 배수 예상시간으로 결정하는 동작, 또는 이전 세탁 시에 획득한 배수시간 및 세탁물량을 기초로 학습한 제2 인공 신경망 모델을 이용하여 상기 배수 예상시간을 결정하는 동작 중의 적어도 하나를 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 탈수 예상시간을 결정하는 동작은 이전 세탁 시에 획득한 탈수시간 중에서 상기 세탁물량에 대해 가장 최근에 획득한 탈수시간을 상기 탈수 예상시간으로 결정하는 동작, 또는 이전 세탁 시에 획득한 탈수시간 중에서 상기 세탁물량에 대해 획득한 최근의 a(미리 설정한 임의의 자연수)개의 탈수시간을 평균한 값을 상기 탈수 예상시간으로 결정하는 동작, 또는 이전 세탁 시에 획득한 탈수시간 및 세탁물량을 기초로 학습한 제3 인공 신경망 모델을 이용하여 상기 탈수 예상시간을 결정하는 동작 중의 적어도 하나를 포함할 수 있다.
다양한 실시 예들에 따르면, 이전 세탁 시에 획득한 세탁물량을 입력으로 하고 이전 세탁 시에 함께 획득한 급수시간을 레이블(label)로 하여 생성한 학습 데이터를 이용하여 상기 제1 인공 신경망 모델을 학습시키는 동작, 이전 세탁 시에 획득한 세탁물량을 입력으로 하고 이전 세탁 시에 함께 획득한 배수시간을 레이블(label)로 하여 생성한 학습 데이터를 이용하여 상기 제2 인공 신경망 모델을 학습시키는 동작 및 이전 세탁 시에 획득한 세탁물량을 입력으로 하고 이전 세탁 시에 함께 획득한 탈수시간을 레이블(label)로 하여 생성한 학습 데이터를 이용하여 상기 제3 인공 신경망 모델을 학습시키는 동작을 더 포함할 수 있다.
다양한 실시 예들에 따르면, 통신부를 통해 외부 서버 및/또는 사용자 단말로부터 상기 세탁을 위한 설정 입력을 획득하는 동작 및 상기 통신부를 통해 상기 외부 서버 및/또는 상기 사용자 단말로 세탁기의 상태 정보 및 세탁 예상시간 정보를 제공하는 동작을 더 포함할 수 있다.
다양한 실시 예들에 따르면, 결정된 상기 급수 예상시간에 기초하여 급수부의 이상 상태를 인지하는 동작, 결정된 상기 배수 예상시간에 기초하여 배수부의 이상 상태를 인지하는 동작 및 결정된 상기 탈수 예상시간에 기초하여 탈수부의 이상 상태를 인지하는 동작을 더 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 결정된 상기 급수 예상시간에 기초하여 급수부의 이상 상태를 인지하는 동작은 결정된 상기 급수 예상시간이 이전 급수 예상시간보다 미리 설정된 값 이상의 차이가 나거나 미리 설정된 비율 이상의 차이가 난다면 상기 급수부의 이상 상태로 인지하는 동작을 포함하고, 상기 결정된 상기 배수 예상시간에 기초하여 배수부의 이상 상태를 인지하는 동작은 결정된 상기 배수 예상시간이 이전 배수 예상시간보다 미리 설정된 값 이상의 차이가 나거나 미리 설정된 비율 이상의 차이가 난다면 상기 배수부의 이상 상태로 인지하는 동작을 포함하고, 상기 결정된 상기 탈수 예상시간에 기초하여 탈수부의 이상 상태를 인지하는 동작은 결정된 상기 탈수 예상시간이 이전 탈수 예상시간보다 미리 설정된 값 이상의 차이가 나거나 미리 설정된 비율 이상의 차이가 난다면 상기 탈수부의 이상 상태로 인지하는 동작을 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 급수부, 상기 배수부, 상기 탈수부 중 적어도 하나의 이상 상태를 인지한 경우, 상기 사용자로 결정된 상기 급수 예상시간 또는 결정된 상기 배수 예상시간 또는 결정된 상기 탈수 예상시간 중의 상기 인지한 이상 상태에 대응하는 예상시간을 전달하는 동작, 상기 사용자로부터 상기 인지한 이상 상태에 대응하는 예상시간에 대한 승인을 획득하는 동작 및 상기 사용자로부터의 승인을 획득한 후에 결정된 상기 급수 예상시간 또는 결정된 상기 배수 예상시간 또는 결정된 상기 탈수 예상시간을 상기 세탁 예상시간을 결정하는데 사용하는 동작을 더 포함할 수 있다.
다양한 실시 예들에 따르면, 상기 결정된 상기 급수 예상시간에 기초하여 급수부의 이상 상태를 인지하는 동작은 결정된 상기 급수 예상시간이 미리 설정된 제1 값보다 커지는 경우, 상기 급수부의 이상 상태로 인지하는 동작을 포함하고, 상기 결정된 상기 배수 예상시간에 기초하여 배수부의 이상 상태를 인지하는 동작은 결정된 상기 배수 예상시간이 미리 설정된 제2 값보다 커지는 경우, 상기 배수부의 이상 상태로 인지하는 동작을 포함하고, 상기 결정된 상기 탈수 예상시간에 기초하여 탈수부의 이상 상태를 인지하는 동작은 결정된 상기 탈수 예상시간이 미리 설정된 제3 값보다 커지는 경우, 상기 탈수부의 이상 상태로 인지하는 동작을 포함하고, 상기 급수부, 상기 배수부, 상기 탈수부 중 적어도 하나에 이상 상태로 인지한 경우, 상기 통신부 또는 상기 출력부를 통해 서비스센터로 수리 요청을 제안하는 메시지를 상기 사용자에게 전달하는 동작을 더 포함할 수 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (20)

