WO2023085446A1 - 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기 및 그 제어 방법 - Google Patents

외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기 및 그 제어 방법 Download PDF

Info

Publication number
WO2023085446A1
WO2023085446A1 PCT/KR2021/016225 KR2021016225W WO2023085446A1 WO 2023085446 A1 WO2023085446 A1 WO 2023085446A1 KR 2021016225 W KR2021016225 W KR 2021016225W WO 2023085446 A1 WO2023085446 A1 WO 2023085446A1
Authority
WO
WIPO (PCT)
Prior art keywords
drying
dryer
external environment
environment information
information
Prior art date
Application number
PCT/KR2021/016225
Other languages
English (en)
French (fr)
Inventor
채종훈
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 PCT/KR2021/016225 priority Critical patent/WO2023085446A1/ko
Priority to KR1020247007579A priority patent/KR20240039071A/ko
Publication of WO2023085446A1 publication Critical patent/WO2023085446A1/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
    • 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
    • D06F34/14—Arrangements for detecting or measuring specific parameters
    • D06F34/26—Condition of the drying air, e.g. air humidity or temperature
    • 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
    • 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
    • D06F58/00—Domestic laundry dryers
    • D06F58/32—Control of operations performed in domestic laundry dryers 
    • D06F58/34—Control of operations performed in domestic laundry dryers  characterised by the purpose or target of the control
    • D06F58/36—Control of operational steps, e.g. for optimisation or improvement of operational steps depending on the condition of the laundry
    • D06F58/38—Control of operational steps, e.g. for optimisation or improvement of operational steps depending on the condition of the laundry of drying, e.g. to achieve the target humidity
    • 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
    • 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
    • D06F2105/12—Humidity or dryness of laundry

