KR20220002689A

KR20220002689A - 인공지능 건조기

Info

Publication number: KR20220002689A
Application number: KR1020217041722A
Authority: KR
Inventors: 박윤식
Original assignee: 엘지전자 주식회사
Priority date: 2019-09-04
Filing date: 2019-09-04
Publication date: 2022-01-06
Also published as: EP4026940A4; EP4026940A1; WO2021045259A1; US20220341083A1

Abstract

본 발명은 인공지능 건조기에 관한 것이다. 본 발명의 실시예에 따른 인공지능 건조기는, 케이싱과, 케이싱 내의 세탁조와, 세탁조를 회전시키는 모터와, 모터를 구동하며, 모터에 흐르는 출력 전류를 검출하는 출력 전류 검출부를 구비하는 구동부와, 세탁조에 열을 공급하는 열공급부와, 구동부를 제어하는 제어부를 포함하고, 제어부는, 출력 전류 검출부로부터의 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조 내의 세탁포에 대한 부하를 판단하며, 세탁포의 부하 정보에 기초하여, 운전 코스 정보를 결정한다. 이에 따라, 세탁포의 부하 정보에 대응하는 최적의 운전 코스 정보의 제공이 가능하게 된다.

Description

인공지능 건조기

본 발명은 인공지능 건조기에 관한 것으로, 보다 상세하게는 세탁포의 부하 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있는 인공지능 건조기에 관한 것이다.

건조기는, 세탁조 내의 세탁포를 건조시키기 위해, 열을 가하는 건조운전을 수행한다.

통상 건조운전은 세탁조 내에 투입된 포의 양(이하, ‘포량’이라고도 함)에 따라 설정된다. 따라서, 포량이 부정확하게 측정된 경우에는 충분한 건조성능을 기대할 수 없는 문제가 있다.

또한, 건조성능은 포량 뿐만 아니라 세탁물의 종류(이하, ‘포질’이라고도 함)에 따라서도 편차가 발생된다.

한편, 최근에는 인공지능과 딥러닝 등 머신러닝에 관한 관심이 크게 증가하고 있다. 이에 따라, 인공지능과 머신 러닝을 다양한 제품, 서비스에 이용하기 위한 연구가 증가하고 있다.

본 발명의 목적은, 세탁포의 부하 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있는 건조기를 제공함에 있다.

본 발명의 다른 목적은, 심층 신경망 기반하의 학습에 따라, 세탁포에 대한 부하를 판단하고, 세탁포의 부하 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있는 건조기를 제공함에 있다.

상기 목적을 달성하기 위한 본 발명의 실시예에 따른 인공지능 건조기는, 케이싱과, 케이싱 내의 세탁조와, 세탁조를 회전시키는 모터와, 모터를 구동하며, 모터에 흐르는 출력 전류를 검출하는 출력 전류 검출부를 구비하는 구동부와, 세탁조에 열을 공급하는 열공급부와, 구동부를 제어하는 제어부를 포함하고, 제어부는, 출력 전류 검출부로부터의 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조 내의 세탁포에 대한 부하를 판단하며, 세탁포의 부하 정보에 기초하여, 운전 코스 정보를 결정한다.

한편, 제어부는, 세탁조 내의 세탁포에 대한 부하 판단시, 세탁포의 포량, 포질을 판단한다.

한편, 본 발명의 실시예에 따른 인공지능 건조기는, 세탁조 내의 온도를 감지하는 온도 감지부와, 세탁조 내의 습도를 감지하는 습도 감지부를 더 포함하고, 제어부는, 온도 감지부에서 감지된 온도 정보, 습도 감지부에서 감지된 습도 정보, 및 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조 내의 세탁포에 대한 부하를 판단하며, 세탁포의 부하 정보에 기초하여, 운전 코스 정보를 결정한다.

한편, 부하 판단시, 세탁조 내의 세탁포는, 탈수가 완료된 세탁포를 포함한다.

한편, 제어부는, 세탁조의 텀블 구간 동안의 출력 전류 검출부로부터의 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조 내의 세탁포에 대한 부하를 판단하며, 세탁포의 부하 정보에 기초하여, 운전 코스 정보를 결정한다.

한편, 제어부는, 결정된 운전 코스 정보에 기초하여 운전을 수행하고, 운전 코스 정보를 출력하도록 제어한다.

한편, 본 발명의 실시예에 따른 인공지능 건조기는, 복수의 운전 코스 정보를 저장하는 메모리를 더 포함하고, 결정된 운전 코스 정보는, 메모리에 저장되지 않은 추가 운전 코스 정보이다.

한편, 메모리는, 추가 운전 코스 정보를 저장한다.

한편, 제어부는, 세탁포의 부하 정보의 레벨에 기초하여, 운전 코스 설정을 위한 분류를 수행하고, 분류에 기초하여, 운전 코스 정보를 결정한다.

한편, 제어부는, 외부의 서버에 접속하여, 분류에 따른 분류 정보에 기초한 검색을 수행하고, 검색 결과에 기초하여, 운전 코스 정보를 결정한다.

한편, 제어부는, 외부의 서버에 접속하여, 세탁포의 부하 정보의 레벨에 기초한 검색을 수행하고, 검색 결과에 기초하여, 운전 코스 정보를 결정한다.

한편, 제어부는, 결정된 운전 코스 정보가 제1 운전 코스 정보 또는 제2 운전 코스 정보인 경우, 세탁조의 제1 속도 상승, 제1 속도 유지, 속도 하강이 순차적으로 수행되도록 제어하며, 결정된 운전 코스 정보가 제3 운전 코스 정보인 경우, 세탁조의 제1 속도 보다 높은 제2 속도 상승, 제3 속도 하강, 제3 속도 유지, 및 속도 하강이 순차적으로 수행되도록 제어한다.

한편, 제어부는, 제1 운전 코스 정보 내지 제3 운전 코스 정보에 따라, 세탁조 내의 건조 정도가 가변되도록 제어한다.

한편, 상기 목적을 달성하기 위한 본 발명의 다른 실시예에 따른 인공지능 건조기는, 케이싱과, 케이싱 내의 세탁조와, 세탁조를 회전시키는 모터와, 모터를 구동하며, 모터에 흐르는 출력 전류를 검출하는 출력 전류 검출부를 구비하는 구동부와, 세탁조에 열을 공급하는 열공급부와, 구동부를 제어하는 제어부를 포함하고, 제어부는, 출력 전류 검출부로부터의 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조 내의 세탁포에 대한 포질을 판단하며, 세탁포의 포질 정보에 기초하여, 운전 코스 정보를 결정한다.

본 발명의 실시예에 따른 인공지능 건조기는, 케이싱과, 케이싱 내의 세탁조와, 세탁조를 회전시키는 모터와, 모터를 구동하며, 모터에 흐르는 출력 전류를 검출하는 출력 전류 검출부를 구비하는 구동부와, 세탁조에 열을 공급하는 열공급부와, 구동부를 제어하는 제어부를 포함하고, 제어부는, 출력 전류 검출부로부터의 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조 내의 세탁포에 대한 부하를 판단하며, 세탁포의 부하 정보에 기초하여, 운전 코스 정보를 결정한다. 이에 따라, 세탁포의 부하 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다. 특히, 심층 신경망 기반하의 학습에 따라, 세탁포에 대한 부하를 판단함으로써, 세탁포의 부하 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 제어부는, 세탁조 내의 세탁포에 대한 부하 판단시, 세탁포의 포량, 포질을 판단한다. 이에 따라, 세탁포의 포량, 포질에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 본 발명의 실시예에 따른 인공지능 건조기는, 세탁조 내의 온도를 감지하는 온도 감지부와, 세탁조 내의 습도를 감지하는 습도 감지부를 더 포함하고, 제어부는, 온도 감지부에서 감지된 온도 정보, 습도 감지부에서 감지된 습도 정보, 및 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조 내의 세탁포에 대한 부하를 판단하며, 세탁포의 부하 정보에 기초하여, 운전 코스 정보를 결정한다. 이에 따라, 온도, 습도, 출력 전류에 기초하여, 심층 신경망 기반하의 학습에 따라, 세탁포에 대한 부하를 판단함으로써, 세탁포의 부하 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 부하 판단시, 세탁조 내의 세탁포는, 탈수가 완료된 세탁포를 포함한다. 이에 따라, 건포에 대한 부하 판단을 수행함으로써, 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 제어부는, 세탁조의 텀블 구간 동안의 출력 전류 검출부로부터의 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조 내의 세탁포에 대한 부하를 판단하며, 세탁포의 부하 정보에 기초하여, 운전 코스 정보를 결정한다. 이에 따라, 세탁포의 부하 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 제어부는, 결정된 운전 코스 정보에 기초하여 운전을 수행하고, 운전 코스 정보를 출력하도록 제어한다. 이에 따라, 운전 코스 정보를 사용자가 용이하게 인식할 수 있게 된다.

한편, 본 발명의 실시예에 따른 인공지능 건조기는, 복수의 운전 코스 정보를 저장하는 메모리를 더 포함하고, 결정된 운전 코스 정보는, 메모리에 저장되지 않은 추가 운전 코스 정보이다. 이에 따라, 새로운 운전 코스 정보를 제공할 수 있게 된다.

한편, 메모리는, 추가 운전 코스 정보를 저장한다. 이에 따라, 새로운 운전 코스 정보를 저장할 수 있게 된다.

한편, 제어부는, 세탁포의 부하 정보의 레벨에 기초하여, 운전 코스 설정을 위한 분류를 수행하고, 분류에 기초하여, 운전 코스 정보를 결정한다. 이에 따라, 세탁포의 부하 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 제어부는, 외부의 서버에 접속하여, 분류에 따른 분류 정보에 기초한 검색을 수행하고, 검색 결과에 기초하여, 운전 코스 정보를 결정한다. 이에 따라, 외부 서버를 이용하여 운전 코스 정보를 제공할 수 있게 된다.

한편, 제어부는, 외부의 서버에 접속하여, 세탁포의 부하 정보의 레벨에 기초한 검색을 수행하고, 검색 결과에 기초하여, 운전 코스 정보를 결정한다. 이에 따라, 외부 서버를 이용하여 운전 코스 정보를 제공할 수 있게 된다.

한편, 제어부는, 결정된 운전 코스 정보가 제1 운전 코스 정보 또는 제2 운전 코스 정보인 경우, 세탁조의 제1 속도 상승, 제1 속도 유지, 속도 하강이 순차적으로 수행되도록 제어하며, 결정된 운전 코스 정보가 제3 운전 코스 정보인 경우, 세탁조의 제1 속도 보다 높은 제2 속도 상승, 제3 속도 하강, 제3 속도 유지, 및 속도 하강이 순차적으로 수행되도록 제어한다. 이에 따라, 운전 코스 정보에 따른 최적의 세탁조 구동을 수행할 수 있게 된다.

