一种洗衣机控制方法及装置和洗衣机

技术领域

本发明涉及自动控制领域，更具体地涉及一种洗衣机的控制方法和装置、一种用于控制洗衣机洗涤筒运动的神经网络训练方法、一种用于控制洗衣机洗涤筒运动的神经网络再学习的方法，一种洗衣机以及一种非暂时性计算机可读介质。

背景技术

随着科技水平的提高，智能洗衣机越来越普遍地得到应用，其为人们的生活提供了很大方便。洗衣机脱水时洗衣机洗涤筒内筒需高速运转，加/减速过程中桶内衣物分布不均匀，导致洗涤筒内筒受到的离心力忽大忽小，产生振动。随着振动频率升高，内/外筒振幅加大，容易发生撞筒现象，洗衣噪音大且存在安全隐患，影响用户体验。

目前洗衣机的减振方案多数采用减振结构或安装减振装置，增加了洗衣机结构复杂性，多数是通过结构被动减振，不利于主动控制；部分专利采用图像识别的方法检测衣物分布，图像处理复杂，不利于动态检测。现有专利US21200390389A1提出一种洗衣机动态不平衡检测方法，专利DE102120229223A1提出通过电机转速控制洗衣机振动的方法，现有技术需要一种能够有效控制洗衣机振动减小的技术。

在通过神经网络学习改变转速控制振动的基础上，增加了空气弹簧和制动减速装置作为辅助。

上述在背景部分公开的信息仅用于对本发明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。

发明内容

本发明旨在解决上述现有技术中的相关问题。本发明一方面提供了一种洗衣机的控制方法和装置，另一方面提供了一种用于控制洗衣机洗涤筒运动的神经网络训练方法，另一方面提供了一种用于控制洗衣机洗涤筒运动的神经网络再学习的方法，一种洗衣机以及还提供了以及一种非暂时性计算机可读介质。通过本发明提供的方案，可以有效解决洗衣机加速/减速/高速运行的过程中，内外筒振动强烈，洗衣噪音大且存在安全隐患的问题；通过本发明的方案可以有效解决现有技术中减振结构和减振装置不利于主动控制，只能被动减振的问题；通过本发明的方案可以有效解决现有技术中图像检测方法复杂，不适用于动态检测，且没有考虑安装环境和机器磨损对振动的影响的问题；通过本发明的方案可以有效解决仅通过控制电机转速减小振动，形式单一，电机控制要求高的问题；本发明的方案在通过神经网络学习改变转速控制振动的基础上，增加了空气弹簧和制动减速装置作为辅助，能够对洗衣机进行实时调节，使洗衣机运行平稳。

本发明的第一方面提供一种洗衣机控制装置，包括：神经网络学习模块，将和所述洗衣内部运动相关的检测数据输入神经网络进行学习，并输出学习后的数据；神经网络控制模块，判断所述学习后的数据是否满足洗衣机运动的控制要求，以及神经网络学习模块是否停止学习，并将所述根据学习后的数据用于控制所述洗衣机的内部运动。

根据本发明的一个实施例，还包括：存储器，存储所述检测数据、所述神经网络自学习生成的数据和神经网络控制模块输出的数据，以在控制所述洗衣机时使用。

根据本发明的一个实施例，其中所述神经网络学习模块包括第一神经网络和第二神经网络，其中所述第一神经网络适用于洗衣机的洗涤筒以固定转速运行情形下的学习，所述第二神经网络适用于洗衣机的洗涤筒以可变转速运行的情形下的学习。

根据本发明的一个实施例，其中，所述第一神经网络和第二神经网络输入的数据为洗涤筒的x轴向位移、y轴向位移、z轴向位移和弹性部件对洗涤筒的拉力数据，所述第一神经网络的输出为洗衣机中所述弹性部件工作状态相关的数据；所述第二神经网络的输出为洗衣机中与电机转速、电机加速度、弹性部件工作状态和制动摩擦力相关的数据。

根据本发明的一个实施例，所述第一神经网络包括顺序相连的输入层、高斯层、隐藏层和输出层，其中，所述输入层包括4个输入单元，分别输入洗涤筒的x轴向位移、y轴向位移、z轴向位移和对洗涤筒的拉力；所述高斯层包括4个高斯单元，每个高斯单元中的高斯函数根据输入和输出的相关性进行自我调整，并对所述各个输入单元赋权重值；所述隐藏层根据输入单元中的数据量决定该隐藏层的深度，隐藏层的每层包括多个节点，每个节点的输入是前一层节点输出后的权重值；输出层包括1个输出单元，所述输出单元将数据经过所述隐藏层的最后一个节点后乘以权重值后输出所述弹性部件工作状态相关的数据。

