洗衣机控制方法、装置和洗衣机制造方法及图纸

提供了一种洗衣机控制方法、装置和洗衣机，该方法包括：S1：以洗衣机的电机目标转速、衣物称重结果和电机升频速率为输入层，以洗衣机的载波比为输出层来构建BP神经网络模型；S2：对BP神经网络进行初始化，并通过学习模式进行学习；S3：在学习模式结束后，获取通过BP神经网络模型计算得到的载波比，当所得到的载波比满足预设阈值时，采用该载波比来控制洗衣机的电机。本发明专利技术的方案能够有效降低功率器件的损耗，并同时能够保证开关器件的安全。并同时能够保证开关器件的安全。并同时能够保证开关器件的安全。

【技术实现步骤摘要】
洗衣机控制方法、装置和洗衣机


[0001]本专利技术涉及自动控制领域，更具体地涉及一种洗衣机控制方法、装置和洗衣机。

技术介绍

[0002]随着洗衣机技术的逐渐成熟，洗衣机变频器方案正朝着低损耗、低成本的方向发展。为了追求较高的洗净比与更高效的洗涤方式，控制技术员在设计洗涤节拍上会要求较高的洗涤转速和升频速率；然而电机高频运转时载波比恒定会导致控制系统损耗增加，电流谐波增大，并且长时间使用过高的频率会导致I PM等功率器件发热严重，同时加大元器件损耗，降低使用寿命。针对上述问题，目前还没有较好的解决方案。
[0003]因此，现有技术需要一种能够有效预测载波比，根据载波比来控制洗衣机的方案。
[0004]上述在背景部分公开的信息仅用于对本专利技术的背景做进一步的理解，因此它可以包含对于本领域普通技术人员已知的不构成现有技术的信息。

技术实现思路

[0005]本专利技术涉及一种洗衣机控制方法、装置和洗衣机。根据本专利技术提出的洗衣机控制方案，通过BP神经网络的输出结果来调节电机的载波比，有效降低功率器件的损耗；另外根据不同的升频速率和目标频率以及称重结果来构成BP神经网络的输入层的输入来实现实时控制效果。
[0006]本专利技术的第一方面提供了一种洗衣机控制方法，其特征在于，所述方法包括：以洗衣机的电机目标转速、衣物称重结果和电机升频速率为输入层，以洗衣机的载波比为输出层来构建BP神经网络模型；对BP神经网络进行初始化，并通过学习模式进行学习；在学习模式结束后，获取通过BP神经网络模型计算得到的载波比，当所得到的载波比满足预设阈值时，采用该载波比来控制洗衣机的电机。
[0007]根据本专利技术的一个实施例，其特征在于，其中所述BP神经网络模型包括依次连接的输入层、一个隐含层和输出层。根据本专利技术的一个实施例，其中所述输入层的神经元个数为3，隐含层的神经元个数为4，输出层的神经元个数为1，在所述BP神经网络进行正向传播时，所述BP神经网络模型的输入通过激活函数转换为输出，该输出作为下一层的输入；在所述BP神经网络模型的反向传播时，利用梯度下降法修正每个神经元的权值与阈值，利用最小二乘法表示输出的均方误差，通过均方误差对输入层与隐含层之间的12个权值、隐含层与输出层之间的3个权值,隐含层4个神经元的阈值与输出层1个神经元的阈值进行调整；其中，所述BP神经网络模型设定迭代终止条件，当训练误差满足迭代终止条件时，BP神经网络学习结束。
[0008]根据本专利技术的一个实施例，所述学习模式包括：计算BP神经网络模型隐含层和输出层单元的输出；调整所述隐含层到输出层单元的连接权值和输出层的阈值；调整所述输入层到隐含层的连接权值和隐含层的阈值；根据所述调整结果来对学习模式进行更新。
[0009]根据本专利技术的一个实施例，其中所述输出层神经元的阈值和所述隐含层神经元阈
值与洗衣机开关频率和开关损耗相关。
[0010]根据本专利技术的一个实施例，其中，在所述BP神经网络模型的学习模式中，当输入层电机升频速率、目标频率和称重结果的按增加的方式调整时，输出层载波比的阈值调整按照减小的方式调整。
[0011]根据本专利技术的一个实施例，其中，根据洗衣机中开关损耗可接受的上限值和开关频率确定所述预设阈值。
[0012]根据本专利技术的一个实施例，其特征在于，其中所述BP神经网络模型各层之间的激活函数为S型对数函数tans i g。
[0013]根据本专利技术的一个实施例，其中，在所述S3中，当获取通过BP神经网络模型计算得到的载波比时，将载波比进行标幺化处理，以便所述预设阈值和标标幺化处理后的载波比进行比较。
[0014]根据本专利技术的一个实施例，其中，在所述BP神经网络模型进行正向传播时，执行的操作为：(1)通过加权求和的方法将输入层的每个神经元与隐含层的每个神经元进行计算；(2)利用隐含层对输出层的神经元进行计算；(3)通过输出值计算出误差，开始反向传播。
[0015]根据本专利技术的一个实施例，在BP神经网络模型进行反向传播时，执行的操作为：(1)利用正向传播的输出结果计算误差的偏导数；(2)利用偏导数和隐含层进行加权求和，直到输入层最后利用每个神经元的偏导数来更新权值；
[0016]根据本专利技术的一个实施例，使用残差(error term)来表示所述误差的偏导数，在所述BP神经网络模型中，学习率为权值每次更新的幅度。
[0017]根据本专利技术的一个实施例，对于残差的计算公式为：在输出层到隐含层时：残差＝
‑
(输出值
‑
样本值)
×
激活函数的导数；在隐含层到隐含层时：残差＝(右层每个神经元的残差加权求和)
×
激活函数的导数；根据本专利技术的一个或多个实施例，BP神经网络的权值更新公式为：在输入层到隐含层：权重增加＝输入值
×
右层对应神经元的残差
×
学习率；在隐含层到输出层：权重增加＝当前神经元的激活函数
×
右层对应神经元的残差
×
学习率；其中所述右层为BP神经网络模型向右传播时当前层的右层。
[0018]根据本专利技术的一个实施例，对所述BP神经网络模型的全部数据都反复进行正向传播和反向传播的计算操作，直到输出的误差达到预设的阈值为止，其中所述预设的阈值可以为一个很小的值。
[0019]根据本专利技术的一个实施例，其中，在所述学习模式中，当BP神经网络收敛时记录迭代次数，所述迭代次数为BP神经网络不陷入局部最优的迭代次数。
[0020]根据本专利技术的一个实施例，所述BP神经网络模型训练权值时以最小化损失作为目标，并且在训练权值时，寻找收敛至误差梯度为零的点，并且在计算梯度时加入随机的因素来确定有即使陷入局部极小值点而梯度不为零的时刻，从而跳出该局部极小值点以继续进行搜索。
[0021]本专利技术的第二方面提供了一种洗衣机控制装置，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现根据上述的洗衣机控制方法。
[0022]本专利技术的第三方面提供了一种洗衣机，其特征在于，其使用根据上述的洗衣机控制方法，或包括根据上述的洗衣机控制装置。
[0023]本专利技术提供了一种通过电机升频速率和目标频率以及称重结果构造为BP神经网络的输出层的输入来实现自适应载波比调节，能够有效降低功率器件的损耗的方法。针对一些比较特殊材质的衣物例如羊毛，设计员在设计洗涤节拍的时候为了保护衣物就会有一些特殊的设计，比如会设计低转速高升频速率，针对这些特殊的升频速率和目标频率以及称重结果来动态调节载波比以满足功能需求的同时保证开关器件的安全。
附图说明
[0024]为了更清楚地说明本专利技术的技术方案，下面将对实施例描述中所需要使用的附图进行简单为，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
...