한편, 제어부는, 제1 운전 코스 정보 내지 제3 운전 코스 정보에 따라, 세탁조 내의 건조 정도가 가변되도록 제어한다. 이에 따라, 운전 코스 정보에 따른 최적의 건조 동작을 수행할 수 있게 된다.

한편, 본 발명의 다른 실시예에 따른 인공지능 건조기는, 케이싱과, 케이싱 내의 세탁조와, 세탁조를 회전시키는 모터와, 모터를 구동하며, 모터에 흐르는 출력 전류를 검출하는 출력 전류 검출부를 구비하는 구동부와, 세탁조에 열을 공급하는 열공급부와, 구동부를 제어하는 제어부를 포함하고, 제어부는, 출력 전류 검출부로부터의 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조 내의 세탁포에 대한 포질을 판단하며, 세탁포의 포질 정보에 기초하여, 운전 코스 정보를 결정한다. 이에 따라, 세탁포의 포질 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다. 특히, 심층 신경망 기반하의 학습에 따라, 세탁포에 대한 포질을 판단함으로써, 세탁포의 포질 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

도 1은 본 발명의 일 실시예에 따른 건조기를 도시한 사시도이다.
도 2는 도 1의 건조기의 내부 블록도이다.
도 3는 도 2의 모터 구동부의 내부 회로도이다.
도 4는 도 3의 인버터 제어부의 내부 블록도이다.
도 5는 포의 상태와 부하량(포량)에 따른 모터에 인가되는 전류 패턴을 도시한 것이다.
도 6은 포질별 전류 패턴을 도시한 것이다.
도 7은 모터의 속도를 기 설정된 방법으로 제어하면서, 부하별 전류 패턴을 도시한 것이다.
도 8은 전류 검출부에 의해 구해진 현재의 출력 전류 값들을 인공신경망의 입력 데이터로 처리하는 과정을 도시한 것이다.
도 9는 인공신경망의 일례를 도시한 개요도이다.
도 10은 모터의 현재의 출력 전류 값을 이용하여 포량 및 포질을 판단하는 과정을 학습과정과 인식과정으로 구분하여 표시한 개요도이다.
도 11은 전류 검출부에 의해 검출된 현재의 출력 전류 값을 도시한 그래프(a)와, 이동평균필터를 처리하여 구한 평균 값들을 도시한 그래프(b)이다.
도 12는 전류 검출부에 의해 검출된 전류 값들을 도시한 그래프이다.
도 13은 도 11에 도시된 그래프의 전류 값들을, 인공신경망의 입력 데이터로 사용하기 위해 처리한 값들을 도시한 그래프이다.
도 14는 건조기의 제어방법을 도시한 순서도이다.
도 15는 부하별 전류 패턴들을 중첩한 그래프이다.
도 16은 도 15에서 0 내지 6kg의 부하에 대응하는 전류 패턴들을 분류한 그래프이다.
도 17은 도 15에서 7 내지 9kg의 부하에 대응하는 전류 패턴들을 분류한 그래프이다.
도 18은 본 발명의 일 실시예에 따른 건조기의 제어방법을 도시한 순서도이다.
도 19 내지 도 20c는 도 18의 제어방법 설명에 참조되는 도면이다.
도 21은 본 발명의 다른 실시예에 따른 건조기의 제어방법을 도시한 순서도이다.

이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.

이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 단순히 본 명세서 작성의 용이함만이 고려되어 부여되는 것으로서, 그 자체로 특별히 중요한 의미 또는 역할을 부여하는 것은 아니다. 따라서, 상기 "모듈" 및 "부"는 서로 혼용되어 사용될 수도 있다.

도 1은 본 발명의 일 실시예에 따른 건조기를 도시한 사시도이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 건조기(100)는, 포가 전면(front) 방향으로 세탁조 내로 삽입되는 프론트 로드(front load) 방식의 건조기이다.

도면을 참조하여 설명하면, 건조기(100)는, 드럼식 건조기로서, 건조기(100)의 외관을 형성하는 케이싱(110)과, 케이싱(110) 내부에 배치되며 케이싱(110)에 의해 지지되는 세탁조(120)와, 세탁조(120) 내부에 배치되며 포가 세탁되는 세탁조인 드럼(122)과, 드럼(122)을 구동시키는 모터(130)와, 세탁조(120) 하측에 형성되어 수분을 외부로 배출하는 배수장치(미도시)를 포함한다.

드럼(122)에는 세탁수가 통과되도록 복수개의 통공(122A)이 형성되며, 드럼(122)의 회전시 세탁물이 일정 높이로 들어 올려진 후, 중력에 의해 낙하되도록 드럼(122)의 내 측면에 리프터(124)가 배치될 수 있다.

케이싱(110)은, 캐비닛 본체(111)와, 캐비닛 본체(111)의 전면에 배치되어 결합하는 캐비닛 커버(112)와, 캐비닛 커버(112) 상측에 배치되며 캐비닛 본체(111)와 결합하는 컨트롤패널(115)과, 컨트롤패널(115) 상측에 배치되며 캐비닛 본체(111)와 결합하는 탑플레이트(116)를 포함한다.

캐비닛 커버(112)는 포의 출입이 가능하도록 형성되는 포 출입홀(114)과, 포 출입홀(114)의 개폐가 가능하도록 좌우로 회동 가능하게 배치되는 도어(113)를 포함한다.

컨트롤패널(115)은 건조기(100)의 운전상태를 조작하는 입력부(117)과, 입력부(117)의 일측에 배치되며 건조기(100)의 운전상태를 표시하는 디스플레이(118)를 포함한다.

컨트롤패널(115) 내의 입력부(117) 및 디스플레이(118)는 제어부(미도시)에 전기적으로 연결되며, 제어부(미도시)는 건조기(100)의 각 구성요소등을 전기적으로 제어한다. 제어부(미도시)의 동작에 대해서는, 도 3의 제어부(210)의 동작을 참조하여 생략한다.

도 2는 도 1의 건조기의 내부 블록도이다.

도면을 참조하여 설명하면, 건조기(100)는, 세탁조(120)를 회전시키는 모터(230)와, 모터(230)를 구동하는 구동부(220)와, 통신부(270)와, 입력부(117)와, 디스플레이(118)와, 건조기(100) 내의 각 유닛을 제어하는 제어부(210), 속도 감지부(245)와, 열공급부(175)와, 온도 감지부(189)와, 습도 감지부(191), 블로워(185) 를 구비할 수 있다.

입력부(117)는, 건조기(100)의 조작을 위한 조작키(전원키, 동작키 등)를 구비할 수 있다.

한편, 입력부(117)는, 사용자 음성 인식을 위한 마이크(미도시)를 더 구비할 수도 있다.

디스플레이(118)는, 건조기(100)의 동작 상태를 표시한다.

예를 들어, 디스플레이(118)는, 건조기(100)의 동작 중인 운전 코스 정보를 표시할 수 있다.

열공급부(175)는, 세탁조(120) 내로 열을 공급할 수 있다.

예를 들어, 열공급부(175)는, 히터를 구비하며, 히터에 의해 온도 상승한 공기를 블로워(185)를 통해, 세탁조(120) 내로 공급할 수 있다.

다른 예로, 열공급부(175)는, 히트 펌프를 구비하며, 히트 펌프의 압축기, 증발기, 응축기 등에 의해 온도 상승한 공기를 블로워(185)를 통해, 세탁조(120) 내로 공급할 수 있다.

또 다른 예로, 열공급부(175)는, RF 신호를 출력하는 RF 출력장치를 구비하며, RF 신호에 의해 온도 상승한 공기를 블로워(185)를 통해, 세탁조(120) 내로 공급할 수 있다.

메모리(240)에는 프로그램된 인공신경망, 포량 별 및/또는 포질 별 전류 패턴들, 상기 전류 패턴을 바탕으로 머신 러닝 기반의 학습을 통해 구축된 데이터 베이스(DB), 머신 러닝 알고리즘, 출력 전류 검출부(E)에 의해 검출된 현재의 출력 전류 값, 상기 현재의 출력 전류 값들을 평균한 값, 이들 평균한 값들을 파싱 룰(parsing rule)에 따라 처리한 값, 통신부(270)를 통해 송수신되는 데이터 등이 저장될 수 있다.

뿐만 아니라, 메모리(240)에는 건조기의 동작 전반의 제어를 위한 각종 제어 데이터, 사용자가 입력한 건조설정 데이터, 건조설정에 따라 산출되는 건조시간, 건조 코스 등에 대한 데이터, 건조기의 에러 발생 여부를 판단하기 위한 데이터 등이 저장될 수 있다.

통신부(270)는 외부의 이동 단말기(600) 또는 서버(500) 등과 통신을 수행할 수 있다.

이를 위해, 통신부(270)는 인터넷 모듈, 이동 통신 모듈 등 하나 이상의 통신 모듈을 구비할 수 있다. 통신부(270)는 상기 서버로부터 학습 데이터, 알고리즘 업데이트 등의 각종 데이터를 수신할 수 있다.

제어부(210)는 통신부(270)를 통해 수신된 각종 데이터를 처리하여 메모리(240)를 갱신할 수 있다. 예를 들어, 통신부(270)를 통해 입력된 데이터가 메모리(240)에 기저장된 운전 프로그램에 대한 업데이트 데이터인 경우에는 이를 이용하여 메모리(240)에 업데이트시키고, 입력된 데이터가 신규한 운전 프로그램인 경우에는 메모리(240)에 이를 추가로 저장시킬 수 있다.

딥러닝(Deep Learning)은, 인공지능을 구성하기 위한 인공신경망(ANN)에 기반으로 해 컴퓨터에게 사람의 사고방식을 가르치는 방법으로 사람이 가르치지 않아도 컴퓨터가 스스로 사람처럼 학습할 수 있는 인공지능 기술이다. 인공신경망(ANN)은 소프트웨어 형태로 구현되거나 칩(chip) 등 하드웨어 형태로 구현될 수 있다.

건조기(100)는, 머신 러닝(machine learning) 기반으로 출력 전류 검출부(E)에 의해 검출된 전류 값들을 처리하여 세탁조(120) 내에 투입된 세탁물(포)의 특성(이하, 포 특성이라고 함.)을 파악할 수 있다. 이러한 포 특성은 포의 양과 포의 상태(이하, ‘포질’이라고도 함)을 예로 들수 있으며, 제어부(210)는 머신 러닝 기반으로 포량 별 포질을 판정할 수 있다.

