KR20210098652A

KR20210098652A - 가전기기 및 가전기기 제어 방법

Info

Publication number: KR20210098652A
Application number: KR1020200012446A
Authority: KR
Inventors: 차승철; 이상현; 박현지; 구본권
Original assignee: 엘지전자 주식회사
Priority date: 2020-02-03
Filing date: 2020-02-03
Publication date: 2021-08-11

Abstract

5G 통신 환경에서 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 실행함으로써, 수집한 가전기기의 환경 정보를 통해 가전기기의 동작을 제어하는 가전기기 및 가전기기 제어 방법에 관한 것이다. 본 발명의 일 실시 예에 따른 가전기기 제어 방법은, 가전기기가 설치된 지역에 대응하는 수질 경도를 수집하는 단계와, 가전기기에 기설정된 경도 및 수집한 경도를 비교하는 단계와, 비교의 결과에 따라, 가전기기의 세척 조건을 결정하는 단계를 포함할 수 있다. 본 발명에 의하면, 가전기기의 설치 지역 정보를 기반으로 수집한 물의 경도를 이용하여 가전기기의 동작을 제어함으로써, 가전기기 동작 시 물때(scale)를 방지하여 가전기기의 동작 신뢰성을 향상시킬 수 있다.

Description

가전기기 및 가전기기 제어 방법{HOME APPLIANCES AND METHOD FOR CONTROLLING HOME APPLIANCES}

본 발명은 가전기기가 설치된 지역에 대응하는 수질 경도를 이용하여 가전기기를 제어하는 가전기기 및 가전기기 제어 방법에 관한 것이다.

물의 경도란 물 시료 중의 칼슘 이온과 마그네슘 이온의 양을 이에 대응하는 탄산칼슘(CaCO₃)의 mg/L 값으로 환산하여 나타낸 것을 의미한다. 물 시료 중의 칼슘 이온과 마그네슘 이온은 주로 토양에서 유래하지만, 해수, 하수, 공장폐수 등에서 유래하는 경우도 있다. 또한, 수돗물에 있어서는 시설의 콘크리트 구조물 또는 수돗물의 석회 처리에 기인하는 경우도 있다.

특히, 음용수에서 칼슘과 마그네슘은 골격과 치아 및 치주 조직의 정상적인 형성에 필수 성분이며, 마그네슘은 치아 법랑질(enamel)층의 칼슘의 안정성을 증가시켜 치아 우식 예방 효과가 있는 것으로 알려져 있다. 음용수는 경도가 적당할 때에는 물맛이 좋으나, 지나치게 높으면 위장에 장해를 주어 설사를 일으킬 수 있다. 생활 용수로서, 경도가 높은 물은 비누의 효과가 나쁘기 때문에 좋지 않고, 특히 보일러 용수로서는 물때(scale)의 원인이 되므로, 물의 경도 조절이 필요하다.

물의 경도를 측정하는 방법으로, EBT 시약(eriochrome black T indicator)을 이용하는 경도 검출 키트가 개발되어 있으나, 비전문가가 현장에서 사용하기에는 측정 단계가 복잡한 문제점이 있다.

또한, 금속 지시약을 사용하여 흡광도를 측정하는 경도 검출기법이 개발되어 있으나, 고가의 흡광도 측정 기기를 이용하여야 측정이 가능하기 때문에, 현장에서 사용하기 어렵다는 단점이 있다.

이 외에도, AA(acrylic acid) 또는 ICP(inductively coupled plasma)를 이용한 기기 측정 기법은 물 시료 내의 칼슘 이온과 마그네슘 이온의 농도를 산출하여 물의 경도를 정확하게 계산할 수 있으나, 장비의 구매 및 운영에 비용이 많이 소요된다는 단점이 있다.

전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

본 발명의 일 과제는, 운영 비용이 많이 소요되고 측정이 복잡한 물의 경도를 측정하는 종래기술의 문제점을 해결하기 위한 것이다.

본 발명의 일 과제는, 가전기기의 설치 지역 정보를 기반으로 수집한 물의 경도를 이용하여, 가전기기의 동작을 제어하는데 있다.

본 발명의 일 과제는, 가전기기의 설치 지역 정보를 기반으로 수집한 물의 경도를 이용하여, 가전기기의 동작을 제어함으로써 가전기기를 보호하는데 있다.

본 발명의 일 과제는, 물의 경도가 조정된 상태로 가전기기의 동작을 완료하는데 있다.

본 발명의 일 과제는, 운영 비용이 많이 소요되고 측정이 복잡한 물의 경도를 측정하는 종래기술의 문제점을 최적의 프로세스 자원을 사용하면서 해결하는 것이다.

본 발명의 일 실시 예에 따른 가전기기 제어 방법은, 가전기기의 설치 지역 정보를 기반으로 물의 경도를 수집하여 가전기기의 동작을 제어하는 단계를 포함할 수 있다.

구체적으로, 본 발명의 일 실시 예에 따른 가전기기 제어 방법은, 가전기기가 설치된 지역에 대응하는 수질 경도를 수집하는 단계와, 가전기기에 기설정된 경도 및 수집한 경도를 비교하는 단계와, 비교의 결과에 따라, 가전기기의 세척 조건을 결정하는 단계를 포함할 수 있다.

본 발명의 일 실시 예에 따른 가전기기 제어 방법을 통하여, 가전기기의 설치 지역 정보를 기반으로 수집한 물의 경도를 이용하여 가전기기의 동작을 제어함으로써, 가전기기 동작 시 물때(scale)를 방지하여 가전기기의 동작 신뢰성을 향상시킬 수 있다.

본 발명의 일 실시 예에 따른 가전기기는, 가전기기가 설치된 지역에 대응하는 수질 경도를 수집하는 수집부와, 가전기기에 기설정된 경도 및 수집한 경도를 비교하는 비교부와, 비교의 결과에 따라, 가전기기의 세척 조건을 결정하는 결정부를 포함할 수 있다.

이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체가 더 제공될 수 있다.

전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.

본 발명에 의하면, 가전기기의 설치 지역 정보를 기반으로 수집한 물의 경도를 이용하여 가전기기의 동작을 제어함으로써, 가전기기 동작 시 물때(scale)를 방지하여 가전기기의 동작 신뢰성을 향상시킬 수 있다.

또한, 가전기기의 설치 지역 정보를 기반으로 수집한 물의 경도를 이용하여 가전기기의 동작을 제어함으로써, 세척력을 강화시키고 비용해성 세제에 의한 환경 오염을 줄일 수 있다.

또한, 가전기기 자체는 대량 생산된 획일적인 제품이지만, 가전기기가 설치된 지역에 대한 물의 경도를 이용하여 가전기기의 동작을 제어함으로써 사용자는 가전기기를 개인화된 장치로 인식하므로 사용자 맞춤형 제품의 효과를 낼 수 있다.

또한, 운영 비용이 많이 소요되고 측정이 복잡한 물의 경도를 측정하는 종래기술의 문제점을 최적의 프로세스 자원을 사용하여 해결할 수 있다.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 실시 예에 따른 가전기기, 사용자 단말기, 서버 및 이들을 서로 연결하는 네트워크를 포함하는 가전기기 제어 환경의 예시도이다.
도 2는 본 실시 예에 따른 가전기기의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 3은 도 2의 가전기기 중 정보 처리부의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다.
도 4는 본 실시 예에 따른 경도 분류표를 도시한 예시도이다.
도 5는 본 실시 예에 따른 가전기기 설치 위치 별로 수집되는 경도 관련 정보의 예시도이다.
도 6은 본 실시 예에 따른 가전기기의 세척 조건 결정을 위한 심층신경망 모델을 설명하기 위한 도면이다.
도 7은 본 실시 예에 따른 가전기기 제어 방법을 설명하기 위한 흐름도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

도 1은 본 실시 예에 따른 가전기기, 사용자 단말기, 서버 및 이들을 서로 연결하는 네트워크를 포함하는 가전기기 제어 환경의 예시도이다. 도 1을 참조하면, 정보 처리 환경은 가전기기(100), 사용자 단말기(200), 서버(300) 및 네트워크(400)를 포함할 수 있다.

가전기기(100)는 자신의 설치 지역 정보를 기반으로 물의 경도를 수집하여 자신의 동작을 제어할 수 있다. 본 실시 예에서 가전기기(100)는 내부에 투입된 처리 대상물로서의 식기를 세척하는 식기 세척기(101), 내부에 투입된 처리 대상물로서의 세탁물을 세탁하는 세탁기(102), 내부에 투입된 처리 대상물로서의 의류를 리프레시하는 의류 처리기(103) 등과 같은 사물인터넷(IoT)에 해당하는 각종 디바이스를 포함할 수 있다. 특히, 본 실시 예에서 가전기기(100)는 내부로 공급되는 물을 이용하여 처리 대상물을 처리하는 어떠한 디바이스도 포함할 수 있다. 다만, 가전기기(100)의 예가 도 1에 묘사된 것에 한정되는 것은 아니다.

