CN114182510A - 干衣机控制方法、装置、干衣机及存储介质 - Google Patents

Abstract

本发明公开了一种干衣机控制方法、装置、干衣机及存储介质，涉及涉及干衣机技术领域，该方法包括：获取干衣机中工作部件的运行参数；将运行参数作为预设预测模型的输入参数，使预设预测模型基于输入参数生成预测结果，预测结果用于表征干衣机内衣物的烘干程度；根据预测结果控制干衣机的运行状态。本发明通过算法模型替代了实体传感器对衣物烘干过程中的状态进行预测，基于干衣机工作部件的运行参数确定衣物的烘干程序，提高了烘干过程的检测精度，通过还可以规避环境因素的影响。

Description

干衣机控制方法、装置、干衣机及存储介质

技术领域

本发明涉及干衣机技术领域，尤其涉及一种干衣机控制方法、装置、干衣机及存储介质。

背景技术

目前，干衣机大多采用传感器对干衣机中衣物的状态进行检测，在衣物烘干后，控制干衣机停机。例如，通过金属条与衣物接触，负载的含水率不同时电阻值也不相同，因此可以利用负载接触电阻值的变化规律，推断出负载的烘干湿度值。然而，此类方式容易受到环境、工况条件的影响，且检测组件容易出现故障，检测值不稳定影响衣物烘干控制的准确性，容易出现衣物未烘干或者衣物容易产生褶皱的情况，影响用户体验。

发明内容

本发明的主要目的在于提供一种干衣机控制方法、装置、干衣机及存储介质，旨在解决现有技术中衣物烘干控制的准确性不高的技术问题。

为实现上述目的，本发明提供一种干衣机控制方法，包括：

获取干衣机中工作部件的运行参数；

将运行参数作为预设预测模型的输入参数，使预设预测模型基于输入参数生成预测结果，预测结果用于表征干衣机内衣物的烘干程度；以及，

根据预测结果控制干衣机的运行状态。

可选的，预测结果包括衣物含水率，根据预测结果控制干衣机的运行状态，包括：

在衣物含水率小于或等于设定含水率时，控制干衣机停机。

可选的，预测结果包括烘干空气流经衣物后的空气相对湿度，根据预测结果控制干衣机的运行状态，包括：

在空气相对湿度小于或等于设定空气相对湿度时，控制干衣机停机。

可选的，将运行参数作为预设预测模型的输入参数，使预设预测模型基于运行参数生成预测结果，还包括：

获取干衣机所处环境的温湿度参数和干衣机内衣物所处空间的温度参数；以及，

将温湿度参数、温度参数和运行参数作为预设预测模型的输入参数，使预设预测模型基于输入参数生成预测结果。

可选的，将运行参数作为预设预测模型的输入参数，使预设预测模型基于输入参数生成预测结果之前，还包括：

获取干衣机在不同工况下工作部件的运行数据；

构建初始算法模型，初始算法模型用于反映干衣机内衣物的烘干程度与运行数据之间的映射关系；以及，

根据运行数据对构建的初始算法模型进行训练，获得预设预测模型。

可选的，构建初始算法模型，包括：

基于多层感知机模型构建初始算法模型；其中，多层感知机模型具有输入层、多个隐含层和输出层，隐含层均采用线性整流函数，输出层的激活函数采用线性函数，多层感知机模型采用均方差函数作为损失函数，多层感知机模型采用自适应矩估计算法作为优化算法。

可选的，获取干衣机在不同工况下工作部件的运行数据，包括：

建立动态仿真模型，动态仿真模型包括干衣机中的衣物的热质交换过程仿真和冷凝器表面析湿换热过程仿真；

基于干衣机的实际运行数据对动态仿真模型进行标定；以及，

基于标定后的动态仿真模型生成不同工况下工作部件的运行数据。

此外，为实现上述目的，本发明还提出一种干衣机控制装置，干衣机控制装置包括：

采集模块，用于获取干衣机中工作部件的运行参数；

预测模块，用于将运行参数作为预设预测模型的输入参数，使预设预测模型基于输入参数生成预测结果，预测结果用于表征干衣机内衣物的烘干程度；以及，

驱动模块，用于根据预测结果控制干衣机的运行状态。

此外，为实现上述目的，本发明还提出一种干衣机，干衣机包括：存储器、处理器及存储在存储器上并可在处理器上运行的干衣机控制程序，干衣机控制程序被处理器执行时实现如上述的干衣机控制方法。