Definitions

  • the present invention relates to a dryer, and more particularly, to a dryer that performs a drying function based on external environment information.
  • AI Artificial intelligence
  • AI does not exist by itself, but has many direct and indirect relationships with other fields of computer science.
  • attempts to introduce artificial intelligence elements in various fields of information technology and use them to solve problems in those fields are being made very actively.
  • a default sensing value is analyzed to infer an external environment, and a distortion phenomenon of a sensor inside the dryer is corrected by using the result.
  • it is intended to provide a solution capable of more accurately predicting the minimum drying time in consideration of the external environment.
  • a control method for a dryer that performs a drying function based on external environment information includes the steps of receiving an initial sensed value before starting drying, receiving building analysis information, and the initial sensed value. and obtaining external environment information by providing the building analysis information to a first artificial intelligence model, and
  • the first artificial intelligence model corresponds to, for example, a neural network trained using external environment information labeled with the initial sensing value and the building analysis information.
  • a dryer that performs a drying function based on external environment information includes a sensor for receiving an initial sensed value before starting drying, a communication module for receiving building analysis information, and the initial sensed value and a processor for obtaining external environment information by providing the building analysis information to a first artificial intelligence model, and a drying unit for drying the building based on the acquired external environment information.
  • the first artificial intelligence model corresponds to, for example, a neural network trained using external environment information labeled with the initial sensing value and the building analysis information.
  • 1 is a flow chart showing in detail the process by which the dryer operates according to the prior art.
  • FIG. 2 is a block diagram showing the detailed configuration of the AI device 100 according to an embodiment of the present invention.
  • FIG. 3 is a block diagram showing the detailed configuration of the AI server 200 according to an embodiment of the present invention.
  • FIG. 4 is a block diagram showing the configuration of a dryer according to an embodiment of the present invention.
  • FIG. 5 is a diagram showing a dryer and a washing machine connected through a network together according to an embodiment of the present invention.
  • FIG. 6 is a flowchart showing the operation sequence of the dryer according to an embodiment of the present invention in time series.
  • FIG. 7 is a diagram for explaining a method of obtaining external environment information using a first artificial intelligence model according to an embodiment of the present invention.
  • FIG. 8 is a diagram for explaining a method of obtaining an optimal drying time using a second artificial intelligence model according to an embodiment of the present invention.
  • FIG. 9 is a diagram for explaining a method of predicting a drying completion point of an actual building using a third artificial intelligence model according to an embodiment of the present invention.
  • FIG. 10 is a diagram for explaining an embodiment in which the drying completion time of an actual building is changed according to the prediction method of FIG. 9 .
  • 1 is a flow chart showing in detail the process by which the dryer operates according to the prior art.
  • the dryer analyzes the temperature/humidity of the dried material inside the dryer using a sensor or the like (S110). Then, based on this, drying is started (S120), and additional sensing is performed to monitor the state of the dried object during the drying process (S130). Finally, the drying time is adjusted according to the dry matter monitoring result (S140).
  • step S130 it is designed to sense the internal state of the dryer even during drying, but even at this time, there is a problem in that distortion occurs in the monitored sensing value due to the external environment.
  • step S130 since erroneous data is obtained in step S130, an error also occurs in adjusting the drying time in step S140.
  • the present invention was designed to adopt various AI artificial intelligence models. It will be described in more detail below.
  • AI artificial intelligence
  • Machine Learning Machine Learning
  • An artificial neural network is a model used in machine learning, and may refer to an overall model that has problem-solving capabilities and is composed of artificial neurons (nodes) that form a network by synaptic coupling.
  • An artificial neural network can be defined by a connection pattern between neurons in different layers, a learning process for updating model parameters, and an activation function for generating output values.
  • An artificial neural network may include an input layer, an output layer, and optionally one or more hidden layers. Each layer may include one or more neurons, and the artificial neural network may include neurons and synapses connecting the neurons. In an artificial neural network, each neuron may output a function value of an activation function for input signals, weights, and biases input through a synapse.
  • Model parameters refer to parameters determined through learning, and include weights of synaptic connections and biases of neurons.
  • hyperparameters mean parameters that must be set before learning in a machine learning algorithm, and include a learning rate, number of iterations, mini-batch size, initialization function, and the like.
  • the purpose of learning an artificial neural network can be seen as determining model parameters that minimize the loss function.
  • the loss function may be used as an index for determining optimal model parameters in the learning process of an artificial neural network.
  • Machine learning can be classified into supervised learning, unsupervised learning, and reinforcement learning according to learning methods.
  • Supervised learning refers to a method of training an artificial neural network given a label for training data, and a label is the correct answer (or result value) that the artificial neural network must infer when learning data is input to the artificial neural network.
  • Unsupervised learning may refer to a method of training an artificial neural network in a state in which a label for training data is not given.
  • Reinforcement learning may refer to a learning method in which an agent defined in an environment learns to select an action or action sequence that maximizes a cumulative reward in each state.
  • machine learning implemented as a deep neural network (DNN) including a plurality of hidden layers is also called deep learning, and deep learning is a part of machine learning.
  • DNN deep neural network
  • machine learning is used to include deep learning.
  • FIG. 2 is a block diagram showing the detailed configuration of the AI device 100 according to an embodiment of the present invention.
  • the AI device 100 may be installed in various devices, and may be implemented in, for example, a washing machine or dryer.
  • the AI device 100 includes a communication unit 110, an input unit 120, a running processor 130, a sensing unit 140, an output unit 150, a memory 170, and a processor 180 ) and the like.
  • the communication unit 110 may transmit/receive data with external devices such as other AI devices or AI servers using wired/wireless communication technology.
  • the communication unit 110 may transmit/receive sensor information, a user input, a learning model, a control signal, and the like with external devices.
  • GSM Global System for Mobile communication
  • CDMA Code Division Multi Access
  • LTE Long Term Evolution
  • WLAN Wireless LAN
  • Wi-Fi Wireless-Fidelity
  • BluetoothTM Radio Frequency Identification
  • IrDA Infrared Data Association
  • ZigBee ZigBee
  • NFC Near Field Communication
  • the input unit 120 may acquire various types of data.
  • the input unit 120 may include a camera for inputting a video signal, a microphone for receiving an audio signal, and a user input unit for receiving information from a user.
  • a camera or microphone may be treated as a sensor, and signals obtained from the camera or microphone may be referred to as sensing data or sensor information.
  • the input unit 120 may obtain learning data for model learning and input data to be used when obtaining an output using the learning model.
  • the input unit 120 may obtain raw input data, and in this case, the processor 180 or the learning processor 130 may extract input features as preprocessing of the input data.
  • the learning processor 130 may learn a model composed of an artificial neural network using training data.
  • the learned artificial neural network may be referred to as a learning model.
  • the learning model may be used to infer a result value for new input data other than learning data, and the inferred value may be used as a basis for a decision to perform a certain operation.
  • the running processor 130 may perform AI processing together with the running processor of the AI server.
  • the learning processor 130 may include a memory integrated or implemented in the AI device 100.
  • the learning processor 130 may be implemented using a memory 170, an external memory directly coupled to the AI device 100, or a memory maintained in an external device.
  • the sensing unit 140 may obtain at least one of internal information of the AI device 100, surrounding environment information of the AI device 100, and user information using various sensors.
  • the sensors included in the sensing unit 140 include a proximity sensor, an illuminance sensor, an acceleration sensor, a magnetic sensor, a gyro sensor, an inertial sensor, an RGB sensor, an IR sensor, a fingerprint recognition sensor, an ultrasonic sensor, an optical sensor, a microphone, and a LiDAR sensor. , radar, etc.
  • the output unit 150 may generate an output related to sight, hearing, or touch.
  • the output unit 150 may include a display unit that outputs visual information, a speaker that outputs auditory information, and a haptic module that outputs tactile information.
  • the memory 170 may store data supporting various functions of the AI device 100 .