가전기기(100)는 자신이 설치된 지역에 대응하는 수질 경도를 수집할 수 있다. 예를 들어, 가전기기(100)는 수질 경도를 제공하는 외부 장치(예를 들어, 수자원 공사)에 접속하여 가전기기(100)가 설치된 지역에 대응하는 수질 경도를 수집할 수 있다.

가전기기(100)는 자신의 IP 주소 또는 사용자가 입력한 지역 정보를 이용하여 가전기기(100)가 설치된 지역을 파악할 수 있다. 가전기기(100)는 설치된 지역 정보 및 수질 경도 요청 정보를 외부 장치로 전송하고, 외부 장치로부터 가전기기(100)가 설치된 지역에 대응하는 수질 경도를 수집할 수 있다.

가전기기(100)는 내부에 기설정된 수질 경도 및 외부 장치로부터 수집한 가전기기(100)가 설치된 지역에 대응하는 수질 경도를 비교할 수 있다.

가전기기(100)는 비교 결과에 따라, 가전기기(100)의 세척 조건을 결정할 수 있다. 여기서 가전기기(100)의 세척 조건이라 함은, 상술한 예에서 식기 세척기(101)가 식기를 세척하는 조건, 세탁기(102)가 세탁물을 세탁하는 조건 및 의류 처리기(103)가 의류를 리프레시 하는 조건 중 하나를 포함할 수 있으며, 설명의 편의상 세척 조건이라 명명하기로 한다.

가전기기(100)는 비교 결과에 따라, 가전기기(100)에 기설정된 세척 시간, 가전기기(100)에 기설정된 세척 횟수, 가전기기(100)에 기설정된 세척 세기 및 가전기기(100)에 기설정된 세제의 사용량 중 하나 이상을 결정할 수 있다.

또한, 가전기기(100)는 가전기기(100)가 설치된 지역에 대응하는 수질 경도의 수집 결과를 이용하여 가전기기(100)의 세척 조건을 파악하도록 미리 훈련된 심층신경망 모델을 이용하여 가전기기(100)의 세척 조건을 파악하고, 가전기기(100)의 이전 세척 조건을 파악한 세척 조건으로 결정할 수 있다. 여기서, 심층신경망 모델은, 가전기기(100)가 설치된 지역에 대응하는 다양한 수질 경도 및 수질 경도에 대한 가전기기(100)의 세척 조건을 레이블링한 훈련 데이터를 이용하여 지도학습 방식으로 훈련될 수 있다.

가전기기(100)는 기설정된 수질 경도가 수집한 수질 경도보다 높다는 비교 결과에 따라, 가전기기(100)는 세척 조건을 수집한 수질 경도에 대응하는 세척 조건으로 결정할 수 있다.

가전기기(100)는 기설정된 수질 경도가 수집한 수질 경도보다 낮다는 비교 결과에 따라, 가전기기(100)의 세척 조건을 가전기기(100)에 기설정된 수질 경도에 대응하는 세척 조건으로 유지하도록 하면서, 수집한 수질 경도에 대응하여 가전기기(100)로 공급되는 물의 경도를 가전기기(100)에 기설정된 수질 경도로 조정할 수 있다.

가전기기(100)는 공급되는 물의 경도(약간 경수(H2))를 연수(H1)로 조정 시에, 가전기기(100)로 공급되는 물을 가열하는 방법과, 가전기기(100)로 공급되는 물에 알칼리 성분을 첨가하는 방법과, 가전기기(100)로 공급되는 물에 금속 이온 봉쇄제를 첨가하는 방법과, 가전기기(100)로 공급하는 물의 이온을 교환하는 방법 중 하나 이상을 이용할 수 있다.

더 나아가 가전기기(100)는 기설정된 수질 경도 및 수집한 수질 경도가 일치한다는 비교 결과에 따라, 가전기기(100)의 현재 세척 조건을 유지할 수 있다.

선택적 실시 예로, 가전기기(100)는 자신이 설치된 지역에 대응하는 수질 경도를 수집한 후에, 수질 경도 관련 정보를 사용자에게 제공할 수 있다. 가전기기(100)는 수질 경도 관련 정보를 출력 인터페이스(도 2의 132), 오디오 출력부(도 2의 142) 및/또는 사용자 단말기(200)로 출력하여, 사용자가 인지하도록 할 수 있다.

여기서, 수질 경도 관련 정보는, 전국 수질 경도가 표시된 전국지도와, 전국지도로부터 수질 경도가 포함된 가전기기(100)가 설치된 지역을 팝업한 결과와, 팝업한 가전기기(100)가 설치된 지역의 현재 수질 경도와, 기설정된 기간 동안 팝업한 가전기기(100)가 설치된 지역의 수질 경도 변화 추이 그래프와, 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도의 비교 결과 중 하나 이상을 포함할 수 있다.

또한, 수질 경도 관련 정보는, 가전기기(100)에 기설정된 수질 경도가 수집한 수질 경도보다 높음에 따라, 가전기기(100)의 세척 조건을 수집한 수질 경도에 대응하는 세척 조건으로 결정한다는 제1 결정 정보와, 가전기기(100)에 기설정된 수질 경도가 수집한 수질 경도보다 낮음에 따라, 가전기기(100)의 세척 조건을 가전기기(100)에 기설정된 수질 경도에 대응하는 세척 조건으로 유지하면서, 수집한 수질 경도에 대응하여 가전기기(100)로 공급되는 물의 경도를, 가전기기(100)에 기설정된 수질 경도로 조정한다는 제2 결정 정보 중 하나를 제공할 수 있다.

선택적 실시 예로, 가전기기(100)는 세척 조건을 결정한 이후에, 주기적으로 가전기기(100)가 설치된 지역에 대응하는 수질 경도를 수집하고, 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도를 비교하여, 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도가 다르다는 비교 결과에 따라, 수질 경도 상태 알림 정보를 생성하여 사용자가 인지하도록 출력할 수 있다. 여기서 수질 경도 상태 알림 정보를 사용자가 인지하도록 출력한다 함은, 수질 경도 상태 알림 정보를 출력 인터페이스(도 2의 132), 오디오 출력부(도 2의 142) 및/또는 사용자 단말기(200)로 출력하는 것을 포함할 수 있다.

선택적 실시 예로, 가전기기(100)는 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도의 비교 결과, 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도가 다른 경우, 수집한 수질 경도에 대응하여 가전기기(100)에 기설정된 수질 경도의 재설정을 추천하는 추천 정보를 생성하여 사용자가 인지하도록 출력할 수 있다. 여기서 추천 정보를 사용자가 인지하도록 출력한다 함은, 추천 정보를 출력 인터페이스(도 2의 132), 오디오 출력부(도 2의 142) 및/또는 사용자 단말기(200)로 출력하는 것을 포함할 수 있다.

선택적 실시 예로, 가전기기(100)는 가전기기(100)가 설치된 지역에 대응하는 수질 경도의 수집 결과 및 가전기기(100)의 세척 조건 결정 결과를 이용하여 가전기기(100)에 수질 경도를 자동으로 설정하도록 미리 훈련된 심층신경망 모델을 이용하여 가전기기(100)의 수질 경도를 설정할 수 있다. 여기서, 심층신경망 모델은, 가전기기(100)가 설치된 지역에 대응하는 다양한 수질 경도와 수집 시간 및 가전기기(100)의 세척 조건 결정 결과와 결정 시간을 레이블링한 훈련 데이터를 이용하여 지도학습 방식으로 훈련될 수 있다. 이와 같은 가전기기(100)의 수질 경도 설정 모델을 이용하여 사용자의 수동적인 수질 경도 설정 없이도, 가전기기(100)가 자동으로 수질 경도를 설정할 수 있다.

본 실시 예에서, 가전기기(100)는 또한 인공 지능 기술이 적용된 세척 조건 결정 모델, 가전기기(100)의 수질 경도 설정 모델, 자연어 처리 모델 등과 같은 신경망 모델을 저장하거나 포함할 수 있다. 예를 들어, 인공 지능 기술이 적용된 신경망 모델은 합성곱 신경망, 적대적 생성 신경망, 또는 다른 타입의 머신 러닝 모델들과 같은 다양한 학습 모델들일 수 있다.

여기서, 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 의미할 수 있다.

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 취할 수 있다.

용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 기계 학습 알고리즘은 대표적으로 의사결정나무(decision tree)나 베이지안 망(bayesian network), 서포트벡터머신(support vector machine, SVM), 그리고 인공 신경망(artificial neural network, ANN) 등을 포함할 수 있다.

의사결정나무는 의사결정규칙(decision rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석 방법을 포함할 수 있다.

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

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

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 시스템을 포함할 수 있다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘을 포함할 수 있다.

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 구분될 수 있다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성될 수 있다.

또한 일반적인 다층 신경망은 입력층(input layer)과 하나 이상의 은닉층(hidden layer), 출력층(output layer)으로 구성될 수 있다.

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

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 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 분류(classification)하거나 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 예시로서, 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 실시 예에서는 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 기계 학습의 한 방법일 수 있다.

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 학습시킬 수 있다.

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

본 실시 예에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)라 명명할 수 있다.

또한 본 실시 예에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명명할 수 있다.

이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 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 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.

구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 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(generative adversarial network, GAN), 오토 인코더(auto encoder, AE)를 들 수 있다.