  1. 세탁기에 있어서,
    제어 명령에 따라 급수, 배수, 세탁, 및/또는 탈수를 수행하는 구동부;
    사용자의 설정 입력을 획득하는 입력부;
    세탁물량을 측정하는 무게 센서;
    상기 사용자에게 상기 세탁기의 상태 정보 및 세탁 예상시간 정보를 제공하는 출력부; 및
    상기 구동부, 입력부 및 출력부와 작동적으로 연결되는 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    이전 세탁 시에 획득한 세탁물량, 급수시간, 배수시간, 및 탈수시간에 기초하여 급수 예상시간, 배수 예상시간 및 탈수 예상시간을 결정하고,
    상기 입력부를 통해 세탁을 위한 상기 사용자의 설정 입력을 획득하고,
    상기 무게 센서를 통해 세탁물량 정보를 획득하고,
    결정된 상기 급수 예상시간, 상기 배수 예상시간, 상기 탈수 예상시간, 세탁을 위한 상기 사용자의 설정 및 획득한 상기 세탁물량에 기초하여 상기 세탁 예상시간을 결정하는, 세탁기.
  2. 제1항에 있어서,
    상기 적어도 하나의 프로세서는,
    이전 세탁 시에 획득한 급수시간 중에서 상기 세탁물량에 대해 가장 최근에 획득한 급수시간을 상기 급수 예상시간으로 결정하거나,
    또는 이전 세탁 시에 획득한 급수시간 중에서 상기 세탁물량에 대해 획득한 최근의 n(미리 설정한 임의의 자연수)개의 급수시간을 평균한 값을 상기 급수 예상시간으로 결정하거나,
    또는 이전 세탁 시에 획득한 급수시간 및 세탁물량을 기초로 학습한 제1 인공 신경망 모델을 이용하여 상기 급수 예상시간을 결정하는, 세탁기.
  3. 제2항에 있어서,
    상기 적어도 하나의 프로세서는,
    이전 세탁 시에 획득한 배수시간 중에서 상기 세탁물량에 대해 가장 최근에 획득한 배수시간을 상기 배수 예상시간으로 결정하거나,
    또는 이전 세탁 시에 획득한 배수시간 중에서 상기 세탁물량에 대해 획득한 최근의 l(미리 설정한 임의의 자연수)개의 배수시간을 평균한 값을 상기 배수 예상시간으로 결정하거나,
    또는 이전 세탁 시에 획득한 배수시간 및 세탁물량을 기초로 학습한 제2 인공 신경망 모델을 이용하여 상기 배수 예상시간을 결정하는, 세탁기.
  4. 제3항에 있어서,
    상기 적어도 하나의 프로세서는,
    이전 세탁 시에 획득한 탈수시간 중에서 상기 세탁물량에 대해 가장 최근에 획득한 탈수시간을 상기 탈수 예상시간으로 결정하거나,
    또는 이전 세탁 시에 획득한 탈수시간 중에서 상기 세탁물량에 대해 획득한 최근의 a(미리 설정한 임의의 자연수)개의 탈수시간을 평균한 값을 상기 탈수 예상시간으로 결정하거나,
    또는 이전 세탁 시에 획득한 탈수시간 및 세탁물량을 기초로 학습한 제3 인공 신경망 모델을 이용하여 상기 탈수 예상시간을 결정하는, 세탁기.
  5. 제4항에 있어서,
    상기 적어도 하나의 프로세서는,
    이전 세탁 시에 획득한 세탁물량을 입력으로 하고 이전 세탁 시에 함께 획득한 급수시간을 레이블(label)로 하여 생성한 학습 데이터를 이용하여 상기 제1 인공 신경망 모델을 학습시키고,
    이전 세탁 시에 획득한 세탁물량을 입력으로 하고 이전 세탁 시에 함께 획득한 배수시간을 레이블(label)로 하여 생성한 학습 데이터를 이용하여 상기 제2 인공 신경망 모델을 학습시키고,
    이전 세탁 시에 획득한 세탁물량을 입력으로 하고 이전 세탁 시에 함께 획득한 탈수시간을 레이블(label)로 하여 생성한 학습 데이터를 이용하여 상기 제3 인공 신경망 모델을 학습시키는, 세탁기.
