CN1056932C - 一种控制被控目标的方法及使用该方法的控制*** - Google Patents

Abstract

为控制诸如吸尘器或洗衣机这类控制目标，从一单一传感器(4或5)产生一些信号，该传感器测定被控目标(2)的一特性，而这些信号由一特征量检测单元(8)用来产生多个控制特征。这些特征由神经网络(15)处理以产生一基本控制信号。由又一传感器(4)和一局部条件检测器产生的一些特征或又一些特征，由模糊逻辑***(16)分析并用来调节基本控制信号。

Description

一种控制被控目标的方法及使用该方法的控制***

本发明涉及一种控制一受控目标的方法，特别地但并不局限用于控制家用电器，如吸尘气或洗衣机。本发明也涉及供这一方法使用的控制***。

近年来，已发展了使用模糊逻辑来控制一被控目标。这种方法通常用在被控目标较复杂的情况，因而要分析大量的数据。于是；从许多种传感器中产生与被控目标的工作相关的许多不同特征，模糊逻辑***然后分析这些特征以便产生适当的控制信号。然而，这些常用的模糊逻辑***十分复杂，并且不太适用于家用电器。

另一方面，用来控制吸尘器的常用***是原始的。它们取决于使用者的操纵控制以便根据被清扫的表面情况选择适当的操作。因此，当使用者在房屋内四处走动，吸尘器的工作必须根据地板表面例如从地毯换到硬表面的变化而变化。

日本专利JP-A-64-52430提出了根据毛刷电动机所产生的信号检测出被清扫表面的类型来驱动吸尘器吸气管嘴的毛刷。然而，该方法的缺点是控制方法受使用者施力的影响，该力常常随地板表面形状的变化而改变。所以，该控制方法不太令人满意。

在其最普遍的情况，本发明提出用神经网络和模糊逻辑去控制诸如家用电器(例如吸尘器或洗衣机)这类被控制目标。

已看到，可以从单一的传感器得到多种控制特征，因而可以简化向神经网络和模糊逻辑提供适当输入的控制装置。

例如，当传感器是压力传感器，有可能测到一平均压力，然后检查该平均值的变化，即确定该压力在平均值以上或以下的次数。类似的考虑方法也适用于从马达负载电流得到的信号。

模糊逻辑可单单依据供给神经网络的特征来工作，但最好接收来自相同或不同传感器的其他特征。事实上，接收未经神经网络处理的控制特征而处理其他特征的模糊逻辑的构思，正是本发明的一个独立的方面。

神经网络和模糊逻辑控制的一项缺点，是该神经网络处理信号的时间很长，因为输入到神经网络的输入很大。目前应用的神经网络通常所关注的是保持运行一致，而本发明的基础是取决于改变被控目标的运行。所以，如果特征之一有一预定的值(这个用语也包括一预定范围)那么它可被测定，并且当该预定值达到时就产生对被控制目标的一固定控制模式。当然，模糊逻辑可调整该固定控制模式，但神经网络被绕过。在这种情况，当做出的决定完全清楚时，神经网络可被绕过。这是本发明的另一个独立方面。如上所述，模糊逻辑作为神经网络的一调节器。然而，也可在输入神经网络之前把模糊逻辑应用于所有控制特征。