根据本发明的一个实施例，所述第二神经网络包括顺序相连的输入层、高斯层、隐藏层和输出层，其中，所述输入层包括4个输入单元，分别输入洗涤筒的x轴向位移、y轴向位移、z轴向位移和对洗涤筒的拉力；所述高斯层包括4个高斯单元，每个高斯单元中的高斯函数根据输入和输出的相关性进行自我调整，并对所述各个输入单元赋权重值；所述隐藏层根据输入单元中的数据量决定隐藏层的深度，隐藏层的每层包括多个节点，每个节点的输入是前一层节点输出后的权重值；输出层包括4个输出单元，所述每个输出单元将数据经过所述隐藏层的最后一个节点后乘以权重值，分别输出洗衣机中与电机转速、电机加速度、弹性部件工作状态和制动摩擦力相关的数据。

根据本发明的一个实施例，其中，还包括：位移检测模块，用于检测洗衣机洗涤筒的振动位移，并将所述振动位移的物理量转换为电信号；弹力检测模块，用于检测洗衣机中弹簧对洗涤筒的拉力大小及方向，并将所述拉力大小和方向转换为电信号；其中，所述洗衣机内部运动相关的检测数据包括与所述位移检测模块和所述弹力检测模块输出的电信号相关的数据。

根据本发明的一个实施例，还包括：电机驱动模块，根据所述神经网络控制模块输出的数据调整洗衣机电机的转速和加速度；阀控制模块，根据所述神经网络控制模块输出的数据控制洗衣机的所述弹性部件的工作状态；制动输出模块，根据所述神经网络控制模块输出的数据控制洗涤筒的转速。

根据本发明的一个实施例，所述弹性部件为和洗涤桶连接的空气弹簧减震装置，所述空气弹簧减震装置中包括空气弹簧气囊、活塞、密封端板和橡胶止档、电磁阀和稳压气源室，其中，所述阀控制模块根据所述神经网络控制模块输出的数据控制所述电磁阀的关断，从而控制所述空气弹簧气囊的状态。

本发明的第二方面提供一种洗衣机控制方法，包括：将和所述洗衣内部运动相关的检测数据输入神经网络进行学习，并输出学习后的数据；判断所述学习后的数据是否满足洗衣机运动的控制要求，以及神经网络学习模块是否停止学习，并将所述根据学习后的数据用于控制所述洗衣机的内部运动。

根据本发明的一个实施例，存储所述检测数据、所述神经网络自学习生成的数据和神经网络输出的数据，以在控制所述洗衣机时使用。

根据本发明的一个实施例，其中所述神经网络包括第一神经网络和第二神经网络，其中所述第一神经网络适用于洗衣机的洗涤筒以固定转速运行情形下的学习，所述第二神经网络适用于洗衣机的洗涤筒以可变转速运行的情形下的学习。

根据本发明的一个实施例，检测洗衣机洗涤筒的振动位移，并将所述振动位移的物理量转换为电信号；检测洗衣机中弹簧对洗涤筒的拉力大小及方向，并将所述拉力大小和方向转换为电信号；其中，所述和所述洗衣内部运动相关的检测数据包括与所述位移检测模块和所述弹力检测模块输出的电信号相关的数据。

根据本发明的一个实施例，根据所述神经网络输出的数据调整洗衣机电机的转速和加速度；根据所述神经网络输出的数据控制洗衣机的所述弹性部件的工作状态；以及根据所述神经网络输出的数据控制控制洗衣机的洗涤筒的转速。

本发明的第三方面提供一种用于控制洗衣机洗涤筒运动的神经网络训练方法包括：当洗衣机启动后，运行到需要加速、减速或高速运转的流程时，检测洗涤筒的位移数据和连接洗涤筒的弹簧拉力数据；将所述检测到的数据存储到存储器中；判断洗衣机当前流程是否需要固定转速运行；如果需要固定转速运行，则采用第一神经网络进行学习，输出所述弹性部件工作状态相关的数据；如果不需要固定转速运行，则采用第二神经网络进行学习，分别输出洗衣机中与电机转速、电机加速度、弹性部件工作状态和制动摩擦力相关的数据；将第一神经网络和第二神经网络输出的数据和预设的数据进行比对，形成深度神经网络结构的权重和偏差，经存储后以供下次神经网络学习使用。