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

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 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 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 신경망을 포함할 수 있다. 오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함할 수 있다. 이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행될 수 있다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어갈 수 있다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행될 수 있다.

한편, 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현될 수 있다. 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 기계 학습의 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 이론을 포함할 수 있다.

강화 학습은 주로 마르코프 결정 과정(markov decision process, MDP)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)을 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출할 수 있다.

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 하이퍼 파라미터(hyper parameter)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.

하이퍼 파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함할 수 있다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함할 수 있다.

예컨대, 하이퍼 파라미터에는 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(mean squared error, MSE) 또는 교차 엔트로피 오차(cross entropy error, CEE)를 사용할 수 있으며, 본 개시가 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 방법을 포함할 수 있다.

머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(gradient descent, GD), 확률적 경사 하강법(stochastic gradient descent, SGD), 모멘텀(momentum), NAG(nesterov accelerate gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등을 포함할 수 있다.

경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법을 포함할 수 있다.

모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 명명할 수 있다.

이때, 스텝 사이즈는 학습률을 의미할 수 있다.

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

확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법을 포함할 수 있다.

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

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

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

상술된 바와 같은 인공 지능 기술이 적용된 신경망 모델은 먼저 트레이닝 연산 시스템(미도시)에 의해 트레이닝 단계를 거쳐 생성될 수 있고, 서버(300)에 저장되었다가 네트워크(400)를 통해 가전기기(100)로 전송된 것일 수 있다.

신경망 모델은 가전기기(100)가 설치된 지역으로부터 수집한 수질 경도 정보에 따라 세척 조건을 결정하도록 훈련된 학습 모델이거나, 가전기기(100)가 설치된 지역에 대응하는 수질 경도의 수집 결과 및 가전기기(100)의 세척 조건 결정 결과를 이용하여 가전기기(100)에 수질 경도를 자동으로 설정하도록 훈련된 학습 모델이거나, 사용자로부터 수신된 음성을 자연어 처리하기 위해 학습된 모델일 수 있다. 여기서, 훈련 방식은 적대적 생성 신경망 모델 또는 강화학습 등을 이용해 이루어질 수 있다.

통상적으로 이러한 신경망 모델은 트레이닝 연산 시스템에서 트레이닝 단계를 마치고 가전기기(100)의 동작 중에 적용할 수 있는 상태로 가전기기(100)에 저장되어 있을 수 있으나, 일부 실시 예에서 신경망 모델은 가전기기(100)에서도 추가적으로 트레이닝을 거쳐 업데이트 또는 업그레이드 될 수도 있다.

한편, 가전기기(100)에 저장되는 신경망 모델은 트레이닝 연산 시스템에서 생성된 모델들 중 일부일 수 있으며, 필요에 따라, 새로운 신경망 모델들이 트레이닝 연산 시스템에서 생성되어 가전기기(100)로 전달될 수 있다.

다른 예로서, 신경망 모델들은 가전기기(100)에 저장되는 대신 서버(300)에 저장되고, 웹 서비스의 형태로 가전기기(100)에 필요한 기능을 제공할 수도 있다.

사용자 단말기(200)는 가전기기 구동 어플리케이션 또는 가전기기 구동 사이트에 접속한 후 인증 과정을 통하여 가전기기(100)의 구동 또는 제어를 위한 서비스를 제공받을 수 있다. 본 실시 예에서 인증 과정을 마친 사용자 단말기(200)는 가전기기(100)를 구동하고, 가전기기(100)의 동작을 제어할 수 있다.

본 실시 예에서 사용자 단말기(200)는 사용자가 조작하는 데스크 탑 컴퓨터, 스마트폰, 노트북, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP4 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 사용자 단말기(200)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 사용자 단말기(200)는 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 차용될 수 있다.

서버(300)는 각종 인공지능 알고리즘을 적용하는데 필요한 빅데이터 및 가전기기(100)의 요청에 의해 처리한 데이터를 가전기기(100)에 제공하는 데이터베이스 서버일 수 있다. 그 밖에 서버(300)는 사용자 단말기(200)에 설치된 가전기기 구동 어플리케이션 또는 가전기기 구동 웹 브라우저를 이용하여 가전기기(100)의 동작을 원격에서 제어할 수 있도록 하는 웹 서버 또는 애플리케이션 서버를 포함할 수 있다.

서버(300)는 가전기기(100)로부터 가전기기(100)가 설치된 지역에 대응하는 수질 경도를 수집할 수 있다. 서버(300)는 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도를 비교하여 가전기기(100)의 세척 조건을 결정하여, 가전기기(100)로 전송할 수 있다.

서버(300)는 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도를 비교하여 가전기기(100)의 세척 조건을 결정하기 위해, 및/또는 수집한 수질 경도와 가전기기(100)의 세척 조건 결정 결과를 이용하여 가전기기(100)에 수질 경도를 설정하기 위해, 및/또는 사용자 음성에 대한 자연어 처리를 위해, 5G 통신 환경에서 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 실행할 수 있다.

서버(300)는 일반적으로 가정에서 사용되는 가전기기(100)보다 큰 프로세싱 능력 및 큰 메모리 용량을 가질 수 있다. 따라서, 시스템 구현에 따라, 적용에 보다 많은 프로세싱 능력을 필요로 하는 무거운 신경망 모델은 서버(300)에 저장되고, 적용에 보다 적은 프로세싱 능력을 필요로 하는 경량의 신경망 모델은 가전기기(100)에 저장되도록 구성될 수도 있다.

가전기기(100)는 여러 신경망 모델들 중 처리 대상에 따라 적합한 신경망 모델을 선택할 수 있다.

일 실시 예에서, 가전기기(100)는 자신이 설치된 지역에 대응하는 수질 경도의 수집 결과를 이용하여 가전기기(100)의 세척 조건을 결정하도록 미리 훈련된 신경망 모델을 선택할 수 있다.

다른 예에서, 가전기기(100)는 자신이 설치된 지역에 대응하는 수질 경도의 수집 결과와 세척 조건 결정 결과를 이용하여 가전기기(100)의 수질 경도를 설정하도록 미리 훈련된 신경망 모델을 선택할 수 있다.

또 다른 예에서, 가전기기(100)는 사용자가 입력하는 음성에 따라 적합한 대응을 하기 위해 자연어 처리를 수행하도록 훈련된 신경망 모델을 선택할 수 있다.

네트워크(400)는 가전기기(100)와, 사용자 단말기(200)와, 서버(300)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(400)는 예컨대 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(400)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.

네트워크(400)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(400)는 사물 등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.

도 2는 본 실시 예에 따른 가전기기의 구성을 개략적으로 설명하기 위하여 도시한 블록도이다. 이하의 설명에서 도 1에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 2를 참조하면, 가전기기(100)는 통신부(110), 센싱부(120), 사용자 인터페이스(130), 오디오 처리부(140), 정보 처리부(150), 메모리(160) 및 제어부(170)를 포함할 수 있다.

통신부(110)는 네트워크(400)와 연동하여 가전기기(100), 사용자 단말기(200) 및/또는 서버(300) 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공할 수 있다. 나아가, 통신부(110)는 가전기기(100)가 처리한 정보를 가전기기(100)로 전송할 수 있다. 또한 통신부(110)는 사용자 단말기(200)로부터 소정의 정보 요청 신호를 수신하는 역할을 할 수 있고, 가전기기(100)가 처리한 정보를 사용자 단말기(200)로 전송하는 역할을 수행할 수 있다. 또한 통신부(110)는 가전기기(100) 및/또는 사용자 단말기(200)로부터 소정의 정보 요청 신호를 서버(300)로 전송하고, 서버(300)가 처리한 응답 신호를 수신하여, 가전기기(100) 및/또는 사용자 단말기(200)로 전송할 수 있다. 또한 통신부(110)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.

또한, 통신부(110)는 각종 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등)을 지원할 수 있으며, M2M(machine to machine) 통신, V2X(vehicle to everything communication) 통신, D2D(device to device) 통신 등을 지원할 수 있다.

센싱부(120)는 가전기기(100) 내부 및/또는 주변 상황을 센싱하는 각종 센서를 포함할 수 있으며, 비전 센서를 포함할 수 있다. 비전 센서는 가전기기(100) 내부 및/또는 가전기기(100) 외부의 이미지를 촬영하는 카메라를 포함할 수 있으며, 촬영 효율을 위해 복수 개가 설치될 수 있다. 비전 센서는 2D 카메라, 3D 카메라, 스테레오 카메라, 적외선 카메라 등 다양한 종류의 카메라들 중에 선택될 수 있다.

예를 들어, 카메라는 적어도 하나의 광학렌즈와, 광학렌즈를 통과한 광에 의해 상이 맺히는 다수개의 광다이오드(photodiode, 예를 들어, pixel)를 포함하여 구성된 이미지센서(예를 들어, CMOS image sensor)와, 광다이오드들로부터 출력된 신호를 바탕으로 영상을 구성하는 디지털 신호 처리기(DSP: digital signal processor)를 포함할 수 있다. 디지털 신호 처리기는 정지영상은 물론이고, 정지영상으로 구성된 프레임들로 이루어진 동영상을 생성할 수 있다. 한편, 비전 센서로서의 카메라가 촬영하여 획득된 이미지는 메모리(160)에 저장될 수 있다.