  6. 제4항에 있어서,
    외부 서버 및/또는 사용자 단말과 통신하는 통신부를 더 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 통신부를 통해 상기 사용자의 설정 입력을 획득하고,
    상기 통신부를 통해 상기 사용자에게 상기 세탁기의 상태 정보 및 상기 세탁 예상시간 정보를 추가적으로 제공하는, 세탁기.
  7. 제6항에 있어서,
    상기 적어도 하나의 프로세서는,
    결정된 상기 급수 예상시간에 기초하여 급수부의 이상 상태를 인지하고,
    결정된 상기 배수 예상시간에 기초하여 배수부의 이상 상태를 인지하고,
    결정된 상기 탈수 예상시간에 기초하여 탈수부의 이상 상태를 인지하는, 세탁기.
  8. 제7항에 있어서,
    상기 적어도 하나의 프로세서는,
    결정된 상기 급수 예상시간이 이전 급수 예상시간보다 미리 설정된 값 이상의 차이가 나거나 미리 설정된 비율 이상의 차이가 난다면 상기 급수부의 이상 상태로 인지하고,
    결정된 상기 배수 예상시간이 이전 배수 예상시간보다 미리 설정된 값 이상의 차이가 나거나 미리 설정된 비율 이상의 차이가 난다면 상기 배수부의 이상 상태로 인지하고,
    결정된 상기 탈수 예상시간이 이전 탈수 예상시간보다 미리 설정된 값 이상의 차이가 나거나 미리 설정된 비율 이상의 차이가 난다면 상기 탈수부의 이상 상태로 인지하는, 세탁기.
  9. 제8항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 급수부, 상기 배수부, 상기 탈수부 중 적어도 하나의 이상 상태를 인지한 경우, 상기 사용자로 결정된 상기 급수 예상시간 또는 결정된 상기 배수 예상시간 또는 결정된 상기 탈수 예상시간 중의 상기 인지한 이상 상태에 대응하는 예상시간을 전달하고,
    상기 사용자로부터 상기 인지한 이상 상태에 대응하는 예상시간에 대한 승인을 획득하고,
    상기 사용자로부터의 승인을 획득한 후에 결정된 상기 급수 예상시간 또는 결정된 상기 배수 예상시간 또는 결정된 상기 탈수 예상시간을 상기 세탁 예상시간을 결정하는데 사용하는, 세탁기.
  10. 제7항에 있어서,
    상기 적어도 하나의 프로세서는,
    결정된 상기 급수 예상시간이 미리 설정된 제1 값보다 커지는 경우, 상기 급수부의 이상 상태로 인지하고,
    결정된 상기 배수 예상시간이 미리 설정된 제2 값보다 커지는 경우, 상기 배수부의 이상 상태로 인지하고,
    결정된 상기 탈수 예상시간이 미리 설정된 제3 값보다 커지는 경우, 상기 탈수부의 이상 상태로 인지하고,
    상기 급수부, 상기 배수부, 상기 탈수부 중 적어도 하나에 이상 상태로 인지한 경우, 상기 통신부 또는 상기 출력부를 통해 서비스센터로 수리 요청을 제안하는 메시지를 상기 사용자에게 전달하는, 세탁기.
  11. 세탁기의 동작 방법에 있어서,
    이전 세탁 시에 획득한 세탁물량, 급수시간, 배수시간, 및 탈수시간에 기초하여 급수 예상시간, 배수 예상시간 및 탈수 예상시간을 결정하는 동작;
    사용자의 세탁을 위한 설정 입력을 획득하는 동작;
    센서를 이용하여 세탁물량 정보를 획득하는 동작;
    결정된 상기 급수 예상시간, 상기 배수 예상시간, 상기 탈수 예상시간, 상기 세탁을 위한 설정 및 획득한 상기 세탁물량에 기초하여 세탁 예상시간을 결정하는 동작; 및