本发明的第四方面提供一种用于控制洗衣机洗涤筒运动的神经网络再学习的方法，包括：获取洗衣机控制装置中控制洗衣机的内部运动的预装的神经网络，所述预装的神经网络中的控制模块用于减小洗衣机振动的控制精度；根据洗衣机的运行状况，根据所述预装的神经网络定期检测洗衣机振动的控制精度；判断所述预装的神经网络中的控制模块中的控制参数是否满足洗衣机预设的控制要求；如果不满足预设的控制要求，则停用预装的神经网络中的控制模块，启动控预装的神经网络中的学习模块在洗衣机运行过程中进行二次学习，并且实时判断是否满足预设的控制要求，如果满足预设的控制要求，停止洗衣机控制装置中神经网络中的学习模块的学习，将所述神经网络中的学习模块中生成的控制参数应用到神经网络中的控制模块，并采用神经网络中的控制模块进行洗衣机洗涤筒的控制。

本发明的第五方面提供一种非暂时性计算机可读存储介质，其上存储有程序指令，当所述程序指令被一个或多个处理器执行时，所述一个或多个处理器用于实现根据本发明第二方面至第四方面所述的方法。

本发明的第六方面提供一种洗衣机，包括本发明第一方面的控制装置、采用本发明第二方面至第四方面的方法，或具有本发明第五方面的非暂时性计算机可读存储介质。

本发明的有益效果为：

(1)本发明的方案采用控制与结构相结合的方式，洗衣机加速/减速/高速运行过程中，对洗衣机洗涤桶的内/外筒产生的振动进行控制，采用可通过电控实现控制的减振装置，根据外界工况通过算法对系统进行实时调节，使洗衣机运行平稳；

(2)本发明针对实际应用中洗衣机洗涤筒内/外筒振动情况复杂，很难提取参数分析振动曲线、振动规律和噪音源，利用RBF神经网络来逼近振动的不确定性，通过抑制振动位移分量的大小和弹性部件拉力差值△F来优化神经网络的控制策略，再利用学习后的神经网络按期望值控制内/外筒的运动，达到抑制振动减小噪音的效果；

(3)本发明的方案在控制模块内置两种神经网络，分别应用于定转速和变转速的情况，当运行到必须定转速的流程时，第一神经网络仅输出弹簧气囊状态，通过充气/放气改变弹簧刚度减缓负载对筒的冲击，保持筒平衡，其他高转速流程或变速阶段均用第二神经网络进行控制，既满足运行转速的要求，又能快速使系统达到动态平衡；

(4)本发明提供的洗衣机控制模块预装实验的最佳神经网络，洗衣机实际使用后，可能由于用户投放习惯、安装环境和洗衣机部件磨损等原因导致控制精度下降，控制器定期检测神经网络的控制精度，不满足要求时，将开启神经网络再学习阶段，使控制与实际使用更适配。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图进行简单介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。

图1是根据本发明的一个示例性实施例的洗衣机的内部结构示意图。

图2是根据本发明的一个示例性的实施例的洗涤筒的受力分析图，在图中仅标出对产生振动影响大的力。

图3是根据本发明的一个示例性的实施例的检测洗涤筒振动位移的坐标系示意图。

图4是根据本发明的一个示例性的实施例的空气弹簧充/放气示意图。

图5是根据本发明的一个示例性的实施例的洗衣机结构侧视局部剖面图。

图6是根据本发明的一个示例性的实施例的控制装置主要部件之间的控制关系图。

图7是根据本发明的一个示例性的实施例的第一神经网络的示意图。

图8是根据本发明的一个示例性的实施例的第二神经网络的示意图

图9是根据本发明的一个示例性的实施例的神经网络实验室训练流程图。

图10是根据本发明的一个示例性的实施例的神经网络适配用户再学习流程图。

本发明附图中相关部件的编号和名称为：

1、外筒；2、内筒；3、顶盖；4、侧面板；5、前面板；6、底座；7、弹簧；8、阻尼器；9、电机；10、皮带；11、气囊；12、三位三通电磁阀；13、稳压源气室；14、制动装置；15、制动槽；16、内筒的皮带轮轮毂；17、位移检测模块；18、弹力检测模块；19、控制模块；20、神经网络学习模块；21、神经网络控制模块；22、存储器；23、通信模块；24、电机；25、电机驱动模块；26、阀控制模块；27、制动输出模块。