如上所述，本发明涉及一控制方法，以及一用于进行该方法的控制***。特别地但不局限应用在控制象吸尘器或洗衣机这类家用电器。

下面通过举例和参照附图对本发明的实施例作详细描述，其中：

图1是根据本发明的控制***的总方框图；

图2是本发明的一个实施例所述的一吸尘器控制***的方框图；

图3是表示图2所示的吸尘器控制电路的结构特征的示意图；

图4是可应用本发明的一吸尘器的部分剖面示意图；

图5是图4所述的吸尘器的吸气口的示意图；

图6(a到c)是图4所述的吸尘器在不同表面上的压力变化的示意图；

图7a到7c是在不同表面上的特征变化的示意图；

图8是神经网络的运行示意图；

图9是表示模糊逻辑的工作原理；

图10是表示实施本发明的一吸尘器所使用的模糊规则；

图11a到11c表示用于模糊逻辑的从属函数的变化；

图12是表示本发明的一实施例内的特征处理的示意图；

图13是用于图2所述的实施例的零交叉检测电路的电路图；

图14a到14d是图2所示的实施例所发生的电压和电流的波形；

图15是说明图2所述的实施例的一吸尘器的运行结果的图表；

图16a到16d说明不同表面的控制特征的进一步变化；

图17表示图12的一个调整的特征处理；

图18是说明应用阈值的一个图表；

图19是与图17相类似的采用阈值测量的处理方法；

图20表示图1的一种变化的另一实施例，其中分分立的传感器分别为神经网络和模糊逻辑提供输入；

图21是表示图20的构思的工作方框图；

图22是构成图20和21的控制***的电路组件的示意图；

图23a和23b分别表示动力刷检测电路的结构图以及它们的电压变化图；

图24a到24c说明动力刷马达电流的变化；

图25a到25c说明图24(a到c)的电流滤波的效果；

图26a到26d说明图20的实施例的不同表面的特征变化；

图27a和27b说明控制特征的进一步变化；

图28说明图20的实施例的特征处理；

图29表示图20的实施例应用到吸尘器中的运行效果；

图30是图20所述的实施例的一种变化，其中施加到神经网络的特征可在不同传感器之间转换；

图31是说明图30的运行方框图；

图32表示图30构思的处理过程；

图33说明图30的实施例的工作；

图34是本发明的另一个实施例的处理过程；

图35是表示本发明的另一个实施例的过程处理的示意图，在该实施例中，模糊逻辑应用于每一特征；

图36是本发明应用于洗衣机的一个实施例；以及

图37说明图36的实施例的处理过程。

本发明的第一实施例涉及一吸尘器，该实施例的吸尘器有一用作风扇马达的变速马达，该风扇马达也用来作为吸尘器驱动源。这些变速马达有例如其速度由控制输入来改变的交流整流马达、相位控制(相控)马达、反结构驱动感应马达、磁阻马达以及无刷型马达。该实施例是描述一种其风扇马达为无刷马达的交流整流马达的情况。这样可提供较长的工作寿命和较佳的控制响应特征。

该实施例可装有管嘴马达的吸气管嘴，而该马达驱动一旋转刷(以下称动力刷吸气管嘴)，或者吸气管嘴不用刷(以下称一般吸气口)。管嘴马达可以是直流磁马达或交流整流马达，而本实施例描述的是其交流磁马达采用整流电路的情况，下面也描述在吸尘器中使用压力传感器(半导体传感器)来检测过滤器阻塞的情况。

图1是本发明使用于第一实施例为吸尘器或者为例如一洗衣机的一控制***的示意图。图1示出一负载目标1(为吸尘器拟清扫的地板表面，以及洗衣机要洗的衣服的质和量)，被控目标2(对吸尘器为风扇，而对洗衣机为断续器)，马达3，传感器4(对吸尘器为地板表面检测传感器而对洗衣机为检测衣服的质、量和脏度的检测传感器)，以及最佳控制变量确定机构6。最佳控制变量确定机构有一负载条件检测器7、与传感器4相连的特征量取样单元8、根据负载条件检测器7和特征量取样单元8的输出评估负载目标的负载目标决定单元9以及根据负载目标决定单元9的输出产生一控制指令(控制信号)的控制指令发生器10。马达3于是由控制指令加以控制，这样便得到最佳工作条件。因此，实施本发明的家用电器可自动调节以便能根据使用者的愿望做到最佳工作状态。

从负载目标：

(1)从负载条件检测器7的输出信号测定出电流工作条件；

(2)由特征量取样单元产生与负载类型相对应的一(个)以上的特征量；

(3)由负载目标决定单元9利用来自负载条件检测器7和特征量取样单元8的输出作为输入来进行神经和模糊计算；

(4)作出负载类型的全面决定；

(5)根据上述结果，被控目标2由马达3控制。

现在参照图2到图4对上述实施例作更详细描述。图2是吸尘器控制***的一般结构的方框示意图。图3表示吸尘器控制电路的结构，而图4表示吸尘器的一般结构；图2到图4中与图1相对应的部件采用相同的序号表示。

在图2到图4中，控制目标2包括风扇24，马达3包括风扇马达23和动力刷马达25，传感器4是一用来检测过滤器35的阻塞情况的压力传感器(为半导体压力传感器)。特征量取样单元8分两部分8A和8B，前者为供神经使用的地板表面取样，而后者为供模糊使用的地板表面取样。负载目标决定单元9包括神经计算器(神经网络)15和模糊计算器(模糊逻辑***)16，而控制指令发生器10包括吸气特征确定装置17、三端双向可控硅开关(Triac)相时确定装置18以及起动信号处理器14。静压检测电路11将压力传感器4的输出转换成静压，并产生一输出给低通滤波器19，该滤波器包括一电阻器R和电容器C以去除静压检测电路11的输出信号的噪音分量。一零交叉检测电路20检测交流电源48(见图3)的零交叉。用来控制该装置的微处理器21包括中央处理单元(CPU)21-1、只读存储器(ROM)21-2和随机存取存储器(RAM)21-3，它们通过地址总线和控制总线(未示出)相连。与最佳控制变量确定机构6相对应的进度储存在微处理器21中。ROM21-2储存用于驱动电扇马达23的程序，该程序包括负载条件检测程序、特征量取样程序、神经计算程序、模糊计算程序、吸气特征确定程序、triac相时确定程序、起动信号发生程序和零交叉检测程序。RAM21-3用来读出和写出用于储存被存进上述ROM21-2的程序的各种数据。

triacFLS122调整加到风扇马达23的电压，而triacFLS226调整加到动力刷马达25的电压以驱动装在吸气管嘴39(见图4和5)内的旋转刷34，而上述TriacFLS122和TriacFLS226分别由起动电路27和29驱动。显示电路30可显示吸尘器的工作状况。工作开关32设置在主控制单元37上，而动力刷开关31确定旋转刷34是否要工作(动力刷吸气管嘴通过接通动力刷开关31来选择，而一般吸气管嘴通过断开动力刷开关31来选择)。

吸尘器控制电路33的结构如以上所描述。

在该***中，吸尘器也包括吸尘器机体36、本身包括显示电路30、风扇马达23和风扇24的动力通风机、吸尘器控制电路33、过滤器35、软管38、软延伸管38A和吸气管嘴39。

图5是动力刷吸气管嘴39的内部结构图。如图所示，动力刷马达25、带有刷毛44的旋转刷34装在动力刷吸气口39A的吸气室36A内。同步皮带43将动力刷马达25的驱动力传给旋转刷34。另外。图中还示出了滚子41。动力刷马达25的电源导线40与延伸管38内的电源线38B相连。