    결정된 상기 세탁 예상시간을 상기 사용자에게 표시하는 동작을 포함하는, 방법.
  12. 제11항에 있어서,
    상기 급수 예상시간을 결정하는 동작은,
    이전 세탁 시에 획득한 급수시간 중에서 상기 세탁물량에 대해 가장 최근에 획득한 급수시간을 상기 급수 예상시간으로 결정하는 동작,
    또는 이전 세탁 시에 획득한 급수시간 중에서 상기 세탁물량에 대해 획득한 최근의 n(미리 설정한 임의의 자연수)개의 급수시간을 평균한 값을 상기 급수 예상시간으로 결정하는 동작,
    또는 이전 세탁 시에 획득한 급수시간 및 세탁물량을 기초로 학습한 제1 인공 신경망 모델을 이용하여 상기 급수 예상시간을 결정하는 동작 중의 적어도 하나를 포함하는, 방법.
  13. 제12항에 있어서,
    상기 배수 예상시간을 결정하는 동작은,
    이전 세탁 시에 획득한 배수시간 중에서 상기 세탁물량에 대해 가장 최근에 획득한 배수시간을 상기 배수 예상시간으로 결정하는 동작,
    또는 이전 세탁 시에 획득한 배수시간 중에서 상기 세탁물량에 대해 획득한 최근의 l(미리 설정한 임의의 자연수)개의 배수시간을 평균한 값을 상기 배수 예상시간으로 결정하는 동작,
    또는 이전 세탁 시에 획득한 배수시간 및 세탁물량을 기초로 학습한 제2 인공 신경망 모델을 이용하여 상기 배수 예상시간을 결정하는 동작 중의 적어도 하나를 포함하는, 방법.
  14. 제13항에 있어서,
    상기 탈수 예상시간을 결정하는 동작은,
    이전 세탁 시에 획득한 탈수시간 중에서 상기 세탁물량에 대해 가장 최근에 획득한 탈수시간을 상기 탈수 예상시간으로 결정하는 동작,
    또는 이전 세탁 시에 획득한 탈수시간 중에서 상기 세탁물량에 대해 획득한 최근의 a(미리 설정한 임의의 자연수)개의 탈수시간을 평균한 값을 상기 탈수 예상시간으로 결정하는 동작,
    또는 이전 세탁 시에 획득한 탈수시간 및 세탁물량을 기초로 학습한 제3 인공 신경망 모델을 이용하여 상기 탈수 예상시간을 결정하는 동작 중의 적어도 하나를 포함하는, 방법.
  15. 제14항에 있어서,
    이전 세탁 시에 획득한 세탁물량을 입력으로 하고 이전 세탁 시에 함께 획득한 급수시간을 레이블(label)로 하여 생성한 학습 데이터를 이용하여 상기 제1 인공 신경망 모델을 학습시키는 동작;
    이전 세탁 시에 획득한 세탁물량을 입력으로 하고 이전 세탁 시에 함께 획득한 배수시간을 레이블(label)로 하여 생성한 학습 데이터를 이용하여 상기 제2 인공 신경망 모델을 학습시키는 동작; 및
    이전 세탁 시에 획득한 세탁물량을 입력으로 하고 이전 세탁 시에 함께 획득한 탈수시간을 레이블(label)로 하여 생성한 학습 데이터를 이용하여 상기 제3 인공 신경망 모델을 학습시키는 동작을 더 포함하는, 방법.
  16. 제14항에 있어서,
    통신부를 통해 외부 서버 및/또는 사용자 단말로부터 상기 세탁을 위한 설정 입력을 획득하는 동작; 및
    상기 통신부를 통해 상기 외부 서버 및/또는 상기 사용자 단말로 세탁기의 상태 정보 및 세탁 예상시간 정보를 제공하는 동작을 더 포함하는, 방법.
  17. 제16항에 있어서,
    결정된 상기 급수 예상시간에 기초하여 급수부의 이상 상태를 인지하는 동작;
    결정된 상기 배수 예상시간에 기초하여 배수부의 이상 상태를 인지하는 동작; 및
    결정된 상기 탈수 예상시간에 기초하여 탈수부의 이상 상태를 인지하는 동작을 더 포함하는, 방법.
  18. 제17항에 있어서,