  • the memory 170 may store input data obtained from the input unit 120, learning data, a learning model, a learning history, and the like.
  • the processor 180 may determine at least one executable operation of the AI device 100 based on information determined or generated using a data analysis algorithm or a machine learning algorithm. And, the processor 180 may perform the determined operation by controlling the components of the AI device 100.
  • the processor 180 may request, retrieve, receive, or utilize data from the learning processor 130 or the memory 170, and select a predicted operation or an operation determined to be desirable among the at least one executable operation. Components of the AI device 100 may be controlled to execute.
  • the processor 180 may generate a control signal for controlling the external device and transmit the generated control signal to the external device when it is necessary to link the external device to perform the determined operation.
  • the processor 180 may obtain intention information for a user input and determine a user's requirement based on the acquired intention information.
  • the processor 180 uses at least one of a STT (Speech To Text) engine for converting a voice input into a character string and a Natural Language Processing (NLP) engine for obtaining intention information of a natural language, and Intent information corresponding to the input may be obtained.
  • STT Seech To Text
  • NLP Natural Language Processing
  • At this time, at least one or more of the STT engine or NLP engine may be composed of an artificial neural network at least partially trained according to a machine learning algorithm. And, at least one or more of the STT engine or the NLP engine may be learned by the learning processor 130, learned by the learning processor of the AI server, or learned by distributed processing thereof.
  • the processor 180 collects history information including user feedback on the operation contents or operation of the AI device 100 and stores it in the memory 170 or the learning processor 130, or in an external device such as an AI server. can transmit The collected history information can be used to update the learning model.
  • the processor 180 may control at least some of the components of the AI device 100 in order to drive an application program stored in the memory 170 . Furthermore, the processor 180 may combine and operate two or more of the components included in the AI device 100 to drive the application program.
  • FIG. 3 is a block diagram showing the detailed configuration of the AI server 200 according to an embodiment of the present invention.
  • the AI server 200 may refer to a device that learns an artificial neural network using a machine learning algorithm or uses the learned artificial neural network.
  • the AI server 200 may be composed of a plurality of servers to perform distributed processing, or may be defined as a 5G network.
  • the AI server 200 may be included as a part of the AI device 100 and perform at least part of the AI processing together.
  • the AI server 200 may include a communication unit 210, a memory 230, a learning processor 240 and a processor 260, and the like.
  • the communication unit 210 may transmit/receive data with an external device such as the AI device 100.
  • the memory 230 may include a model storage unit 231 .
  • the model storage unit 231 may store a model being learned or learned through the learning processor 240 (or artificial neural network, 231a).
  • the learning processor 240 may learn the artificial neural network 231a using the learning data.
  • the learning model may be used while loaded in the AI server 200 of the artificial neural network, or may be loaded and used in an external device such as the AI device 100.
  • a learning model can be implemented in hardware, software, or a combination of hardware and software. When part or all of the learning model is implemented as software, one or more instructions constituting the learning model may be stored in the memory 230 .
  • the processor 260 may infer a result value for new input data using the learning model, and generate a response or control command based on the inferred result value.
  • FIG. 4 is a block diagram showing the configuration of a dryer according to an embodiment of the present invention.
  • the dryer 10 includes a drying drum into which an object to be dried is input), a humidity sensor 50 mounted on an inner circumferential surface of the drying drum, a front cabinet supporting the front portion of the drying drum, and a bottom of the front cabinet. It may include a blocking member mounted on the drying drum, a rear cabinet supporting the rear surface of the drying drum, and a lint filter cleaning device provided below the drying drum.
  • the humidity sensor 50 may be disposed inside the drying drum to detect humidity inside the drying drum.
  • the dryer 10 includes an intake duct for sucking air to be supplied to the drying drum, a rear duct connecting the intake duct and an air inlet hole formed on the rear surface of the drying drum, and a bottom surface of the front cabinet. It may further include a guide duct connected to guide air discharged from the drying drum, a blower connected to an outlet of the guide duct, and an exhaust duct connected to an outlet of the blower.
  • the lint filter cleaning device is mounted at a point of the exhaust duct so that lint contained in air flowing along the exhaust duct is filtered while passing through the lint filter assembly provided in the lint filter cleaning device.
  • a middle cabinet is provided between the front cabinet and the rear cabinet to cover and protect the drying drum and various parts disposed below the drying drum.
  • the middle cabinet may define both side surfaces and an upper surface of the dryer 10 .
  • a base plate defining the bottom of the dryer 10 is provided on the lower surface of the middle cabinet, and the components may be mounted on the base plate.
  • control panel may be mounted on the upper front side of the front cabinet.
  • the control panel may include an input unit 122 for selecting an operation mode (eg, drying mode) of the dryer 10 and a display unit 123 displaying various types of information including an operating state.
  • a temperature sensor 60 may be mounted on the outlet side of the drying drum.
  • the temperature sensor 60 is mounted on the outlet side of the drying drum, and detects a temperature value (hereinafter referred to as "drum outlet temperature value") of the outlet side of the drying drum.
  • the temperature sensor 60 may be mounted on an inner circumferential surface of the front end side of the drying drum, and may be mounted on one inner circumferential surface of the guide duct connected to the outlet side of the drying drum.
  • the blocking member is provided to prevent foreign substances contained in the object to be dried during the drying process, for example, bulky and hard foreign substances such as coins and ballpoint pens from being sucked into the guide duct. Even if foreign matter such as lint flows into the guide duct, it is filtered out by the lint filter assembly installed in the lint filter cleaning device, and other foreign matter, that is, bulky hard foreign matter, is blocked by the blocking member and remains in the drying drum. . If a material other than lint is sucked into the guide duct, the blower may be damaged or a rattling sound may be generated inside the exhaust duct, so that the foreign material does not escape the drying drum by the blocking member. need to prevent
  • the blocking member may be detachably coupled to the front cabinet.
  • a washing water supply pipe and a washing water drain pipe are connected to the lint filter washing device.
  • An inlet end of the washing water supply pipe may be mounted on the rear cabinet and connected to a water pipe connected from an external water supply source.
  • An outlet end of the washing water supply pipe is connected to an inlet port of a control valve of the lint filter washing device.
  • the inlet end of the washing water drain pipe is connected to the drain pump assembly of the lint filter cleaning device.
  • the blowing device includes a driving motor 161 for rotating the drying drum, and a drying fan 162 connected to a rotating shaft of the driving motor 161 .
  • the drying fan 162 is disposed at the outlet end of the guide duct, and guides the air passing through the drying drum to the guide duct to the exhaust duct.
  • the drying drum is rotated by a pulley connected to the rotating shaft of the driving motor 161 and a belt wound around the outer circumferential surface of the pulley and the drying drum. That is, when the drive motor 161 rotates, the pulley rotates, and when the pulley rotates, the belt rotates the drying drum. With this structure, when the driving motor 161 operates, the drying drum and the drying fan 162 rotate in the same direction.
  • an electric heater is mounted inside the rear duct of the dryer 10 .
  • the electric heater generates hot air by heating the air introduced into the intake duct to a high temperature before flowing into the drying drum.
  • an object to be dried is introduced into the drying drum through an input hole provided in the front cabinet. Further, when a drying start command is input through the input unit 122, the blowing device operates, and the drying drum and the drying fan 162 are rotated in one direction. Then, the air introduced into the intake duct is heated to a high temperature by the electric heater while flowing along the rear duct. The air heated to a high temperature is introduced into the drying drum through the rear surface of the drying drum along the rear duct. At this time, the high-temperature dry air introduced into the drying drum is changed to a high-temperature and high-humidity state while drying the object to be dried.
  • the high-temperature and high-humid air passes through the blocking member and is guided to the guide duct while containing lint generated from the object to be dried.
  • High-temperature and high-humidity air guided to the guide duct is guided to the exhaust duct by the blower.
  • the high-temperature and high-humidity air guided to the exhaust duct is filtered out by the lint filter assembly while passing through the lint filter cleaning device.
  • the lint filter cleaning device operates, and the lint attached to the lint filter assembly falls off and is discharged to the outside together with the washing water by the drain pump assembly.
  • the processor 180 may control the overall operation of the dryer.