动力刷马达25由电源供电而旋转，旋转刷34便由同步皮带43带动旋转。如果在旋转刷34旋转时动力刷吸气管嘴39与地板表面1接触，则刷毛44接触地板表面1，从而改善清扫效率。

如果使用者在风扇马达23运行时在地板表面1上开动吸气管嘴39，则低通滤波器19的输出信号发生波动如图6(a)到6(b)所示。图6(a)示出当吸气管嘴39在相应于表面1的一较硬的表面(以后称“地板”)上工作时，低通滤波器19的输出信号例子。图6(b)是表示当吸气管嘴39在席子(以下称“踏踏米”)上工作时的一个例子，图6(c)是当吸气管嘴39在厚毛地毯或地毯(以下称“地毯”)上工作时的一个例子。业已看到，低通滤波器19的输出信号根据地板表面1的类型而变化，因而可以根据地板表面1的类型的该输出信号得到各种特征。

例如，已查明在某一取样时间内取得的数据的平均值。当表面1是硬时，对于图6(a)的“地板”，平均吸气力A1为小，而且在清扫时吸气管嘴口39方向改变时的吸力变化也小。当表面较软，对应于图6(b)的“踏踏米”，平均力A2较大，并且在运动方向改变时的力的变化也较大。对一较软的表面，对应于“地毯”和图6(c)，平均力A3很大，且力的变化也较大。得到的信号交叉平均值的次数为交叉次数CR。信号在平均值以上的时间作为时间t₁，在平均值以下的时间为t₂，然后(t₁-t₂)作为工作时间差TD，(t₁/(t₁+t₂))作为工作时间比TR，以及静压的最大值和最小值之间的偏移作为静态变化宽度rH。这样，从一个信号，从一个传感器，可得到许多特征。

图7(a)到7(c)是说明对不同类型的地板表面1，交叉次数CR、工作时间差TD以及工作时间比TR的变化。图7(a)表示对不同地板表面交叉次数CR的变化，图7(b)表示工作时间差TD的变化，而图7(c)表示工作时间比TR之间的变化。

如果想从相应图7(a)到7(c)的一特征去辨别地板表面1的类型，则很难作出决定，这是因为一种以上的地板表面1可能有相同的特征值。然而，如比较对应于每一地板表面类型的特征，则通过使用一种以上的对应于地板表面的特征可估计出地板表面1的类型，这是因为与输出电平相关的地板表面1的相应位置是不同的。

如上所述，已经知道，当使用者在地板表面1上前后操作吸气管嘴39时，相应于地板表面的变化就叠加到用于接收压力传感器输出的低通滤波器的输出信号上。这便是取样，通过特征量取样单元8得到一种以上的特征，由此使神经和模糊计算得以进行。然后，该***提供被清扫地板表面类型的全面决定，并且根据该决定控制马达。按这种方法，可提供一种能根据不同的表面产生最佳吸力的吸尘器。

现在描述负载目标决定单元9。神经网络用相应于被清扫地板表面一个以上的特征来评估被清扫地板表面。图8表示模糊计算器15的神经网络的单元结构。输入X₁到X₃(对应于与地板表面相应的特征)乘以加权系数ω₁到ω₃(45)，而乘积加以总和(乘积的总和称为积和46)。积和46由sigmoid函数47转换成输出信号Zi，然后从神经网络中输出。积和46的输出Y和Sigmoid函数47的输出Z可从下列等式1和2得到：

         Y＝∑WiXi         ……(等式1)

图9说明由模糊计算器16进行的模糊计算。法则1根据输入X₁的从属度A₁₁和输入X₂的从属度A12适应那一方较小得出输出的从属度B₁的范围。法则2同样得出输出的从属度B₂的范围。然后，相对应于法则数的面积范围予以叠加以得到一重心。该重心就是模糊计算的输出。

图10是适用于本发明所述的实施例的吸尘器的模糊法则。同样，图11是适用于本发明所述的实施例的吸尘器的从属函数。工作空气体积Q与输入X₁对应。空气体积Q可从作为负载条件检测器7之输出的静压绝对值H得到或者如果风扇马达23是一交流整流马达，则从作为控制元件的triacLS1的相控角的函数得到。静压变化幅度ΔH与输入X₂相对应。静压变化幅度ΔH受操作吸气管嘴39的使用者所施的工作力以及要清扫的地板表面的类型的影响；主要还是受上述工作力的影响，输入和输出的从属函数假定有五项元：“小”、“稍小”、“标准的”、“稍大”和“大”。

图12表示包含神经计算和模糊计算的控制方框图的处理过程。神经计算器15接收由特征量取样单元8且特别是图2的8A部分输出的对应于交叉次数CR、工作时间差TD和工作时间比TR的特征数，而且该神经计算器15有一叫做“分层网络”的神经网络结构。它有输入层、中间层和输出层。称为“背向推广”的学习规则作为加权系数ω₁被用于每一单元。信号送给输入层，而由输出层输出的值与希望值(“教师”数据)相比较。单元之间的组合强度受到控制，使得该值为最小。此强度由加权系数表示。神经计算器15的输出信号15A、15B和15C分别与“地板”、“踏踏米”和“地毯”相对应。吸气特征确定装置17产生相位控制角f(θ)的信号，该信号提供了对应于“地板”、“踏踏米”和“地毯”的恒定空气体积Q以及来自神经计算器15之输出的静压H。