此外，为实现上述目的，本发明还提出一种存储介质，存储介质上存储有干衣机控制程序，干衣机控制程序被处理器执行时实现如上述的干衣机控制方法。

本发明中，通过获取干衣机中工作部件的运行参数，然后将运行参数作为预设预测模型的输入参数，使预设预测模型基于输入参数生成预测结果，预测结果用于表征干衣机内衣物的烘干程度，最后根据预测结果控制干衣机的运行状态。本发明通过算法模型替代了实体传感器对衣物烘干过程中的状态进行预测，基于干衣机工作部件的运行参数确定衣物的烘干程序，提高了烘干过程的检测精度，通过还可以规避环境因素的影响。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的干衣机的结构示意图；

图2为本发明干衣机一实施方式的结构示意图；

图3为本发明干衣机控制方法第一实施例的流程示意图；

图4为本实施方式干衣机滚筒出风相对湿度虚拟预测精度统计图；

图5为本实施方式干衣机衣物含水率虚拟预测精度统计图；

图6为本发明干衣机控制方法第二实施例的流程示意图；

图7为本发明预设预测模型训练流程示意图；

图8为本发明干衣机控制装置第一实施例的结构框图。

附图标号说明：

标号	名称	标号	名称
				1001	处理器	3	循环风扇
1002	通信总线	4	冷凝器
				1003	用户接口	5	冷却风扇
1004	网络接口	100	采集模块
				1005	存储器	200	预测模块
1	滚筒	300	驱动模块
				2	加热器

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的干衣机结构示意图。

如图1所示，该干衣机可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及干衣机控制程序。

在图1所示的干衣机中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述干衣机通过处理器1001调用存储器1005中存储的干衣机控制程序，并执行本发明实施例提供的干衣机控制方法。

参照图2，图2为本发明干衣机一实施方式的结构示意图。干衣机包括滚筒1、加热器2、循环风扇3、冷凝器4和冷却风扇5。闭式循环的空气由循环风扇3驱动，经加热器2加热后升温，继而进入滚筒1内与衣物接触并发生热质交换过程，衣物中的水分源源不断进入循环空气气流，而空气吸收了衣物湿气后温度降低并变为高湿状态从滚筒1出来，之后进入冷凝器4与冷却新风换热，高湿空气在冷凝器4表面降温并析出水分，从而实现降温除湿效果。循环空气从冷凝器4出来后继续经循环风扇3驱动，再次经加热器2加热后进入滚筒1除湿，如此循环实现持续的干衣工作过程。开式冷却空气循环中新风由冷却风扇5驱动经过冷凝器4完成冷却任务后温度升高直接排放到大气中。图2中示出的结构并不构成对干衣机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

基于上述硬件结构，提出本发明干衣机控制方法的实施例。

参照图3，图3为本发明干衣机控制方法第一实施例的流程示意图，提出本发明干衣机控制方法第一实施例。

在第一实施例中，所述干衣机控制方法包括以下步骤：

步骤S10：获取干衣机中工作部件的运行参数。

应理解的是，本实施方式的执行主体可以为所述干衣机内的控制器，该控制器具有数据处理、数据通信及程序运行等功能。或者本实施方式的执行主体还可以为智能控制云平台，该智能控制云平台可以对干衣机的运行状态进行监测和控制，通过无线网络等方式与干衣机通信，其具有数据处理、数据通信及程序运行等功能。当然，本实施方式的执行主体还可为其他具有相似功能的设备，本实施方式对此不加以限制。本实施方式以执行主体为控制器为例进行说明。

需要说明的是，运行参数可以为工作部件的运转参数或者设定参数。干衣机内具体多个工作部件，如风扇、滚筒或者加热器等。运转参数可以包括功率参数、进风温度或者出风温度等；设定参数可以包括设定档位等参数，该设定参数为用户在使用干衣机使所输入的参数。控制器可以获取干衣机中一个或多个工作部件的运行参数。

在具体实现时，控制器可以与工作部件对应的驱动器进行通信，控制器通过读取驱动器的驱动参数从而获得相应的运行参数。或者控制器与人机交互装置通信，在用户对部件设置参数时，控制器对设置的设定参数进行记录，从而获得相应的运行参数。