  • the dryer 10 may include some or all of the components of the AI device 100 described in FIG. 2 and perform the functions of the AI device 100 described in FIG. 2 .
  • the dryer may include a drying unit, and the drying unit may include at least one of the first heater 70 and the second heater 80 . Also, the drying unit may perform a function of drying the object to be dried.
  • the dryer of the specification is clearly distinguished from the prior art in that it is basically equipped with artificial intelligence.
  • FIG. 5 is a diagram showing a dryer and a washing machine connected through a network together according to an embodiment of the present invention.
  • the dryer and washing machine may be provided as one tower type, or may be sold separately but connected through a wired/wireless network.
  • the dryer 10 may receive laundry information (dry matter analysis information) completed by the washing machine 800 through a wired or wireless network. .
  • the dryer according to an embodiment of the present invention is equipped with artificial intelligence, and based on the analysis of the default sensed value, a correction technique for adapting to an external environment around the dryer is presented.
  • the dryer according to the prior art does not consider external environmental factors, so an unnecessary drying period is generated, thereby increasing power consumption of the dryer.
  • sensing humidity/temperature, etc.
  • sensing is performed to monitor the inside of the dryer, but there is a problem in that the monitoring sensed value is distorted due to the external environment.
  • drying time is controlled (adjusted) in real time based on the monitoring result, but there is a problem that the possibility of error increases in this part as well.
  • the dryer according to one embodiment of the present invention can solve all of the above problems by considering the external environment in the entire drying process.
  • FIG. 6 is a flowchart showing the operation sequence of the dryer according to an embodiment of the present invention in time series.
  • the dryer performs an adaptive drying function based on external environment information using at least one artificial intelligence modeling technique.
  • the dryer receives an initial sensing value before starting drying (S610) and receives dry matter analysis information (S620).
  • the dryer is designed to acquire external environment information by providing the initial sensing value (S610) and the building analysis information (S620) to the first artificial intelligence model (S630). A more specific modeling technique related to this will be described later in detail with reference to FIG. 7 .
  • the dryer obtains an optimal drying time by providing the acquired external environment information and the building analysis information to the second artificial intelligence model (S640).
  • S640 the second artificial intelligence model
  • the dryer starts to dry the building based on the acquired external environment information (S650), and corrects the building monitoring sensing value based on the standard value-actual value pattern learning-based correction model (S670).
  • S650 acquired external environment information
  • S670 standard value-actual value pattern learning-based correction model
  • the dryer adaptively adjusts the time according to the dry matter monitoring (S680). Therefore, it is possible to minimize the actual drying time and power consumption, and a more specific result related to this will be described later in detail with reference to FIG. 10 .
  • the present invention additionally controls the operation of the dryer in consideration of the external environment, and in particular, at least one of step S610, step S630, step S640 or step S670 shown in FIG. designed to include
  • FIG. 7 is a diagram for explaining a method of obtaining external environment information using a first artificial intelligence model according to an embodiment of the present invention. In particular, it is directly or indirectly related to steps S610, S620, and S630 of FIG. 6 .
  • the dryer is installed in a different environment for each home, and is also greatly affected by external weather (winter, rainy season, extreme heat, etc.). That is, the spatial environment in which the dryer is installed, which is different from the standard environment, affects and distorts the sensing-based drying time control.
  • an embodiment of the present invention introduces a first artificial intelligence model 710 shown in FIG. 7 .
  • the first artificial intelligence model 710 corresponds to a neural network trained using external environment information labeled with initial sensing values and building analysis information.
  • the initial sensing value is designed to include, for example, at least one of a first humidity and a first temperature before the dried product is put into the dryer, a second humidity and a second temperature after being put into the dryer.
  • the accuracy of labeled external environment information may be higher.
  • the building analysis information can be implemented in both embodiments.
  • a sensor in the dryer directly detects the weight/humidity/temperature of the dry matter put into the dryer.
  • the dryer and the washing machine are paired through a communication connection, the dryer receives information analyzed by the washing machine (weight/humidity/temperature of the dryer) and uses it.
  • the first artificial intelligence model 710 may train a neural network by labeling external environment information to the aforementioned initial sensing values and building analysis information.
  • the external environment information may be a result to be inferred by the neural network using initial sensing values/building analysis information.
  • the neural network infers a function for a correlation between initial sensing values/building analysis information and external environment information. Further, parameters (weight, bias, etc.) of the neural network are optimized through evaluation of the inferred function of the neural network.
  • the external environment information may be expressed as a continuous value instead of being classified into classes.
  • the neural network may be additionally trained using a regression algorithm.
  • the input value of the initial sensing value/building analysis information is converted to external environment information (external environment where the dryer is installed) through the first artificial intelligence model 710 shown in FIG. the actual humidity/temperature of the environment). Therefore, a technical effect of not requiring a separate sensor outside the dryer is also expected.
  • step S640 of FIG. 6 is a diagram for explaining a method of obtaining an optimal drying time using a second artificial intelligence model according to an embodiment of the present invention. In particular, it is directly or indirectly related to step S640 of FIG. 6 .
  • the drying time of the dryer was initially controlled under the assumption of a standard environment.
  • the dryer is not adaptive to changes in the external environment in which it is installed.
  • the optimal drying time suitable for the external environment inferred through step S630 of FIG. 6 and FIG. 7 is derived.
  • an embodiment of the present invention introduces a second artificial intelligence model 810 shown in FIG. 8 .
  • the second artificial intelligence model 810 corresponds to a neural network trained using an optimal drying time labeled in external environment information and building analysis information.
  • the optimal drying time is derived through the second artificial intelligence model 810 shown in FIG. 8 using input values of external environment information/building analysis information.
  • the optimal drying time obtained through step S640 of FIG. 6 and the second artificial intelligence model 810 of FIG. 8 is additionally used when correcting the monitoring sensing value of step S670 of FIG. 6, another right of the present invention. belong to the range
  • FIG. 9 is a diagram for explaining a method of predicting a drying completion point of an actual building using a third artificial intelligence model according to an embodiment of the present invention. In particular, it is directly or indirectly related to steps S670 and S680 of FIG. 6 .
  • the drying mode is inferred only from the current building information (ie, according to the prior art, it relies only on a predefined standard value).
  • the drying mode can be more accurately inferred in real time by additionally using external environment information and initial sensing values as well as currently sensed information of the building. design so that
  • an embodiment of the present invention introduces a third artificial intelligence model 910 shown in FIG. 9 .
  • the third artificial intelligence model 910 corresponds to a neural network trained using the actual drying level and actual completion time of drying labeled with the optimal drying time, building analysis information, initial sensing value, total monitoring value, standard model value, etc. do.
  • FIG. 10 is a diagram for explaining an embodiment in which the drying completion time of an actual building is changed according to the prediction method of FIG. 9 .
  • FIG. 10 illustrates that the drying rate for the same dry matter varies depending on the standard environment (external environment is not considered) and the actual environment (external environment is considered according to the present invention).
  • the drying time before starting drying is set to 10 minutes in step S640 of FIG. 6 .
  • the end allowable interval is additionally set to 9 to 11 minutes.
  • distortion of the internal sensed data is adjusted in consideration of the external environment even after the dryer starts drying.
  • the above-described present invention can be implemented as computer readable code on a medium on which a program is recorded.
  • the computer-readable medium includes all types of recording devices in which data that can be read by a computer system is stored. Examples of computer-readable media include Hard Disk Drive (HDD), Solid State Disk (SSD), Silicon Disk Drive (SDD), ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, etc. there is Also, the computer may include the control unit 180 of the terminal. Accordingly, the above detailed description should not be construed as limiting in all respects and should be considered as illustrative. The scope of the present invention should be determined by reasonable interpretation of the appended claims, and all changes within the equivalent scope of the present invention are included in the scope of the present invention.

