KR102119076B1

KR102119076B1 - 인공지능에 기반하여 기능 제어를 수행하는 식기 세척기

Info

Publication number: KR102119076B1
Application number: KR1020190127313A
Authority: KR
Inventors: 송용섭
Original assignee: 주식회사 탑소닉
Priority date: 2019-10-14
Filing date: 2019-10-14
Publication date: 2020-06-04

Abstract

본 발명의 실시 예에 따른 식기 세척기는 서버 및 사용자 기기와 통신할 수 있으며, 세척물의 상태 및 세척 기능의 구동 상태를 센싱하는 센서부, 사용자로부터 구동 명령을 입력받는 입력부, 상기 서버 및 사용자 기기와 무선 통신을 수행하며, 상기 서버로부터 AI 분석 결과를 수신하는 통신부, AI 연산이 요구되는 조건 상황 하에서, 상기 센서부 및 상기 입력부에 의해 획득된 데이터 중 AI 연산에 필요한 AI 분석용 데이터를 선별하고, 선별된 AI 분석용 데이터를 상기 서버에 전송하도록 제어하는 제어부, 상기 제어부의 제어 하에 세척 동작을 구동하는 세척 모듈 및 상기 제어부의 제어 하에 AI 분석 결과를 표시하는 표시부를 포함하여 구성될 수 있다.

Description

인공지능에 기반하여 기능 제어를 수행하는 식기 세척기{Dishwasher with function control based on artificial intelligence}

본 발명은 인공지능에 기반하여 기능 제어를 수행하는 식기 세척기에 관한 것이다. 구체적으로 본 발명은 인공지능을 통한 분석 결과에 대응하여 세척 동작, 고장 진단 동작 등을 수행하는 식기 세척기에 관한 것이다.

식기 세척기는 식기 세척을 수행하는 장치이다. 일반적으로 식기 세척기는 세척물에 세척수를 분사하는 방식 또는 세척수에 세척물을 담근 후 세척수에 초음파를 발생시키는 방식을 주요 세척 방식으로 채택하고 있다.

종래의 기술에서는 식기 세척기를 이용하여 세척물을 세척하기 위해 세척물의 오염도, 세척물의 수량을 사용자가 직접 확인하고, 그에 대응하여 적절한 세척 모드를 직접 선택하거나, 또는 세척물의 특성과 관계없이 천편일률적으로 동일한 세척동작을 수행해 왔다.

이에 따라 종래의 식기 세척기는 세척물의 특성에 대응하는 맞춤화된 세척 동작을 제공할 수 없었으며, 세척물의 오염도에 따라 세척 강도 및 횟수를 가변하지 못하므로, 자원의 낭비가 야기되는 문제가 있었다.

본 발명은 상기 언급된 문제를 해결하기 위해 안출된 것으로, 식기 세척기를 이용하여 세척하고자 하는 세척물의 상태 정보를 획득하고, 그에 대응하여 적합한 세척 동작에 대한 설정값을 도출하기 위한 목적이 있다.

특히 본 발명은 이 과정에서 인공지능을 이용하여, 세척물의 수량, 세척물의 종류, 세척물의 오염도 등의 다양한 변수를 복합적으로 고려한 세척모드를 손쉽게 산출하기 위한 목적이 있다.

본 발명의 다양한 실시 예는 인공지능에 기반하여 보다 정확한 고장 원인을 분석하고, 그에 대응하는 식기 세척기의 해결 방안을 제시할 수 있다. 이에 따라, 간단히 해결될 수 있는 고장 상황의 경우 수리 요청 및 진단에 소요되는 시간을 절약하고, 간편하게 고장의 원인을 해결할 수 있다.

본 발명의 다양한 실시 예는 세척물의 이미지, 세척수의 오염도 등의 현재 세척 상황에 대응하는 가장 적합한 세척 모드를 산출할 수 있다. 그에 따라 본 발명은 세척물의 오염도 및 세척물의 수량 대비 과도한 세척 동작에 의한 세척수 낭비 및 전력 낭비를 방지할 수 있다.

그리고 본 발명은 세척 동작이 수행되는 중에 추가의 세척물이 세척조에 투하되는 경우, 실시간으로 해당 상황에 대응하는 적정 세척 모드를 인공지능 분석에 의해 산출할 수 있으므로, 추가 투입된 세척물이라 하더라도 충분히 세척될 수 있다.

도 1은 본 발명의 실시 예에 따른 식기세척기의 외관 예시를 도시한 도면이다.
도 2는 본 발명의 실시 예에 따른 식기 세척기의 네트워크 구조에 관하여 도시한 도면이다.
도 3은 본 발명의 실시 예에 따른 식기 세척기의 구성을 도시한 도면이다.
도 4는 본 발명의 실시 예에 따른 서버의 구성을 도시한 도면이다.
도 5는 본 발명의 실시 예에 따른 AI 모델의 개념 예시를 도시한 도면이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

이하, 첨부된 도면을 참조하여 본 발명의 실시 예를 상세하게 설명한다.