본 실시 예에서 센싱부(120)를 비전 센서로 한정하고 있으나, 이에 국한되지 않고, 가전기기(100) 내부 및/또는 가전기기(100) 외부 주변 상황을 감지할 수 있는 센서 예를 들어, 도시되지는 않았으나, 라이다 센서(Lidar sensor), 조도 센서(illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor), 마이크로폰(microphone), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등), 접근 센서 중 적어도 하나를 포함할 수 있다. 한편, 본 실시 예에서 가전기기(100)는 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.

사용자 인터페이스(130) 중 입력 인터페이스(131)는 복수의 조작 버튼 및/또는 조그 셔틀을 포함할 수 있으며, 복수의 조작 버튼 및/또는 조그 셔틀에 대응하는 신호를 제어부(170)로 전송할 수 있다. 이러한 입력 인터페이스(131)는 사용자의 터치 또는 누름 조작을 인식할 수 있는 센서 또는 버튼, 스위치 구조로 구성될 수도 있다. 본 실시 예에서 입력 인터페이스(131)는 출력 인터페이스(132)에 표시되는 가전기기(100)의 구동과 관련한 각종 정보를 확인하거나, 결정하기 위해 사용자가 조작하는 조작 신호를 제어부(170)로 전송할 수 있다.

사용자 인터페이스(130) 중 출력 인터페이스(132)는 제어부(170)의 제어 하에 가전기기(100)의 구동 상태를 디스플레이 할 수 있다. 실시 예에 따라서, 출력 인터페이스(132)는 터치패드와 상호 레이어 구조를 이루어 터치스크린으로 구성될 수 있다. 이 경우에, 출력 인터페이스(132)는 사용자의 터치에 의한 정보의 입력이 가능한 입력 인터페이스(131)로도 사용될 수 있다. 이를 위해 출력 인터페이스(132)는 는 터치 인식 디스플레이 제어기 또는 이외의 다양한 입출력 제어기로 구성될 수 있다. 일 예로, 터치 인식 디스플레이 제어기는 장치와 사용자 사이에 출력 인터페이스 및 입력 인터페이스를 제공할 수 있다. 터치 인식 디스플레이 제어기는 전기 신호를 제어부(170)와 송수신할 수 있다. 또한, 터치 인식 디스플레이 제어기는 사용자에게 시각적인 출력을 표시하며, 시각적 출력은 텍스트, 그래픽, 이미지, 비디오와 이들의 조합을 포함할 수 있다. 이와 같은 출력 인터페이스(132)는 예를 들어 터치 인식이 가능한 OLED(organic light emitting display) 또는 LCD(liquid crystal display) 또는 LED(light emitting display)와 같은 소정의 디스플레이 부재일 수 있다.

오디오 처리부(140) 중 오디오 입력부(141)는 사용자 발화 음성(예를 들어 기동어 및 발화문(음성 명령어))을 입력 받아 제어부(170)로 전송할 수 있고, 제어부(170)는 사용자 발화 음성을 처리하여 가전기기(100)의 구동을 제어할 수 있다. 이를 위해 오디오 입력부(141)는 하나 이상의 마이크로폰(미도시)을 구비할 수 있다. 또한 사용자 발화 음성을 더 정확하게 수신하기 위해 복수의 마이크로폰(미도시)을 구비할 수 있다. 여기서, 복수의 마이크 각각은 서로 다른 위치에 이격되어 배치될 수 있고, 수신한 사용자 발화 음성을 전기적인 신호로 처리할 수 있다.

선택적 실시 예로, 오디오 입력부(141)는 사용자 발화 음성을 수신하는 과정에서 발생하는 노이즈를 제거하기 위한 다양한 노이즈 제거 알고리즘을 사용할 수 있다. 선택적 실시 예로, 오디오 입력부(141)는 사용자 발화 음성 수신 시에 노이즈를 제거하는 필터(미도시), 필터에서 출력되는 신호를 증폭하여 출력하는 증폭기(미도시) 등 음성 신호 처리를 위한 각종 구성 요소들을 포함할 수 있다.

오디오 처리부(140) 중 오디오 출력부(142)는 제어부(170)의 제어에 따라 경고음, 동작모드, 동작상태, 에러상태 등의 알림 메시지, 사용자의 발화정보에 대응하는 응답정보, 사용자의 음성 명령어에 대응하는 처리 결과 등을 오디오로 출력할 수 있다. 오디오 출력부(142)는 제어부(170)로부터의 전기 신호를 오디오 신호로 변환하여 출력할 수 있다. 이를 위해, 스피커 등을 구비할 수 있다.

정보 처리부(150)는 가전기기(100)가 설치된 지역에 대응하는 수질 경도를 수집할 수 있다. 정보 처리부(150)는 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도를 비교할 수 있다. 정보 처리부(150)는 비교 결과에 따라, 가전기기(100)의 세척 조건을 결정할 수 있다.

본 실시 예에서 정보 처리부(150)는 제어부(170)와 연계하여 학습을 수행하거나, 제어부(170)로부터 학습 결과를 수신할 수 있다. 본 실시 예에서 정보 처리부(150)는 도 2에 도시된 바와 같이 제어부(170) 외부에 구비될 수도 있고, 제어부(170) 내부에 구비되어 제어부(170)처럼 동작할 수도 있고, 도 1의 서버(300) 내부에 구비될 수도 있다. 이하 정보 처리부(150)의 상세한 내용은 도 3 내지 도 6을 참조하여 설명하기로 한다.

메모리(160)는 가전기기(100)의 동작에 필요한 각종 정보들을 저장하는 것으로, 휘발성 또는 비휘발성 기록 매체를 포함할 수 있다. 예를 들어, 메모리(160)에는 가전기기(100)의 수질 경도가 저장될 수 있다. 가전기기(100)의 수질 경도는 가전기기(100)의 제조 시에, 또는 가전기기(100)의 세척 조건을 결정한 후에 저장될 수 있다. 또한 가전기기(100)의 수질 경도는 주기적으로 업데이트 될 수 있다.

또한 메모리(160)에는 사용자 발화 음성으로부터 기동어의 존재를 판단하기 위한 기설정된 기동어가 저장될 수 있다. 한편, 기동어는 제조사에 의해 설정될 수 있다. 예를 들어, "하이 엘지"가 기동어로 설정될 수 있고, 사용자에 의해 설정 결정할 수 있다. 이러한 기동어는 가전기기(100)를 음성 엔진을 활성화시키기 위해 입력되는 것으로, 사용자가 발화한 기동어를 인식한 가전기기(100)는 음성 엔진을 활성화 상태로 전환할 수 있다.

음성 엔진은 음성 모듈로 지칭될 수도 있으며, 음성 모듈은 음성의 텍스트로의 변환, 텍스트의 의미 파악, 텍스트의 명령 또는 문의에 대한 적합한 응답에 대한 탐색, 탐색된 응답에 관련된 신호 생성, 탐색된 응답의 텍스트를 음성으로 변환하는 기능 등을 포함하는 자연어 처리와 관련된 전반적인 프로세스를 수행하도록 구성될 수 있다.

일 실시 예에서 음성 엔진은 자연어 처리를 위한 프로세서일 수 있으며, 또 다른 실시 예에서 음성 엔진은 자연어 처리를 위한 소프트웨어로 구현될 수 있다.

또한, 메모리(160)는 센싱부(120)를 통해 감지된 정보를 저장할 수 있다. 메모리(160)는 오디오 입력부(141)를 통하여 수신되는 사용자 발화 음성(기동어 및 발화 음성)을 저장할 수 있다. 또한 메모리(160)는 가전기기(100)의 동작에 필요한 각종 정보와, 가전기기(100)를 동작시킬 수 있는 제어 소프트웨어를 저장할 수 있다.

또한, 메모리(160)는 정보 처리부(150)가 실행할 명령 예를 들어, 가전기기(100)가 설치된 지역에 대응하는 수질 경도를 수집하는 명령어, 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도를 비교하는 명령어, 비교 결과에 따라, 가전기기(100)의 세척 조건을 결정하는 명령어, 가전기기(100)가 설치된 지역에 대응하는 수질 경도 관련 정보를 사용자에게 제공하는 명령어, 수질 경도 상태 알림 정보를 생성하여 출력하는 명령어, 가전기기(100)에 기설정된 수질 경도의 재설정을 추천하는 명령어 등을 저장할 수 있다. 또한, 메모리(160)는 정보 처리부(150)가 처리하는 각종 정보를 저장할 수 있다.

여기서, 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.

여기서, 간단한 음성 인식은 가전기기(100)가 수행하고, 자연어 처리 등 고차원의 음성 인식은 서버(300)에서 수행될 수 있다. 예를 들어, 사용자 발화 음성이 기설정된 기동어만을 포함하는 경우, 가전기기(100)는 음성 인식 기능을 활성화 시키고 발화문 수신 준비 상태로 전환할 수 있다. 이 경우에, 가전기기(100)는 기동어 음성 입력 여부까지의 음성 인식 과정만 수행하고, 이후의 발화문에 대한 음성 인식은 서버(300)를 통하여 수행할 수 있다. 가전기기(100)의 시스템 자원에는 한계가 있으므로, 복잡한 자연어 인식 및 처리는 서버(300)를 통하여 수행될 수 있다.