예를 들어, 제어부(210)는 포량을 구하고, 다시 포질에 따라 기 분류된 카테고리들 중 어느 것에 속하는지를 판정할 수 있다. 이러한 포의 상태는 포의 재질, 부드러운 정도(예를 들어, 부드러운(soft) 포/ 뻣뻣한(hard) 포), 포가 물을 머금을 수 있는 능력(즉, 함습율), 건포와 습포 간의 부피 차, 포의 구성(즉, 부드러운 포(Soft)와 뻣뻣한 포(Hard)의 혼합비) 등의 여러 요인들을 바탕으로 정의될 수 있다.

제어부(210)는, 상기 목표속도에 도달하는 시점까지 출력 전류 검출부(E)에서 검출된 현재의 출력 전류 값을 머신 러닝(machine learning)으로 기학습된 인공신경망(Artificial Neural Network)의 입력 데이터(input data)로 사용하여 포량을 검출할 수 있다.

한편, 제어부(210)는, 모터 구동부(220)를 제어할 수 있다.

모터 구동부(220)는, 모터(230)를 구동하게 된다. 이에 따라, 세탁조(120)에 모터(230)에 의해 회전하게 된다.

제어부(210)는, 입력부(117)로부터 동작 신호를 입력받아 동작을 한다. 이에 따라, 건조 행정이 수행될 수 있다.

또한, 제어부(210)는, 디스플레이(118)를 제어하여, 건조 코스, 건조 시간 등, 또는 현재 동작 상태 등을 표시하도록 제어할 수 있다.

한편, 제어부(210)는, 모터 구동부(220)를 제어하며, 모터 구동부(220)는, 모터(230)를 동작시키도록 제어한다.

모터 구동부(220)는, 모터(230)를 구동시키기 위한 것으로, 인버터(미도시), 및 인버터 제어부(미도시), 모터(230)에 흐르는 출력 전류를 검출하는 출력전류 검출부(도 3의 E)를 구비할 수 있다. 또한, 모터 구동부(220)는, 인버터(미도시)에 입력되는 직류 전원을 공급하는, 컨버터 등을 더 포함하는 개념일 수 있다.

예를 들어, 모터 구동부(220) 내의 인버터 제어부(도 3의 430)는, 출력 전류(io)에 기초하여, 모터(230)의 회전자 위치를 추정한다. 그리고, 추정된 회전자 위치에 기초하여, 모터(230)가 회전하도록 제어한다.

구체적으로, 인버터 제어부(도 3의 430)가, 출력 전류(io)에 기초하여, 펄스폭 변조(PWM) 방식의 스위칭 제어 신호(도 3의 Sic)를 생성하여, 인버터(미도시)로 출력하면, 인버터(미도시)는 고속 스위칭 동작을 하여, 소정 주파수의 교류 전원을 모터(230)에 공급한다. 그리고, 모터(230)는, 소정 주파수의 교류 전원에 의해, 회전하게 된다.

모터 구동부(220)에 대해서는 도 3을 참조하여 후술한다.

한편, 제어부(210)는, 전류 검출부(220)에서 검출된 전류(i_o) 등에 기초하여, 포량을 감지할 수 있다. 예를 들어, 세탁조(120)가 회전하는 동안에, 모터(230)의 전류값(i_o)에 기초하여 포량을 감지할 수 있다.

한편, 제어부(210)는 러닝 머신에 의한 학슥 및 인식을 수행할 수 있으며, 이를 위해, 학습모듈(213)과 인식모듈(216)을 포함할 수 있다.

속도 감지부(245)는, 모터(230) 내부 또는 외부에는, 모터의 회전자 위치를 감지하기 위한 홀 센서를 구비할 수 있다. 이에 따라, 속도 감지부(245)는, 위치 감지부라 명명할 수도 있다.

한편, 속도 감지부(245)에서 출력되는 위치 신호(H)는, 제어부(210)에 입력되며, 제어부(210)는, 위치 신호(H)에 기초하여, 모터(230)의 속도를 감지할 수 있게 된다.

도 3은 도 2의 모터 구동부의 내부 회로도이다.

도면을 참조하여 설명하면, 본 발명의 실시예에 따른 모터 구동부(220)는, 센서리스 방식의 모터를 구동하기 위한 것으로서, 컨버터(410), 인버터(420), 인버터 제어부(430), dc 단 전압 검출부(B), 평활 커패시터(C), 출력 전류 검출부(E), 출력전압 검출부(F)를 포함할 수 있다. 또한, 모터 구동부(220)는, 입력 전류 검출부(A), 리액터(L) 등을 더 포함할 수도 있다.

리액터(L)는, 상용 교류 전원(405, v_s)과 컨버터(410) 사이에 배치되어, 역률 보정 또는 승압동작을 수행한다. 또한, 리액터(L)는 컨버터(410)의 고속 스위칭에 의한 고조파 전류를 제한하는 기능을 수행할 수도 있다.

입력 전류 검출부(A)는, 상용 교류 전원(405)으로부터 입력되는 입력 전류(i_s)를 검출할 수 있다. 이를 위하여, 입력 전류 검출부(A)로, CT(current trnasformer), 션트 저항 등이 사용될 수 있다. 검출되는 입력 전류(i_s)는, 펄스 형태의 이산 신호(discrete signal)로서, 인버터 제어부(430)에 입력될 수 있다.

컨버터(410)는, 리액터(L)를 거친 상용 교류 전원(405)을 직류 전원으로 변환하여 출력한다. 도면에서는 상용 교류 전원(405)을 단상 교류 전원으로 도시하고 있으나, 삼상 교류 전원일 수도 있다. 상용 교류 전원(405)의 종류에 따라 컨버터(410)의 내부 구조도 달라진다.

한편, 컨버터(410)는, 스위칭 소자 없이 다이오드 등으로 이루어져, 별도의 스위칭 동작 없이 정류 동작을 수행할 수도 있다.

예를 들어, 단상 교류 전원인 경우, 4개의 다이오드가 브릿지 형태로 사용될 수 있으며, 삼상 교류 전원인 경우, 6개의 다이오드가 브릿지 형태로 사용될 수 있다.

한편, 컨버터(410)는, 예를 들어, 2개의 스위칭 소자 및 4개의 다이오드가 연결된 하프 브릿지형의 컨버터가 사용될 수 있으며, 삼상 교류 전원의 경우, 6개의 스위칭 소자 및 6개의 다이오드가 사용될 수도 있다.

컨버터(410)가, 스위칭 소자를 구비하는 경우, 해당 스위칭 소자의 스위칭 동작에 의해, 승압 동작, 역률 개선 및 직류전원 변환을 수행할 수 있다.

평활 커패시터(C)는, 입력되는 전원을 평활하고 이를 저장한다. 도면에서는, 평활 커패시터(C)로 하나의 소자를 예시하나, 복수개가 구비되어, 소자 안정성을 확보할 수도 있다.

한편, 도면에서는, 컨버터(410)의 출력단에 접속되는 것으로 예시하나, 이에 한정되지 않고, 직류 전원이 바로 입력될 수도 있다., 예를 들어, 태양 전지로부터의 직류 전원이 평활 커패시터(C)에 바로 입력되거나 직류/직류 변환되어 입력될 수도 있다. 이하에서는, 도면에 예시된 부분을 위주로 기술한다.

한편, 평활 커패시터(C) 양단은, 직류 전원이 저장되므로, 이를 dc 단 또는 dc 링크단이라 명명할 수도 있다.

dc 단 전압 검출부(B)는 평활 커패시터(C)의 양단인 dc 단 전압(Vdc)을 검출할 수 있다. 이를 위하여, dc 단 전압 검출부(B)는 저항 소자, 증폭기 등을 포함할 수 있다. 검출되는 dc 단 전압(Vdc)은, 펄스 형태의 이산 신호(discrete signal)로서, 인버터 제어부(430)에 입력될 수 있다.

인버터(420)는, 복수개의 인버터 스위칭 소자를 구비하고, 스위칭 소자의 온/오프 동작에 의해 평활된 직류 전원(Vdc)을 소정 주파수의 삼상 교류 전원(va,vb,vc)으로 변환하여, 삼상 동기 모터(230)에 출력할 수 있다.

인버터(420)는, 각각 서로 직렬 연결되는 상암 스위칭 소자(Sa,Sb,Sc) 및 하암 스위칭 소자(S'a,S'b,S'c)가 한 쌍이 되며, 총 세 쌍의 상,하암 스위칭 소자가 서로 병렬(Sa&S'a,Sb&S'b,Sc&S'c)로 연결된다. 각 스위칭 소자(Sa,S'a,Sb,S'b,Sc,S'c)에는 다이오드가 역병렬로 연결된다.

인버터(420) 내의 스위칭 소자들은 인버터 제어부(430)로부터의 인버터 스위칭 제어신호(Sic)에 기초하여 각 스위칭 소자들의 온/오프 동작을 하게 된다. 이에 의해, 소정 주파수를 갖는 삼상 교류 전원이 삼상 동기 모터(230)에 출력되게 된다.

인버터 제어부(430)는, 센서리스 방식을 기반으로, 인버터(420)의 스위칭 동작을 제어할 수 있다. 이를 위해, 인버터 제어부(430)는, 출력 전류 검출부(E)에서 검출되는 출력전류(i_o)와, 출력전압 검출부(F)에서 검출되는 출력전압(v_o)를 입력받을 수 있다.

인버터 제어부(430)는, 인버터(420)의 스위칭 동작을 제어하기 위해, 인버터 스위칭 제어신호(Sic)를 인버터(420)에 출력한다. 인버터 스위칭 제어신호(Sic)는 펄스폭 변조 방식(PWM)의 스위칭 제어신호로서, 출력 전류 검출부(E)에서 검출되는 출력전류(i_o)와, 출력전압 검출부(F)에서 검출되는 출력전압(v_o)을 기초로 생성되어 출력된다. 인버터 제어부(430) 내의 인버터 스위칭 제어신호(Sic)의 출력에 대한 상세 동작은 도 4를 참조하여 후술한다.

출력 전류 검출부(E)는, 인버터(420)와 삼상 모터(230) 사이에 흐르는 출력전류(i_o)를 검출한다. 즉, 모터(230)에 흐르는 전류를 검출한다. 출력 전류 검출부(E)는 각 상의 출력 전류(ia,ib,ic)를 모두 검출할 수 있으며, 또는 삼상 평형을 이용하여 두 상의 출력 전류를 검출할 수도 있다.