도 1은 본 발명의 실시 예에 따른 식기세척기의 외관 예시를 도시한 도면이다.

본 발명의 실시 예에 따른 식기 세척기 100는 도 1에서 도시되는 바와 같은 하우징 10을 포함하여 구성될 수 있다. 상기 하우징 10은 예컨대, 싱크대와 유사한 형태일 수 있으며, 수조와 수조를 지지하는 다리 등을 포함하는 형태일 수 있다.

또한, 상기 식기 세척기 100는 일 면에 식기 세척기의 동작 상태 및 사용자의 입력 정보 등을 표시하는 표시부 140를 구비할 수 있다. 또한 상기 식기 세척기 100는 일 면에 사용자 입력을 수신하는 적어도 하나의 키를 포함하는 입력부 130를 구비할 수 있다. 상기 입력부 130의 키는 식기 세척기를 제어하기 위해 요구되는 사용자 입력을 수신할 수 있다.

도 2는 본 발명의 실시 예에 따른 식기 세척기의 네트워크 구조에 관하여 도시한 도면이다.

본 발명의 실시 예에 따른 식기 세척기 100는 인공지능 기반의 동작 제어를 수행하기 위해, 도 2에서 도시되는 바와 같이 사용자 기기 200 및 서버 300와의 통신을 수행할 수 있다.

일 실시 예에 따라 상기 식기 세척기 100는 인공지능 기반의 분석동작을 수행하기 위해 요구되는 정보인 AI 분석용 데이터를 수집하고, 이를 서버 300로 전송할 수 있다. 예를 들어, 상기 식기 세척기 100는 이미지 센서를 통해 획득된 세척물의 이미지 정보, 탁도 센서를 통해 획득된 세척수의 오염도 등의 상황 데이터를 서버 300로 전송할 수 있다. 또한 상기 식기 세척기 100는 식기 세척기의 세척 동작 시 소요된 시간 정보, 선택된 세척 모드 등과 관련된 구동 데이터를 획득하고 이를 서버 300로 전송할 수 있다.

상기 서버 300는 식기 세척기 100로부터 획득된 AI 분석용 데이터를 기반으로 AI 연산을 수행할 수 있다. 상기 식기 세척기 100는 서버 300로부터 AI 연산 결과를 획득하고, 결과값을 적용한 세척 동작을 수행할 수 있다. 예컨대, 상기 식기 세척기 100는 서버 300로부터 AI 연산의 결과로, 현재 세척 상황(세척물의 종류, 세척물의 오염도 등)에 대응하는 가장 적합한 세척 모드를 산출할 수 있으며, 그에 대응하여 상기 식기 세척기 100는 산출된 세척 모드로 동작할 수 있다.

이 밖에도 상기 식기 세척기 100는 AI 연산 결과인 부품 교체 시기, 고장 진단 등에 관한 정보를 상기 서버 300로부터 수신할 수 있고, 해당 정보를 표시부에 표시하도록 제어할 수 있다.

또한 상기 서버 300는 AI 연산의 결과값을 상기 식기 세척기 100와 연결된 사용자 기기 200에 제공하여, 사용자 기기 200에서 결과값을 확인할 수 있도록 지원할 수 있다.

상기 사용자 기기 200에는 식기 세척기 100의 동작 제어를 위한 어플리케이션이 설치될 수 있다. 상기 어플리케이션은 식기 세척기 100의 세척 동작의 원격 제어, AI 분석결과 표시 등을 지원할 수 있다. 상기 사용자 기기 200 또한 상기 어플리케이션을 통해 서버 300와 통신할 수 있으며, 사용자가 상기 어플리케이션을 통해 설정한 구동 데이터(예, 세척 예약 시간, 설정한 세척 모드 종류 등)를 서버 300로 제공할 수 있다.

다양한 실시 예에 따라, 상기 어플리케이션은 AI 에 의한 고장 진단 결과, 수리가 요구되는 경우 자동으로 서비스 센터에 수리 요청을 접수할 수 있다. 또는 상기 어플리케이션은 이 뿐 아니라 이에 상응하는 AI 진단에 대한 후속 동작을 수행할 수 있다.

다음은 상기 서버 300가 수행하는 분석 동작의 기반이 되는, 인공 지능(artificial intelligence, AI)에 대하여 간략히 설명한다.

인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

용어 ‘머신 러닝’은 용어 ‘기계 학습’과 혼용되어 사용될 수 있다. 기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다. 베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다. 서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀 분석을 위해 사용한다.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다. 구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대하여 가중 합을 취하여 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

용어 ‘레이어’는 용어 ‘계층’과 혼용되어 사용될 수 있다.