Landscapes

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

Abstract

본 발명의 일실시예에 의한 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기의 제어 방법은, 건조 시작 전 초기 센싱값을 수신하는 단계와, 건조물 분석 정보를 수신하는 단계와, 상기 초기 센싱값 및 상기 건조물 분석 정보를 제1 인공지능 모델에 제공하여 외부 환경 정보를 획득하는 단계와, 그리고 상기 획득된 외부 환경 정보에 기초하여 건조물을 건조하는 단계를 포함한다.

Description

외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기 및 그 제어 방법
본 발명은 건조기에 대한 것으로서, 보다 상세하게는 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기에 대한 것이다.
인공 지능(AI, artificial intelligence)은 사람의 지능으로 할 수 있는 사고, 학습, 자기 계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 사람의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, AI는 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접적으로 많은 관련을 맺고 있다. 특히, 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어 지고 있다.
나아가, AI를 이용하여, 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 포맷으로 제공하거나 또는 사용자가 원하는 동작이나 기능을 수행하는 기술들이 다양하게 연구되고 있다.
한편, 종래 기술 중 건조기 분야에서 AI 를 적용한 시도는 거의 없다. 다만, 예를 들어, 건조기 내부의 정보에 국한하여 AI 를 시도하는 사례 정보만 보고되고 있다.
그러나, 종래 기술의 건조기를 적용할 경우, 건조기 설치 공간의 환경(예를 들어, 습도/온도 등)에 따라, 건조 수행 시간이 불필요하게 늘어나는 문제점이 있었다.
예를 들어, 건조기가 설치된 외부 환경에 따라, 건조기 내부 공간의 센서의 결과값에 왜곡이 발생하여, 건조기 내부의 실제 의류(건조물) 상태를 정확하게 진단하는 것이 어려운 문제점이 있었다.
나아가, 건조기가 설치된 외부 환경의 영향 등으로 인하여, 건조기 내부 센서 등이 건조 수행 시간을 정확히 추정하는 과정에서 에러가 발생하는 문제점 등이 있었다.
본 발명의 일실시예에 의하면, 건조기가 건조를 시작하기 전에, 디폴트 센싱값을 분석하여 외부 환경을 추론하고, 이를 활용하여 건조기 내부 센서의 왜곡 현상을 보정하고자 한다.
본 발명의 다른 일실시예에 의하면, 외부 환경을 고려하여, 건조가 필요한 최소한의 시간을 보다 정확하게 예측할 수 있는 솔루션을 제공하고자 한다.
본 발명의 일실시예에 의한 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기의 제어 방법은, 건조 시작 전 초기 센싱값을 수신하는 단계와, 건조물 분석 정보를 수신하는 단계와, 상기 초기 센싱값 및 상기 건조물 분석 정보를 제1 인공지능 모델에 제공하여 외부 환경 정보를 획득하는 단계와, 그리고
상기 획득된 외부 환경 정보에 기초하여 건조물을 건조하는 단계를 포함한다.
나아가, 상기 제1 인공지능 모델은, 예를 들어, 상기 초기 센싱값 및 상기 건조물 분석 정보에 레이블링 되는 외부 환경 정보를 이용하여 트레이닝된 뉴럴 네트워크에 해당한다.
한편, 본 발명의 일실시예에 의한 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기는, 건조 시작 전 초기 센싱값을 수신하는 센서와, 건조물 분석 정보를 수신하는 통신 모듈과, 상기 초기 센싱값 및 상기 건조물 분석 정보를 제1 인공지능 모델에 제공하여 외부 환경 정보를 획득하는 프로세서와, 그리고 상기 획득된 외부 환경 정보에 기초하여 건조물을 건조하는 건조부를 포함한다.
특히, 상기 제1 인공지능 모델은, 예를 들어, 상기 초기 센싱값 및 상기 건조물 분석 정보에 레이블링 되는 외부 환경 정보를 이용하여 트레이닝된 뉴럴 네트워크에 해당한다.
본 발명의 일실시예에 의하면, 건조기 설치 공간의 환경(습도/온도 등)에 따라, 적응적으로 건조 수행 시간을 제어할 수 있는 기술적 효과가 있다.
본 발명의 다른 일실시예에 의하면, 환경에 따라 건조기 내 센서 공간에서 발생하는 왜곡을 보정함으로써, 건조기내 실제 의류 상태를 보다 정확하게 진단할 수 있는 기술적 효과가 있다.
그리고, 본 발명의 또 다른 일실시예에 의하면, 센서 오류로 인하여 건조 시간이 불필요하게 증가하는 문제점을 해결할 수가 있다.
한편, 위에서 언급한 본 발명의 효과 이외에도, 당업자는 당해 출원 명세서 및 도면에 포함된 구성요소를 기초로 발생하는 효과에 대해서도 충분히 이해할 수가 있다.
도 1은 종래 기술에 따라 건조기가 동작하는 프로세스를 상세히 도시한 플로우 차트이다.
도 2는 본 발명의 일실시예에 따른 AI 장치(100)의 상세한 구성을 도시한 블록도 이다.
도 3은 본 발명의 일실시예에 따른 AI 서버(200)의 상세한 구성을 도시한 블록도 이다.
도 4는 본 발명의 일실시예에 따른 건조기의 구성을 도시한 블록도 이다.
도 5는 본 발명의 일실시예에 따른 건조기와 네트워크로 연결된 세탁기를 함께 도시한 도면이다.
도 6은 본 발명의 일실시예에 따른 건조기의 동작 순서를 시계열적으로 도시한 플로우 차트이다.
도 7은 본 발명의 일실시예에 따라, 제1 인공지능 모델을 이용하여 외부 환경 정보를 획득하는 방법을 설명하기 위한 도면이다.
도 8은 본 발명의 일실시예에 따라, 제2 인공지능 모델을 이용하여 최적 건조 시간을 획득하는 방법을 설명하기 위한 도면이다.
도 9는 본 발명의 일실시예에 따라, 제3 인공지능 모델을 이용하여 실제 건조물의 건조 완료 시점을 예측하는 방법을 설명하기 위한 도면이다.
도 10은 도 9의 예측 방법에 따라, 실제 건조물의 건조 완료 시점을 변경하는 실시예를 설명하기 위한 도면이다.
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" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 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.
도 1은 종래 기술에 따라 건조기가 동작하는 프로세스를 상세히 도시한 플로우 차트이다.
종래 기술에 의하면, 건조기는 센서 등을 이용하여 건조기 내부의 건조물의 온도/습도 등을 분석한다(S110). 그리고, 이를 기반으로 건조를 시작하고(S120), 건조 과정에서 건조물의 상태를 모니터링 하기 위해 추가적인 센싱이 이루어 진다(S130). 마지막으로, 건조물 모니터링 결과에 따라, 건조 시간을 조정한다(S140).
다만, 도 1에 도시된 종래 기술은, 건조기가 설치된 외부 환경을 전혀 고려하지 않기 때문에, 초기 센싱값(습도/온도 등)에 왜곡이 발생하는 문제가 있다. 특히, 이와 같은 현상은, 겨울철, 장마철, 무더위 등의 환경에서 왜곡이 크게 발생하게 된다.
나아가, S130 단계에서, 건조 중에서도 건조기 내부 상태를 센싱하도록 설계되어 있는데, 이때에도 외부 환경으로 인하여 모니터링 센싱값에 왜곡이 발생하는 문제가 있다.
그리고, S130 단계에서 잘못된 데이터를 획득하기 때문에, S140 단계의 건조 시간 조정에도 오류가 발생하게 된다.
이와 같은 문제점 해결을 위하여, 본 발명은 다양한 AI 인공 지능 모델을 채택하도록 설계하였다. 이하에서 보다 상세히 후술하도록 하겠다.
우선, 인공 지능(AI: Artificial Intelligence)은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 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, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 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.
머신 러닝은 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 최대화 하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.
도 2는 본 발명의 일실시예에 따른 AI 장치(100)의 상세한 구성을 도시한 블록도 이다.
AI 장치(100)는 다양한 디바이스에 탑재될 수 있으며, 예를 들어, 세탁기, 건조기 등으로 구현될 수 있다.
도 2에 도시된 바와 같이, AI 장치(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.
통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치 또는 AI 서버 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 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.
이때, 러닝 프로세서(130)는 AI 서버의 러닝 프로세서과 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.
이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 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.
이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버의 러닝 프로세서에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 3은 본 발명의 일실시예에 따른 AI 서버(200)의 상세한 구성을 도시한 블록도 이다.