由于本实施方式为利用算法模型对衣物的烘干状态进行预测，通常算法模型在部署后进行使用时的所需输入参数与该算法模型在训练阶段所利用的数据相同，因此运行参数的具体类型以及所涉及的具体部件，可以根据该算法模型的具体结构而定。例如，该算法模型在训练阶段使用的数据涉及负载重量、用户操作设定的循环风档、冷却风档以及加热器档位，则上述运行参数所涉及的部件包括滚筒、风扇和加热器，运行参数为负载重量、用户操作设定的循环风档、冷却风档以及加热器档位。当然，为了降低干衣机对附加检测设备(传感器等)的依赖，运行参数通常为干衣机可以低成本监控和记录的变量。运行参数的具体类型以及所涉及的具体部件可以根据需求进行设置，本实施方式对此不加以限制。

步骤S20：将运行参数作为预设预测模型的输入参数，使预设预测模型基于输入参数生成预测结果，预测结果用于表征干衣机内衣物的烘干程度。

需要说明的是，预测结果可以包括衣物含水率或者烘干空气流经衣物后的空气相对湿度等，其均可以表征干衣机内衣物的烘干程度，衣物含水率或者烘干空气流经衣物后的空气相对湿度越低，则衣物越干。

在实际应用中发现，负载相同时，环境温度升高导致冷凝器的冷却能力降低，因此衣物烘干时滚筒出风相对湿度升高。因此判断衣物自动烘干算法里仅仅获取到相对湿度信号是不够的，由于实际工况情形多种多样，通过相对湿度信号间接判断衣物烘干程度会带来一些偏差。因此，本实施方式优先将衣物含水率作为预测结果。当然，预测结果还可以为其他类型的参数，本实施方式对此不加以限制。

可以理解的是，预设预测模型输入的参数越多，则输出的预测结果通常更可靠。因此，除采用工作部件的运行参数作为输入参数外，还可以获取干衣机所处环境的温湿度参数和干衣机内衣物所处空间的温度参数，并将其作为输入参数。

正如前述，烘干时滚筒出风的相对湿度信号容易受到环境温度影响，因此为提高预设预测模型的精度，可以将环境温度也作为预测模型的输入参数。另外，工作部件的运行参数一部分由操作者输入，因此在操作者输入的参数与实际情况不符合(例如用户放入甩干后的衣物，但对干衣机设定的工作参数为未甩干衣物对应的工作参数)时，也容易引起误判。故，还可以将滚筒内的温度作为输入参数。衣物附近的温度在一定程度上能够反映衣物烘干时的实际状态，通过在预设预测模型中加入温度参数，能够在一定程度上消除用户设定参数存在偏差时，对预测结果的影响。可以理解的是，若需要对预设预测模型在实际使用阶段的输入参数进行调整，则在预设预测模型的训练阶段也需要进行利用相同参数的训练，以保证预设预测模型的精度。

步骤S30：根据预测结果控制干衣机的运行状态。

需要说明的是，运行状态主要包括干衣机的启停以及内部部件的运转参数。即控制器可以根据预测结果判断衣物是否已经烘干，在衣物烘干后，控制干衣机停机。例如，预测结果可以为衣物含水率，在衣物含水率小于或等于设定含水率时，控制干衣机停机。其中，设定含水率为衣物烘干状态下的含水率。或者预测结果可以为烘干空气流经衣物后的空气相对湿度，在空气相对湿度小于或等于设定空气相对湿度时，控制干衣机停机。其中，设定空气相对湿度为衣物烘干状态下的空气相对湿度。

参照图4，图4为本实施方式干衣机滚筒出风相对湿度虚拟预测精度统计图。如图4所示，预测值误差基本在±5％的误差限以内，说明预测模型效果较好，预设预测模型可以比较精准地预测干衣机滚筒出风的相对湿度。

参照图5，图5为本实施方式干衣机衣物含水率虚拟预测精度统计图。如图5所示，含水率预测值误差在10％以内，说明预测模型效果较好。含水率是物理测量传感器所不能测到的参数，但是含水率确是真正用来判断是否烘干停机的依据。因此预设预测模型可以比较精准地预测干衣机滚筒内衣物的烘干程度。