제어부(170)는 가전기기(100) 전반의 구동을 제어할 수 있다. 제어부(170)는 입력 인터페이스(131) 및/또는 오디오 입력부(141)를 통하여 사용자의 명령을 수신하고, 사용자의 명령 처리 결과를 출력 인터페이스(132) 및/또는 오디오 출력부(142)를 통하여 출력할 수 있다.

제어부(170)는 일종의 중앙처리장치로서 메모리(160)에 탑재된 제어 소프트웨어를 구동하여 가전기기(100) 전체의 동작을 제어할 수 있다. 제어부(170)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

본 실시 예에서 제어부(170)는 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도를 비교하여 가전기기(100)의 세척 조건을 결정하도록 하기 위해, 및/또는 수집한 수질 경도와 가전기기(100)의 세척 조건 결정 결과를 이용하여 가전기기(100)에 수질 경도를 설정하기 위해, 및/또는 사용자 음성에 대한 자연어 처리를 위해, 딥러닝(Deep Learning) 등 머신 러닝(machine learning)을 수행할 수 있고, 메모리(160)는, 머신 러닝에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.

도 3은 도 2의 가전기기 중 정보 처리부의 구성을 개략적으로 설명하기 위하여 도시한 블록도이고, 도 4는 본 실시 예에 따른 경도 분류표를 도시한 예시도이고, 도 5는 본 실시 예에 따른 가전기기 설치 위치 별로 수집되는 경도 관련 정보의 예시도이다. 이하의 설명에서 도 1 및 도 2에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

도 3 내지 도 5를 참조하면, 정보 처리부(150)는 수집부(151), 비교부(152), 결정부(153), 제공부(154), 알림부(155), 추천부(156), 모니터링부(157) 및 경도 감지부(158)를 포함할 수 있다. 선택적 실시 예로, 정보 처리부(150)는 하나 이상의 프로세서를 포함할 수 있다. 선택적 실시 예로, 수집부(151) 내지 경도 감지부(158)는 하나 이상의 프로세서에 대응될 수 있다. 선택적 실시 예로, 수집부(151) 내지 경도 감지부(158)는 하나 이상의 프로세서에 의해 실행되도록 구성된 소프트웨어 구성 요소(components)에 대응될 수 있다.

본 실시 예에서, 정보 처리부(150)는 또한 인공 지능 기술이 적용된 가전기기(100)의 세척 조건 결정 모델, 가전기기(100)의 수질 경도 설정 모델, 자연어 처리 모델 등과 같은 신경망 모델을 저장하거나 포함할 수 있다. 예를 들어, 인공 지능 기술이 적용된 신경망 모델은 합성곱 신경망, 적대적 생성 신경망, 또는 다른 타입의 머신 러닝 모델들과 같은 다양한 학습 모델들일 수 있다.

수집부(151)는 가전기기(100)가 설치된 지역에 대응하는 수질 경도를 수집할 수 있다. 수집부(151)는 수질 경도를 제공하는 외부 장치(예를 들어, 수자원 공사)에 접속하여 가전기기(100)가 설치된 지역에 대응하는 수질 경도에 대응하는 수질 경도를 수집할 수 있다.

수집부(151)는 네트워크(400)에 접속된 가전기기(100)의 IP 주소 또는 사용자가 입력한 지역 정보를 이용하여 가전기기(100)가 설치된 지역을 파악할 수 있다. 여기서, 사용자가 사용자 단말기(200)를 이용하여 가전기기 구동 어플리케이션 또는 정보 처리 장치 구동 사이트에 접속한 후, 가전기기(100)가 설치된 지역을 입력하면, 수집부(151)는 가전기기(100)가 설치된 지역을 파악할 수 있다.

수집부(151)는 외부 장치(예를 들어, 수자원 공사)에 접속하여 가전기기(100)가 설치된 지역 정보를 입력하고, 가전기기(100)가 설치된 지역에 대한 수질 정보를 요청할 수 있다. 외부장치는 수집부(151)의 요청에 응답하여 가전기기(100)가 설치된 지역에 대한 수질 정보를 전송할 수 있다.

비교부(152)는 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도를 비교할 수 있다.

여기서 가전기기(100)에 기설정된 수질 경도는 메모리(160)에 저장되어 비교 시에 메모리(160)로부터 독출될 수 있다. 가전기기(100)가 설치된 지역에 대응하여, 메모리(160)에는 가전기기(100)의 수질 경도가 미리 저장될 수 있다. 메모리(160)에는 가전기기(100)의 수질 경도에 대응하여 가전기기의 세척 조건이 미리 저장될 수 있다.

도 4에는 경도 분류표가 도시되어 있는데, 물에 함유되어 있는 경도성분(칼슘, 마그네슘, 크롬, 철, 납, 수은, 아연 등)에 따라 H0(극연수), H1(연수), H2(약간 경수), H3(경수) 및 H4(극경수)의 5단계로 분류할 수 있다. 경도 분류표에서 H0 및 H1은 연수(단물)를 나타내고, H2 내지 H4는 경수(센물)를 나타낼 수 있다.

예를 들어, 가전기기(100)에 기설정된 수질 경도가 H1(연수)인 경우 메모리(160)에는 세척조건으로 15분의 세척 시간, 2회의 세척 횟수, 제2 레벨(중)의 세척 세기 및 제2 양(10g)의 세제 사용량이 기설정되어 저장되어 있을 수 있다.

또한, 가전기기(100)에 기설정된 수질 경도가 H3(경수)인 경우 메모리(160)에는 세척조건으로 30분의 세척 시간, 3회의 세척 횟수, 제1 레벨(강)의 세척 세기 및 제1 양(20g)의 세제 사용량이 기설정되어 저장되어 있을 수 있다.

일반적으로 경수는 연수에 비해 세제가 잘 녹지 않기 때문에, 경수의 세척 조건은 연수의 세척 조건과 비교 시에, 기설정된 세척 시간이 더 길거나, 및/또는 기설정된 세척 횟수가 더 많거나, 및/또는 기설정된 세척 세기가 더 세거나, 및/또는 기설정된 세제의 사용량이 더 많을 수 있다.

결정부(153)는 비교부(152)로부터 비교 결과를 수신하여, 가전기기(100)의 세척 조건을 결정할 수 있다. 결정부(153)는 비교 결과에 따라, 가전기기(100)에 기설정된 세척 시간, 가전기기(100)에 기설정된 세척 횟수, 가전기기(100)에 기설정된 세척 세기 및 가전기기(100)에 기설정된 세제의 사용량 중 하나 이상을 결정할 수 있다.

또한, 결정부(153)는 가전기기(100)가 설치된 지역에 대응하는 수질 경도의 수집 결과를 이용하여 가전기기(100)의 세척 조건을 파악하도록 미리 훈련된 심층신경망 모델을 이용하여 가전기기(100)의 세척 조건을 파악하고, 가전기기(100)의 이전 세척 조건을 파악한 세척 조건으로 결정할 수 있다. 여기서, 심층신경망 모델은, 가전기기(100)가 설치된 지역에 대응하는 다양한 수질 경도 및 수질 경도에 대한 가전기기(100)의 세척 조건을 레이블링한 훈련 데이터를 이용하여 지도학습 방식으로 훈련될 수 있다.

결정부(153)는 기설정된 수질 경도가 수집한 수질 경도보다 높다는 비교 결과에 따라, 세척 조건을 수집한 수질 경도에 대응하는 세척 조건으로 결정할 수 있다.

예를 들어, 가전기기(100)에 기설정된 수질 경도가 H2(약간 경수) 이고, 수집한 수질 경도가 H1(연수)인 경우, 결정부(153)는 세척 조건을 수집한 수질 경도 즉, 연수(H1)에 대응하는 세척 조건으로 결정할 수 있다.

결정부(153)는 세척 조건 결정 시에, 기설정된 세척 시간보다 더 짧게 결정하거나, 및/또는 기설정된 세척 횟수보다 더 적게 결정하거나, 및/또는 기설정된 세척 세기보다 더 약하게 결정하거나, 및/또는 기설정된 세제의 사용량보다 더 적게 결정할 수 있다.

결정부(153)는 기설정된 수질 경도가 수집한 수질 경도보다 낮다는 비교 결과에 따라, 가전기기(100)의 세척 조건을 가전기기(100)에 기설정된 수질 경도에 대응하는 세척 조건으로 유지하도록 하면서, 수집한 수질 경도에 대응하여 가전기기(100)로 공급되는 물의 경도를, 가전기기(100)에 기설정된 수질 경도로 조정할 수 있다.

예를 들어, 가전기기(100)에 기설정된 수질 경도가 H1(연수)이고, 수집한 수질 경도가 H2(약간 경수)인 경우, 결정부(153)는 세척 조건을 기설정된 수질 경도인 H1(연수)로 유지하면서, 가전기기(100)로 공급되는 물의 경도인 H2(약간 경수)를 H1(연수)으로 조정할 수 있다.