출력 전류 검출부(E)는 인버터(420)와 모터(230) 사이에 위치할 수 있으며, 전류 검출을 위해, CT(current trnasformer), 션트 저항 등이 사용될 수 있다.

션트 저항이 사용되는 경우, 3개의 션트 저항이, 인버터(420)와 동기 모터(230) 사이에 위치하거나, 인버터(420)의 3개의 하암 스위칭 소자(S'a,S'b,S'c)에 일단이 각각 접속되는 것이 가능하다. 한편, 삼상 평형을 이용하여, 2개의 션트 저항이 사용되는 것도 가능하다. 한편, 1개의 션트 저항이 사용되는 경우, 상술한 커패시터(C)와 인버터(420) 사이에서 해당 션트 저항이 배치되는 것도 가능하다.

검출된 출력전류(i_o)는, 펄스 형태의 이산 신호(discrete signal)로서, 인버터 제어부(430)에 인가될 수 있으며, 검출된 출력전류(i_o)에 기초하여 인버터 스위칭 제어신호(Sic)가 생성된다. 이하에서는 검출된 출력전류(i_o)가 삼상의 출력 전류(ia,ib,ic)인 것으로 병행하여 기술할 수도 있다.

한편, 삼상 모터(230)는, 고정자(stator)와 회전자(rotar)를 구비하며, 각상(a,b,c 상)의 고정자의 코일에 소정 주파수의 각상 교류 전원이 인가되어, 회전자가 회전을 하게 된다.

이러한 모터(230)는, 예를 들어, 표면 부착형 영구자석 동기전동기(Surface-Mounted Permanent-Magnet Synchronous Motor; SMPMSM), 매입형 영구자석 동기전동기(Interior Permanent Magnet Synchronous Motor; IPMSM), 및 동기 릴럭턴스 전동기(Synchronous Reluctance Motor; Synrm) 등을 포함할 수 있다. 이 중 SMPMSM과 IPMSM은 영구자석을 적용한 동기 전동기(Permanent Magnet Synchronous Motor; PMSM)이며, Synrm은 영구자석이 없는 것이 특징이다.

한편, 인버터 제어부(430)는, 컨버터(410)가 스위치 소자를 구비하는 경우, 컨버터(410) 내의 스위칭 소자의 스위칭 동작을 제어할 수 있다. 이를 위해, 인버터 제어부(430)는, 입력 전류 검출부(A)에서 검출되는 입력 전류(i_s)를 입력받을 수 있다. 그리고, 인버터 제어부(430)는, 컨버터(410)의 스위칭 동작을 제어하기 위해, 컨버터 스위칭 제어신호(Scc)를 컨버터(410)에 출력할 수 있다. 이러한 컨버터 스위칭 제어신호(Scc)는 펄스폭 변조(PWM) 방식의 스위칭 제어신호로서, 입력 전류 검출부(A)로부터 검출되는 입력 전류(i_s)를 기초로 생성되어 출력될 수 있다.

도 4는 도 3의 인버터 제어부의 내부 블록도이다.

도 4를 참조하면, 인버터 제어부(430)는, 축변환부(510), 속도 연산부(520), 전류 지령 생성부(530), 전압 지령 생성부(540), 축변환부(550), 및 스위칭 제어신호 출력부(560)를 포함할 수 있다.

축변환부(510)는, 출력 출력 전류 검출부(E)에서 검출된 출력 전류(ia,ib,ic)를 입력받아, 정지좌표계의 2상 전류(iα,iβ), 및 회전좌표계의 2상 전류(id,iq)로 변환할 수 있다. 이때의 id는 모터(230)의 자속 전류를 나타내며, iq는 모터(230)의 토크 전류를 나타낼 수 있다.

한편, 축변환부(510)는, 변환된, 정지좌표계의 2상 전류(iα,iβ)와 정지좌표계의 2상 전압(vα,vβ)와, 회전좌표계의 2상 전류(id,iq)와 회전좌표계의 2상 전압(vd,vq)을 외부로 출력할 수 있다.

속도 연산부(520)는, 축변환부(510)로부터, 축변환된, 정지좌표계의 2상 전류(iα,iβ)와 정지좌표계의 2상 전압(vα,vβ)을 입력받아, 모터(230)의 회전자 위치(θ)와, 속도(ω)를 연산할 수 있다.

한편, 전류 지령 생성부(530)는, 연산 속도()와 속도 지령치(ω^* _r)에 기초하여, 전류 지령치(i^* _q)를 생성한다. 예를 들어, 전류 지령 생성부(530)는, 연산 속도()와 속도 지령치(ω^* _r)의 차이에 기초하여, PI 제어기(535)에서 PI 제어를 수행하며, 전류 지령치(i^* _q)를 생성할 수 있다. 도면에서는, 전류 지령치로, q축 전류 지령치(i^* _q)를 예시하나, 도면과 달리, d축 전류 지령치(i^* _d)를 함께 생성하는 것도 가능하다. 한편, d축 전류 지령치(i^* _d)의 값은 0으로 설정될 수도 있다.

한편, 전류 지령 생성부(530)는, 전류 지령치(i^* _q)가 허용 범위를 초과하지 않도록 그 레벨을 제한하는 리미터(미도시)를 더 구비할 수도 있다.

다음, 전압 지령 생성부(540)는, 축변환부에서 2상 회전 좌표계로 축변환된 d축, q축 전류(i_d,i_q)와, 전류 지령 생성부(530) 등에서의 전류 지령치(i^* _d,i^* _q)에 기초하여, d축, q축 전압 지령치(v^* _d,v^* _q)를 생성할 수 있다. 예를 들어, 전압 지령 생성부(540)는, q축 전류(i_q)와, q축 전류 지령치(i^* _q)의 차이에 기초하여, PI 제어기(544)에서 PI 제어를 수행하며, q축 전압 지령치(v^* _q)를 생성할 수 있다. 또한, 전압 지령 생성부(540)는, d축 전류(i_d)와, d축 전류 지령치(i^* _d)의 차이에 기초하여, PI 제어기(548)에서 PI 제어를 수행하며, d축 전압 지령치(v^* _d)를 생성할 수 있다. 한편, d축 전압 지령치(v^* _d)의 값은, d축 전류 지령치(i^* _d)의 값은 0으로 설정되는 경우에 대응하여, 0으로 설정될 수도 있다.

한편, 전압 지령 생성부(540)는, d 축, q축 전압 지령치(v^* _d,v^* _q)가 허용 범위를 초과하지 않도록 그 레벨을 제한하는 리미터(미도시)를 더 구비할 수도 있다.

한편, 생성된 d축, q축 전압 지령치(v^* _d,v^* _q)는, 축변환부(550)에 입력될 수 있다.

축변환부(550)는, 속도 연산부(520)에서 연산 위치()와, d축, q축 전압 지령치(v^* _d,v^* _q)를 입력받아, 축변환을 수행한다.

먼저, 축변환부(550)는, 2상 회전 좌표계에서 2상 정지 좌표계로 변환을 수행한다. 이때, 속도 연산부(520)에서 연산 위치()가 사용될 수 있다.

그리고, 축변환부(550)는, 2상 정지 좌표계에서 3상 정지 좌표계로 변환을 수행한다. 이러한 변환을 통해, 축변환부(1050)는, 3상 출력 전압 지령치(v^*a,v^*b,v^*c)를 출력할 수 있다.

스위칭 제어 신호 출력부(560)는, 3상 출력 전압 지령치(v^*a,v^*b,v^*c)에 기초하여 펄스폭 변조(PWM) 방식에 따른 인버터용 스위칭 제어 신호(Sic)를 생성하여 출력한다.

출력되는 인버터 스위칭 제어 신호(Sic)는, 게이트 구동부(미도시)에서 게이트 구동 신호로 변환되어, 인버터(420) 내의 각 스위칭 소자의 게이트에 입력될 수 있다. 이에 의해, 인버터(420) 내의 각 스위칭 소자들(Sa,S'a,Sb,S'b,Sc,S'c)이 스위칭 동작을 할 수 있다.

도 5는 포질과 부하량(포량)에 따른 모터에 인가되는 전류 패턴을 도시한 것이다. 도 6은 포질별 전류 패턴을 도시한 것이다. 도 7은 모터의 속도를 기 설정된 방법으로 제어하면서, 부하별 전류 패턴을 도시한 것이다.

도 5에 도시된 각각의 그래프는, 세탁조(120)를 기 설정된 목표 회전속도(예를 들어, 80rpm)까지 가속하면서 측정한 현재의 출력 전류 를 나타내고 있으며, 이들 그래프들은 포의 구성(즉, 부드러운 포(Soft)와 뻣뻣한 포(Hard)의 혼합비)과 부하량을 달리하면서 측정되었다.

즉, 가로로 배열된 그래프들을 통해서는 부하량에 따른 패턴의 변화 추이를 파악할 수 있다. 예를 들어, 같은 포 구성일 시, 부하량이 클수록 세탁조(120)의 가속 초기에 현재의 출력 전류 의 최고치가 큼을 알 수 있다. 따라서, 그래프의 초반부 데이터들이 부하량(포량)을 결정하는데 사용되는 것이 적절하다고 할 수 있다.

세로로 배열된 그래프들을 통해서는 포 구성에 따른 패턴의 형태의 변화 추이를 파악할 수 있다. 예를 들어, 같은 부하량일 시, 거친 포의 비율이 클수록 전류 값이 하향 이동됨을 알 수 있고, 세탁조(120)의 가속 중후반 내지 중/후반부 내지 목표 회전속도 유지 구간에서 특히 그러함을 알 수 있다. 따라서, 앞서 포량을 결정하는데 사용할 데이터가 구해진 구간 이후에서 포질을 구하는데 필요한 데이터를 취하는 것이 적절하다고 할 수 있다.

도 6은 포 구성(포질)별 현재의 출력 전류 의 패턴을 도시하고 있다.

도 6에서 C0.0은 부드러운 포 100%, C0.25, C0.5, C0.75은 차례로 부드러운 포 100%, 부드러운 포:뻣뻣한 포의 비율이 1:3, 1:1, 3:1, C1.0은 뻣뻣한 포 100%인 경우를 표시한 것이고, 각 경우에 있어서 부드러운 포와 뻣뻣한 포를 더한 전체 포량(부하량)은 일정하다.

그래프들은 포 구성이 달라지면 부하량이 같다고 하더라도, 현재의 출력 전류 의 패턴이 다르다는 점을 보여주고 있다. 따라서, 전류 패턴을 머신 러닝한 것을 기반으로 하여 포구성(또는, 포질)에 따른 분류가 가능한 것이다.