具体实施例

如在本文中所使用的，词语“第一”、“第二”等可以用于描述本发明的示例性实施例中的元件。这些词语只用于区分一个元件与另一元件，并且对应元件的固有特征或顺序等不受该词语的限制。除非另有定义，本文中使用的所有术语(包括技术或科学术语)具有与本发明所属技术领域的普通技术人员通常理解的含意相同的含意。如在常用词典中定义的那些术语被解释为具有与相关技术领域中的上下文含意相同的含意，而不被解释为具有理想或过于正式的含意，除非在本发明中被明确定义为具有这样的含意。

本领域的技术人员将理解的是，本文中描述的且在附图中说明的本发明的装置和方法是非限制性的示例性实施例，并且本发明的范围仅由权利要求书限定。结合一个示例性实施例所说明或描述的特征可与其他实施例的特征组合。这种修改和变化包括在本发明的范围内。

下文中，将参考附图详细描述本发明的示例性实施例。在附图中，省略相关已知功能或配置的详细描述，以避免不必要地遮蔽本发明的技术要点。另外，通篇描述中，相同的附图标记始终指代相同的电路、模块或单元，并且为了简洁，省略对相同电路、模块或单元的重复描述。

此外，应当理解一个或多个以下方法或其方面可以通过至少一个控制单元或控制器执行。术语“控制单元”，“控制器”,“控制模块”或者“主控模块”可以指代包括存储器和处理器的硬件设备，术语“洗衣机”可以指代类似于洗衣机的设备。“弹性部件”可以为弹簧类似的部件。存储器或者计算机可读存储介质配置成存储程序指令，而处理器具体配置成执行程序指令以执行将在以下进一步描述的一个或更多进程。而且，应当理解，正如本领域普通技术人员将意识到的，以下方法可以通过包括处理器并结合一个或多个其他部件来执行。

图1是根据本发明的一个示例性实施例的洗衣机的内部结构示意图，如图1所示，仅标注对振动影响大的零部件，主要结构包括：洗涤桶外筒1，安装电机，通过一对弹簧7(可以为任何的弹性部件)和阻尼器8与洗衣机外壳连接；洗涤筒内筒2，主要洗衣的部件，前端通过外筒1支撑，后端有轮毂16通过皮带10与电机9相连；顶盖3，洗衣机外壳组件之一；侧面板4，外壳组件之一，通过弹簧7连接外筒1；前面板5，其具有用于装载和卸载衣物的开口，与洗衣机内筒2前端联接；底座6，通过一对阻尼器8连接外筒1；弹簧7，用于减缓外筒1振动，包括空气弹簧气囊11、活塞、密封端板和橡胶止档及电磁阀12和稳压源气室13；阻尼器8，用于减缓外筒1振动，与洗衣机底座6铰接；电机9，通过皮带10带动内筒旋转；皮带10，连接电机9和内筒2，传递动力。

在洗衣机加速/减速/高速运行过程中，电机9带动外筒1振动，通过皮带10带动内筒2旋转。加速初始阶段/减速至低速阶段桶内的衣物在内筒2的内壁分布不均，导致离心力大小方向都不确定，内筒2受力分析如图2所示。内筒2受力不平衡，产生振动，由于内筒2前后两端都连接外筒1，因此带动外筒1振动，振动冲击弹簧7和阻尼器8，外筒1和内筒2受到弹簧7和阻尼器8的拉力/弹力和阻尼力作用，受力趋于平衡，振幅减小。

图2是根据本发明的一个示例性的实施例的洗涤筒的受力分析图，在图2中仅标出对产生振动影响大的力。如图2所示，洗涤筒在运行过程中受力情况复杂，负载实时变化，仅对洗衣机影响大的力作受力分析，包括弹簧对筒的拉力、阻尼器对筒的支持力、筒自身重力、内筒旋转时与外筒的摩擦力和衣物附着内筒筒壁旋转时产生的离心力，假定外筒顺时钟旋转，受力方向如图2所示。对洗涤筒进行受力分析，从而确定本发明实施例所述减振系统的检测量和控制对象。

图3是根据本发明的一个示例性的实施例的检测洗涤筒振动位移的坐标系示意图。如图3所示，以洗涤筒内筒2的旋转轴中心为原点O，旋转轴作为x轴，垂直方向为z轴，垂直于xOz面且过O点作y轴，位移检测模块17分别采集x、y、z轴向的振动位移，通过通信模块23将数据传输到存储器22保存，作为神经网络的输入层数据。