결정부(153)는 가전기기(100)로 공급되는 물의 경도를 조절하는 경도 조정부(미도시)를 더 포함할 수 있다. 경도 조정부는 가전기기(100)로 공급되는 물의 경도인 H2(약간 경수)를 H1(연수)로 조정 시에, 가전기기(100)로 공급되는 물을 가열하는 방법과, 가전기기(100)로 공급되는 물에 알칼리 성분을 첨가하는 방법과, 가전기기(100)로 공급되는 물에 금속 이온 봉쇄제를 첨가하는 방법과, 가전기기(100)로 공급하는 물의 이온을 교환하는 방법 중 하나 이상을 이용할 수 있다.

여기서, 물을 가열하는(끓이는) 방법은 일시적인 경수일 경우 사용할 수 있다. 가전기기(100)로 공급되는 물에 알칼리 성분을 첨가하는 방법은, 경수에 함유된 금속 이온을 불용성으로 침전시켜 제거하는 방법으로, 탄산나트륨, 인산나트륨, 메타인산나트륨 등을 사용할 수 있다.

가전기기(100)로 공급되는 물에 금속 이온 봉쇄제를 첨가하는 방법은, 경수에 함유된 금속 이온을 킬레이트화 하여 제거하는 방법으로, 제올라이트, 퍼뮤티드 등을 사용할 수 있다. 여기서 금속 이온 봉쇄제는 수용액 중에서 금속 이온과 결합해서 가용성 착염을 형성하여 금속 이온이 다른 시약에 의해 침전을 일으키지 않게 하는 작용을 나타내는 화합물을 포함할 수 있다.

가전기기(100)로 공급되는 물의 이온을 교환하는 방법은, 물에 포함된 경수 성분인 Ca²+와 Mg²+이온이 이온교환수지에 주입된 NaCl의 Na+과 교환되면서 물을 연수화 시킬 수 있다.

더 나아가 결정부(153)는 기설정된 수질 경도 및 수집한 수질 경도가 일치한다는 비교 결과에 따라, 가전기기(100)의 현재 세척 조건을 유지할 수 있다.

제공부(154)는 자신이 설치된 지역에 대응하는 수질 경도를 수집한 후에, 수질 경도 관련 정보를 사용자에게 제공할 수 있다. 제공부(154)는 수질 경도 관련 정보를 출력 인터페이스(132), 오디오 출력부(142) 및/또는 사용자 단말기(200)로 출력하여, 사용자가 인지하도록 할 수 있다.

도 5에는 제공부(154)가 제공하는 수질 경도 관련 정보가 도시되어 있다. 도 5를 참조하면, 제공부(154)는 전국 수질 경도가 표시된 전국지도(510)를 사용자에게 제공할 수 있다. 제공부(154)는 수질 경도가 표시된 전국지도(510)로부터 가전기기(100)가 설치된 지역의 팝업 결과(520)를 사용자에게 제공할 수 있다. 제공부(154)는 기설정된 기간 동안 팝업한 가전기기(100)가 설치된 지역의 수질 경도 변화 추이 그래프(530)를 사용자에게 제공할 수 있다. 제공부(154)는 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도의 비교 결과로서, 제1 결정 정보(540) 및 제1 결정 정보(550)를 사용자에게 제공할 수 있다. 제1 결정 정보(540) 및 제1 결정 정보(550)는 사용자의 선택 입력(예 또는 아니오)에 따라 수행되거나 현상태로 유지될 수 있다.

제1 결정 정보(540)는 가전기기(100)에 기설정된 수질 경도가 수집한 수질 경도보다 높음에 따라, 가전기기(100)의 세척 조건을 수집한 수질 경도에 대응하는 세척 조건으로 결정한다는 정보를 포함할 수 있다.

제2 결정 정보(550)는 가전기기(100)에 기설정된 수질 경도가 수집한 수질 경도보다 낮음에 따라, 가전기기(100)의 세척 조건을 가전기기(100)에 기설정된 수질 경도에 대응하는 세척 조건으로 유지하면서, 수집한 수질 경도에 대응하여 가전기기(100)로 공급되는 물의 경도를, 가전기기(100)에 기설정된 수질 경도로 조정한다는 정보를 포함할 수 있다.

제공부(154)는 수질 경도 관련 정보 이외에, 도시되지는 않았으나, 수집한 수질 경도에 적합한 세제 종류 및 세제 사용량을 포함하는 세제 정보를 사용자에게 제공할 수 있다.

예를 들어, 경수에 적합한 세제는 알칼리성 세제를 포함할 수 있다. 알칼리성 세제는 일반적으로 칼슘, 마그네슘 및 철과 같은 경수와 결합된 금속 이온들을 격리시키고, 오염물을 제거하기 위한 격리제로서 포스페이트, 니트릴로트리아세트산(NTA), 또는 에틸렌디아민테트라아세트산(EDTA)을 함유할 수 있다.

특히, NTA, EDTA 또는 폴리포스페이트, 예를 들어 소듐 트리폴리포스페이트 및 이들의 염은 이미 존재하는 무기 염들 및/또는 오물을 가용화시키는 이들의 능력으로 인하여, 세제에 사용될 수 있다. 칼슘, 마그네슘 염이 침전할 때, 결정들은 세정될 표면에 부착하고, 요망되지 않는 효과들을 야기시킬 수 있다.

예를 들어, 식기의 표면 상에서의 칼슘 카보네이트 침전은 식기의 심미적 외관에 악영향을 미칠 수 있어 깨끗하지 않은 모습을 나타낼 수 있다. 금속 이온들을 제거하기 위한 NTA, EDTA 및 폴리포스페이트들의 능력은 경질 침전(hardness precipitation)을 방지하고/거나, 오물 제거를 돕고/거나, 세척 공정 동안에 오물 재부착을 방지함으로써 세정력을 촉진시킬 수 있다.

물이 경수인 경우인 경우 즉, 광물질의 함유량이 많이 함유되는 경우에는 이온 간의 상호 작용에 의해서 세제가 잘 풀리지 아니하고, 세제가 잘 풀리지 아니하기 때문에, 보다 많은 세제가 투입되어야만 적정한 세탁을 수행할 수 있다. 그와 반대로, 광물질의 함유량이 적은 경우에는 이온 간의 상호 작용이 거의 없기 때문에 세제가 잘 풀리게 되고, 보통 상태보다 적은 양의 세제가 투입되는 경우에도 적정한 처리를 수행할 수 있다. 따라서, 물의 경수 여부에 따라 세제량을 조정할 수 있다.

또한, 제공부(154)는 상술한 수질 경도 관련 정보 및/또는 세제 정보를 기저장된 사용자의 이메일 주소, 단말기 번호 또는 SNS(social network service, 트위터, 페이스북, 카카오톡 등) 주소 중 하나 이상으로 제공할 수 있다.

알림부(155)는 결정부(153)가 세척 조건을 결정한 이후에, 주기적으로 수집부(151)로부터 가전기기(100)가 설치된 지역에 대응하는 수질 경도를 수집하고, 비교부(152)로부터 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도를 비교 결과를 수신하여, 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도가 다른 경우, 수질 경도 상태 알림 정보를 생성하여 사용자가 인지하도록 출력할 수 있다.

알림부(155)는 수질 경도 상태 알림 정보를 출력 인터페이스(132), 오디오 출력부(142) 및/또는 사용자 단말기(200)로 출력할 수 있다.

예를 들어, 가전기기(100)에 기설정된 수질 경도가 H1(연수)이고, 수집한 수질 경도가 H2(약간 경수)인 경우, 알림부(155)는 수질 경도 상태 알림 정보를 생성하여 출력할 수 있다. 가전기기(100)로 공급되는 물의 경도가 H2(약간 경수)인 경우, 발생한 물때(scale)가 가전기기(100)의 문제 발생을 야기시킬 수 있으므로, 알림 정보를 생성하여 출력할 수 있다. 사용자는 수질 경도 상태 알림 정보를 수신하여 가전기기(100)에 기설정된 수질 경도를 재설정하거나, 세척 조건을 변경할 수 있다.

추천부(156)는 비교부(152)로부터 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도의 비교 결과를 수신하여, 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도가 다른 경우, 수집한 수질 경도에 대응하여 가전기기(100)에 기설정된 수질 경도의 재설정을 추천하는 추천 정보를 생성하여 사용자가 인지하도록 출력할 수 있다.

추천부(156)는 추천 정보를 출력 인터페이스(132), 오디오 출력부(142) 및/또는 사용자 단말기(200)로 출력할 수 있다. 사용자는 추천 정보를 수신하여 가전기기(100)에 기설정된 수질 경도를 재설정하거나, 세척 조건을 변경할 수 있다.

선택적 실시 예로, 추천부(156)는 가전기기(100)에 기설정된 경도를 자동으로 업데이트(재설정)할 수 있다. 추천부(156)는 가전기기(100)가 설치된 지역에 대응하는 수질 경도의 수집 결과 및 가전기기(100)의 세척 조건 결정 결과를 이용하여 가전기기(100)에 수질 경도를 자동으로 설정하도록 미리 훈련된 심층신경망 모델을 이용하여 가전기기(100)의 수질 경도를 설정할 수 있다.