上述恒定空气体积保证了吸气管嘴39的最低空气体积和静压要求。静压根据过滤器的阻塞量而增大。恒定静压H防止地板表面1和吸气管嘴过分近接触。即使有异物吸附在吸气管嘴39，静压也仅上升到某一值；所以，这个特征具有使异物很容易去除的优点。于是，吸尘器的吸力与空气体积Q和静压H的乘积成正例。既然灰尘吸力取决于空气体积Q，那么相控角f(θ)之被确定相应于根据清扫的地板表面的类型而输出的恒空气体积指令和常静压指令。因为静压的绝对值是输入，因而可根据静压值确定空气体积指令和静压指令是否为恒定的。

与地板表面相对应的静压变化幅度ΔH(它是特征量取样单元8的输出)和静压的绝对值H(它是负载条件检测器7的输出)由模糊计算器16用来进行模糊计算，且确定对使用者施加在吸气管嘴39的工作力。根据所得结果，它给相控角发送一校正值f(Δθ)。相控角的校正值f(Δθ)将以空气体积表示。相时确定装置18找出吸气特征确定装置17的输出相控角f(θ)和模糊计算器16的输出相控角校正值f(Δθ)的和，从而确定triac FLS1的相控角θ₁和triac FLS2的相控角θ₂。相控角θ₁是风扇电动机23的相控角，其空气体积视要清扫的地板表面而予以恒定。相控角θ₂视地板表面而确定吸气管嘴的动力刷马达25的速度(每秒钟旋转的次数)。马达速度按“地板”到“踏踏米”和按“踏踏米”到“地毯”而增大。

下面描述起动信号的处理过程。图13表示零交叉检测电路20的结构图，而图14(a)到14(d)表示施加到马达上的电压和电流值。当交流电源48的电压如图14(a)所示为V_s，则通过由电阻R₂、光电耦合器P_s和电阻R₃组成的零交叉检测电路20得到图14(b)所示的零交叉信号17S。与该零交叉信号17S的增长同步，微电脑21导致图14(c)所示的计时器同步。当计时器是零时，微电脑21发出一起动信号给三端双向可控硅开关FLS1和FLS2。尽管没有描出，但零交叉信号是可以倒置，使计时器将以与零交叉信号17s的下降而同步工作。起动信号处理器14接收来自三端双向可控硅开关相时设定处理器18的输出信号，并设定计时器的时间t。调整该时间会改变施加到马达上的电压，从而控制了马达速度。

图15是表示当本发明的第一实施例所述的吸尘器实际工作在地板口表面的工作结果。如图15所示，可以看到，本发明的神经/模糊控制使马达达到最佳转速(它对应于最佳吸力)所需的时间比通常的方法要短。因此，本发明的设计比通常的方法提供了更快的响应速度。图15所示的等待时间系指***确定不进行扫描工作的时间。这样，压力传感器及马达速度的灵敏度得到降低以节约能源。

下面描述另一个实施例，图16(a)到16(d)表示地板表面的类型和相应于被清扫的地板表面的特征之间的关系，而图17表示用相对应于图16所示的地板表面的特征，通过最佳控制变量确定机构进行处理的过程。本实施例在与图7给出的地板表面相对应的特征量之间的关系以及在图12所示的最佳控制变量的处理过程上其差别在于图16(c)所示的分布SM和图16(d)所示的静压变化幅度均被引出并作为图16(a)所示的交叉次数CR和图16(b)所示的工作时间差TD的附加而予以应用。分布SM由下列等式3表示：

这样，在一适当的取样周期的平均静压Hm与瞬时静压X_i之间的差为求方，而其结果在取样周期内平均。由于其结果为增加送给神经计算的输入数，尽管神经网络所需的计算时间增大，但仍可提供按地板表面的类型以最佳吸力工作的吸尘器。

为了改善响应速度而仍保持依据地板表面类型的最佳吸力，则如果地板表面的类型可通过一阈值监控器确定，那么神经网络的计算可以绕过。这样，如图18所示，频带B₁和B₂被加到低通滤波器19的输出信号中。如果低通滤波器19的输出在频宽B₁内，被清扫的地板表面被鉴定为“地板”，如果低通滤波器19的输出大于频宽B₂，那么要清扫的地板被鉴定为“地毯”。检测阈值水平B₁和B₂的信号的监控是由图19表示的阈值确定电路50完成。该阈值确定电路50接收特征量取样单元8和负载条件检测器7的输入。利用阈值确定电路50，神经计算器15只在不能从一个特征得到涉及的地板表面类型的决定时才应用。

在本发明的上述实施例中，从适当的取样时间内从平均静压得到了一个以上的特征。在取样时间内从静压的最大和最小值的中值可检测到一个以上的特征量。

于是，本发明的上述实施例可通过从负载条件检测传感器的输出信号的形状得出一个以上的相应于地板表面的特征、通过这些特征进行神经和模糊计算以及通过控制风扇马达以适应地板表面的类型而提供自动保证最佳吸力的吸尘器。