控制器还可以根据预测结果确定衣物烘干进度，判断剩余时间是否满足用户的设定时间。例如，用户设定的烘干时间还剩余5分钟，但根据预测结果确定在不调整运转条件的前提下烘干衣物还需要7分钟；此时可以调整运转参数，以加快烘干速度，如增大加热器的发热功率等。

在本实施方式中，通过获取干衣机中工作部件的运行参数，然后将运行参数作为预设预测模型的输入参数，使预设预测模型基于输入参数生成预测结果，预测结果用于表征干衣机内衣物的烘干程度，最后根据预测结果控制干衣机的运行状态。本实施方式通过算法模型替代了实体传感器对衣物烘干过程中的状态进行预测，基于干衣机工作部件的运行参数确定衣物的烘干程序，提高了烘干过程的检测精度，还可以规避环境因素的影响。

参照图6，图6为本发明干衣机控制方法第二实施例的流程示意图。基于上述第一实施例，提出本发明干衣机控制方法第二实施例。

本实施方式主要涉及预设预测模型的训练过程，为保证预设预测模型在部署后的预测精度，步骤S10之前还包括：

步骤S01：获取干衣机在不同工况下工作部件的运行数据。

需要说明的是，运行数据主要用于对预设预测模型的训练。通常运行数据的获取方式可以通过实现测量和物理仿真的方式获取。由于干衣机***的运转参数在工作时是高度耦合且始终处于非稳定状态的，同时，干衣机实际工作性能的影响因素众多，包括环境工况、负载状态和用户设定行为等，这些因素组合数量数以万计，所以实验测量的手段驱动干衣机在不同工况下运转，获得相应的运行数据耗时耗力。因此，本实施方式优先采用物理仿真的方式获取运行数据。

在具体实现时，先建立动态仿真模型，动态仿真模型包括干衣机中的衣物的热质交换过程仿真和冷凝器表面析湿换热过程仿真；再基于干衣机的实际运行数据对动态仿真模型进行标定；最后，基于标定后的动态仿真模型生成不同工况下工作部件的运行数据。

动态仿真模型可以采用Modelica语言建立，Modelica是一种开放、面向对象、基于方程的计算机语言，可以跨越不同领域，方便地实现复杂物理***的建模，包括：机械、电子、电力、液压、热、控制及面向过程的子***模型。基于Modelica语言的建模过程已有成熟技术，本实施方式在此不再赘述。

实机运行数据为采用实验测量的手段获取的数据，其可以包括干衣能耗、干衣时间以及温度、湿度的动态特性。由于标定过程所需的数据量不大，因此实机运行数据的采集耗费的成本较低。标定过程是指仿真模型的干衣能耗、干衣时间以及温度、湿度的动态特性与干衣机***吻合，从而提高动态仿真模型的仿真精确度。

不同工况主要是指干衣机所烘干的衣物具有不同湿度，以及所处环境的不同的温湿度。通过在动态仿真模型中设置不同工况从而采集相应的运行数据。作为一种示例，运行数据可以包括干衣时间、加热功率、滚筒进风温度、滚筒出风温度、加热档位、循环风档、冷却风挡。

步骤S02：构建初始算法模型，初始算法模型用于反映干衣机内衣物的烘干程度与运行数据之间的映射关系。

通过数据算法构建替代模型虚拟预测可认为是一个监督学习问题，滚筒出口空气相对湿度或者衣物含水率为目标y，其值由一些特征决定，即描述每个数据状态所需的特征用x表示，目标y可表述为x的函数：y＝f(x)。其中，f(x)为通过数据算法训练得到的模型，训练模型用到的数据包括对应状态点的特征和目标值，输入的目标值即为算法预测结果对比的真值。

在本实施方式中，可以基于多层感知机模型构建初始算法模型。多层感知机模型具有输入层、多个隐含层和输出层。例如可以采用一个输入层、三个隐含层和一个输出层构成神经网络模型。

在具体实现时，隐含层均采用ReLU函数(Rectified Linear Unit，线性整流函数)，输出层的激活函数采用linear(线性函数)。多层感知机模型的损失函数采用MSE(MeanSquare Erro，均方差)函数，优化算法为Adam(Adaptive Moment Estimation，自适应矩估计)。其中，各类函数已有成熟的技术，本实施方式再次不再赘述。