도 3에 도시된 바와 같이, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.
AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.
통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.
메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.
러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 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(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.
도 4는 본 발명의 일실시예에 따른 건조기의 구성을 도시한 블록도 이다.
건조기(10)는, 내부에 건조 대상물이 투입되는 건조 드럼)과, 상기 건조 드럼의 내주면에 장착되는 습도 센서(50)와, 상기 건조 드럼의 전면부를 지지하는 프런트 캐비닛과, 상기 프런트 캐비닛의 바닥부에 장착되는 차단 부재(blocking member)와, 상기 건조 드럼의 후면부를 지지하는 리어 캐비닛, 및 상기 건조 드럼의 하측에 제공되는 린트 필터 세척 장치를 포함할 수 있다.
예를 들어, 습도 센서(50)는, 상기 건조 드럼) 내부에 배치되어, 건조 드럼 내부의 습도를 감지할 수 있다.
또한, 상기 건조기(10)는, 상기 건조 드럼으로 공급될 공기를 흡입하는 흡입 덕트와, 상기 흡입 덕트와 상기 건조 드럼의 배면에 형성된 공기 유입홀을 연결하는 리어 덕트와, 상기 프런트 캐비닛의 저면에 연결되어 상기 건조 드럼으로부터 배출되는 공기를 안내하는 가이드 덕트와, 상기 가이드 덕트의 출구단에 연결되는 송풍 장치, 및 상기 송풍 장치의 출구단에 연결되는 배기 덕트를 더 포함할 수 있다. 상기 린트 필터 세척 장치는 상기 배기 덕트의 어느 지점에 장착되어, 상기 배기 덕트를 따라 흐르는 공기 중에 포함된 보푸라기가 상기 린트 필터 세척 장치에 구비된 린트 필터 어셈블리를 통과하면서 걸러지도록 한다.
한편, 상기 프런트 캐비닛과 상기 리어 캐비닛 사이에는 미들 캐비닛이 제공되어, 상기 건조 드럼 및 상기 건조 드럼의 하측에 배치되는 각종 부품을 덮어서 보호한다. 상기 미들 캐비닛은 상기 건조기(10)의 양 측면과 상면을 정의할 수 있다. 상기 미들 캐비닛의 저면에는 상기 건조기(10)의 바닥부를 정의하는 베이스 플레이트가 제공되고, 상기 베이스 플레이트 상에 상기 부품들이 장착될 수 있다.
또한, 상기 프런트 캐비닛의 전면 상측에는 컨트롤 패널이 장착될 수 있다. 상기 컨트롤 패널은 상기 건조기(10)의 동작 모드(예: 건조 모드)를 선택하기 위한 입력부(122)와, 운전 상태를 포함하는 각종 정보가 디스플레이되는 표시부(123)를 포함할 수 있다.
또한, 상기 건조 드럼의 출구측에는 온도 센서(60)가 장착될 수 있다. 상기 온도 센서(60)는 상기 건조 드럼의 출구측에 장착되어, 상기 건조 드럼의 출구측 온도 값(이하에서, "드럼 출구 온도 값"이라고 칭함)을 감지한다.
일례로, 상기 온도 센서(60)는 상기 건조 드림의 전단측 내주면에 장착될 수 있고, 상기 건조 드럼의 출구측에 연결되는 상기 가이드 덕트의 내주면 일측에 장착될 수 있다.
또한, 상기 차단 부재는, 건조 과정에서 건조 대상물에 들어 있던 이물질, 예를 들어 동전, 볼펜 등과 같이 부피가 크고 딱딱한 형태의 이물질이 상기 가이드 덕트로 빨려 들어가는 것을 방지하기 위하여 제공된다. 보푸라기와 같은 이물질은 상기 가이드 덕트로 유입되더라도 상기 린트 필터 세척 장치에 장착된 린트 필터 어셈블리에서 걸러지고, 그 외의 이물질, 즉 부피가 있는 경질의 이물질은 상기 차단 부재에서 차단되어 상기 건조 드럼에 남게 된다. 만일, 보푸라기 이외의 물질이 상기 가이드 덕트로 빨려들어갈 경우, 상기 송풍 장치가 파손되거나, 상기 배기 덕트 내부에서 달그락거리는 소리를 발생시킬 수 있기 때문에, 상기 차단 부재에 의하여 상기 이물질이 상기 건조 드럼을 벗어나지 못하도록 할 필요가 있다. 그리고, 상기 차단 부재는 상기 프런트 캐비닛에 착탈 가능하게 결합될 수 있다.
또한, 상기 린트 필터 세척 장치에는 세척수 공급관과 세척수 배수관이 연결된다. 상기 세척수 공급관의 입구단은 상기 리어 캐비닛에 장착되어, 외부 급수원으로부터 연결되는 물관에 연결될 수 있다. 그리고, 상기 세척수 공급관의 출구단은 상기 린트 필터 세척 장치의 제어 밸브의 유입 포트에 연결된다. 그리고, 상기 세척수 배수관의 입구단은 상기 린트 필터 세척 장치의 배수 펌프 어셈블리에 연결된다.
또한, 상기 송풍 장치는, 상기 건조 드럼을 회전시키는 구동 모터(161)와, 상기 구동 모터(161)의 회전축에 연결되는 건조팬(162)을 포함한다.
상기 건조팬(162)은 상기 가이드 덕트의 출구단측에 배치되어, 상기 건조 드럼을 통과하여 상기 가이드 덕트로 안내되는 공기를 상기 배기 덕트로 안내한다. 그리고 상기 건조 드럼은, 상기 구동 모터(161)의 회전축에 연결된 풀리와, 상기 풀리 및 상기 건조 드럼의 외주면에 감기는 벨트에 의하여 회전한다. 즉, 상기 구동 모터(161)가 회전하면, 상기 풀리가 회전하고, 상기 풀리가 회전하면 상기 벨트가 상기 건조 드럼을 회전시킨다. 이러한 구조에 의하여, 상기 구동 모터(161)가 동작하면 상기 건조 드럼과 상기 건조팬(162)이 같은 방향으로 회전하게 된다.
또한, 상기 건조기(10)의 리어 덕트 내부에는 전기 히터가 장착된다. 상기 전기 히터는 상기 흡입 덕트로 유입되는 공기가 상기 건조 드럼 내부로 유입되기 전에 고온으로 가열하여 열풍을 생성한다.
상기와 같은 구성을 이루는 건조기(10)의 건조 과정에 대해서 간략히 설명하면, 먼저, 상기 프런트 캐비닛에 구비된 투입홀을 통하여 상기 건조 드럼 내부로 건조 대상물이 투입된다. 그리고, 상기 입력부(122)를 통해 건조 시작 명령이 입력되면 상기 송풍 장치가 작동되고, 상기 건조 드럼 및 상기 건조팬(162)이 일 방향으로 회전된다. 그러면, 상기 흡입 덕트로 유입되는 공기가, 상기 리어 덕트를 따라 흐르면서 상기 전기 히터에 의하여 고온으로 가열된다. 그리고, 고온으로 가열된 공기는 상기 리어 덕트를 따라 상기 건조 드럼의 후면을 통하여 상기 건조 드럼 내부로 유입된다. 이때, 상기 건조 드럼 내부로 유입되는 고온 건조한 공기는 상기 건조 대상물을 건조시키면서 고온 다습한 상태로 변한다.
그리고, 고온 다습한 공기는 건조 대상물에서 발생하는 보푸라기를 함유한 상태로 상기 차단 부재를 통과하여 상기 가이드 덕트로 안내된다. 상기 가이드 덕트로 안내되는 고온 다습한 공기는 상기 송풍 장치에 의하여 상기 배기 덕트로 안내된다. 이때, 상기 배기 덕트로 안내되는 고온 다습한 공기는 상기 린트 필터 세척 장치를 통과하면서 린트 필터 어셈블리에 의하여 보푸라기가 걸러진다. 그리고, 상기 린트 필터 세척 장치가 작동하여 상기 린트 필터 어셈블리에 부착된 보푸라기가 떨어져서 세척수와 함께 배수 펌프 어셈블리에 의하여 외부로 배출된다.
한편, 프로세서(180)는 건조기의 전반적인 동작을 제어할 수 있다.
한편 본 발명의 실시 예에 따른 건조기(10)는 도 2에서 설명한 AI 장치(100)의 구성 일부 또는 전부를 포함하고, 도 2에서 설명한 AI 장치(100)의 기능을 수행할 수 있다.
또한 건조기는 건조부를 포함할 수 있으며, 건조부는 제1 히터(70) 및 제2 히터(80) 중 적어도 하나를 포함할 수 있다. 그리고 건조부는 건조 대상물을 건조하는 기능을 수행할 수 있다.
한편, 당해 명세서의 건조기는 기본적으로 인공지능을 구비하고 있다는 점에서, 종래 기술과 명백히 구별된다.
도 5는 본 발명의 일실시예에 따른 건조기와 네트워크로 연결된 세탁기를 함께 도시한 도면이다.
건조기와 세탁기가 하나의 타워 타입으로 제공될 수도 하고, 또는 별도로 판매되지만 유선/무선 네트워크를 통해 연결되어 있을 수 있다.
예를 들어, 도 5에 도시된 바와 같이, 본 발명의 일실시예에 의한 건조기(10)는 유선 또는 무선 네트워크를 통해 세탁기(800)에서 완료된 세탁 정보(건조물 분석 정보) 등을 수신할 수도 있다.
이상 도 2 내지 도 5에서 전술한 바와 같이, 본 발명의 일실시예에 의한 건조기는 인공 지능을 탑재하고 있으며, 디폴트 센싱값 분석에 기초하여 건조기 주변 외부 환경 적응 보정 기법을 제시한다.
전술한 바와 같이, 종래 기술의 건조기에 의하면, 외부 환경으로 인한 초기값 차이가 발생한다. 즉, 건조기 주변의 외부 환경(장마철 등)으로 인하여, 건조기가 건조 시작 전 초기에 센싱한 값(습도/온도 등)에 왜곡이 발생하는 문제가 있고, 이로 인하여 건조 시간의 초기 셋팅값에도 오류가 발생할 가능성이 증가하는 문제가 있다.
나아가, 종래 기술에 의한 건조기는 외부 환경 요소를 고려하지 않음으로써, 불필요한 건조 구간이 발생하고, 이로 인하여 건조기의 전력 소모가 증가하는 문제가 있다.
예를 들어, 건조기가 건조 동작을 수행하는 중에도 건조기 내부를 모니터링 하기 위한 센싱(습도/온도 등)이 이루어 지는데, 외부 환경으로 인하여 모니터링 센싱값에 왜곡이 발생하는 문제가 있다.
그리고, 모니터링 결과에 기초하여 실시간으로 건조 시간을 제어(조정)하는데, 이 부분에서도 오류 가능성이 증가하는 문제가 있다.
반면, 본 발명의 일실시예에 의한 건조기는, 건조 동작의 전과정에서 외부 환경을 고려함으로써, 전술한 문제점들을 모두 해결할 수가 있다.
예를 들어, 외부 환경을 고려함으로써, 초기 센싱값의 왜곡을 최소화 하고, 이를 통해 초기 건조 시간 셋팅 부분에서 발생할 수 있는 오류 가능성을 최소화 하는 장점이 있다.
나아가, 건조가 이루어 지는 중에도, 외부 환경을 고려함으로써, 모니터링 센싱값의 왜곡을 최소화 하고, 실시간으로 건조 시간을 조정하는 과정에서 발생할 수 있는 오류 가능성을 최소화 한다. 즉, 외부 환경을 고려함으로써, 불필요한 건조 구간(시간)을 최소화 하는 기술적 효과가 있다.