여기서, 심층신경망 모델은, 가전기기(100)가 설치된 지역에 대응하는 다양한 수질 경도와 수집 시간 및 가전기기(100)의 세척 조건 결정 결과와 결정 시간을 레이블링한 훈련 데이터를 이용하여 지도학습 방식으로 훈련될 수 있다.

이와 같은 가전기기(100)의 수질 경도 설정 모델을 이용하여 사용자의 수동적인 수질 경도 설정 없이도, 가전기기(100)가 자동으로 수질 경도를 설정할 수 있다.

예를 들어, 가전기기(100)가 설치된 지역의 수질 경도가 여름(6월 내지 9월)에는 H1(연수)이고, 겨울(12월 내지 2월)에는 H2(약간 경수)로 변한다고 가정하기로 한다.

이와 같은 경우, 추천부(156)는 여름(6월 내지 9월) 동안 가전기기(100)의 수질 경도를 H1(연수)로 업데이트하면서 세척 조건 또한 H1(연수)에 대응하는 세척 조건으로 업데이트할 수 있다.

또한 추천부(156)는 겨울(12월 내지 2월) 동안 가전기기(100)의 수질 경도를 H2(약간 경수)로 업데이트하면서 세척 조건 또한 H2(약간 경수)에 대응하는 세척 조건으로 업데이트할 수 있다

모니터링부(157)는 가전기기(100)의 동작이 완료될 때까지 공급되는 물의 경도와 물의 경도에 대응하는 세척 조건을 모니터링 할 수 있다. 모니터링부(157)는 경도 감지부(158)를 이용하여 가전기기(100)로 공급되는 물의 경도를 모니터링할 수 있다.

경도 감지부(158)는 가전기기(100)로 공급되는 물에 포함되는 미네랄의 함유 상태를 측정하기 위한 것으로서, 예를 들어, 가전기기(100)로 공급되는 물에 마그네슘 이온(Mg⁺) 및 칼슘 이온(Ca⁺)등의 광물질의 함유량을 측정할 수 있다. 또한, 경도 감지부(158)는 가전기기(100)로 공급되는 물에 함유되는 이온의 양에 따라 달리 측정되는 전도도의 크기를 측정하여 알 수 있다. 그러므로, 경도 감지부(158)는 전도도 센서가 적용될 수 있다. 결국, 가전기기(100)로 공급되는 물의 경도는 전도도에 의해서 결정되는 양이 될 수 있다.

예를 들어, 가전기기(100)로 공급되는 물의 경도가 H1(연수)이고, 세척 조건이 H1(연수)에 대응하는 세척 조건으로 동작하고 있는 상황에서, 모니터링부(157)가 가전기기(100)로 공급되는 물의 경도가 H2(약간 경수)인 것으로 판단한 경우, 결정부(153)로 모니터링 결과를 전송할 수 있다.

모니터링 결과를 수신한 결정부(153)는 가전기기(100)로 공급되는 물의 경도인 H2(약간 경수)를 H1(연수)로 재조정하거나, H1(연수)에 대응하는 세척 조건을 H2(약간 경수)에 대응하는 세척 조건으로 재조정 할 수 있다.

도 6은 본 실시 예에 따른 가전기기의 세척 조건 결정을 위한 심층신경망 모델을 설명하기 위한 도면이다. 이하의 설명에서 도 1 내지 도 5에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

도 6을 참조하면, 가전기기(100)는 가전기기(100)의 세척 조건을 결정하기 위해 신경망을 이용할 수 있다.

가전기기(100)의 개발자는 먼저 가전기기(100)가 설치된 지역에 대응하는 다양한 수질 경도 및 수질 경도에 대한 가전기기의 세척 조건을 레이블링 할 수 있다. 이러한 과정을 통해 충분한 양의 훈련 데이터가 준비되면 미리 설계한 초기 신경망 모델을 지도학습 방식을 통해 훈련시킬 수 있다.

훈련을 통해 생성된 신경망 모델은 가전기기(100)가 설치된 지역에 대응하는 수질 경도에 따라 가전기기(100)의 세척 조건이 무엇인지 파악할 수 있다.

도 7은 본 실시 예에 따른 가전기기 제어 방법을 설명하기 위한 흐름도이다. 이하의 설명에서 도 1 내지 도 6에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.

도 7을 참조하면, S710단계에서, 가전기기(100)는 자신이 설치된 지역에 대응하는 수질 경도를 수집한다.

가전기기(100)는 수질 경도를 제공하는 외부 장치(예를 들어, 수자원 공사)에 접속하여 가전기기(100)가 설치된 지역에 대응하는 수질 경도를 수집할 수 있다. 가전기기(100)는 자신의 IP 주소 또는 사용자가 입력한 지역 정보를 이용하여 가전기기(100)가 설치된 지역을 파악할 수 있다. 가전기기(100)는 설치된 지역 정보 및 수질 경도 요청 정보를 외부 장치로 전송하고, 외부 장치로부터 가전기기(100)가 설치된 지역에 대응하는 수질 경도를 수집할 수 있다.

S720단계에서, 가전기기(100)는 내부에 기설정된 수질 경도 및 외부 장치로부터 수집한 가전기기(100)가 설치된 지역에 대응하는 수질 경도를 비교한다. 본 실시 예에서 가전기기(100)는 가전기기(100)가 설치된 지역에 대응하여, 가전기기(100)의 수질 경도가 미리 설정되어 메모리(160)에 저장될 수 있다.

S730단계에서, 가전기기(100)는 비교 결과에 따라, 가전기기(100)의 세척 조건을 결정한다.

선택적 실시 예로, 가전기기(100)는 자신이 설치된 지역에 대응하는 수질 경도를 수집한 후에, 수질 경도 관련 정보를 제공할 수 있다. 여기서, 수질 경도 관련 정보는, 전국 수질 경도가 표시된 전국지도와, 전국지도로부터 수질 경도가 포함된 가전기기(100)가 설치된 지역을 팝업한 결과와, 팝업한 가전기기(100)가 설치된 지역의 현재 수질 경도와, 기설정된 기간 동안 팝업한 가전기기(100)가 설치된 지역의 수질 경도 변화 추이 그래프와, 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도의 비교 결과 중 하나 이상을 포함할 수 있다.

선택적 실시 예로, 가전기기(100)는 세척 조건을 결정한 이후에, 주기적으로 가전기기(100)가 설치된 지역에 대응하는 수질 경도를 수집하고, 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도를 비교하여, 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도가 다르다는 비교 결과에 따라, 수질 경도 상태 알림 정보를 생성하여 사용자가 인지하도록 출력할 수 있다.

선택적 실시 예로, 가전기기(100)는 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도의 비교 결과, 가전기기(100)에 기설정된 수질 경도 및 수집한 수질 경도가 다른 경우, 수집한 수질 경도에 대응하여 가전기기(100)에 기설정된 수질 경도의 재설정을 추천하는 추천 정보를 생성하여 사용자가 인지하도록 출력할 수 있다.

선택적 실시 예로, 가전기기(100)는 가전기기(100)가 설치된 지역에 대응하는 수질 경도의 수집 결과 및 가전기기(100)의 세척 조건 결정 결과를 이용하여 가전기기(100)에 수질 경도를 자동으로 설정하도록 미리 훈련된 심층신경망 모델을 이용하여 가전기기(100)의 수질 경도를 설정할 수 있다. 여기서, 심층신경망 모델은, 가전기기(100)가 설치된 지역에 대응하는 다양한 수질 경도와 수집 시간 및 가전기기(100)의 세척 조건 결정 결과와 결정 시간을 레이블링한 훈련 데이터를 이용하여 지도학습 방식으로 훈련될 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 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

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 결정이 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 결정된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