步骤S03：根据运行数据对构建的初始算法模型进行训练，获得预设预测模型。

参照图7，图7为本发明预设预测模型训练流程示意图。步骤S40：过滤仿真数据中的缺失值、重复值。其中，仿真数据为上述工作部件的运行数据。步骤S50：过滤0时刻数据，0时刻为干衣机开始运行的时刻。步骤S60：生成训练集和测试集，通过对过滤后的仿真数据进行随机抽取，可以将70％的数据作为训练数据，形成训练集，将剩余的30％作为测试数据，形成测试集。步骤S70：MLP(Multilayer Perceptron，多层感知机)训练。初始算法模型对训练数据计算，获得输出。步骤S80：判断均方差是否最小化，通过均方差函数计算输出与实际值之间的均方差，若均方差未达到最小值，则进入步骤S90：更新权重，利用优化算法更新权重再次对输入进行计算，直至均方差最小化。若均方差达到最小值，则进入步骤S100：保持模型。基于当前的权重值确定模型函数。步骤S110：测试集校验。将测试数据输入至保存的模型内，获得输出。步骤S120：统计评估指标。通过对校验结果进行统计，判断保存的模型是否满足要求，若是，则训练结果，反之，则返回至训练过程。

作为一种示例，可以设置环境温度、湿度、负载重量、初始含水状态、循环风档、冷却风档以及加热器档位等工况进行仿真实验。并假设衣物含水率达到0.1％时，表示衣物已经完全烘干，仿真结束。仿真工况可以如下：

表1仿真干衣工况参数及其取值范围

具体的，先过滤初始时刻的状态数据，假设剩余的总有效数据为611159条，随机抽取其中70％作为训练数据，剩下30％作为预测数据。输入层从记录的状态变量中选取了7个变量作为输入参数，分别为干衣时间、加热功率、滚筒进风温度、滚筒出风温度、加热档位或加热功率、循环风档或转速、冷却风档或转速。训练预测模型滚筒出风相对湿度和衣物含水率。

在本实施方式中，通过获取干衣机在不同工况下工作部件的运行数据；然后构建初始算法模型，初始算法模型用于反映干衣机内衣物的烘干程度与运行数据之间的映射关系，再根据运行数据对构建的初始算法模型进行训练，获得预设预测模型。本实施方式利用运行数据对算法模型进行训练，以获得预设预测模型，实现了对衣物烘干过程的虚拟感知，避免了采用实体传感器所面临的问题，也提高了对衣物的检测精度。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有干衣机控制程序，所述干衣机控制程序被处理器执行时实现如上文所述的干衣机控制方法的步骤。由于本存储介质可以采用上述所有实施例的技术方案，因此至少具有上述实施例的技术方案所带来的有益效果，在此不再一一赘述。

此外，参照图8，图8为本发明干衣机控制装置第一实施例的结构框图。本发明实施例还提出一种干衣机控制装置。

在本实施例中，干衣机控制装置包括：

采集模块100，用于获取干衣机中工作部件的运行参数。

需要说明的是，运行参数可以为工作部件的运转参数或者设定参数。例如，对于风扇、滚筒或者加热器等部件，运转参数可以包括功率参数、进风温度或者出风温度等；设定参数可以包括设定档位等参数，该设定参数通过为用户在使用干衣机使所输入的参数。

在具体实现时，采集模块100可以与工作部件对应的驱动器进行通信，控制器通过读取驱动器的驱动参数从而获得相应的运行参数。或者采集模块100与人机交互装置通信，在用户向对部件设置参数时，采集模块100对设置的设定参数进行记录，从而获得相应的运行参数。

由于本实施方式为利用算法模型对衣物的烘干状态进行预测，通常算法模型在部署后进行使用时的所需输入参数与该算法模型在训练阶段所利用的数据相同，因此运行参数的具体类型以及所涉及的具体部件，可以根据该算法模型的具体结构而定。例如，该算法模型在训练阶段使用的数据涉及负载重量、用户操作设定的循环风档、冷却风档以及加热器档位，则上述运行参数所涉及的部件包括滚筒、风扇和加热器，运行参数为负载重量、用户操作设定的循环风档、冷却风档以及加热器档位。当然，为了降低干衣机对附加检测设备(传感器等)的依赖，运行参数通常为干衣机可以低成本监控和记录的变量。运行参数的具体类型以及所涉及的具体部件可以根据需求进行设置，本实施方式对此不加以限制。