이러한 포량/포질 검출은 복수회 반복될 수 있으며, 실시예에서는 3회 반복하였으나 그 횟수가 이에 한정되어야 하는 것은 아니다. 포량/포질 검출은 동일한 단계에서 복수회 반복될 수 있으며, 서로 다른 단계에서 복수회 반복될 수도 있다.

제어부(210)는 매 포량/포질 검출 결과에 따라 건조 알고리즘을 설정 또는 설정을 변경할 수 있고, 설정된 바에 따라 건조기의 작동을 제어할 수 있다.

도 7에 표시된 그래프 P1, P3, P5, P7, P9, P15는 각각 포량이 1, 3, 5, 7, 9, 15kg 일때를 나타낸다. 그래프들은 전체적으로는 세탁조(120)의 가속 초반에는 현재의 출력 전류 값이 어느 수준까지 급하게 상승하였다가 후반으로 가면서 일정한 값을 수렴되는 형태이다. 특히, 포량에 따른 현재의 출력 전류 값의 편차는 세탁조(120)의 가속 초반에 두드러짐을 알 수 있다.

제어부(210)는 학습모듈(213)과 인식모듈(216)을 포함할 수 있다. 학습모듈(213)은, 출력 전류 검출부(E)에서 검출된 현재의 출력 전류 값 또는 상기 현재의 출력 전류 값을 처리한 값을 이용하여 머신 러닝을 할 수 있다. 이러한 머신 러닝을 통해, 학습모듈(213)은 메모리(240)에 저장된 데이터 베이스를 업데이트 할 수 있다.

학습모듈(213)의 학습 방법으로는 자율학습(unsupervised learning)과 지도학습(supervised learning) 중 어느 것이나 사용될 수 있다.

인식모듈(216)은 학습모듈(213)에 의해 학습된 데이터에 기반하여 포량에 따른 레벨을 판정할 수 있다. 포량의 판정은, 세탁조(120) 안에 투입된 포를 무게(부하)에 따라 기 설정된 복수의 포량 레벨(Level)로 분류하는 작업일 수 있다.

실시예에서 포량은 5단계(레벨)로 분류되며, 각 단계에 해당하는 부하량(kg)은 다음의 표 1과 같다. 또한, 표 1은 한 가구에서 해당 포량을 건조기에 투입하는 경우에 있어서의 그 가구를 구성하는 세대수를 통계적으로 보이고 있기도 하다.

포질의 판정은, 세탁조(120)에 투입된 포를 기 설정된 기준에 따라 분류하는 것으로써, 이러한 기준은 포의 재질, 부드럽거나 뻣뻣한 정도, 함습율, 건포와 습포 간의 부피 차 등일 수 있다.

인식모듈(216)은 출력 전류 검출부(E)로부터 구해진 현재의 출력 전류 값을 바탕으로, 세탁조(120) 내에 투입된 포가 복수의 포량단계 중 어느 것에 해당하고, 이때의 포질은 어떤 분류에 해당하는지(즉, 포량별 포질)를 판정할 수 있다.

실시예에서 포질은 5단계(레벨)로 분류되며, 각 단계에 해당하는 종류는 다음의 표 2과 같고, 아래 표 2를 참고하면, 부드럽고 내구성이 약한 옷 계열은 1 레벨, 1 레벨의 옷 계열보다 강한 내구성을 갖는 옷 계열은 3 레벨, 3 레벨의 옷 계열보다 강한 내구성을 갖고 뻣뻣한 옷 계열은 5 레벨, 상기 1 레벨과 3 레벨의 옷 계열이 혼합된 경우 2 레벨, 상기 3 레벨과 5 레벨의 옷 계열이 혼합된 경우 4 레벨로 판단할 수 있다.

인식모듈(216)은 머신 러닝(machine learning)으로 기학습된 인공신경망(Artificial Neural Networks, ANN)을 탑재할 수 있다. 이러한 인공신경망은 학습모듈(213)에 의해 업데이트 될 수 있다.

인식모듈(216)은 인공신경망을 기반으로 포량과 포질을 판정할 수 있다. 실시예에서와 같이, 포량의 단계가 5단계로 분류된 경우, 인식모듈(216)은 출력 전류 검출부(E)가 검출한 현재의 출력 전류 값을 인공신경망(ANN)의 입력 데이터로 사용하여 포량이 속한 단계를 판정할 수 있고, 더 나아가 포질이 속한 단계도 판정할 수 있다.

인식모듈(216)은 포량과 포질을 각각 소정 기준에 따라 단계로 분류하도록 학습된 인공신경망(ANN)을 포함할 수 있다.

예를 들어, 포량 인식모듈(216)은 딥러닝(Deep Learning)으로 학습된 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등의 심층신경망(Deep Neural Network, DNN)을 포함할 수 있다.

RNN(Recurrent Neural Network)은, 자연어 처리 등에 많이 이용되고 있으며, 시간의 흐름에 따라 변하는 시계열 데이터(Time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아올려 인공신경망 구조를 구성할 수 있다.

DBN(Deep Belief Network)은 딥러닝 기법인 RBM(Restricted Boltzman Machine)을 다층으로 쌓아 구성되는 딥러닝 구조이다. RBM(Restricted Boltzman Machine) 학습을 반복하여, 일정 수의 레이어가 되면 해당 개수의 레이어를 가지는 DBN(Deep Belief Network)를 구성할 수 있다.

CNN(Convolutional Neural Network)은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델이다.

한편, 인공신경망의 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 인공신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트 시킬 수 있다. 인공신경망의 학습에는 역전파(Back Propagation) 등의 방법이 사용될 수 있다.

인식모듈(216)은 현재의 출력 전류 값을 입력 데이터로 하고, 심층신경망(DNN)에 포함된 노드들 사이의 가중치(weight)들에 기초하여, 출력 레이어에서의 출력으로 세탁조(120)에 투입된 포량과 포질 중 적어도 하나를 판정할 수 있다.

도 9는 인공신경망의 일례를 도시한 개요도이다. 도 10은 모터의 현재의 출력 전류 값을 이용하여 포량 및 포질을 판단하는 과정을 학습과정과 인식과정으로 구분하여 표시한 개요도이다.

이하, 도 9 내지 도 10을 참조한다. 머신 러닝(Machine Learning)의 일종인 딥러닝(Deep Learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습하는 것이다.

딥러닝(Deep learning)은 히든 레이어들을 차례로 거치면서 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝(Machine Learning) 알고리즘의 집합을 나타낼 수 있다.

딥러닝 구조는 인공신경망(ANN)을 포함할 수 있으며, 예를 들어 딥러닝 구조는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등 심층신경망(DNN)으로 구성될 수 있다.

도 9를 참조하면, 인공신경망(ANN)은 입력 레이어(Input Layer), 히든 레이어(Hiddent Layer) 및 출력 레이어(Output Layer)를 포함할 수 있다. 다중의 히든 레이어(hidden layer)를 갖는 것을 DNN(Deep Neural Network)이라고 한다. 각 레이어는 복수의 노드들을 포함하고, 각 레이어는 다음 레이어와 연관되어 있다. 노드들은 웨이트(weight)를 가지고 서로 연결될 수 있다.

제1 히든 레이어(Hidden Layer 1)에 속한 임의의 노드로부터의 출력은, 제2 히든 레이어(Hidden Layer 2)에 속하는 적어도 하나의 노드의 입력이 된다. 이때 각 노드의 입력은 이전 레이어의 노드의 출력에 웨이트(weight)가 적용된 값일 수 있다. 웨이트(weight)는 노드간의 연결 강도를 의미할 수 있다. 딥러닝 과정은 적절한 웨이트(weight)를 찾아내는 과정으로도 볼 수 있다.

딥러닝을 보다 잘 이해하기 위해, 잘 알려진 얼굴인식 과정을 살펴보면, 컴퓨터는 입력 영상으로부터, 픽셀의 밝기에 따라 밝은 픽셀과 어두운 픽셀을 구분하고, 테두리, 에지 등 단순한 형태를 구분한 후, 조금 더 복잡한 형태와 사물을 구분할 수 있다. 최종적으로 컴퓨터는 인간의 얼굴을 규정하는 형태를 파악할 수 있다. 이와 같이 특징의 구체화(인간 얼굴 형태의 규정)는 중층의 히든 레이어들을 거쳐 최종적으로 출력 레이어에서 구해진다.

메모리(240)에는 포량 검출을 위한 입력 데이터, 심층신경망(DNN)을 학습하기 위한 데이터가 저장될 수 있다. 메모리(240)에는 속도 검출부(245)가 획득하는 모터 속도 데이터 및/또는 속도 데이터들이 소정 구간별로 합산되거나 연산 처리된 데이터들이 저장될 수 있다. 또한, 메모리(240)에는 심층신경망(DNN) 구조를 이루는 웨이트(weight), 바이어스(bias)들이 저장될 수 있다.

또는, 실시예에 따라, 심층신경망 구조를 이루는 웨이트(weight), 바이어스(bias)들은 인식모듈(216)의 임베디드 메모리(embedded memory)에 저장될 수 있다.

한편, 학습모듈(213)은 출력 전류 검출부(E)를 통해 검출된 현재의 출력 전류 값을 트레이닝(training) 데이터로 사용하여 학습(learning)을 수행할 수 있다. 즉, 학습모듈(213)은 포량 및/또는 포질을 인식 또는 판정할 때마다 그 판정 결과를 데이터 베이스에 추가하여 웨이트(weight)나 바이어스 등의 심층신경망(DNN) 구조를 업데이트(update)하거나, 소정 횟수의 트레이닝 데이터가 확보된 후에 확보된 트레이닝 데이터로 학습 과정을 수행하여 웨이트(weight) 등 심층신경망(DNN) 구조를 업데이트할 수 있다.

본 발명의 실시예에 따른 건조기는 통신부(270)를 통하여 출력 전류 검출부(E)에서 획득한 현재의 출력 전류 데이터를 통신망에 연결된 서버(500)로 전송하고, 상기 서버(500)로부터 머신 러닝과 관련된 데이터를 수신할 수 있다. 이 경우에, 건조기는, 상기 서버로부터 수신된 머신 러닝과 관련된 데이터에 기초하여 인공신경망을 업데이트(update)할 수 있다

또는, 본 발명의 실시예에 따른 건조기는, 출력 전류 검출부(E)에서 획득한 현재의 출력 전류 데이터를 이용하여, 제어부(210)에서 심층 신경망을 이용한 학습을 수행하고, 머신 러닝과 관련된 데이터를 도출할 수 있다.