이와 관련된 다양한 실시예들을, 이하 도 6 내지 도 10에서 보다 상세히 후술하도록 하겠다.
도 6은 본 발명의 일실시예에 따른 건조기의 동작 순서를 시계열적으로 도시한 플로우 차트이다.
본 발명의 일실시예에 의한 건조기는 적어도 하나 이상의 인공 지능 모델링 기법을 이용하여, 외부 환경 정보에 기초한 적응적 건조 기능을 수행한다.
우선, 도 6에 도시된 바와 같이, 건조기는 건조 시작 전 초기 센싱값을 수신하고(S610), 건조물 분석 정보를 수신한다(S620).
나아가, 건조기는, 상기 초기 센싱값(S610) 및 상기 건조물 분석 정보(S620)를 제1 인공지능 모델에 제공하여 외부 환경 정보를 획득하도록 설계된다(S630). 이와 관련된 보다 구체적인 모델링 기법에 대해서는, 이하 도 7에서 보다 상세히 후술하도록 하겠다.
나아가, 건조기는 상기 획득된 외부 환경 정보 및 상기 건조물 분석 정보를 제2 인공지능 모델에 제공하여 최적 건조 시간을 획득한다(S640). 이와 관련된 보다 구체적인 모델링 기법에 대해서는, 이하 도 8에서 보다 상세히 후술하도록 하겠다.
그리고, 건조기는 상기 획득된 외부 환경 정보에 기초하여 건조물을 건조하기 시작하고(S650), 표준값-실제값 패턴 학습 기반 보정 모델 기반으로 건조물 모니터링 센싱값을 보정한다(S670). 이와 관련된 보다 구체적인 모델링 기법에 대해서는, 이하 도 9에서 보다 상세히 후술하도록 하겠다.
마지막으로, 건조기는 건조물 모니터링에 따른 시간을 적응적으로 조정하게 된다(S680). 따라서, 실제 건조 시간 및 전력 소모를 최소화할 수 있으며, 이와 관련된 보다 구체적인 결과물에 대해서는, 이하 도 10에서 보다 상세히 후술하도록 하겠다.
한편, 도 1에서 도시한 종래 기술과 대비하여, 본 발명은 외부 환경을 고려하여 건조기의 동작을 추가적으로 제어하게 되고, 특히 도 6에 도시된 S610 단계, S630 단계, S640 단계 또는 S670 단계 중 적어도 하나 이상이 포함되도록 설계한다.
도 7은 본 발명의 일실시예에 따라, 제1 인공지능 모델을 이용하여 외부 환경 정보를 획득하는 방법을 설명하기 위한 도면이다. 특히, 이전 도 6의 S610 단계, S620 단계, S630 단계와 직간접적으로 관련되어 있다.
기설정된 표준 환경과 달리, 건조기는 가정 마다 설치된 환경이 다르고, 또한 외부 날씨(겨울철, 장마철, 무더위 등)의 영향을 많이 받는다. 즉, 표준 환경과 상이한 건조기가 설치된 공간 환경은, 센싱 기반 건조 시간 제어에 영향 및 왜곡을 일으키게 된다.
이와 같은 문제를 해결하기 위하여, 본 발명의 일실시예는, 도 7에 도시된 제1 인공지능 모델(710)을 도입한다.
상기 제1 인공지능 모델(710)은, 초기 센싱값 및 건조물 분석 정보에 레이블링 되는 외부 환경 정보를 이용하여 트레이닝된 뉴럴 네트워크 등에 해당한다. 여기서 초기 센싱값은 예를 들어, 건조물이 건조기에 투입되기 전 제1습도, 제1온도, 투입된 후 제2습도, 제2온도 중 적어도 하나 이상을 포함하도록 설계한다. 다만, 전술한 4개의 데이터를 모두 이용하는 경우, 레이블링 되는 외부 환경 정보의 정확도가 보다 높아질 수 있다.
한편, 건조물 분석 정보는, 2가지 실시예로 모두 구현 가능한다. 예를 들어, 건조기가 세탁기와 페어링 되어 있지 않은 경우에는, 건조기내 센서가 직접 건조기에 투입된 건조물의 무게/습도/온도 등을 감지한다. 반면, 건조기와 세탁기가 통신 연결로 페어링된 경우에는, 세탁기가 분석한 정보(건조물의 무게/습도/온도 등)를 건조기가 수신하여 이를 활용한다.
보다 구체적으로 예를 들면, 제1 인공지능 모델(710)은, 전술한 초기 센싱값 및 건조물 분석 정보에 외부 환경 정보를 레이블링 하여 뉴럴 네트워크를 트레이닝할 수 있다. 여기서, 외부 환경 정보는, 뉴럴 네트워크가 초기 센싱값/건조물 분석 정보를 이용하여 추론해야 하는 결과물일 수 있다.
따라서, 뉴럴 네트워크는 초기 센싱값/건조물 분석 정보와 외부 환경 정보의 연관 관계에 대한 함수를 유추한다. 그리고, 뉴럴 네트워크의 유추된 함수에 대한 평가를 통해, 뉴럴 네트워크의 파라미터(가중치(weight), 편향(bias) 등)가 최적화 된다.
한편, 외부 환경 정보는, 클래스(class)로 분류되는 것 대신에, 연속적인 값으로 표현될 수도 있다. 따라서, 뉴럴 네트워크는 회귀분석(regression) 알고리즘을 이용하여 추가적으로 트레이닝 될 수도 있다.
즉, 건조기가 건조를 시작하기 전, 초기 센싱값/건조물 분석 정보의 입력 값(input value)을 도 7에 도시된 제1 인공지능 모델(710)을 통해, 외부 환경 정보(건조기가 설치된 주변 외부 환경의 실제 습도/온도 등)를 추론하게 된다. 따라서, 건조기 외부에 별도의 센서를 구비할 필요가 없는 기술적 효과도 기대된다고 할 것이다.
도 8은 본 발명의 일실시예에 따라, 제2 인공지능 모델을 이용하여 최적 건조 시간을 획득하는 방법을 설명하기 위한 도면이다. 특히, 이전 도 6의 S640 단계와 직간접적으로 관련되어 있다.
종래 기술에 의하면, 표준 환경임을 가정하고 건조기의 건조 시간을 초기 제어하였다. 그러나, 이와 같이 설계하는 경우, 건조기가 설치된 외부 환경의 변화에 적응적이지 못한 문제가 있다.
반면, 본 발명의 일실시예에 의하면, 도 6의 S630 단계 및 도 7을 통해 추론된 외부 환경에 적합한 최적의 건조 시간을 도출한다. 이를 구현하기 위하여, 본 발명의 일실시예는, 도 8에 도시된 제2 인공지능 모델(810)을 도입한다.
상기 제2 인공지능 모델(810)은, 외부 환경 정보 및 건조물 분석 정보에 레이블링 되는 최적 건조 시간를 이용하여 트레이닝된 뉴럴 네트워크 등에 해당한다.
즉, 건조기가 건조를 시작하기 전, 외부 환경 정보/건조물 분석 정보의 입력 값(input value)을 도 8에 도시된 제2 인공지능 모델(810)을 통해, 최적 건조 시간을 도출하게 된다.
이와 같이 외부 환경 정보를 추가적으로 이용함으로써, 최초 건조 시간을 셋팅할 때 발생할 수 있는 에러를 최소화할 수가 있다. 나아가, 도 6의 S640 단계 및 도 8의 제2 인공지능 모델(810)을 통해 획득된 최적 건조 시간은, 도 6의 S670 단계의 모니터링 센싱값을 보정시, 추가적으로 이용되는 것도 본 발명의 다른 권리범위에 속한다.
도 9는 본 발명의 일실시예에 따라, 제3 인공지능 모델을 이용하여 실제 건조물의 건조 완료 시점을 예측하는 방법을 설명하기 위한 도면이다. 특히, 이전 도 6의 S670 단계 및 S680 단계와 직간접적으로 관련되어 있다.
종래 기술에 의하면, 건조기가 건조를 시작한 이후, 현재의 건조물 정보만으로 건조 양태를 추론한다(즉, 종래 기술에 의하면, 기정의된 표준값에만 의존한다).
반면, 본 발명의 일실시예에 의하면, 건조기가 건조를 시작한 이후에도, 현재 센싱된 건조물의 정보 뿐만 아니라, 외부 환경 정보 및 초기 센싱값 등을 추가적으로 이용하여, 실시간으로 건조 양태를 보다 정확하게 추론할 수 있도록 설계한다.
이를 구현하기 위하여, 본 발명의 일실시예는, 도 9에 도시된 제3 인공지능 모델(910)을 도입한다.
상기 제3 인공지능 모델(910)은, 최적 건조 시간, 건조물 분석 정보, 초기 센싱값, 전체 모니터링 값, 표준 모델값 등에 레이블링 되는 실제 건조 정도 및 실제 건조물 완료 시점을 이용하여 트레이닝된 뉴럴 네트워크 등에 해당한다.
한편, 도 9에서 결과값을 구해진 실제 건조물 건조 완료 시점 정보에 기초하여, 건조 종료 시점을 적응적으로 변경하는 보다 구체적인 실시예는 이하 도 10에서 후술하겠다.
도 10은 도 9의 예측 방법에 따라, 실제 건조물의 건조 완료 시점을 변경하는 실시예를 설명하기 위한 도면이다. 특히, 도 10은 동일한 건조물에 대한 건조율이 표준 환경(외부 환경 고려하지 않음) 및 실제 환경(본 발명에 따라 외부 환경 고려함)에 따라 달라지는 것을 예시하고 있다.
우선, 도 6의 S640 단계에서 건조 시작 전 건조 시간을 10분으로 셋팅한 것으로 가정한다. 이 때, 도 10에 도시된 바와 같이, 종료 허용 구간은 9분 내지 11분으로 추가 셋팅 된다.
다만, 본 발명의 일실시예에 의하면, 건조기가 건조를 시작한 이후에도, 외부 환경을 고려하여 내부 센싱 데이터의 왜곡을 조정한다.
그리고, 조정된 센싱 데이터에 기초하여, 실제 건조율이 0%로 도달할 시간, 즉 건조 예측 시간을 종료 허용 구간 내에서 미세하게 조정하도록 설계한다. 따라서, 불필요하게 종료 허용 구간의 마지막 시간인 11분까지 건조를 계속할 필요가 없고, 추가적으로 발생할 불필요한 전력 소모도 줄일 수 있는 기술적 효과가 기대된다.
다시 정리해 보면, 이상 도 2 내지 도 10에서 설명한 본 발명의 일실시예들 중 어느 하나에 의하면, 건조기 설치 공간의 환경(습도/온도 등)에 따라 적응형으로 건조 수행 시간이 제어되는 장점이 있다.
나아가, 건조기가 설치된 외부 환경에 따라 건조기 내 센서 공간에서 발생하는 왜곡을 보정하여, 건조기내 건조물의 건조 상태를 보다 정확하게 모니터링할 수 있는 기술적 효과가 있다.
마지막으로, 건조 시작 이후 모니터링 과정에서도 외부 환경 요소를 고려함으로써, 건조 수행 시간을 보다 정확하게 예측할 수 있고, 이로 인하여 건조기의 전력 소모도 감소시킬 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 제어부(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
전술한 바와 같이, 발명의 실시를 위한 최선의 형태에서 본 발명의 실시예들을 구현하기 위한 다양한 형태를 설명하였다. 당업자는, 각각의 실시예들을 독자적으로도 실시할 수 있고, 또는 2개 이상의 실시예들을 결합하는 것도 본 발명의 권리범위에 속한다.
본 발명은 다양한 건조기에 적용될 수 있으므로, 산업산 이용 가능성이 인정된다.