预测模块200，用于将运行参数作为预设预测模型的输入参数，使预设预测模型基于输入参数生成预测结果，预测结果用于表征干衣机内衣物的烘干程度。

需要说明的是，预测结果可以包括衣物含水率或者烘干空气流经衣物后的空气相对湿度等，其均可以表征干衣机内衣物的烘干程度，衣物含水率或者烘干空气流经衣物后的空气相对湿度越低，则衣物越干。

在实际应用中发现，负载相同时，环境温度升高导致冷凝器的冷却能力降低，因此衣物烘干时滚筒出风相对湿度升高。因此判断衣物自动烘干算法里仅仅获取到相对湿度信号是不够的，由于实际工况情形多种多样，通过相对湿度信号间接判断衣物烘干程度会带来一些偏差。因此，本实施方式优先将衣物含水率作为预测结果。当然，预测结果还可以为其他类型的参数，本实施方式对此不加以限制。

可以理解的是，预设预测模型输入的参数越多，则输出的预测结果通常更可靠。因此，除采用工作部件的运行参数作为输入参数外，还可以获取干衣机所处环境的温湿度参数和干衣机内衣物所处空间的温度参数，并将其作为输入参数。

正如前述，烘干时滚筒出风的相对湿度信号容易收到环境温度影响，因此为提高预设预测模型的精度，可以将环境温度考虑进行。另外，工作部件的运行参数一部分由操作者输入，因此在操作者输入的参数与实际情况不符合(例如用户放入甩干后的衣物，但对干衣机设定的工作参数为未甩干衣物对应的工作参数)时，也容易引起误判。故，还可以将滚筒内的温度作为输入参数。衣物附近的温度在一定程度上能够反映衣物烘干时的实际状态，通过在预设预测模型中加入温度参数，能够在一定程度上消除用户设定参数存在偏差时，对预测结果的影响。可以理解的是，若需要对预设预测模型在实际使用阶段的输入参数进行调整，则在预设预测模型的训练阶段也需要进行利用相同参数的训练，以保证预设预测模型的精度。

驱动模块300，用于根据预测结果控制干衣机的运行状态。

需要说明的是，运行状态主要包括干衣机的启停以及内部部件的运转参数。即驱动模块300可以根据预测结果判断衣物是否已经烘干，在衣物烘干后，控制干衣机停机。例如，预测结果可以为衣物含水率，在衣物含水率达到设定含水率时，控制干衣机停机。其中，设定含水率为衣物烘干状态下的含水率。或者预测结果可以为烘干空气流经衣物后的空气相对湿度，在空气相对湿度达到设定相对湿度时，控制干衣机停机。其中，设定相对湿度为衣物烘干状态下的空气相对湿度。

驱动模块300还可以根据预测结果确定衣物烘干进度，判断剩余时间是否满足用户的设定时间。例如，用户设定的烘干时间还剩余5分钟，但根据预测结果确定在不调整运转条件的前提下烘干衣物还需要7分钟；此时可以调整运转参数，以加快烘干速度，如增大加热器的发热功率等。

在本实施方式中，通过获取干衣机中工作部件的运行参数，然后将运行参数作为预设预测模型的输入参数，使预设预测模型基于输入参数生成预测结果，预测结果用于表征干衣机内衣物的烘干程度，最后根据预测结果控制干衣机的运行状态。本实施方式通过算法模型替代了实体传感器对衣物烘干过程中的状态进行预测，基于干衣机工作部件的运行参数确定衣物的烘干程序，提高了烘干过程的检测精度，通过还可以规避环境因素的影响。

在一实施例中，所述干衣机控制装置还包括训练模块，训练模块用于获取干衣机在不同工况下工作部件的运行数据；构建初始算法模型，初始算法模型用于反映干衣机内衣物的烘干程度与运行数据之间的映射关系；根据运行数据对构建的初始算法模型进行训练，获得预设预测模型。

在一实施例中，训练模块还用于基于多层感知机模型构建初始算法模型；其中，多层感知机模型具有输入层、多个隐含层和输出层，隐含层均采用线性整流函数，输出层的激活函数采用线性函数，多层感知机模型采用均方差函数作为损失函数，多层感知机模型采用自适应矩估计算法作为优化算法。