인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층 신경망은 입력층(Input Layer)과 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받아 외부로 출력한다. 뉴런간의 입력신호는 0에서 1 사이의 값을 갖는 각각의 연결강도와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 출력값으로 구현된다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 ‘딥 러닝’은 용어 ‘심층 학습’과 혼용되어 사용될 수 있다. 인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.

이하에서는, 상기 식기 세척기의 각 구성 요소에 대하여 보다 구체적으로 기술하기로 한다.

도 3은 본 발명의 실시 예에 따른 식기 세척기의 구성을 도시한 도면이다.

도 3에서 도시되는 바와 같이, 본 발명의 실시 예에 따른 식기 세척기 100는 통신부 110, 저장부 120, 입력부 130, 표시부 140, 센서부 150, 세척 모듈 160 및 제어부 170를 포함하여 구성될 수 있다. 그리고 상기 제어부 170는 세척 제어부 171, AI 지원부 172를 포함하여 구성될 수 있다.

상기 통신부 110는 유선 또는 무선 통신을 수행하기 위한 통신 회로를 포함하고, 서버 100와 유선 또는 무선 통신할 수 있다. 나아가 상기 통신부 110는 사용자 기기 200와 통신할 수 있다.

상기 저장부 120는 식기 세척기의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예를 들어, 상기 저장부 120는 식기 세척기가 지원하는 각각의 세척모드에 관련된 정보를 저장할 수 있다. 각 세척 모드는 다수개의 세척 설정값(예, 세척 강도, 세척 시간, 세척 횟수 등에 대한 설정값)으로 구성될 수 있다.

상기 입력부 130는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 측으로부터 정보가 입력되면 그에 대응하는 명령을 제어부 170로 전달할 수 있다. 상기 입력부 130는 기계식 입력수단(키, 돔 스위치 등) 또는 터치식 입력수단을 포함할 수 있다. 상기 터치식 입력수단은 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키, 소프트 키로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키로 이루어질 수 있다.

상기 표시부 140는 식기 세척기 100에서 처리되는 정보를 표시할 수 있다. 예를 들어, 상기 표시부 140는 식기 세척기에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI, GUI 정보를 표시할 수 있다.

본 발명의 실시 예에 따라 상기 표시부 140는 AI 연산에 기반하여 산출된 결과 정보를 표시할 수 있다. AI 연산에 의해 산출되는 정보는 예컨대, 현재 세척 상황에 대응하는 최적의 세척 모드 정보, 고장 진단 정보 등이 포함될 수 있다.

상기 센서부 150는 이미지 센서, 온도 센서, 탁도 센서, 잔량 감지 센서, 개폐 센서, 전압 센서, 전류 센서, 유량 센서 및 압력 센서 중 적어도 하나를 포함할 수 있다.

상기 이미지 센서는 세척물의 수량, 세척물의 종류(식기, 식재료) 및 세척물의 오염도를 판단하기 위해 세척조에 투입되는 세척물의 이미지 정보를 센싱할 수 있다. 또한 상기 이미지 센서는 세척조에 담긴 세척수의 오염도를 평가하기 위한 세척조 내 세척수 이미지를 센싱할 수 있다. 또한 상기 이미지 센서는 세척 동작의 완료 여부를 판단하기 위해, 세척물의 이미지 정보를 센싱할 수 있다.

상기 온도 센서, 탁도 센서는 세척수의 상태(온도, 탁도)를 평가하기 위한 센싱 동작을 수행할 수 있다. 상기 잔량 감지 센서는 세제의 잔량을 감지할 수 있다. 그리고 상기 개폐 센서, 유량 센서는 세척수의 급배수 상태를 판단하기 위한 센싱 동작을 수행할 수 있다. 그리고 상기 전압 센서, 전류 센서, 압력 센서는 세척 동작의 특성(세척 강도, 출력 주파수 등)을 판단하기 위한 센싱 동작을 수행할 수 있다.

상기 세척 모듈 160은 실질적인 세척 동작인 분사 동작, 초음파 발생 동작, 세제 투입 동작, 버블 발생 동작 등을 제어부의 제어 하에 수행할 수 있다.

도면에 도시되지 않았지만, 상기 식기 세척기에는 상기 세척 모듈 160 외에도 제어부의 제어 하에 구동되는 구동 모듈이 더 포함될 수 있다. 예컨대, 상기 식기 세척기는 건조 기능을 수행하는 건조 모듈, 급배수 동작을 수행하는 급배수 모듈을 더 포함할 수 있다.

상기 제어부 170는 세척 제어부 171, AI 지원부 172를 포함하여 구성될 수 있다.