도 11은 전류 검출부에 의해 검출된 현재의 출력 전류 값을 도시한 그래프(a)와, 이동평균필터를 처리하여 구한 평균 값들을 도시한 그래프(b)이다. 도 12는 전류 검출부에 의해 전류 값들을 도시한 그래프이다. 도 13은 도 12에 도시된 그래프의 전류 값들을, 인공신경망의 입력 데이터로 사용하기 위해 처리한 값들을 도시한 그래프이다. 도 14는 건조기의 제어방법을 도시한 순서도이다. 이하, 도 11 내지 도 14를 참조하여 포량 및 포질을 판단하는 방법을 설명한다.

제어부(210)는 기 설정된 목표 회전속도로 모터(230)가 회전되도록 제어한다(S1, S2, S3, S4, S5). 모터(230)가 회전되는 중에 속도 검출부(245)에 의해 세탁조(120)(또는, 모터(230))의 회전속도가 검출된다(S2).

상기 목표 회전속도는, 세탁조(120)가 상기 목표 회전속도를 유지하며 1회전 이상을 일방향으로 연속하여 회전될 시, 포가 드럼(122)에 달라붙은 상태를 유지할 수 있는 세탁조(120)의 회전속도로 정해질 수 있다. 즉, 상기 목표 회전속도는 포가 드럼(122)과 일체로 회전할 수 있는 세탁조(120)의 회전속도로 정해질 수 있다. 세탁조(120)가 목표 회전속도로 회전될 시, 세탁조(120)의 회전에 의해 상기 포에 작용하는 원심력이 상기 포에 작용하는 중력보다 클 수 있다.

상기 목표 회전속도는 60 내지 80rpm일 수 있고, 바람직하게는 80rpm이다. 바람직하게는, 세탁조(120)의 회전속도가 상기 목표 회전속도에 도달하기 전의 상태에서는, 포가 드럼(122) 내에서 유동된다. 즉, 포가 드럼(122)의 회전에 의해 소정 높이까지 상승하였다가 낙하된다.

포량과 포질을 판정하는데 사용되는 현재의 출력 전류 값들은, 세탁조(120)의 회전 과정에서 포의 유동이 발생하는 구간에서 취한 것들을 포함한다. 즉, 제어부(210)는 속도 검출부(245)에 의해 검출된 세탁조(120)의 회전속도(또는, 모터(230)의 회전속도)를 바탕으로 필요한 현재의 출력 전류 값들을 취할 수 있다.

구체적으로, 제어부(210)는 모터 구동부(220)에 모터(230)를 가속할 것을 지시한 후, 속도 검출부(245)에 의해 검출된 회전속도가 기 설정된 제1 회전속도(V1)에 이르면 그 때부터의 현재의 출력 전류 값을 메모리(240)에 저장할 수 있다(S3 내지 S4).

세탁조(120)의 회전속도(V)가 기 설정된 제2 회전속도(V2)에 도달하면, 제어부(210)는 현재의 출력 전류 값을 더 이상 저장하지 않고, 현재의 출력 전류 값의 가공을 실시할 수 있다(S5 내지 S6). 여기서, 제2 회전속도(V2)가 전술한 목표 회전속도이다.

한편, 제1 회전속도(V1)로부터 제2 회전속도(V2)로 가속되는 구간에서의 가속 기울기는 일정할 수 있다. 전류 패턴 변화 검출의 신뢰성을 높이기 위해 가속 기울기는 일정하게 유지되는 것이 바람직하다.

세탁조(120) 내에서의 포 유동의 변화 추이가 선명하게 보일 수 있도록, 가속 기울기는 너무 높지 않아야 한다. 상기 가속 기울기는 바람직하게는 1.5 내지 2.5rpm/s이고, 더 바람직하게는 2.0rpm/s이나, 반드시 이에 한정되어야 하는 것은 아니다. 상기 가속 기울기는 제어부(210)에 의해 제어가 가능한 범위 내에서 최대한 작은 값을 가질 수도 있다.

상기 현재의 출력 전류 값의 가공은, 도 8에 도시된 바와 같이, 기 설정된 시점들에서 구한 현재의 출력 전류 값들(Iq)을 정해진 알고리즘에 따라 처리하여, 인공신경망의 입력 레이어(Input Layer)의 입력 데이터(In1, In2, In3, In4,…)를 생성하는 과정이다(S6).

이러한 과정은, 현재의 출력 전류 값(Iq)들의 평균을 구하는 단계와, 구해진 평균 값들을 기 설정된 파싱 룰(Parsing Rule)에 따라 가공하여 인공신경망의 입력 데이터들을 생성하는 단계를 포함할 수 있다. 특히, 상기 파싱 룰에 의해 가공된 입력 데이터들의 개수는 평균 값들의 개수보다 적다.

도 10을 참조하면, 제어부(210)는 출력 전류 검출부(E)를 통해 일정한 시간 간격으로 전류 값을 추출(211)할 수 있다. 실시예에서는 세탁조(120)의 회전속도가 제1 회전속도(V1)로부터 제2 회전속도(V2)로 가속되는 구간에서 일정한 시간 간격으로 총 545개의 현재의 출력 전류 값이 구해졌다.

제어부(210)는 이렇게 구해진 현재의 출력 전류 값들을 일정한 시간 구간마다 누적(212)하여 평균할 수 있다. 이때, 제어부(210)는 이동평균필터(moving average filter)를 이용할 수 있다.

이동평균은 추세의 변동을 알 수 있도록 구간을 옮겨 가면서 평균을 구하는 것이다. 예를 들어, 현재의 출력 전류 값들을 시계열적 순서에 따라 Iq1, Iq2, Iq2 … Iqn이라고 할 시, Iq1 부터 Iql(l<n)까지를 평균하여 M1을 구하고, Iqm(m>l)부터 Iqm+s-1(s는 각 이동 평균을 구하는데 사용되는 Iq의 개수)까지를 평균하여 M2를 구한다. 이러한 방식으로 계속하여 구간을 옮겨가면서 이동평균들이 구해질 수 있다.

이동 평균이 구해지는 시간 구간들을 적절하게 설정함으로써, 이동평균값들(M1, M2, …)의 개수를 전체 현재의 출력 전류(Iq)의 개수보다 작게 할 수 있다. 다만, 시간구간(윈도우)의 길이가 길수록 현재의 출력 전류의 변화 추세에 대한 해상도(resolution)는 낮아지기 때문에 적절하게 시간 구간의 길이를 선정하여야 한다. 실시예에서, 제어부(210)는 이동평균필터를 이용하여 545개의 현재의 출력 전류 값(Iq)으로부터 50개의 이동 평균들을 구하였다.

제어부(210)는 현재의 출력 전류 갑과 이동 평균들을 기 설정된 파싱 룰(Parsing Rule)에 따라 처리하여 입력 데이터(In1, In2, In3, In4 …)를 생성할 수 있다. 파싱 룰은 구하고자 하는 특징(포량/포질)이 잘 드러나도록 최종 입력 데이터가 구해지는 구간을 선정하도록 구성될 수 있다.

도 12를 참조하면, 본 발명의 실시예에서는 총 14개의 입력 데이터를 생성하였으며, 상기 입력 데이터들은, 모터(230)의 가속 초반에 구해지는 9개의 현재의 출력 전류 값(16 ~ 24번째 현재의 출력 전류 값: DATA1 ~ DATA9)과, 그 이후의 구간을 기 설정한 바에 따라 구분한 각 구간에서의 5개의 평균 값(DATA10 ~ DATA14)이다.

특히, 상기 5개의 평균 값을 앞서 구한 이동 평균들을 바탕으로 구함으로써, 각 구간에서의 현재의 출력 전류 값들을 합산한 것에 비해 보다 신속하게 연산을 처리할 수 있다. 한편, 이렇게 구한 입력 데이터(In1, In2, In3, In4, … In14)는 입력 레이어(Input Layer)의 각 노드의 입력 값이 된다.

인공신경망을 구성하는 노드들에 부여되는 가중치(weight)와 편향치(bias)는 머신 러닝을 통해 정해진 것이고, 이러한 머신 러닝은 전류 패턴 또는 현재의 출력 전류 값들을 바탕으로 반복된 것이다.

또한, 상기 전류 패턴(또는, 현재의 출력 전류 값)은 전술한 바와 같이 포량 및/또는 포질에 대한 특성을 반영하고 있으므로, 정확한 결과(즉, 현재 세탁조(120)에 투입된 정확한 포량과 포질)가 도출될 때까지 기 저장된 또는 건조기의 운전에 의해 추가된 데이터들을 머신 러닝 또는 신경망 학습(213)을 수행함으로써 개선된, 또는 정확한 가중치와 편향치를 설정할 수 있다.

이러한 방식으로 구축된 인공 지능망에서, 출력 레이어의 출력은 포량-포질 정보를 반영하고 있을 것이며, 출력 레이어(Output Layer)의 노드들 중에서 가장 큰 값을 출력하는 노드를 바탕으로, 제어부(210)는 포량 및/또는 포질을 결정할 수 있다.

제어부(210)는 S6단계에서 생성된 입력 데이터들을 인공신경망에 입력하여, 출력 레이어에서의 출력으로 포량 및/또는 포질을 구할 수 있다(S7). 그리고, 제어부(210)는 S7단계에서 구해진 포량 및/또는 포질을 바탕으로 건조 알고리즘을 설정하고, 설정된 바에 따라 건조기의 작동을 제어할 수 있다.

상기 건조 알고리즘은, 건조 등의 실행 시간, 건조 행정에서의 모터의 구동 패턴(예를 들어, 회전 속도, 회전 시간, 가속도, 제동) 등을 포함할 수 있다.

도 15는 부하별 전류 패턴들을 중첩한 그래프이다. 도 16은 도 15에서 0 내지 6kg의 부하에 대응하는 전류 패턴들을 분류한 그래프이다. 도 17은 도 15에서 7 내지 9kg의 부하에 대응하는 전류 패턴들을 분류한 그래프이다.

이하, 도 15 내지 도 17를 참조한다. 이들 도면에 표시된 P0 내지 P9는 각각 0 내지 9kg의 부하량(포량)을 나타낸 것이다.