100: 가전기기
200: 사용자 단말기
300: 서버
400: 네트워크

Claims

가전기기의 제어 방법으로서,
가전기기가 설치된 지역에 대응하는 수질 경도를 수집하는 단계;
상기 가전기기에 기설정된 수질 경도 및 수집한 수질 경도를 비교하는 단계; 및
상기 비교의 결과에 따라, 상기 가전기기의 세척 조건을 결정하는 단계를 포함하는,
가전기기 제어 방법.
제 1 항에 있어서,
상기 가전기기의 세척 조건을 결정하는 단계는,
상기 가전기기에 기설정된 세척 시간, 상기 가전기기에 기설정된 세척 횟수, 상기 가전기기에 기설정된 세척 세기 및 상기 가전기기에 기설정된 세제의 사용량 중 하나 이상을 결정하는 단계를 포함하는,
가전기기 제어 방법.
제 1 항에 있어서,
상기 가전기기의 세척 조건을 결정하는 단계는,
가전기기가 설치된 지역에 대응하는 수질 경도의 수집 결과를 이용하여 가전기기의 세척 조건을 파악하도록 미리 훈련된 심층신경망 모델을 이용하여 가전기기의 세척 조건을 파악하고, 가전기기의 이전 세척 조건을 파악한 세척 조건으로 결정하는 단계를 포함하고,
상기 심층신경망 모델은,
가전기기가 설치된 지역에 대응하는 다양한 수질 경도 및 수질 경도에 대한 가전기기의 세척 조건을 레이블링한 훈련 데이터를 이용하여 지도학습 방식으로 훈련된,
가전기기 제어 방법.
제 1 항에 있어서,
상기 가전기기의 세척 조건을 결정하는 단계는,
상기 가전기기에 기설정된 수질 경도가 상기 수집한 수질 경도보다 높다는 비교 결과에 따라, 상기 가전기기의 세척 조건을 상기 수집한 수질 경도에 대응하는 세척 조건으로 결정하는 단계를 포함하는,
가전기기 제어 방법.
제 1 항에 있어서,
상기 가전기기의 세척 조건을 결정하는 단계는,
상기 가전기기에 기설정된 수질 경도가 상기 수집한 수질 경도보다 낮다는 비교 결과에 따라, 상기 가전기기의 세척 조건을 상기 가전기기에 기설정된 수질 경도에 대응하는 세척 조건으로 유지하는 단계; 및
상기 수집한 수질 경도에 대응하여 상기 가전기기로 공급되는 물의 경도를 상기 가전기기에 기설정된 수질 경도로 조정하는 단계를 포함하는,
가전기기 제어 방법.
제 1 항에 있어서,
상기 수질 경도를 수집하는 단계 이후에,
상기 가전기기가 설치된 지역에 대응하는 수질 경도 관련 정보를 사용자에게 제공하는 단계를 더 포함하는,
가전기기 제어 방법.
제 6 항에 있어서,
상기 수질 경도 관련 정보를 사용자에게 제공하는 단계는,
전국 수질 경도가 표시된 전국지도를 상기 사용자에게 제공하는 단계;
상기 전국지도로부터 수질 경도가 포함된 상기 가전기기가 설치된 지역을 팝업하여 상기 사용자에게 제공하는 단계;
팝업한 상기 가전기기가 설치된 지역의 현재 수질 경도를 상기 사용자에게 제공하는 단계;
기설정된 기간 동안 팝업한 상기 가전기기가 설치된 지역의 수질 경도 변화 추이 그래프를 상기 사용자에게 제공하는 단계; 및
상기 가전기기에 기설정된 수질 경도 및 상기 수집한 수질 경도의 비교 결과를 상기 사용자에게 제공하는 단계를 포함하는,
가전기기 제어 방법.
제 7 항에 있어서,
상기 비교 결과를 상기 사용자에게 제공하는 단계는,
상기 가전기기에 기설정된 수질 경도가 수집한 수질 경도보다 높다는 비교 결과에 따라, 상기 가전기기의 세척 조건을 상기 수집한 수질 경도에 대응하는 세척 조건으로 결정한다는 제1 결정 정보를 상기 사용자에게 제공하는 단계; 및
상기 가전기기에 기설정된 수질 경도가 수집한 수질 경도보다 낮다는 비교 결과에 따라, 상기 가전기기의 세척 조건을 상기 가전기기에 기설정된 수질 경도에 대응하는 세척 조건으로 유지하면서, 상기 수집한 수질 경도에 대응하여 상기 가전기기로 공급되는 물의 경도를, 상기 가전기기에 기설정된 수질 경도로 조정한다는 제2 결정 정보를 상기 사용자에게 제공하는 단계를 포함하는,
가전기기 제어 방법.
제 1 항에 있어서,
상기 가전기기의 세척 조건을 결정하는 단계 이후에,
주기적으로 상기 가전기기가 설치된 지역에 대응하는 수질 경도를 수집하는 단계;
상기 가전기기에 기설정된 수질 경도 및 수집한 수질 경도를 비교하는 단계; 및
상기 가전기기에 기설정된 수질 경도 및 상기 수집한 수질 경도가 다르다는 비교 결과에 따라, 수질 경도 상태 알림 정보를 생성하여 출력하는 단계를 더 포함하는,
가전기기 제어 방법.
제 1 항에 있어서,
상기 가전기기에 기설정된 수질 경도 및 상기 수집한 수질 경도가 다르다는 비교 결과에 따라, 상기 수집한 수질 경도에 대응하여 상기 가전기기에 기설정된 수질 경도의 재설정을 추천하는 추천 정보를 생성하여 출력하는 단계를 더 포함하는,
가전기기 제어 방법.
가전기기로서,
가전기기가 설치된 지역에 대응하는 수질 경도를 수집하는 수집부;
상기 가전기기에 기설정된 수질 경도 및 수집한 수질 경도를 비교하는 비교부; 및
상기 비교의 결과에 따라, 상기 가전기기의 세척 조건을 결정하는 결정부를 포함하는,
가전기기.
제 11 항에 있어서,
상기 결정부는,
상기 가전기기에 기설정된 세척 시간, 상기 가전기기에 기설정된 세척 횟수, 상기 가전기기에 기설정된 세척 세기 및 상기 가전기기에 기설정된 세제의 사용량 중 하나 이상을 결정하도록 구성된,
가전기기.
제 11 항에 있어서,
상기 결정부는,
가전기기가 설치된 지역에 대응하는 수질 경도의 수집 결과를 이용하여 가전기기의 세척 조건을 파악하도록 미리 훈련된 심층신경망 모델을 이용하여 가전기기의 세척 조건을 파악하고, 가전기기의 이전 세척 조건을 파악한 세척 조건으로 결정하도록 구성되고,
상기 심층신경망 모델은,
가전기기가 설치된 지역에 대응하는 다양한 수질 경도 및 수질 경도에 대한 가전기기의 세척 조건을 레이블링한 훈련 데이터를 이용하여 지도학습 방식으로 훈련된,
가전기기.
제 11 항에 있어서,
상기 결정부는,
상기 가전기기에 기설정된 수질 경도가 상기 수집한 수질 경도보다 높다는 비교 결과에 따라, 상기 가전기기의 세척 조건을 상기 수집한 수질 경도에 대응하는 세척 조건으로 결정하도록 구성된,
가전기기.
제 11 항에 있어서,
상기 결정부는,
상기 비교의 결과, 상기 가전기기에 기설정된 수질 경도가 상기 수집한 수질 경도보다 낮다는 비교 결과에 따라, 상기 가전기기의 세척 조건을 상기 가전기기에 기설정된 수질 경도에 대응하는 세척 조건으로 유지하고, 상기 수집한 수질 경도에 대응하여 상기 가전기기로 공급되는 물의 경도를 상기 가전기기에 기설정된 수질 경도로 조정하도록 구성된,
가전기기.
제 11 항에 있어서,
상기 수질 경도를 수집한 이후에, 상기 가전기기가 설치된 지역에 대응하는 수질 경도 관련 정보를 사용자에게 제공하는 제공부를 더 포함하는,
가전기기.
제 16 항에 있어서,
상기 제공부는,
전국 수질 경도가 표시된 전국지도와, 상기 전국지도로부터 수질 경도가 포함된 상기 가전기기가 설치된 지역을 팝업한 결과와, 팝업한 상기 가전기기가 설치된 지역의 현재 수질 경도와, 기설정된 기간 동안 팝업한 상기 가전기기가 설치된 지역의 수질 경도 변화 추이 그래프와, 상기 가전기기에 기설정된 수질 경도 및 상기 수집한 수질 경도의 비교 결과 중 하나 이상을 상기 사용자에게 제공하도록 구성된,
가전기기.
제 17 항에 있어서,
상기 제공부는,
상기 가전기기에 기설정된 수질 경도가 수집한 수질 경도보다 높다는 비교 결과에 따라, 상기 가전기기의 세척 조건을 상기 수집한 수질 경도에 대응하는 세척 조건으로 결정한다는 제1 결정 정보를 상기 사용자에게 제공하고,
상기 가전기기에 기설정된 수질 경도가 수집한 수질 경도보다 낮다는 비교 결과에 따라, 상기 가전기기의 세척 조건을 상기 가전기기에 기설정된 수질 경도에 대응하는 세척 조건으로 유지하면서, 상기 수집한 수질 경도에 대응하여 상기 가전기기로 공급되는 물의 경도를, 상기 가전기기에 기설정된 수질 경도로 조정한다는 제2 결정 정보를 상기 사용자에게 제공하도록 구성된,
가전기기.
제 11 항에 있어서,
상기 가전기기의 세척 조건을 결정한 이후에, 주기적으로 상기 가전기기가 설치된 지역에 대응하는 수질 경도를 수집하고, 상기 가전기기에 기설정된 수질 경도 및 수집한 수질 경도를 비교하며, 상기 가전기기에 기설정된 수질 경도 및 상기 수집한 수질 경도가 다르다는 비교 결과에 따라, 수질 경도 상태 알림 정보를 생성하여 출력하는 알림부를 더 포함하는,
가전기기.
제 11 항에 있어서,
상기 가전기기에 기설정된 수질 경도 및 상기 수집한 수질 경도가 다르다는 비교 결과에 따라, 상기 수집한 수질 경도에 대응하여 상기 가전기기에 기설정된 수질 경도의 재설정을 추천하는 추천 정보를 생성하여 출력하는 추천부를 더 포함하는,
가전기기.