상기 제어부 170의 세척 제어부 171는 식기 세척기의 전반적인 동작을 제어할 수 있다. 구체적으로, 상기 세척 제어부 171는 센서부로부터 수신된 센싱 정보, 입력부로부터 수신된 입력 정보 등을 획득할 수 있다. 나아가 세척 제어부 171는 실제 구동 동작과 관련된 정보(예, 급수가 시작됨, 온수 급수 동작이 시작됨 등)를 획득할 수 있다. 그리고 상기 세척 제어부 171는 센싱 정보 또는 사용자로부터 수신된 입력 정보에 기반하여 제어 명령을 생성하고, 제어 명령을 세척 모듈 160에 전달할 수 있다.

또한 상기 세척 제어부 171는 다양한 종류의 세척 모드에 기반하여 세척 동작을 명령할 수 있다. 상기 세척 모드는 세척 강도, 세척 시간, 세척 횟수 중 적어도 하나에 대한 설정값을 지정해 놓은 것일 수 있다. 예컨대, 제 1 세척모드는 1단계의 세척 강도, 2단계의 세척 시간, 3단계의 세척 횟수로 설정된 모드이고, 제 2 세척모드는 2단계의 세척 강도, 2단계의 세척 시간, 3단계의 세척 횟수로 설정된 모드일 수 있다.

각 세척 모드는 세척물의 종류 또는 사용자의 선호도 등에 따라 선택될 수 있다. 그리고 각 세척모드는 사용자의 선택에 의해 선택될 수도 있으나, AI 연산 결과에 따라 자동 선택될 수도 있다.

상기 AI 지원부 172는 AI 분석용 데이터(식기 세척기 100에서 획득되어 서버 300로 보내지는 데이터)의 획득 및 추출 조건을 확인하고, 조건 상황 하에서 AI 분석용 데이터를 서버 300로 송신할 수 있다.

본 발명의 실시 예에 따른 상기 AI 지원부 172는 적합 세척 모드 설정을 지원하는 적합 세척 모드 설정 지원부와 식기 세척기의 고장 진단을 수행하기 위해 AI 연산 기능을 이용하는 고장 진단 지원부를 포함하도록 구성될 수 있다.

상기 적합 세척모드 설정 지원부와, 고장 진단 지원부는 각각 AI의 개입 없이 분석 가능한 항목과 AI의 개입이 요구되는 분석 항목을 분류할 수 있다. 그리고 상기 적합 세척모드 설정 지원부와 고장 진단 지원부는 각각 AI 개입 없이 분석 가능한 항목에 대하여 자체 분석 동작을 수행하도록 세척 제어부 171에 요청할 수 있다.

그에 따라, 상기 세척 제어부 171는 자체 분석 동작을 적합 세척모드 설정 분야와, 고장 진단 분야 각각에 대하여 수행할 수 있다.

먼저, 세척 제어부 171는 적합 세척 모드 설정 분야에 있어서, 자체 분석 동작을 다음과 같이 수행할 수 있다.

상기 세척 제어부 171는 저장부 120에 기 저장된 테이블 형식의 정보에 기반하여, 인풋 데이터(예, 센싱 데이터, 입력 데이터)와 1:1로 매칭되는 아웃풋 데이터(예, 구동 데이터)를 산출할 수 있다. 예를 들어, 상기 식기 세척기는 세척조에 담긴 세척물의 무게가 기 설정된 값에 도달하였을 때, 세척 동작을 개시하도록 설정되어 있을 수 있다. 이와 같은 경우, 상기 세척 제어부 171는 세척물의 무게(인풋 데이터)에 대응하는 세척 동작의 개시 여부(아웃풋 데이터)를 산출할 수 있다.

또한, 상기 세척 제어부 171는 고장 진단 분야에 있어서, 자체 분석 동작을 다음과 같이 수행할 수 있다.

상기 세척 제어부 171는 고장 진단에 대한 자체 분석 시, 저장부에 기 저장된 테이블 정보에 따라 현 상황에 대응하는 고장 종류를 판단할 수 있다. 이 때 상기 테이블 정보는 식기 세척기의 증상과 해당 증상에 대응하는 고장의 명칭 내지 에러코드를 1:1로 매칭하여 리스트화 한 자료를 의미할 수 있다.

즉, 상기 세척 제어부 171는 구동 명령에 대응하여 해당 기능이 동작하지 않는 경우, 해당 기능에 대한 고장 여부를 판단하고, 해당 고장의 종류를 의미하는 코드명을 산출하는 자체 분석 동작을 수행할 수 있다.

한편, AI 개입이 요구되는 분석 항목의 경우, AI 지원부 172(적합 세척모드 설정부, 고장 진단 지원부)가 AI 분석용 데이터를 수집하여 서버 300에 전송하고, 서버 300에 AI 분석 동작을 요청할 수 있다.