Claims (10)

  1. 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기의 제어 방법에 있어서,
    건조 시작 전 초기 센싱값을 수신하는 단계;
    건조물 분석 정보를 수신하는 단계;
    상기 초기 센싱값 및 상기 건조물 분석 정보를 제1 인공지능 모델에 제공하여 외부 환경 정보를 획득하는 단계; 그리고
    상기 획득된 외부 환경 정보에 기초하여 건조물을 건조하는 단계
    를 포함하고,
    상기 제1 인공지능 모델은,
    상기 초기 센싱값 및 상기 건조물 분석 정보에 레이블링 되는 외부 환경 정보를 이용하여 트레이닝된 뉴럴 네트워크인
    외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기의 제어 방법.
  2. 제1항에 있어서,
    상기 초기 센싱값은,
    건조물이 상기 건조기에 투입되기 전 제1습도, 제1온도 또는 상기 건조물이 상기 건조기에 투입된 후 제2습도, 제2온도 중 적어도 하나를 포함하는 것을 특징으로 하는 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기의 제어 방법.
  3. 제2항에 있어서,
    건조물 분석 정보를 수신하는 상기 단계는,
    상기 건조기와 유선 또는 무선으로 통신 연결된 세탁기로부터 세탁물의 무게, 습도 또는 온도 중 적어도 하나의 정보를 수신하는 것을 특징으로 하는 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기의 제어 방법.
  4. 제3항에 있어서,
    상기 획득된 외부 환경 정보 및 상기 건조물 분석 정보를 제2 인공지능 모델에 제공하여 최적 건조 시간을 획득하는 단계
    를 더 포함하고,
    상기 제2 인공지능 모델은,
    상기 외부 환경 정보 및 상기 건조물 분석 정보에 레이블링 되는 최적 건조 시간을 이용하여 트레이닝된 뉴럴 네트워크인
    외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기의 제어 방법.
  5. 제4항에 있어서,
    상기 획득된 최적 건조 시간, 상기 건조물 분석 정보, 상기 초기 센싱값, 전체 모니터링값 및 표준 모델값을 제3 인공지능 모델에 제공하여 실제 건조물 건조 완료 시점을 변경하는 단계
    를 더 포함하고,
    상기 제3 인공지능 모델은,
    상기 최적 건조 시간, 상기 건조물 분석 정보, 상기 초기 센싱값, 상기 전체 모니터링값 및 상기 표준 모델값에 레이블링 되는 실제 건조물 건조 완료 시점을 이용하여 트레이닝된 뉴럴 네트워크인
    외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기의 제어 방법.
  6. 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기에 있어서,
    건조 시작 전 초기 센싱값을 수신하는 센서;
    건조물 분석 정보를 수신하는 통신 모듈;
    상기 초기 센싱값 및 상기 건조물 분석 정보를 제1 인공지능 모델에 제공하여 외부 환경 정보를 획득하는 프로세서; 그리고
    상기 획득된 외부 환경 정보에 기초하여 건조물을 건조하는 건조부
    를 포함하고,
    상기 제1 인공지능 모델은,
    상기 초기 센싱값 및 상기 건조물 분석 정보에 레이블링 되는 외부 환경 정보를 이용하여 트레이닝된 뉴럴 네트워크인
    외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기.
  7. 제6항에 있어서,
    상기 초기 센싱값은,
    건조물이 상기 건조기에 투입되기 전 제1습도, 제1온도 또는 상기 건조물이 상기 건조기에 투입된 후 제2습도, 제2온도 중 적어도 하나를 포함하는 것을 특징으로 하는 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기.
  8. 제7항에 있어서,
    상기 통신 모듈은,
    상기 건조기와 유선 또는 무선으로 통신 연결된 세탁기로부터 세탁물의 무게, 습도 또는 온도 중 적어도 하나의 정보를 수신하는 것을 특징으로 하는 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기.
  9. 제8항에 있어서,
    상기 프로세서는,
    상기 획득된 외부 환경 정보 및 상기 건조물 분석 정보를 제2 인공지능 모델에 제공하여 최적 건조 시간을 획득하고,
    상기 제2 인공지능 모델은,
    상기 외부 환경 정보 및 상기 건조물 분석 정보에 레이블링 되는 최적 건조 시간을 이용하여 트레이닝된 뉴럴 네트워크인
    외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기.
  10. 제9항에 있어서,
    상기 프로세서는,
    상기 획득된 최적 건조 시간, 상기 건조물 분석 정보, 상기 초기 센싱값, 전체 모니터링값 및 표준 모델값을 제3 인공지능 모델에 제공하여 실제 건조물 건조 완료 시점을 변경하고,
    상기 제3 인공지능 모델은,
    상기 최적 건조 시간, 상기 건조물 분석 정보, 상기 초기 센싱값, 상기 전체 모니터링값 및 상기 표준 모델값에 레이블링 되는 실제 건조물 건조 완료 시점을 이용하여 트레이닝된 뉴럴 네트워크인
    외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기의 제어 방법.
PCT/KR2021/016225 2021-11-09 2021-11-09 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기 및 그 제어 방법 WO2023085446A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/KR2021/016225 WO2023085446A1 (ko) 2021-11-09 2021-11-09 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기 및 그 제어 방법
KR1020247007579A KR20240039071A (ko) 2021-11-09 2021-11-09 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기 및 그 제어 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2021/016225 WO2023085446A1 (ko) 2021-11-09 2021-11-09 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기 및 그 제어 방법

Publications (1)

Publication Number Publication Date
WO2023085446A1 true WO2023085446A1 (ko) 2023-05-19

Family

ID=86335927

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/016225 WO2023085446A1 (ko) 2021-11-09 2021-11-09 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기 및 그 제어 방법

Country Status (2)

Country Link
KR (1) KR20240039071A (ko)
WO (1) WO2023085446A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002282595A (ja) * 2001-03-26 2002-10-02 Toto Ltd 衣類乾燥装置
KR20100080314A (ko) * 2008-12-30 2010-07-08 (주)파이브텍 건조기 제어 시스템 및 그 방법
JP2011083673A (ja) * 2009-10-14 2011-04-28 Panasonic Corp 除湿機
WO2021045259A1 (ko) * 2019-09-04 2021-03-11 엘지전자 주식회사 인공지능 건조기
KR20210030813A (ko) * 2019-09-10 2021-03-18 동아대학교 산학협력단 스마트 빨래건조대

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002282595A (ja) * 2001-03-26 2002-10-02 Toto Ltd 衣類乾燥装置
KR20100080314A (ko) * 2008-12-30 2010-07-08 (주)파이브텍 건조기 제어 시스템 및 그 방법
JP2011083673A (ja) * 2009-10-14 2011-04-28 Panasonic Corp 除湿機
WO2021045259A1 (ko) * 2019-09-04 2021-03-11 엘지전자 주식회사 인공지능 건조기
KR20210030813A (ko) * 2019-09-10 2021-03-18 동아대학교 산학협력단 스마트 빨래건조대

Also Published As

Publication number Publication date
KR20240039071A (ko) 2024-03-26

Similar Documents

Publication Publication Date Title
WO2019172559A1 (en) Air conditioner and method for control thereof
WO2020213762A1 (ko) 전자장치, 그 동작방법, 및 복수의 인공지능장치를 포함한 시스템
WO2021118093A1 (en) Air conditioning device and control method thereof
WO2020085796A1 (en) Electronic device and method for controlling electronic device thereof
WO2017160076A1 (ko) 음향 센서, 및 이를 구비하는 홈 어플라이언스 시스템
WO2019198857A1 (ko) 공기 조화기 및 공기 조화기의 제어 방법
WO2021256691A1 (en) Refrigerator and controlling method thereof
WO2019216732A1 (ko) 전자 장치 및 이의 제어 방법
WO2019027208A1 (ko) 인공 신경망의 훈련 방법
WO2020130235A1 (ko) 인공지능 기반 스마트 홈 에어컨 자동 제어 시스템
WO2020004972A1 (en) Automatic control artificial intelligence device and method for updating a control function
CN111334982B (zh) 洗涤物处理装置及其操作方法
WO2021157999A1 (en) Voice command resolution method and apparatus based on non-speech sound in iot environment
WO2020105812A1 (ko) 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법
WO2023106890A1 (ko) 전자 장치 및 그 제어 방법
WO2022035143A1 (ko) 식품의 신선도를 식별하기 위한 전자 장치, 방법 및 비일시적 저장 매체
WO2021177805A1 (ko) 음원 위치 추적 및 음원 상쇄 장치, 방법, 및 시스템
WO2023085446A1 (ko) 외부 환경 정보에 기초하여 건조 기능을 수행하는 건조기 및 그 제어 방법
WO2020167067A1 (en) Apparatus and method for treating garments
WO2019221458A1 (ko) 공기 조화 장치 및 이의 제어 방법
WO2019221479A1 (ko) 공기 조화 장치 및 이의 제어 방법
CN111325349A (zh) 衣物调度装置
WO2021080033A1 (ko) 음성 분석 방법 및 장치
WO2021015301A1 (ko) 지능형 세탁기와 그 제어방법
WO2021145511A1 (ko) 인공 지능 조리 기기 및 조리 기기의 동작 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21964156

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20247007579

Country of ref document: KR

Kind code of ref document: A