图20表示本发明的另一个实施例的控制***。此实施例与图1所示的实施例相似，因而相应部件用一序号表示。在图20所示的实施例中，加附在传感器4又有一负载条件传感器5，传感器4又是吸尘器的一个地板表面检测传感器，而对于洗衣机来说则为对衣服的体积、质量和脏度的检测传感器。可以看到传感器4的输出给负载条件检测器7，而负载条件传感器5仅输出给特征量取样单元8。所以，对负载目标1便由特征量取样单元8从负载条件传感器5的输出信号中检测出其当前工作条件，并且由特征量取样单元8从负载条件传感器5检测出相应于负载类型的一个以上的特征。其控制工作也就类似图1的实施例。

图21是表示图20的吸尘器控制***结构的方框图，图22表示吸尘器控制电路的结构。图21和22基本上与图2和图3相似，因此相应的部件用相同的序号表示。

在图21中，压力检测电路11以与图2相类似的设计方法对压力传感器的输出进行转换和放大。同样，电流检测电路12把检测出流过动力刷马达25的电流I_N的电流检测传感器的输出进行转换和放大。在图2和图21中，包含电阻R和电容C的低通滤波器从压力检测电路11的输出信号中去除噪声分量。类似地，包含电阻R₁和电容C₁的低通滤波器19′除电流检测电路12的输出信号中的噪声分量。

在图21中，可以看到，从压力检测电路11没有输入给特征量取样单元8。因此，特征量取样单元仅从一个传感器(负载条件传感器5)中接收信号。

图22是负载条件传感器5与三端双向可控硅开关26串连的示意图，而电流检测电路12连接的负载条件传感器5和微机21之间。除此之外，图22的电路结构与图3的结构相同，所以不必再详细描述。

图23(a)和23(b)说明此实施例的动力刷马达检测电路，图23(a)说明检测电路的结构，图23(b)表示电流检测电路的输出的一个例子。在图23(a)中，施加到动力刷马达25上的负载电流I_N是断续交流电流波形，它类似于图14(a)表示的动力电流I_s。该电流I_N然后由电流检测传感器5检测；并输入到电流检测电路12中。通过全波检波放大电路12A、二极管D₁₀以及峰值保持电路12B(因为动力刷马达25的峰值电流进行一显著的变化以响应吸气管嘴39的变化，所以负载电流的峰值电流可被检测)，电流检测电路12将电流I_N转换成一与图14(b)所示的峰值电流I_N相对应的直流电压信号V_DP。如图23(b)所示，当吸气口工作时，即当旋转刷34的刷毛44接触要清扫的地板表面时，输出信号V_DP随着动力刷马达25的负载条件的变化而变化。

如果使用者在风扇马达23工作时在地板表面前后推动吸气管嘴39，电流检测电路12的输出信号发生如图24(a)到24(c)所示的波动，且低通滤波器19′的输出信号发生如图25(a)到25(c)所示的波动。可以看出，图25(a)到25(c)的曲线与图6(a)到6(c)的曲线很相似，只是变化的是电流而不是压力。于是由此可得到相类似的特征。

因此，电流检测电路12的输出信号包含一噪声分量，但是，低通滤波器19′的输出信号在该噪声分量去除后，根据地板表面1的类型而不同，并且根据地板表面1的类型，从上述输出信号中可得到特征。

与先前的实施例的方法相类似，作为对应于地板表面类型的特征的一个例子，分析了在某一取样时间内得到的平均数据。又，数取得的数据交叉于平均值(当平均值被交叉)的次数作为交叉数CR，超过该平均值的时间为t₁，该数值低于平均值的时间假定为t₂。那么(t₁-t₂)为工作时间差TD，(t₁/(t₁+t₂))为工作时间比TR，(t₁+t₂)作为工作时间TP，以及动力刷马达电流的最大值和最小值之间的差作为电流变化幅度Pbi。图26(a)和26(b)说明交叉数CR、工作时间差TD、工作时间比TR和工作时间TR对不同类的地板表面1以与图7(a)到7(c)相类似的方式变化。图27(a)表示分布SM′，描述如下： ${\mathrm{SM}}^{\′}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(X_i-\mathrm{Pbim})}^2$

这与等式3得到的SM相类似，但是根据压力测量(值)。

图27(b)表示电流变化幅度Δpbi和要清扫的地板表面之间的关系。正象先前所述的那样，如果想根据对应于该决定的一个特征量来辨别地板表面的类型，那是很困难的，这是因为一种以上的地板表面1可能有相同的特征值。

然而，当对应于每一种类型的地板表面的特征量被比较时，则用相应于地板表面的一种以上的特征就可确定地板表面1的类型，这是因为与输出水平相对应的地板表面1的位置是不同的。这样，效果与先前描述的实施例相似。

图21的神经计算器15以与图2的神经计算器相类似的方法工作，尽管输入是基于电流而不是压力。模糊计算器16的工作也相似，而加权的采用与图8的方法相类似。由电流变化幅度Δpbi代替静压变化幅度，则相应于图9的曲线和相应于图10的表即可得到。由电流变化幅度Δpbi代替图11(b)的静压变化幅度ΔH，则相应于图11(a)到11(c)的概率曲线也可得到。概率曲线的形状相同。