图4是根据本发明的一个示例性的实施例的空气弹簧充/放气示意图。空气弹簧也可以为现有技术中的其它可控制的弹性部件。如图4所示，空气弹簧由气囊11、活塞、密封端板和橡胶止档构成，实现充气/放气过程需要增加三位三通电磁阀12和稳压源气室13。当负载增加或变速旋转时，洗衣机振幅增大，弹簧需要的刚度增大，进气电磁阀口打开，由稳压源气室向气囊充气，使活塞回到最初的位置，进气电磁阀口关闭；当负载减小或变速旋转时，洗衣机振幅减小，此时腔内压力变大，需要的刚度减小，电磁阀放气口打开，气体流回大气中，使活塞回到最初的位置，电磁阀关闭；当负载较小时，洗衣机振幅小，为了延长气囊11寿命，电磁阀关闭。通过改变电磁阀的通断方向及通断时间，使空气弹簧的刚度可调，神经网络的阀控制模块26控制电磁阀的通断，完成了弹簧刚度根据工况实时调节特性。

图5是根据本发明的一个示例性的实施例的洗衣机结构侧视局部剖面图。如图5所示，图5中的制动装置14，由制动杆、制动带和制动槽15组成，用于洗涤内筒辅助降速。制动装置14由制动输出模块27控制，在洗衣机高转速减速的过程中，制动杆按压制动带，通过改变制动杆的按压程度来控制制动带与制动槽15产生的摩擦力，达到使内筒平缓减速，减小振动的目的。

图6是根据本发明的一个示例性的实施例的控制装置主要部件之间的控制关系图。如图6所示，包括：用于控制洗衣机整体操作的控制模块19，整体控制模块19中包括了神经网络学习模块20，用于精确减振的神经网络控制模块21。存储器22通信模块23将检测模块17、18的输出信号传入控制模块，经过神经网络学习后，输出控制模块的控制信号作为驱动模块25、26、27的输入信号，位移检测模块17用于检测图3所述的筒的振动位移，并将物理量转换为电信号，弹力检测模块18用于检测弹簧7对筒的拉力大小及方向并转换为电信号，电机24，电机驱动模块25，阀控制模块26，制动输出模块27。控制模块19控制洗衣机洗涤、漂洗、脱水、烘干的洗涤流程，内置有一个神经网络控制模块21，一个神经网络学习模块20，用于控制电机驱动模块25、阀控制模块26和制动输出模块27，其中制动输出模块27用于控制控制洗涤筒的转速。

存储器22存放位移检测模块17和弹力检测模块18采集的数据，定时采样筒在x轴向、y轴向、z轴向相对于原点O的振动位移大小组成的三组位移数据，同时采样弹簧7对筒的拉力大小及方向作为另一组数据，将四组数据作为神经网络模块的输入层，分别对应四个输入单元；且储存神经网络学习模块20自学习的控制参数，提供神经网络控制模块21使用；储存神经网络控制模块21的输出层数据，分别输出给电机驱动模块25调整电机24的转速和加速度；阀控制模块26控制电磁阀12的通断，即控制空气弹簧气囊11的工作状态，改变弹簧7对筒的作用力；制动输出模块27的制动力大小，控制内筒2根据振动情况平稳减速。

神经网络学习模块20包括两个神经网络，第一神经网络(神经网络1)如图7所示，包括4个输入单元，高斯层，隐藏层和1个输出单元，图7为本发明实施例的神经网络1示意图，输入层包括4个输入单元，分别为筒的x轴向位移、y轴向位移、z轴向位移和弹簧7对筒的拉力，对应储存器22采集的四组数据；高斯层包括4个高斯单元，每个高斯单元的高斯函数根据输入与输出的相关性进行自我调整，相当于给输入单元赋权值；隐藏层为神经网络内部机制，根据数据量决定隐藏层深度；输出层只有一个输出单元，空气弹簧气囊工作状态S，信号传入阀控制模块26，改变气囊状态和S弹簧刚度k，减缓工作时筒的振动。