포가 도어(113)에 의해 구속되는 문제가 발생될 수 있다. 이러한 현상은 세탁조(120) 내에 다량의 포가 투입됨으로써, 도어(113)에 밀착 또는 간섭되는 경우에 발생된다. 포의 구속은 모터(230)에 걸리는 부하에 영향을 미친다. 따라서, 포가 구속된 상태로 세탁조(120)를 회전(또는, 가속)시키면서 구한 현재의 출력 전류 값은 포량 및/또는 포질을 판정하는 과정에서는 배제하는 것이 바람직하다.

도 16 내지 도 17를 참조하면, 부하량 0 내지 6kg에서의 전류 패턴(P0 내지 P6)과 7 내지 9kg에서의 전류 패턴(P7 내지 P9)은 확연하게 구분되는 차이를 보인다. 즉, 다량의 포의 경우(실시예에서는 7 내지 9kg )에는 세탁조(120)의 가속 초반부에 현재의 출력 전류 값이 주기적으로 증감(또는, 진동)하는 것을 알 수 있다. 이는 일부 포들의 운동이 도어(113)에 의해 구속되어, 세탁조(120)가 구속된 포와 간섭될 시에는 모터(230)의 부하가 증가하였다가 간섭이 약해지거나 없어지면 다시 모터(230)의 부하가 감소하기 때문이다. 즉, 포의 구속으로 인한 모터(230)의 부하 변동이 세탁조(120)의 회전 주기에 대응하여 발생된다.

이러한 부하 변동 패턴은 머신 러닝을 통해 학습될 수 있으며, 이러한 학습 결과는 데이터 베이스화 되어 메모리(240)에 저장될 수 있다. 이러한 학습 결과를 활용하여 인공신경망이 구성될 수 있다. 이렇게 구성된 인공신경망(Artificial Neural Network)을 바탕으로 제어부(210)는 출력 레이어의 출력으로 포 구속(또는, 포 끼임)을 판정할 수 있다.

도 18은 본 발명의 실시예에 따른 건조기의 제어방법을 도시한 순서도이다. 이하, 도 18을 참조하여 본 발명의 실시예에 따른 건조기의 제어방법을 설명한다.

도면을 참조하면, 제어부(210)는, 출력 전류 검출부(E)로부터의 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조(120) 내의 세탁포에 대한 부하를 판단하고, 감지한다(S1810).

예를 들어, 도 14의 S1 내지 S7 단계를 수행하고, 이에 따라, 세탁조(120) 내의 세탁포에 대한 부하를 감지할 수 있다.

한편, 제어부(210)는, 세탁조(120) 내의 세탁포에 대한 부하 판단시, 세탁포의 포량, 포질을 판단할 수 있다.

다음, 제어부(210)는, 세탁포에 대한 부하 정보에 기초한 분류를 수행할 수 있다.

도 19는 포질을 1단계 내지 3단게로 구분하여, 분류된 분류 표(1910)를 예시한다.

도 19에 따르면, 포질은 소프트, 노말, 하드로 구분되며, 건조 코스는, 울/섬세, 표준, 타월 점퍼로 구분되며, 건조 정도는, 약, 표준, 강력으로 구분되며, 모션 제어는, 텀블, 텀블, 스퀴즈로 구분될 수 있다.

도 20a는 세탁조(120)의 텀블(tumble) 동작과 관련한 타이밍도이다.

도면을 참조하면, 텀블(tumble) 동작을 위해, 제어부(210)는, 세탁조(120)의 제1 속도(V1) 상승, 제1 속도 유지, 속도 하강, 및 정지가 순차적으로 수행되도록 제어할 수 있다.

도 20b는 세탁조(120)의 스퀴즈(squeeze) 동작과 관련한 타이밍도이다.

도면을 참조하면, 스퀴즈(squeeze) 동작을 위해, 제어부(210)는, 세탁조(120)의 제1 속도(V1) 보다 높은 제2 속도(V2) 상승, 제3 속도(V3) 하강, 제3 속도(V3) 유지, 및 속도 하강, 및 정지가 순차적으로 수행되도록 제어할 수 있다.

한편, 제어부(210)는, 내부의 학습모듈(213) 또는 인식모듈(216)을 사용하여, 도 19와 같은 분류를 수행할 수 있다. 예를 들어, 심층 신경망을 이용하여, 도 19와 같은 분류를 수행할 수 있다.

한편, 제어부(210)는, 외부의 서버(500)를 이용하여 도 19와 같은 분류를 수행할 수 있다.

그리고, 제어부(210)는, 분류에 기초하여, 운전 코스를 결정할 수 있다(S1840). 이에 따라, 연산된 세탁포에 대한 부하 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 제어부(210)는, 온도 감지부(189)에서 감지된 온도 정보, 습도 감지부(191)에서 감지된 습도 정보, 및 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조(120) 내의 세탁포에 대한 부하를 판단하며, 세탁포의 부하 정보에 기초하여, 운전 코스 정보를 결정할 수 있다. 이에 따라, 온도, 습도, 출력 전류에 기초하여, 심층 신경망 기반하의 학습에 따라, 세탁포에 대한 부하를 판단함으로써, 세탁포의 부하 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

그리고, 제어부(210)는, 결정된 운전 코스에 따른 운전을 수행할 수 있다(S1850). 그리고, 운전 코스 정보를 디스플레이(118), 또는 사운드로서 출력할 수 있다(S1650).

도 19는 분류된 정보에 따라, 운전 코스가 결정된 것을 예시하는 도면이다.

도면에서는, "울/섬세"와 같은 제1 운전 코스, "표준"와 같은 제2 운전 코스, "타월,점퍼"과 같은 제3 운전 코스를 예시한다.

이러한 제1 운전 코스 내지 제3 운전 코스는, 메모리(240)에 저장되지 않았던 추가되는 운전 코스, 즉, 새로운 운전 코스일 수 있다.

제어부(210)는, 결정된 운전 코스에 따라, 운전 코스를 수행하하도록 제어할 수 있다. 즉, 설정된 운전 코스에 따라, 건조 행정을 수행하면서, 회전 속도, 회전 시간, 인가되는 전류 등을 가변할 수 있다.

한편, 운전 코스 결정 이후, 도 20c와 같이, 결정된 운전 코스 정보를 출력할 수 있다.

도 20c는 다양한 운전 코스를, 건조기(100)의 오디오 출력부를 통해, 사운드로서 출력하는 것을 예시한다.

도 20c의 (a)는 도 19의 제1 운전 코스에 대한 정보를 사운드(1962)로 출력하며, 도 20c의 (b)는 도 19의 제2 운전 코스에 대한 정보를 사운드(1964)로 출력하며, 도 20c의 (c)는 도 19의 제3 운전 코스에 대한 정보를 사운드(1966)로 출력하는 것을 예시한다.

이에 따라, 설정된 운전 코스 정보를 사용자가 직관적으로 인식할 수 있게 된다.

이와 달리, 사용자의 이동 단말기(600)에 해당 운전 코스 정보를 무선으로 전송하는 것도 가능하다.

본 발명의 실시예에 따르면, 제어부(210)는, 제어부(210)는, 출력 전류 검출부(E)로부터의 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조(120) 내의 세탁포에 대한 부하를 판단하며, 세탁포의 부하 정보에 기초하여, 운전 코스 정보를 결정한다. 이에 따라, 세탁포의 부하 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다. 특히, 심층 신경망 기반하의 학습에 따라, 세탁포에 대한 부하를 판단함으로써, 세탁포의 부하 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 제어부(210)는, 세탁조(120) 내의 세탁포에 대한 부하 판단시, 세탁포의 포량, 포질을 판단한다. 이에 따라, 세탁포의 포량, 포질에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 본 발명의 실시예에 따른 인공지능 건조기(100)는, 세탁조(120) 내의 온도를 감지하는 온도 감지부(189)와, 세탁조(120) 내의 습도를 감지하는 습도 감지부(191)를 더 포함하고, 제어부(210)는, 온도 감지부(189)에서 감지된 온도 정보, 습도 감지부(191)에서 감지된 습도 정보, 및 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조(120) 내의 세탁포에 대한 부하를 판단하며, 세탁포의 부하 정보에 기초하여, 운전 코스 정보를 결정한다. 이에 따라, 온도, 습도, 출력 전류에 기초하여, 심층 신경망 기반하의 학습에 따라, 세탁포에 대한 부하를 판단함으로써, 세탁포의 부하 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 부하 판단시, 세탁조(120) 내의 세탁포는, 탈수가 완료된 세탁포를 포함한다. 이에 따라, 건포에 대한 부하 판단을 수행함으로써, 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 제어부(210)는, 도 20a와 같이, 세탁조(120)의 텀블 구간 동안의 출력 전류 검출부(E)로부터의 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조(120) 내의 세탁포에 대한 부하를 판단하며, 세탁포의 부하 정보에 기초하여, 운전 코스 정보를 결정한다. 이에 따라, 세탁포의 부하 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 제어부(210)는, 외부의 서버(500)에 접속하여, 분류에 따른 분류 정보에 기초한 검색을 수행하고, 검색 결과에 기초하여, 운전 코스 정보를 결정한다. 이에 따라, 외부 서버(500)를 이용하여 운전 코스 정보를 제공할 수 있게 된다.

한편, 제어부(210)는, 외부의 서버(500)에 접속하여, 세탁포의 부하 정보의 레벨에 기초한 검색을 수행하고, 검색 결과에 기초하여, 운전 코스 정보를 결정한다. 이에 따라, 외부 서버(500)를 이용하여 운전 코스 정보를 제공할 수 있게 된다.

한편, 제어부(210)는, 결정된 운전 코스 정보가 제1 운전 코스 정보 또는 제2 운전 코스 정보인 경우, 도 20a와 같이, 세탁조(120)의 제1 속도 상승, 제1 속도 유지, 속도 하강이 순차적으로 수행되도록 제어할 수 있다.

한편, 제어부(210)는, 결정된 운전 코스 정보가 제3 운전 코스 정보인 경우, 도 20b와 같이, 세탁조(120)의 제1 속도 보다 높은 제2 속도 상승, 제3 속도 하강, 제3 속도 유지, 및 속도 하강이 순차적으로 수행되도록 제어한다. 이에 따라, 운전 코스 정보에 따른 최적의 세탁조(120) 구동을 수행할 수 있게 된다.

한편, 제어부(210)는, 제1 운전 코스 정보 내지 제3 운전 코스 정보에 따라, 세탁조(120) 내의 건조 정도가 가변되도록 제어한다. 이에 따라, 운전 코스 정보에 따른 최적의 건조 동작을 수행할 수 있게 된다.

도 21은 본 발명의 다른 실시예에 따른 건조기의 제어방법을 도시한 순서도이다.