图28表示包含神经计算和模糊计算的控制方框图的工作过程。可以看出，图28大致上与图12相类似。神经计算器15接收由特征量取样单元8并且特别是由8A部分输出的相对应于交叉数CR、工作时间差TD、工作时间比TR、工作时间TP、分布SM和电流变化幅度Δpbi的特征，它并且有一叫做“多层网络”的神经网络结构。如图12所示，它有一个输入层、中间层和输出层，并且每一层的每一单元都在图8中具体描述。称为“背向推广”的学习法则作为加权系数ω_i被用于每一单元。信号输入到输入层，而从输出层中得到的值与一理想值(“教师”数据)相比较。单元之间的合成强度的控制欲使该值为最小。该强度由加权系数表示。神经计算器15输出的信号15A、15B和15C分别对应于“地板”、“踏踏米”和“地毯”。吸气特征确定装置17产生相位控制角f(θ)的信号，该信号提供了对应于“地板”、“踏踏米”和“地毯”的恒定空气体积Q和来自神经计算器15之输出的压力H。恒定空气体积Q保证吸气管嘴39所需的最小空气体积和压力要求。

压力随过滤量增大。恒定压力H阻止地板表面1和吸气管嘴39过分接近。即使异物粘附到管嘴39上，上述压力仅增长到一定的值；因此，该特征具有异物易去除的优点。

因此，吸尘器的吸力与空气体积Q和静压H的乘积成正比。由于灰尘吸力取决于空气体积Q，那么须确定相控角f(θ)以对应根据清扫地板表面所发出的恒定空气体积指令和恒压指令。由于输入压力的绝对值，因此从压力值确定空气体积和压力是否恒定。

模糊计算器16利用电流变化幅度Δpbi(特征量取样单元8的输出)和压力的绝对值|H|负载条件检测器7的输出)进行模糊计算，并且确定使用者的工作力。根据所得结果，它发出一相控角的校正值f(Δθ)。该相控角校正值f(Δθ)以空气体积的形式表示。

相时确定装置18求出吸气特征确定装置17输出的相控角f(θ)和模糊计算器16输出的相控角校正值f(Δθ)的和，并确定三端双向可控硅开关FLS1的相控角θ₁和三端双向可控硅开关FLS2的相控角θ₂。相控角θ₁是风扇马达23的相控角；其空气体积根据要清扫的地板表面而保持恒定。相控角θ₂根据地板表面决定吸气管嘴动力刷马达25的速度(每秒种的转数)。马达速度按“地板”到“踏踏米”以及“踏踏米”到“地毯”而递增。

图29表示应用本发明的实施例的控制***的吸尘器在地板表面实际工作时所做的工作。图29与图15大致相似。这样，可以看到，与通常的方法相比，本发明的神经/模糊控制比通常方法(它们仅使用模糊逻辑)达到最佳马达转速(相应于最大吸气力)花费的时间要少。因此，本发明的实施例的设计比通常的方法提供的响应速度要快。图29所示的等待时间表示***确定不进行清扫工作的时间。这样，压力传感器的灵敏度得到提高，即马达速度降低而节约能量。

下面将描撒另一个实施例。与已经描述过的部件有相同或相类似的功能的部件采用相同的序号。且这些部件的详细描述不再重复。

图30是设有开关电路的控制***。该电路与图20所示的差异在于刷动力决定51是根据动力刷开关32的接通还是断开作出的，而传感器4或5的输出是作用对应于要清洗的地板表面的特征取样单元8的输入。例如，图31表示设有开关电路的控制***的近似结构方框图。图32表示最佳控制变量确定装置的工作过程。而图33表示使用压力传感器的吸尘器的工作结果。图30的设计不同于图1和20所示的在于动力刷开关32受制约于动力刷决定51。当动力刷开关32接通时，从低通滤波器19′的输出得到的供神经使用的特征量取样8A被用作神经计算器15的输入，同时，从低通滤波器19′的输出得到的供模糊使用的特征量取样8B被用作模糊计算器16的输入。当动力刷开关32断开时，从低通滤波器19的输出得到的供神经使用的特征量取样8c用作神经计算器15的输入，同时，从低通滤波器19的输出得到的供模糊使用的特征量取样8D用作模糊计算器16的输入。

决定开和关是由动力刷决定51和选择器开关52和53来完成的。然而，当使用压力检测电路11的输出时，压力变化取决于吸尘器工作力的大小，并且神经网络的加权系数必须根据吸力的大小而改变。这样，来自负载状态检测器7的输出的压力绝对值H被用作神经计算器15的输入。进而，当使用电流检测电路12和压力检测电路11的输出时，也必须改变神经网络的加权系数，于是，动力刷决定(装置)51的输出用作神经计算器15的输入。当使用压力检测电路11时，从特征量取样单元8输出的代表图32要清扫的地板表面特征用脚标H表示，而使用电流检测电路12时用脚标P表示，且ΔH代表压力变化幅度，Δpbi代表电流变化幅度。图33说明使用压力传感器的吸尘器工作结果。

这就可以使用压力传感器，来根据要清扫的地板表面设定最佳吸气力，一如图29所示的使用压力传感器的工作结果，并且可以看到它比常用的方法能得到较好的响应。当要清洗的地板表面对应于“踏踏米”和“地毯”，则风扇马达的速度渐渐增大。这是因为，在“踏踏米”的情况下，为了减小对地板表面的决定误差，“踏踏米”的速度是在“地板”速度被全用后选择的，而在“地毯”的情况下，“地毯”速度是在“地板”和“踏踏米”速度被使用后选择的。

图34表示另一个实施例，它与图28所示的实施例的不同，在于神经计算器15的输出是输入到模糊计算器16中，并且对每一个地板表面的风扇马达工作范围的确定是由吸气特征确定装置17根据结果作出的。在这里，神经网络的神经计算器15的输出层是作为一个单元对待。这是因为模糊计算是把“地板”、“踏踏米”和“地毯”相对应于0到1的范围来进行的，上述0到1是图8的Sigmoid函数47的输出。