在一实施例中，训练模块还用于建立动态仿真模型，动态仿真模型包括干衣机中的衣物的热质交换过程仿真和冷凝器表面析湿换热过程仿真；基于干衣机的实机运行数据对动态仿真模型进行标定；基于标定后的动态仿真模型生成不同工况下工作部件的运行数据。

本发明所述干衣机控制装置的其他实施例或具体实现方式可参照上述各方法实施例，因此至少具有上述实施例的技术方案所带来的所有有益效果，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种干衣机控制方法，其特征在于，所述干衣机控制方法包括：

获取干衣机中工作部件的运行参数；

将所述运行参数作为预设预测模型的输入参数，使所述预设预测模型基于所述输入参数生成预测结果，所述预测结果用于表征所述干衣机内衣物的烘干程度；以及，

根据所述预测结果控制所述干衣机的运行状态。

2.如权利要求1所述的干衣机控制方法，其特征在于，所述预测结果包括衣物含水率，所述根据所述预测结果控制所述干衣机的运行状态，包括：

在所述衣物含水率小于或等于设定含水率时，控制所述干衣机停机。

3.如权利要求1所述的干衣机控制方法，其特征在于，所述预测结果包括烘干空气流经衣物后的空气相对湿度，所述根据所述预测结果控制所述干衣机的运行状态，包括：

在所述空气相对湿度小于或等于设定空气相对湿度时，控制所述干衣机停机。

4.如权利要求1所述的干衣机控制方法，其特征在于，所述将所述运行参数作为预设预测模型的输入参数，使所述预设预测模型基于所述运行参数生成预测结果，还包括：

获取所述干衣机所处环境的温湿度参数和所述干衣机内衣物所处空间的温度参数；以及，

将所述温湿度参数、所述温度参数和所述运行参数作为预设预测模型的输入参数，使所述预设预测模型基于所述输入参数生成预测结果。

5.如权利要求1-4中任一项所述的干衣机控制方法，其特征在于，所述将所述运行参数作为预设预测模型的输入参数，使所述预设预测模型基于所述输入参数生成预测结果之前，还包括：

获取所述干衣机在不同工况下工作部件的运行数据；

构建初始算法模型，所述初始算法模型用于反映所述干衣机内衣物的烘干程度与所述运行数据之间的映射关系；以及，

根据所述运行数据对构建的初始算法模型进行训练，获得预设预测模型。

6.如权利要求5所述的干衣机控制方法，其特征在于，所述构建初始算法模型，包括：

基于多层感知机模型构建初始算法模型；其中，所述多层感知机模型具有输入层、多个隐含层和输出层，所述隐含层均采用线性整流函数，所述输出层的激活函数采用线性函数，所述多层感知机模型采用均方差函数作为损失函数，所述多层感知机模型采用自适应矩估计算法作为优化算法。

7.如权利要求5所述的干衣机控制方法，其特征在于，所述获取所述干衣机在不同工况下工作部件的运行数据，包括：

建立动态仿真模型，所述动态仿真模型包括所述干衣机中的衣物的热质交换过程仿真和冷凝器表面析湿换热过程仿真；

基于所述干衣机的实际运行数据对所述动态仿真模型进行标定；以及，

基于标定后的所述动态仿真模型生成不同工况下工作部件的运行数据。

8.一种干衣机控制装置，其特征在于，所述干衣机控制装置包括：

采集模块，用于获取干衣机中工作部件的运行参数；

预测模块，用于将所述运行参数作为预设预测模型的输入参数，使所述预设预测模型基于所述输入参数生成预测结果，所述预测结果用于表征所述干衣机内衣物的烘干程度；以及，

驱动模块，用于根据所述预测结果控制所述干衣机的运行状态。

9.一种干衣机，其特征在于，所述干衣机包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的干衣机控制程序，所述干衣机控制程序被所述处理器执行时实现如权利要求1至7中任一项所述的干衣机控制方法。

10.一种存储介质，其特征在于，所述存储介质上存储有干衣机控制程序，所述干衣机控制程序被处理器执行时实现如权利要求1至7中任一项所述的干衣机控制方法。

Images