    상기 결정된 상기 급수 예상시간에 기초하여 급수부의 이상 상태를 인지하는 동작은,
    결정된 상기 급수 예상시간이 이전 급수 예상시간보다 미리 설정된 값 이상의 차이가 나거나 미리 설정된 비율 이상의 차이가 난다면 상기 급수부의 이상 상태로 인지하는 동작을 포함하고,
    상기 결정된 상기 배수 예상시간에 기초하여 배수부의 이상 상태를 인지하는 동작은,
    결정된 상기 배수 예상시간이 이전 배수 예상시간보다 미리 설정된 값 이상의 차이가 나거나 미리 설정된 비율 이상의 차이가 난다면 상기 배수부의 이상 상태로 인지하는 동작을 포함하고,
    상기 결정된 상기 탈수 예상시간에 기초하여 탈수부의 이상 상태를 인지하는 동작은,
    결정된 상기 탈수 예상시간이 이전 탈수 예상시간보다 미리 설정된 값 이상의 차이가 나거나 미리 설정된 비율 이상의 차이가 난다면 상기 탈수부의 이상 상태로 인지하는 동작을 포함하는, 방법.
  19. 제18항에 있어서,
    상기 급수부, 상기 배수부, 상기 탈수부 중 적어도 하나의 이상 상태를 인지한 경우, 상기 사용자로 결정된 상기 급수 예상시간 또는 결정된 상기 배수 예상시간 또는 결정된 상기 탈수 예상시간 중의 상기 인지한 이상 상태에 대응하는 예상시간을 전달하는 동작;
    상기 사용자로부터 상기 인지한 이상 상태에 대응하는 예상시간에 대한 승인을 획득하는 동작; 및
    상기 사용자로부터의 승인을 획득한 후에 결정된 상기 급수 예상시간 또는 결정된 상기 배수 예상시간 또는 결정된 상기 탈수 예상시간을 상기 세탁 예상시간을 결정하는데 사용하는 동작을 더 포함하는, 방법.
  20. 제17항에 있어서,
    상기 결정된 상기 급수 예상시간에 기초하여 급수부의 이상 상태를 인지하는 동작은,
    결정된 상기 급수 예상시간이 미리 설정된 제1 값보다 커지는 경우, 상기 급수부의 이상 상태로 인지하는 동작을 포함하고,
    상기 결정된 상기 배수 예상시간에 기초하여 배수부의 이상 상태를 인지하는 동작은,
    결정된 상기 배수 예상시간이 미리 설정된 제2 값보다 커지는 경우, 상기 배수부의 이상 상태로 인지하는 동작을 포함하고,
    상기 결정된 상기 탈수 예상시간에 기초하여 탈수부의 이상 상태를 인지하는 동작은,
    결정된 상기 탈수 예상시간이 미리 설정된 제3 값보다 커지는 경우, 상기 탈수부의 이상 상태로 인지하는 동작을 포함하고,
    상기 급수부, 상기 배수부, 상기 탈수부 중 적어도 하나에 이상 상태로 인지한 경우, 서비스센터로 수리 요청을 제안하는 메시지를 상기 사용자에게 전달하는 동작을 더 포함하는, 방법.
KR1020200002070A 2020-01-07 2020-01-07 인공 지능 세탁기 및 그 동작 방법 KR20210088956A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200002070A KR20210088956A (ko) 2020-01-07 2020-01-07 인공 지능 세탁기 및 그 동작 방법
US16/870,245 US11739458B2 (en) 2020-01-07 2020-05-08 Artificial intelligence washing machine and operation method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200002070A KR20210088956A (ko) 2020-01-07 2020-01-07 인공 지능 세탁기 및 그 동작 방법