도면을 참조하면, 제어부(210)는, 출력 전류 검출부(E)로부터의 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조(120) 내의 세탁포에 대한 포질을 판단하고, 감지한다(S2110).

예를 들어, 도 14의 S1 내지 S7 단계를 수행하고, 이에 따라, 세탁조(120) 내의 세탁포에 대한 포질을 감지할 수 있다.

다음, 제어부(210)는, 세탁포에 대한 포질 정보에 기초한 분류를 수행할 수 있다.

그리고, 제어부(210)는, 분류에 기초하여, 운전 코스를 결정할 수 있다(S2140). 이에 따라, 연산된 세탁포에 대한 포질 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 제어부(210)는, 온도 감지부(219)에서 감지된 온도 정보, 습도 감지부(191)에서 감지된 습도 정보, 및 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조(120) 내의 세탁포에 대한 포질을 판단하며, 세탁포의 포질 정보에 기초하여, 운전 코스 정보를 결정할 수 있다. 이에 따라, 온도, 습도, 출력 전류에 기초하여, 심층 신경망 기반하의 학습에 따라, 세탁포에 대한 포질을 판단함으로써, 세탁포의 포질 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

그리고, 제어부(210)는, 결정된 운전 코스에 따른 운전을 수행할 수 있다(S2150). 그리고, 운전 코스 정보를 디스플레이(121), 또는 사운드로서 출력할 수 있다(S1650).

본 발명의 실시예에 따르면, 제어부(210)는, 제어부(210)는, 출력 전류 검출부(E)로부터의 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조(120) 내의 세탁포에 대한 포질을 판단하며, 세탁포의 포질 정보에 기초하여, 운전 코스 정보를 결정한다. 이에 따라, 세탁포의 포질 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다. 특히, 심층 신경망 기반하의 학습에 따라, 세탁포에 대한 포질을 판단함으로써, 세탁포의 포질 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 제어부(210)는, 세탁조(120) 내의 세탁포에 대한 포질 판단시, 세탁포의 포량, 포질을 판단한다. 이에 따라, 세탁포의 포량, 포질에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 본 발명의 실시예에 따른 인공지능 건조기(100)는, 세탁조(120) 내의 온도를 감지하는 온도 감지부(219)와, 세탁조(120) 내의 습도를 감지하는 습도 감지부(191)를 더 포함하고, 제어부(210)는, 온도 감지부(219)에서 감지된 온도 정보, 습도 감지부(191)에서 감지된 습도 정보, 및 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조(120) 내의 세탁포에 대한 포질을 판단하며, 세탁포의 포질 정보에 기초하여, 운전 코스 정보를 결정한다. 이에 따라, 온도, 습도, 출력 전류에 기초하여, 심층 신경망 기반하의 학습에 따라, 세탁포에 대한 포질을 판단함으로써, 세탁포의 포질 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 포질 판단시, 세탁조(120) 내의 세탁포는, 탈수가 완료된 세탁포를 포함한다. 이에 따라, 건포에 대한 포질 판단을 수행함으로써, 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 제어부(210)는, 도 20a와 같이, 세탁조(120)의 텀블 구간 동안의 출력 전류 검출부(E)로부터의 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 학습에 따라, 세탁조(120) 내의 세탁포에 대한 포질을 판단하며, 세탁포의 포질 정보에 기초하여, 운전 코스 정보를 결정한다. 이에 따라, 세탁포의 포질 정보에 대응하는 최적의 운전 코스 정보를 제공할 수 있게 된다.

한편, 제어부(210)는, 외부의 서버(500)에 접속하여, 세탁포의 포질 정보의 레벨에 기초한 검색을 수행하고, 검색 결과에 기초하여, 운전 코스 정보를 결정한다. 이에 따라, 외부 서버(500)를 이용하여 운전 코스 정보를 제공할 수 있게 된다.

한편, 도 21의 학습에 기반한 포질 판단, 및 그에 대응하는 최적의 건조 운전 코스 결정은, 다양한 변형이 가능하다.

예를 들어, 학습에 기반한 포량 판단, 및 포질 판단을 수행하고, 포량 및 포질의 레벨에 대응하는 최적의 건조 운전 코스 결정 등도 가능하다.

본 발명의 실시예에 따른 건조기는, 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.

한편, 본 발명의 건조기의 동작방법은, 건조기에 구비된 프로세서가 읽을 수 있는 기록매체에 프로세서가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 프로세서가 읽을 수 있는 기록매체는 프로세서에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다.

또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.

Claims

케이싱;
상기 케이싱 내의 세탁조;
상기 세탁조를 회전시키는 모터;
상기 모터를 구동하며, 상기 모터에 흐르는 출력 전류를 검출하는 출력 전류 검출부를 구비하는 구동부;
상기 세탁조에 열을 공급하는 열공급부;
상기 구동부를 제어하는 제어부;를 포함하고,
상기 제어부는,
상기 출력 전류 검출부로부터의 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 상기 학습에 따라, 상기 세탁조 내의 세탁포에 대한 부하를 판단하며, 상기 세탁포의 부하 정보에 기초하여, 운전 코스 정보를 결정하는 것을 특징으로 하는 건조기.
제1항에 있어서,
상기 제어부는,
상기 세탁조 내의 세탁포에 대한 부하 판단시, 상기 세탁포의 포량, 포질을 판단하는 것을 특징으로 하는 건조기.
제1항에 있어서,
상기 세탁조 내의 온도를 감지하는 온도 감지부;
상기 세탁조 내의 습도를 감지하는 습도 감지부;를 더 포함하고,
상기 제어부는,
상기 온도 감지부에서 감지된 온도 정보, 상기 습도 감지부에서 감지된 습도 정보, 및 상기 출력 전류에 기초하여, 상기 심층 신경망 기반의 학습을 수행하고, 상기 학습에 따라, 상기 세탁조 내의 세탁포에 대한 부하를 판단하며, 상기 세탁포의 부하 정보에 기초하여, 상기 운전 코스 정보를 결정하는 것을 특징으로 하는 건조기.
제1항에 있어서,
상기 부하 판단시, 상기 세탁조 내의 세탁포는, 탈수가 완료된 세탁포를 포함하는 것을 특징으로 하는 건조기.
제1항에 있어서,
상기 제어부는,
상기 세탁조의 텀블 구간 동안의 상기 출력 전류 검출부로부터의 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 상기 학습에 따라, 상기 세탁조 내의 세탁포에 대한 부하를 판단하며, 상기 세탁포의 부하 정보에 기초하여, 운전 코스 정보를 결정하는 것을 특징으로 하는 건조기.
제1항에 있어서,
상기 제어부는,
상기 결정된 운전 코스 정보에 기초하여 운전을 수행하고, 상기 운전 코스 정보를 출력하도록 제어하는 것을 특징으로 하는 건조기.
제1항에 있어서,
복수의 운전 코스 정보를 저장하는 메모리;를 더 포함하고,
상기 결정된 운전 코스 정보는, 상기 메모리에 저장되지 않은 추가 운전 코스 정보인 것을 특징으로 하는 건조기.
제7항에 있어서,
상기 메모리는,
상기 추가 운전 코스 정보를 저장하는 것을 특징으로 하는 건조기.
제1항에 있어서,
상기 제어부는,
상기 세탁포의 부하 정보의 레벨에 기초하여, 운전 코스 설정을 위한 분류를 수행하고, 상기 분류에 기초하여, 상기 운전 코스 정보를 결정하는 것을 특징으로 하는 건조기.
제9항에 있어서,
외부의 이동 단말기 또는 서버와 통신하는 통신부;를 더 포함하고,
상기 제어부는,
외부의 서버에 접속하여, 상기 분류에 따른 분류 정보에 기초한 검색을 수행하고, 상기 검색 결과에 기초하여, 상기 운전 코스 정보를 결정하는 것을 특징으로 하는 건조기.
제1항에 있어서,
외부의 이동 단말기 또는 서버와 통신하는 통신부;를 더 포함하고,
상기 제어부는,
외부의 서버에 접속하여, 상기 세탁포의 부하 정보의 레벨에 기초한 검색을 수행하고, 상기 검색 결과에 기초하여, 상기 운전 코스 정보를 결정하는 것을 특징으로 하는 건조기.
제1항에 있어서,
상기 제어부는,
상기 결정된 운전 코스 정보가 제1 운전 코스 정보 또는 제2 운전 코스 정보인 경우, 상기 세탁조의 제1 속도 상승, 상기 제1 속도 유지, 속도 하강이 순차적으로 수행되도록 제어하며,
상기 결정된 운전 코스 정보가 제3 운전 코스 정보인 경우, 상기 세탁조의 상기 제1 속도 보다 높은 제2 속도 상승, 제3 속도 하강, 상기 제3 속도 유지, 및 속도 하강이 순차적으로 수행되도록 제어하는 것을 특징으로 하는 건조기.
제1항에 있어서,
상기 제어부는,
상기 결정된 운전 코스 정보가 제1 운전 코스 정보 내지 제3 운전 코스 정보중 어느 하나인 경우, 상기 제1 운전 코스 정보 내지 상기 제3 운전 코스 정보 중 어느 하나에 따라, 상기 세탁조 내의 건조 정도가 가변되도록 제어하는 것을 특징으로 하는 건조기.
케이싱;
상기 케이싱 내의 세탁조;
상기 세탁조를 회전시키는 모터;
상기 모터를 구동하며, 상기 모터에 흐르는 출력 전류를 검출하는 출력 전류 검출부를 구비하는 구동부;
상기 세탁조에 열을 공급하는 열공급부;
상기 구동부를 제어하는 제어부;를 포함하고,
상기 제어부는,
상기 출력 전류 검출부로부터의 출력 전류에 기초하여, 심층 신경망 기반의 학습을 수행하고, 상기 학습에 따라, 상기 세탁조 내의 세탁포에 대한 포질을 판단하며, 상기 세탁포의 포질 정보에 기초하여, 운전 코스 정보를 결정하는 것을 특징으로 하는 건조기.
제14항에 있어서,
상기 세탁조 내의 온도를 감지하는 온도 감지부;
상기 세탁조 내의 습도를 감지하는 습도 감지부;를 더 포함하고,
상기 제어부는,
상기 온도 감지부에서 감지된 온도 정보, 상기 습도 감지부에서 감지된 습도 정보, 및 상기 출력 전류에 기초하여, 상기 심층 신경망 기반의 학습을 수행하고, 상기 학습에 따라, 상기 세탁조 내의 세탁포에 대한 포질을 판단하며, 상기 세탁포의 포질 정보에 기초하여, 상기 운전 코스 정보를 결정하는 것을 특징으로 하는 건조기.