상기 AI 지원부 172는 AI 연산이 요청되는 조건 상황을 판단하여, 조건 상황 하에서 AI 분석용 데이터를 선택적으로 획득할 수 있다. 이후 상기 AI 지원부 172는 획득된 AI 분석용 데이터를 서버 300에 전송하고, 서버 300의 AI 연산의 결과값을 수신할 수 있다. 서버 300로부터 식기 세척기 100측으로 수신된 AI 연산의 결과값은 세척 제어부 171에 의해 적용되고, 해당 결과값에 대응하는 세척 동작 내지 고장 해결 동작이 수행될 수 있다.

그리고 이 때, 상기 AI 지원부 172(적합 세척 모드 설정 지원부, 고장 진단 지원부)는 공통적으로, AI 분석용 데이터를 획득할 만한 조건 상황(AI 분석 요청 상황)인지 여부를 판단할 수 있는데, 상기 조건 상황은 자체 분석 결과에 기반할 수 있다. 예를 들면, 상기 식기 세척기에서 자체 분석에 의해 판단 가능한 에러 코드의 종류가 a, b, c, d 총 4가지라고 한다면, 상기 AI 지원부 172(고장 진단 지원부)는 그 중 특정 1가지 에러 코드 a에 한하여 AI 분석 요청 상황으로 판단할 수 있다. 그리고 서버 300는 AI 기반의 분석 동작을 통해 상기 에러 코드 a에 대한 구체화(예, a1, a2, a3)를 수행할 수 있다. 이하에서는, 자체 분석에 의해 산출된 오류 코드를 1차 오류코드로 명명하고, AI 분석에 기반하여 산출되는 오류 코드를 2차 오류코드로 명명하기로 한다.

AI 지원부 172가 AI 연산을 서버 300에 요청하는 동작은 구체적으로 다음과 같다.

먼저, 상기 AI 지원부 172 중 적합 세척 모드 설정 지원부는 적합 세척 모드 설정을 위해, 조건 상황 하(예, 세척 동작 중 세척물 추가 투입 상황, 세척물의 오염도 및 수량이 기준치 이상인 경우 등)에서 AI 분석용 데이터를 획득하고 이를 서버 300에 전송할 수 있다. 상기 서버 300는 AI 연산을 수행함에 따라, 세척 상황(세척물의 종류, 세척물의 수량, 세척물의 오염도 등)에 대응하는 최적의 세척 모드를 산출할 수 있다. 그리고 그에 따라 상기 적합 세척 모드 설정 지원부는 서버 300에서 산출된 AI 연산 결과값을 수신하고, 수신된 AI 연산 결과값(적합 세척 모드)에 대응하는 신호를 세척 제어부 171에 전송할 수 있다. 이에 따라, 상기 세척 제어부 171는 AI 연산 결과로 산출된 적합 세척 모드를 적용하고, 해당 세척 모드에 대응하는 기능을 수행할 수 있다.

또한 상기 AI 지원부 172의 고장 진단 지원부는 식기 세척기에 발생한 고장 증상을 해결하기 위해 A 서버 300에 AI 연산 및 AI 연산의 결과값을 요청할 수 있다.

마찬가지로 상기 고장 진단 지원부 또한 AI 분석 요청 상황 여부를 판단하여, AI 분석 요청 상황(조건 상황)에 해당하는 것으로 판단되는 경우, AI 분석용 데이터를 획득 및 서버 300로 전송할 수 있다.

상기 서버 300는 인공지능 알고리즘에 기반하여 현재 증상 정보를 투입하고, 이를 기반으로 결과값(예, 고장에 대한 해결책, 예방책)을 산출하여 표시부에 표시하거나 사용자 기기 200에 전달할 수 있다.

다양한 실시 예에 따라, 상기 서버 300의 AI 분석 결과, 해당 고장이 사용자에 의해 해결될 수 없는 고장인 것으로 판단되는 경우, 상기 고장 진단 지원부는 사용자 기기 200를 통해 서비스 센터에 수리 요청하도록 지원할 수 있다. 더욱 다양한 실시 예에 따라 상기 서버 300는 기 등록된 수리 기사와 사용자 기기 200를 매칭하여 원격 통신을 지원할 수도 있다.

이하에서는, 서버의 구성요소 및 그 동작에 관하여 설명하기로 한다.

도 4는 본 발명의 실시 예에 따른 서버의 구성을 도시한 도면이다.

도 4에서 도시되는 바와 같이, 본 발명의 실시 예에 따른 서버 300는 데이터 분류부 301, AI 연산부 302를 포함하여 구성될 수 있다. 도면에 도시되지는 않았으나, 상기 서버 300가 식기 세척기 및 사용자 기기 200와 통신할 수 있는 통신모듈을 포함하여 구성될 수 있음은 물론이다. 그리고 그 밖에도, 도면상에서는 생략되었으나, 상기 서버 300는 AI 알고리즘 모델과, 식기 세척기 100 및 사용자 기기 200로부터 수신된 AI 분석용 데이터를 저장하는 저장부를 더 포함할 수 있다.