Publications (1)

Publication Number Publication Date
KR20210088956A true KR20210088956A (ko) 2021-07-15

Family

ID=76655082

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200002070A KR20210088956A (ko) 2020-01-07 2020-01-07 인공 지능 세탁기 및 그 동작 방법

Country Status (2)

Country Link
US (1) US11739458B2 (ko)
KR (1) KR20210088956A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113914056A (zh) * 2021-09-08 2022-01-11 无锡小天鹅电器有限公司 控制方法、装置、衣物处理设备及计算机可读存储介质
WO2023106559A1 (ko) * 2021-12-08 2023-06-15 삼성전자주식회사 세탁기 및 세탁기의 제어방법
KR102587449B1 (ko) * 2023-05-24 2023-10-11 주식회사 케이디티 지능형 퍼지추론시스템을 이용한 태양광 발전량 예측 및 발전 효율진단 장치 및 그 방법

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114108239B (zh) * 2021-10-22 2024-03-22 青岛海尔科技有限公司 语音信息的播放方法及装置、存储介质及电子装置
DE102022207786A1 (de) * 2022-07-28 2024-02-08 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Trainieren eines künstlichen neuronalen Netzes

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2267685T5 (es) * 2000-06-13 2011-07-21 Lg Electronics, Inc. Lavadora.
US6718587B2 (en) * 2001-07-03 2004-04-13 General Electric Company Method for estimating and adjusting time remaining in an appliance
KR20190107610A (ko) * 2019-09-02 2019-09-20 엘지전자 주식회사 지능형 세탁기 및 이를 이용한 세탁 타이밍 제어방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113914056A (zh) * 2021-09-08 2022-01-11 无锡小天鹅电器有限公司 控制方法、装置、衣物处理设备及计算机可读存储介质
CN113914056B (zh) * 2021-09-08 2023-11-24 无锡小天鹅电器有限公司 控制方法、装置、衣物处理设备及计算机可读存储介质
WO2023106559A1 (ko) * 2021-12-08 2023-06-15 삼성전자주식회사 세탁기 및 세탁기의 제어방법
KR102587449B1 (ko) * 2023-05-24 2023-10-11 주식회사 케이디티 지능형 퍼지추론시스템을 이용한 태양광 발전량 예측 및 발전 효율진단 장치 및 그 방법

Also Published As

Publication number Publication date
US20210207306A1 (en) 2021-07-08
US11739458B2 (en) 2023-08-29

Similar Documents

Publication Publication Date Title
KR20210088956A (ko) 인공 지능 세탁기 및 그 동작 방법
KR102393418B1 (ko) 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법
EP3666954B1 (en) Washing machine
US11663445B2 (en) Server communicating with dishwasher
CN111334972B (zh) 洗涤调度装置及其方法
EP3674466B1 (en) Laundry treatment device and method of determining laundry course thereof
KR20190094297A (ko) 인공 지능 세탁물 처리 기기 및 그의 동작 방법
US11203829B2 (en) Apparatus for treating laundry and method for operating the same
US20200018010A1 (en) Method, apparatus and system for detecting contamination of laundry tub using composite sensor
KR102119076B1 (ko) 인공지능에 기반하여 기능 제어를 수행하는 식기 세척기
CN111663294B (zh) 人工智能设备及其动作方法
KR20190109340A (ko) 작동 상태 분석 가능한 식기세척기 및 식기세척기의 작동 상태 분석 방법
US11303977B2 (en) Server for managing home network and control method therefor
CN111334982B (zh) 洗涤物处理装置及其操作方法
US11149376B2 (en) Washing machine for adjusting operation based on injected detergent and method for controlling the same
KR102367395B1 (ko) 홈 네트워크를 관리하는 서버 및 이의 제어방법
US11326291B2 (en) Apparatus and method for predicting freezing of washing machine
KR102165207B1 (ko) Ai 기반의 스마트 자동화 공정 오동작 진단 방법, 서버, 프로그램 및 컴퓨터 판독 가능한 기록 매체
Gordon et al. Activity recognition for creatures of habit: Energy-efficient embedded classification using prediction
US11539546B2 (en) Home appliances and method for controlling home appliances
US20210210075A1 (en) Controlling voice recognition sensitivity for voice recognition
US11492742B2 (en) Washer for adjusting amount of the detergent and method of operating thereof
KR20210079062A (ko) 추가 세탁물에 따라 동작을 조정하는 세탁 장치 및 그 제어 방법
KR20210091845A (ko) 식기세척기 및 식기세척기 구동 방법
KR20240039071A (ko) 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기 및 그 제어 방법

Legal Events

Date Code Title Description
A201 Request for examination