图35说明另一个不同于图34所示的实施例，它之不同在于神经计算器15的输入是用模糊计算器16的输出，模糊计算器16包括分下标单元16A到16D而其中的特征量CR、TD、SM和Δpbi为输入。这样，不象先前的实施例，模糊逻辑步骤在信号达到神经网络之前被应用。单独的模糊逻辑运算被应用于每一个特征中，并且模糊逻辑计算工作16A到16D的输出被应用于神经计算器15中。

作为一个模糊计算的手段，图9所示的“重心最小一最大法”的一个例子包括描述过。在必须频繁地进行多项模糊计算的情况下，使用简化推理方法较为有效。神经计算用神经网(已作)解释。不言而喻，线性函数可代替属于神经单元和非线性函数的Sigmoid函数。

吸尘器可附设许多种吸气管嘴作为附件。这样，对于需使用动力刷吸气管嘴进行处理的情况，一种实施例业已描述，其中电流检测电路或压力检测电路和输出可根据动力开关的通、断来选择。还可应用这样一种设计，其中少量的电流加到动力刷马达以便检测经由电流检测电路流到动力刷马达的电流。如果该电流被测到，则用电流检测电路的输出；如果未测到，则用压力检测电路的输出。

因此，在上述任一设计中，本发明提供了可根据要清洗的地板表面得到最佳吸力并具有最小响应时间的吸尘器。这些实施例都是指吸尘器。然而，本发明并不只局限于此，下面描述实施例是洗衣机的情况。图36是一洗衣机控制电路的示意图，而图37则说明最佳控制变量确定机构的工作过程。图36表示设置在洗衣缸70的底部、作为一控制目标的一搅拌器。马达3、洗衣机壳体69、包含一检测水脏度的光电装置的脏度检测传感器71、洗衣机控制电路72、一微电脑73、驱动搅拌器2的脉动驱动装置74、用来检测马达3的速度的速度检测装置75、工作开关31和一确定搅拌器2的工作模式的脉动工作模式确定装置76。放置在洗衣机70内的衣服的体积NW或质量NS，可从处于初始工作阶段的马达3的速度的降低来测出。粘在衣服上的脏度YG随着洗涤的进行而渐渐浮到表面。

衣服的体积NW或质量NS是经由特征量取样单元8根据速度检测装置75的输出得到的，而随时间而变化的洗涤物脏度是经由从脏度检测传感器71的输出得到的。洗衣机的当前负载条件P通过负载条件检测器7测得的。(举例来说，负载条件P是作为搅拌器2接通的时间t₁与它断开的时间t₂两者的比的函数来得到的)。衣服的体积NW、质量NS和由特征量取样单元8得到的脏度均输入到神经计算器15中。计算结果确定了时间t₁和t₂，t₁是搅拌器2如在脉动工作模式确定装置76的未当值阶段接通的时间，而t₁则是断开的时间。脏度YG和负载条件P用作模糊计算器16的输入，计算的结果确定了当搅拌器2工作时的时间t₁的校正时间Δt₁和它不工作时的时间t₂的校正时间Δt₂。

然后搅拌器2的控制指令t₁′和t₂′从(t₁+Δt₁)以及(t₂+Δt₂)的和得出再输出到脉动驱动装置74中，且搅拌器在与衣服的体积、质量和脏度相适应的最佳条件下工作，从而保证既不损坏洗涤物又能快速洗涤。

本发明因此可提供一种家用电器的控制***，该***通过得到一种以上的特征、通过这些特征进行神经和模糊计算以及通过神经和模糊计算的结果自动地保证家用电器的最佳驱动力。

Claims (21)

1.一种控制被控目标(2)的方法，它包括以下步骤：特征量取样单元(8)产生多个控制特征；用神经网络(15)和模糊逻辑(16)对控制特征进行处理，以得到一控制信号；以及根据所述控制信号控制被控目标(2)；

其特征在于，

被控目标(2)受一负载(1)的影响；并且

多个控制特征对应于负载的类型并且通过对单个传感器(4或5)的输出形式进行采样而得到，其中所述传感器(4或5)检测被控目标(2)的单一特性。

2.如权利要求1所述的方法，其特征在于，神经网络(15)根据所述控制特征得出多个基本控制模式中的一个，并且模糊逻辑(16)根据该基本控制模式得出所述控制信号。

3.如权利要求2所述的方法，其特征在于，模糊逻辑(16)根据多个控制特征中的至少一个，从基本控制模式中得出所述控制信号。

4.如权利要求1所述的方法，其特征在于，模糊逻辑(16)分别应用于每一个控制特征，以得出多个模糊信号，并且神经网络(15)处理这些模糊信号，以得出所述控制信号。

5.一种控制被控目标(2)的方法，它包括以下步骤：通过特征量取样单元(8)产生多个控制特征；利用神经网络(15)对控制特征进行处理，以得出被控目标(2)的一基本控制模式；将模糊逻辑(16)应用于基本控制模式，以得出一控制信号；以及根据所述控制信号控制被控目标(2)；