본 발명의 실시 예에 따라, 상기 서버 300는 식기 세척기 100와 사용자 기기 200로부터 AI 분석용 데이터를 획득하고, 획득된 AI 분석용 데이터를 분류하며 이후 AI 분석 동작을 수행할 수 있다. 획득된 AI 분석용 데이터를 카테고리에 따라 분류하는 동작은 서버 300의 데이터 분류부 301에 의해 수행될 수 있고, AI 분석 동작은 AI 연산부 302에 의해 수행될 수 있다.

먼저, 상기 데이터 분류부 301는 적합 세척 모드의 설정에 관한 카테고리와, 고장 진단에 관련된 카테고리로 데이터를 분류하는 1차 분류 동작을 수행할 수 있다.

먼저, 상기 데이터 분류부 301는 고장이 의심되는 상황에서 수신된 AI 분석용 데이터는 AI 기반의 고장 진단 카테고리로 분류할 수 있다. 일 실시 예에 따라, 고장이 의심되는 상황에서의 AI 분석용 데이터는 별도의 코드(예, 자체 분석 결과 산출된 1차 오류 코드)를 포함할 수 있으며, 그에 따라, 상기 데이터 분류부 301는 코드명에 기반한 카테고리 분류를 수행할 수 있다. 상기 데이터 분류부 301는 수신된 AI 분석용 데이터가 1차 오류코드를 포함하지 않거나, 상기 1차 오류 코드와는 다른 종류의 코드를 포함하는 경우, 이를 적합 세척 모드 설정용 카테고리로 분류할 수 있다.

나아가, 상기 데이터 분류부 301는 1차 분류 동작 이후, 각 카테고리에 포함된 데이터 항목들 중 AI 연산 모델에 투입할 개별 인풋 데이터를 추출하는 2차 분류 동작을 수행할 수 있다. 예를 들어 상기 데이터 분류부 301는 적합 세척 모드를 산출하고자 할 시, 세척물의 종류(세척물 이미지로 판단될 수 있음), 세척물의 수량(무게 데이터, 세척조 에 투하된 세척물 이미지에 의해 판단될 수 있음), 세척수의 오염도(탁도 센서에 의해 감지된 세척수 탁도, 세척수의 이미지로 판단될 수 있음)를 추출하는 2차 분류 동작을 수행할 수 있다. 참고로, 상기 데이터 분류부 301는 2차 분류 동작 또는 1차 분류 동작 이전에, 세척물 이미지로부터 세척물의 종류 정보를 판단하거나, 탁도 센서의 센싱값을 기반으로 세척수의 오염도를 산출하는 전처리 동작을 추가적으로 수행할 수 있다.

또한 상기 데이터 분류부 301는 고장 진단을 위한 2차 분류 동작을 수행할 수 있다. 1차 분류동작에 의해 고장 진단용 카테고리로 분류된 데이터들도 각각 AI 연산 모델에 투입할 개별 인풋 데이터로써 추출될 수 있는데, 예를 들어, 세척 동작 시 구동 주파수, 급배수 설정값, 센싱부의 센싱 정보들(세척조 상황 정보, 세척수 오염도 변화정보) 등을 포함할 수 있다.

상기 데이터 분류부 301는 상기 2자 분류 동작에 의해 추출된 데이터 항목들을 AI 연산부 302로 제공할 수 있다.

이하에서는 AI 연산부 302에 대하여 설명하기로 한다.

상기 AI 연산부 302는 획득한 데이터 항목들을 AI 모델에 인풋 데이터로 투입하여 AI 학습 및 아웃풋 데이터 산출 동작을 수행할 수 있다.

상기 AI 연산부 302가 활용하는 AI 모델은, 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 타 머신에서 사용되기 위한 데이터의 출력을 위해 데이터베이스에 저장되는 정보일 수 있다.

상기 AI 연산부 302는 다양한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용할 수 있다.

이러한 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판돈 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등이 포함될 수 있다.

상기 AI 연산부 302는 지능적 에뮬레이션(즉, 지식 기반 시스템, 추론 시스템 및 지식 획득 시스템)을 구현하는 다양한 기능을 수행 할 수 있다. 이는 적응 시스템, 기계 학습 시스템, 인공 신경망 등을 포함하는, 다양한 유형의 시스템(예컨대, 퍼지 논리 시스템)에 적용될 수 있다.

상기 AI 연산부 302는 또한 I/O 처리 모듈, 환경 조건 모듈, 음성 - 텍스트 (STT) 처리 모듈, 자연어 처리 모듈, 작업 흐름 처리 모듈 및 서비스 처리 모듈과 같이, 음성 및 자연 언어 음성 처리를 수반하는 연산을 가능하게 하는 서브 모듈을 포함할 수 있다.