【技术保护点】

【技术特征摘要】
1.一种洗衣机控制方法，其特征在于，所述方法包括：以洗衣机的电机目标转速、衣物称重结果和电机升频速率为输入层，以洗衣机的载波比为输出层来构建BP神经网络模型；对BP神经网络进行初始化，并通过学习模式进行学习；在学习模式结束后，获取通过BP神经网络模型计算得到的载波比，当所得到的载波比满足预设阈值时，采用该载波比来控制洗衣机的电机。2.根据权利要求1所述的方法，其特征在于，其中所述BP神经网络模型包括依次连接的输入层、一个隐含层和输出层。3.根据权利要求2所述的方法，其特征在于：其中，所述学习模式包括：在所述BP神经网络模型进行正向传播时，执行的操作为：通过加权求和的方法将输入层的每个神经元与隐含层的每个神经元进行计算；利用隐含层对输出层的神经元进行计算；通过输出值计算出误差，并开始反向传播；在所述BP神经网络模型进行反向传播时，执行的操作为：利用正向传播的输出结果计算误差的偏导数；利用偏导数和隐含层进行加权求和，直到输入层最后利用每个神经元的偏导数来更新权值；对所述BP神经网络模型的全部数据都反复进行正向传播和反向传播的计算操作，直到输出的误差达到预设的阈值条件为止。4.根据权利要求3所述的方法，其特征在于，其中使用残差来表示所述误差的偏导数，在所述BP神经网络模型中，使用学习率表示权值每次更新的幅度；其中，对于BP神经网络模型所述残差的计算公式为：在输出层到隐含层时：残差＝
‑
(输出值
‑
样本值)
×
激活函数的ZLJS20229539
‑
ZLSQ20228708导数；在隐含层到隐含层时：残差＝(右层每个神经元的残差加权求和)
×
激活函数的导数；所述BP神经网络模型的权值更新公式为：在输入层到隐含层：权重增加＝输入值
×
右层对应神经元的残差...

【专利技术属性】
技术研发人员：赵梓晨，李俊伟，王凯，杨宇生，
申请(专利权)人：珠海格力电器股份有限公司，
类型：发明
国别省市：