[發明專利]人工智能衣物處理設備及其控制方法

有效

• 申請號: 201910814902.1
• 申請日: 2019-08-30
• 公開（公告）號: CN110924043B
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 林明訓;鄭還鎮;柳善化;金城均;禹景喆;金宰鉉
• 申請（專利權）人: LG電子株式會社
• 主分類號: D06F33/30
• 分類號: D06F33/30;D06F33/50;D06F21/10;D06F23/06;D06F25/00;D06F58/00;D06F103/04
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 張美芹;劉久亮

本發明公開了一種人工智能衣物處理設備及其控制方法。該衣物處理設備包括：洗滌桶，其構造成接收衣物，所述洗滌桶構造成能旋轉；馬達，其構造成旋轉所述洗滌桶；控制器，其構造成控制所述馬達，使得所述洗滌桶加速旋轉；和電流感測單元，其構造成以預定時間間隔感測所述馬達的電流，其中所述控制器構造成向基于機器學習預訓練的人工神經網絡的輸入層輸入輸入數據，以從所述人工神經網絡的輸出層的輸出獲得衣物重量或衣物質量中的至少一者，所述輸入數據是通過根據預定的解析規則處理在所述馬達在衣物在所述洗滌桶中移動的范圍內加速時由所述電流感測單元感測到的電流值而生成的。

技術領域

本發明涉及一種衣物處理設備及其控制方法，該衣物處理設備基于機器學習來感測衣物重量和衣物質量。

背景技術

衣物處理設備是通過諸如洗滌、漂洗、離心脫水和/或干燥之類的各種操作處理衣物的設備。衣物處理設備具有洗滌桶，該洗滌桶借助馬達旋轉。

衣物處理設備通常配備有用于感測引入洗滌桶中的衣物的重量(或衣物重量)的算法。例如，現有技術1(韓國專利申請公開10-2006-0061319號公報)公開了一種計算進行控制時獲得的諸如偏心值、DC電壓和馬達轉矩值之類的信息的方法，使得馬達是在使用以下數學表達式將馬達加速到預定的旋轉速率之后以均勻的速度旋轉，以便感測衣物重量。

衣物重量值＝恒定速度期間的電流量的平均值+直流電壓補償值-偏心補償值+a

(a是通過實驗獲得的常數)

直流電壓補償值＝(直流電壓感測值-b)×t

(b是實驗常數，t是恒定速度期間的時間)

偏心補償值＝恒定速度期間內的偏心值×d

(d是實驗常數)

在現有技術1中，許多常數用于估計衣物重量值，并且其中大部分常數是實驗值，由此需要專家設定，并且設定值不準確。因此，現有技術1在提高感測衣物重量的準確性方面存在限制。

而且，在現有技術1中，必須準確地找到設定值(實驗常數)以便提高感測衣物重量的準確度，這可能需要很多時間。

現有技術2(韓國專利申請1999-0065538號公報)公開了一種測量將馬達加速到預定速度所需的時間以及馬達以預定速度旋轉時馬達旋轉速度的變化的方法，以便感覺衣物重量。

在現有技術2中，將測得的時間和馬達的旋轉速度的變化與預定的衣物重量感測比較值進行比較，以便感測衣物重量是大還是小。這些值在大小方面簡單地相互比較，以便感測衣物重量。也就是說，僅可以區分大的衣物重量和小的衣物重量。因此，現有技術2在準確地感測各種衣物重量方面具有局限性。另外，即使在現有技術2中，人們也必須預先找到所有設定值以進行比較，這是麻煩的。

在不能準確測量衣物重量的情況下，需要大量時間來進行高速度離心脫水操作。結果，總洗滌時間增加，從而增加了能量消耗。由于這些原因，已經進行了關于準確地感測衣物重量的方法的各種研究。

同時，近年來，人們對人工智能和機器學習(如深度學習)的興趣有所增加?；诮y計的分類、回歸和聚類模型是傳統機器學習的中心。特別地，在分類和回歸模型的監督學習中，人預先定義學習數據的特征和基于特征區分新數據的學習模型。與此不同，深度學習是計算機本身在特征之間的發現和區分。

加速深度學習成長的因素之一是開源深度學習框架。例如，深度學習框架的實施例包括加拿大蒙特利爾大學的Theano、美國紐約大學的Torch、美國加利福尼亞大學的Caffe以及Google的TensorFlow。

隨著深度學習框架的開放，除了深度學習算法之外，學習過程、學習方法以及用于學習的數據的提取和選擇對于有效學習和識別變得更加重要。此外，越來越多地進行關于在各種產品和服務中使用人工智能和機器學習的研究。