이들 서브 모듈들 각각은, 서버에서의 하나 이상의 시스템 또는 데이터 및 모델, 또는 이들의 서브셋 또는 수퍼셋에 대한 액세스를 가질 수 있다. 또한, 이들 서브 모듈들 각각은, 어휘 색인, 사용자 데이터, 작업 흐름 모델, 서비스 모델 및 자동 음성 인식 (ASR) 시스템을 비롯한 다양한 기능을 제공할 수 있다.

본 발명의 실시 예에 따른 상기 AI 연산부 302는 적합 세척모드 설정용 AI 모델을 기반으로 적합 세척모드 산출용 AI 연산을, 그리고 고장 진단용 AI 모델을 기반으로 고장 진단용 AI 연산을 수행할 수 있다. AI 모델에 관하여는 도 5를 통해 개략적으로 도시하고 있다.

일 실시 예에 따른 상기 AI 연산부 302는 적합 세척모드 산출용 AI 모델 입력층(도 5의 입력층 참고)에 인풋 데이터(2차 분류 동작에 의해 추출된 데이터 항목)를 투입하여 인공지능 연산을 수행할 수 있다. 그 AI 연산 결과, 도 5에서 도시되는 바와 같이, 입력층에 투입된 데이터는 은닉층을 거쳐 출력층을 통해 산출될 수 있다. 즉, AI 연산부 302는 인풋 데이터인 세척물 종류, 세척물 수량, 세척물의 오염도 등을 기반으로 최적의 세척모드에 관한 정보를 출력할 수 있다.

그리고 상기 AI 연산부 302는 역전파 동작을 통해 AI 학습을 누적하여 수행할 수 있다. 초기 AI 모델은 기 설정된 데이터 셋에 기반하여 입력층의 인풋 데이터(세척물 종류, 세척물 수량, 세척수의 오염도 등)와 그에 대응하는 출력층의 아웃풋 데이터(적합 세척모드)를 지정하여 학습된 결과물일 수 있다.

상기 AI 연산부 302는 획득된 데이터들을 통해 AI 모델에 대한 추가 학습을 수행할 수 있다. 상기 AI 연산부 302는 입력층에 투입된 데이터로부터 출력층에 설정된 데이터를 출력하기 위해 요구되는 매개변수 값을 산출하고, 산출된 매개변수 값으로 AI 모델을 업데이트할 수 있다. 이 때 AI 모델에 적용되는 활성화 함수는 시그모이드, ReLU 등을 포함할 수 있으며 그 밖의 다른 종류로 구현될 수도 있다.

다른 실시 예에 따라, 상기 AI 연산부 302는 마찬가지로, AI 연산을 통해 고장 진단을 수행할 수 있다. 고장 진단용 AI 모델의 입력층에는 세척 동작 시 구동 주파수, 급배수 설정값, 센싱부의 센싱 정보들(세척조 상황 정보, 세척수 오염도 변화정보) 중 적어도 하나를 포함한 인풋 데이터가 투입될 수 있다. 이 때, 상기 적합 세척 모드 설정을 산출하기 위한 AI 모델과 상기 고장 진단을 위한 AI 모델은 다른 종류의 모델임이 자명하며, 각 AI 모델은 활성화 함수, 데이터의 투입 항목 개수, 학습 속도 등의 구성 요소가 다르게 설정될 수 있다. 상기 AI 연산부 302는 고장 진단용 AI 모델의 입력층에 인풋 데이터를 투입한 후, AI 연산하여 고장의 종류 및 원인에 대한 정보를 출력할 수 있다.

또한, 상기 AI 연산부 302는 적합 세척모드 산출용 AI 모델과 마찬가지로, 상기 고장 진단용 AI 모델을 추가 학습시킬 수 있다. 이 학습 과정에서 상기 AI 연산부 302는 입력층에 투입된 데이터로부터 출력층에 설정된 데이터로의 산출이 되기 위해 요구되는 매개변수 값을 산출 및 업데이트할 수 있다. 이 때 AI 모델에 적용되는 활성화 함수는 시그모이드, ReLU 등을 포함할 수 있으며 그 밖의 다른 종류로 구현될 수도 있다.

상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 당업자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다. 요컨대 본 발명이 의도하는 효과를 달성하기 위해 도면에 도시된 모든 기능 블록을 별도로 포함하거나 도면에 도시된 모든 순서를 도시된 순서 그대로 따라야만 하는 것은 아니며, 그렇지 않더라도 얼마든지 청구항에 기재된 본 발명의 기술적 범위에 속할 수 있음에 주의한다.