其特征在于，

控制特征从单个传感器(4或5)得出，其中所述传感器(4或5)对被控目标(2)的单一特性进行检测。

6.如权利要求5所述的方法，其特征在于，模糊逻辑(16)根据多个控制特征中的至少一个，从基本控制模式得出控制信号。

7.如权利要求5或6所述的方法，其特征在于，模糊逻辑(16)至少部分根据至少另一个控制特征(7)，从基本控制模式得出控制信号。

8.如权利要求7所述的方法，其特征在于，用另一个传感器(4)来产生至少另一个控制特征。

9.一种控制被控目标(2)的方法，它包括以下步骤：特征量取样单元(8)产生多个控制特征；利用神经网络(15)对控制特征的某一些进行处理，以得出被控目标(2)的基本控制模式；将模糊逻辑(16)应用于基本控制模式，以得出一控制信号；以及根据所述控制信号控制被控目标(2)；

其特征在于，

模糊逻辑(16)接收并非由神经网络(15)处理的控制特征(7)。

10.如权利要求5或9所述的方法，其特征在于，仅当控制特征中的一个不具有至少一个预定值时，神经网络(15)才产生基本控制模式，并且当至少一个控制特征具有预定值时，则至少产生一个固定控制模式，其中模糊逻辑(16)使用至少一个固定控制模式，以产生控制信号。

11.一种控制被控目标(2)的方法，它包括以下步骤：特征量取样单元(8)产生多个控制特征；利用神经网络(15)对所述控制特征进行处理，以得出被控目标(2)的基本控制模式；将模糊逻辑(16)应用于基本控制模式，以产生一控制信号；以及根据所述控制信号控制被控目标(2)；

其特征在于，

如果诸特征中的一个至少具有一个预定值，那么至少产生一个固定控制模式，并且模糊逻辑(16)用该至少一个固定控制模式产生控制信号；以及如果该至少一个特征不具有预定值，那么神经网络(15)处理控制特征，以得出一基本控制模式，并且将模糊逻辑(16)应用于基本控制模式，以产生控制信号。

12.如权利要求11所述的方法，其特征在于，所述至少一个预定值对应于用来得出控制特征的所述特性或一特性的预定范围。

13.一种控制被控目标(2)的方法，它包括以下步骤：特征量取样单元(8)产生多个控制特征；利用神经网络(15)和模糊逻辑(16)对控制特征进行处理，以得出一控制信号；以及根据所述控制信号控制被控目标(2)；

其特征在于，

将所述模糊逻辑(16)应用于所述每个控制特征，以得出多个模糊信号，并且所述神经网络(15)处理所述模糊信号，以得出所述控制信号。

14.如权利要求1、5、9、11或13的方法，其特征在于，所述被控目标(2)是一吸尘器。

15.一种用于控制被控目标(2)的控制***，它包括：装置(8)，用于产生多个控制特征；以及神经网络(15)和模糊逻辑***(16)，用于对控制特征进行处理，以得出用于控制被控目标(2)的控制信号；

其特征在于，

被控目标(2)受一负载(1)的影响；

多个控制特征对应于负载的类型；

提供了单个传感器(4或5)，用于检测被控目标(2)的单个特性；并且

将用于产生控制特性的装置(8)布置成通过对所述单个传感器(4或5)的输出形式进行采样来产生这些特性。

16.一种用于控制被控目标(2)的控制***，它包括：用于产生多个控制特征的装置(8)；神经网络(15)，用于处理控制特征，以得出被控目标(2)的基本控制模式；模糊逻辑***(16)，用于接收基本控制模式并得出用于控制被控目标(2)的控制信号；

其特征在于，

提供了单个传感器(4或5)，用于检测被控目标(2)的单个特性；并且

将用于产生控制特性的装置(8)布置成根据所述单个传感器(4或5)的输出来产生这些特性。

17.如权利要求16所述的控制***，其特征在于，它还包括另一个传感器(4)，用于得到至少另一个控制特征，所述至少另一控制特征被应用于模糊逻辑***(16)，但不应用于神经网络(15)。

18.一种用于控制被控目标(2)的控制***，它包括：用于产生多个控制特征的装置(8)；神经网络(15)，用于处理控制特征，以得出被控目标(2)的一个基本控制模式；模糊逻辑***(16)，用于接收所述基本控制模式并得到用于控制被控目标(2)的控制信号；

其特征在于，

模糊逻辑***(16)被布置成接收神经网络(15)不能接收的控制特征。

19.如权利要求17或18所述的控制***，其特征在于。它还包括用在控制特征中的一个具有一预定值时产生一固定控制模式的装置(50)；模糊逻辑***(16)，用于调整固定控制模式，以产生控制信号；以及神经网络(15)，仅当所述控制特征不具有所述预定值时，所述神经网络才产生基本控制模式。

20.一种用于控制被控目标(2)的控制***，它包括：用于产生多个控制特征特征的装置(8)；以及神经网络(15)和模糊逻辑***(16)。用于处理控制特征，以产生用于控制被控目标(2)的控制信号；

其特征在于，

所述***还包括用于在控制特性中的一个具有一预定值时产生一固定控制模式的装置(50)；模糊逻辑***(16)，用于调整固定控制模式，以产生控制信号；以及神经网络(15)，仅当所述控制特征不具有所述预定值时，所述神经网络才产生一基本控制模式，所述模糊逻辑***(16)还用于调整所述基本控制模式。

21.如权利要求15，16，18或20所述的控制***，其特征在于，所述被控目标(2)是一吸尘器。

Images