100 : 식기 세척기
110 : 통신부
120 : 저장부
130 : 입력부
140 : 표시부
150 : 센서부
160 : 세척모듈
170 : 제어부
171 : 세척 제어부
172 : AI 지원부
200 : 사용자 기기
300 : 서버
301 : 데이터 분류부
302 : AI 연산부

Claims

서버 및 사용자 기기와 통신하는 식기 세척기에 있어서,
세척물의 상태 및 세척 기능의 구동 상태를 센싱하는 센서부;
사용자로부터 구동 명령을 입력받는 입력부;
상기 서버 및 사용자 기기와 무선 통신을 수행하며, 상기 서버로부터 AI 분석 결과를 수신하는 통신부;
AI 연산이 요구되는 조건 상황 하에서, 상기 센서부 및 상기 입력부에 의해 획득된 데이터 중 AI 연산에 필요한 AI 분석용 데이터를 선별하고, 선별된 AI 분석용 데이터를 상기 서버에 전송하도록 제어하는 제어부;
상기 제어부의 제어 하에 세척 동작을 구동하는 세척 모듈; 및
상기 제어부의 제어 하에 AI 분석 결과를 표시하는 표시부;를 포함하고,
상기 서버는
식기 세척기로부터 수신한 AI 분석용 데이터를 적합 세척모드 설정용 카테고리와 고장 진단용 카테고리로 분류하는 1차 분류 동작, 각 카테고리에 포함된 데이터 항목들 중 AI 연산 모델에 투입할 개별 인풋 데이터를 추출하는 2차 분류 동작을 수행하는 데이터 분류부; 및
상기 데이터 분류부의 상기 2차 분류 동작에 의해 추출된 데이터 항목들을 AI 모델에 인풋 데이터로 투입하여 아웃풋 데이터를 산출하는 AI 연산부;를 포함하는 것을 특징으로 하는 식기 세척기.
제 1항에 있어서,
상기 제어부는
센싱 정보 및 사용자로부터 수신된 입력 정보에 기반하여 제어 명령을 생성하고, 상기 제어 명령을 상기 세척 모듈에 전달하며, 상기 서버로부터 AI 분석 결과가 수신되면, 수신된 AI 분석 결과를 적용하여 세척 동작을 수행하도록 제어하는 세척 제어부;를 포함하며,
상기 세척 제어부는
다수 종류의 세척 모드에 기반하여 세척 동작을 명령하며,
상기 세척 모드는 세척 강도, 세척 시간, 세척 횟수 중 적어도 하나의 설정값을 지정한 것임을 특징으로 하는 식기 세척기.
제 2항에 있어서,
상기 제어부는
AI의 개입이 요구되는 분석 항목을 분류하며, AI 개입이 요구되지 않는 분석 항목은 상기 세척 제어부에서 분석하도록 명령하는 AI 지원부;를 포함하고,
상기 세척 제어부는
상기 AI 지원부에 의해 AI개입 없이 분석 가능한 항목에 대한 자체 분석 동작을 수행하며,
상기 자체 분석 동작은 기 저장된 테이블에 기반하여 인풋 데이터와 1:1로 매칭되는 아웃풋 데이터를 산출하는 동작인 것을 특징으로 하는 식기 세척기.
제3항에 있어서,
상기 AI 지원부는
AI 개입이 요구되는 분석 항목을 판단하고, 상기 AI 개입이 요구되는 분석 항목에 대한 AI 분석용 데이터를 상기 서버로 전송하는 것을 특징으로 하는 식기 세척기.
제 4항에 있어서,
상기 AI 지원부는
식기 세척기의 세척 상황에 대응하여 가장 적합한 세척 모드를 산출하기 위해 서버에 AI 연산 및 AI 연산의 결과값을 요청하는 적합 세척모드 설정 지원부; 및
식기 세척기에 발생한 고장 증상을 진단하고 해결하기 위해 서버에 AI 연산 및 AI 연산의 결과값을 요청하는 고장 진단 지원부;를 포함하는 것을 특징으로 하는 식기 세척기.
제 1항에 있어서,
상기 센서부는
세척물의 수량, 세척물의 종류 및 세척물의 오염도를 판단하기 위해, 세척조에 투입되는 세척물의 이미지 정보를 센싱하는 이미지 센서와, 세척수의 온도를 평가하기 위한 온도센서 및 세척수의 탁도를 평가하기 위한 탁도 센서를 포함하는 것을 특징으로 하는 식기 세척기
삭제
제 1항에 있어서
상기 데이터 분류부는
상기 2차 분류 동작 이전에, 세척물 이미지로부터 세척물의 종류 정보를 산출하고, 세척물의 무게 데이터 및 세척조에 투하된 세척물 이미지로부터 세척물의 수량 정보를 산출하며, 탁도 센서에 의해 센싱된 세척수의 탁도 및 세척수 이미지로부터 세척수의 오염도를 산출하는 전처리 동작을 수행하는 것을 특징으로 하는 식기 세척기.