神经网络2如图8所示，图8是本发明实施例的第二神经网络(神经网络2)的示意图。神经网络2的工作机理与神经网络1相似，与神经网络1不同处是：神经网络1用于筒以固定转速运行，无需控制电机转速ω、电机加速度α和制动摩擦力Ff，只输出空气弹簧气囊状态S；神经网络2应用于筒以变转速和高速运行的情况，神经网络输出电机转速ω，电机加速度α，空气弹簧气囊状态S和制动摩擦力Ff的信号，通过调整转速和弹簧刚度k减缓振动。

神经网络控制模块21即神经网络学习模块20停止学习，根据神经网络学习模块20完成学习后记忆在存储器22的数据库进行筒的减振控制，不同工况下的振动经过神经网络控制模块21后可以实现自我调节，神经网络控制模块21判断所述学习后的数据是否满足洗衣机运动的控制要求，以及神经网络学习模块是否停止学习，并将所述根据学习后的数据用于控制所述洗衣机的内部运动。

本发明的方案可采用深度学习的神经网络，深度学习是一种基于人工神经网络(ANN)用于构建人工智能的教导计算机人的思维的方案，是一种允许计算机像人一样自学，而不需要人教导的人工智能技术。本发明实施例由于洗涤工况复杂，洗涤筒的振动轨迹难以分析预测，采用人工神经网络进行自学习控制，并以软件形式实施。本发明实施例采用RBF神经网络控制，特点是输入数据集与训练数据集越接近，控制越精准。在大数据支持下，本发明实施例可以实现优良的减振效果。

图9是根据本发明的一个示例性的实施例的神经网络实验室训练流程图。如图9所示，

在S01处，洗衣机启动后，当运行到需要加速/减速/高速运转的流程时，外筒1和内筒2振动；

在S02处，速度/加速度传感器按图3的方向检测洗涤筒(将外筒1和内筒2看作一体)的位移，采集到位移检测模块17；

在S03处，力传感器按弹簧7的轴线方向检测弹力大小及方向，采集到弹力检测模块18；

在S04处，检测模块通过通信模块23将数据传入存储器22保存；

在S05处，控制模块19首先判断洗衣机当前流程是否需要固定转速运行；

在S06处，如果是固定转速，则选择神经网络1学习；

在S07处，神经网络1输出弹簧7的气囊状态S；

在S08处，如果是非固定转速(或可变转速)，则选择神经网络2学习；

在S09处，神经网络2输出电机转速ω、电机加速度α、空气弹簧气囊状态S和制动装置的制动力Ff。需要实现的控制目标为减小内筒2和外筒1的振动，下面叙述神经网络的学习过程：

控制模块19将采集数据作为神经网络的输入层，每一个输入单元都需要加上权重经过四路高斯节点进行调整，高斯层权重放大每个输入单元自身特性，再进入隐藏层(隐藏层的层数可以为3，多个隐藏层为深度学习网络)进行学习，隐藏层每层包含多个节点，每个节点的输入是前一层节点的输出权重后的值，权重表示节点之间的链接强度。深度学习的过程就是找到适当的权重值。数据经过隐藏层的最后一个节点后乘以权重，即为神经网络的输出值。将输出值传输给各输出模块后，即调整转速和加速度，电流，制动力后，采集筒此刻的振动位移和弹簧7弹力值，与设定的振动量和弹力值比对，构成深度神经网络(DNN)结构的权重和偏差，并储存在存储器22中，提供给下次神经网络学习使用。

其中神经网络1包括顺序相连的输入层、高斯层、隐藏层和输出层，其中，所述输入层包括4个输入单元，分别输入洗涤筒的x轴向位移、y轴向位移、z轴向位移和对洗涤筒的拉力；所述高斯层包括4个高斯单元，每个高斯单元中的高斯函数根据输入和输出的相关性进行自我调整，并对所述各个输入单元赋权重值；所述隐藏层根据输入单元中的数据量决定该隐藏层的深度，隐藏层每层包括多个节点，每个节点的输入是前一层节点输出后的权重值；输出层包括1个输出单元，所述输出单元将数据经过所述隐藏层的最后一个节点后乘以权重值后输出所述弹性部件(弹簧或空气弹簧气囊)工作状态相关的数据。

神经网络2包括顺序相连的输入层、高斯层、隐藏层和输出层，其中，所述输入层包括4个输入单元，分别输入洗涤筒的x轴向位移、y轴向位移、z轴向位移和对洗涤筒的拉力；所述高斯层包括4个高斯单元，每个高斯单元中的高斯函数根据输入和输出的相关性进行自我调整，并对所述各个输入单元赋权重值；所述隐藏层根据输入单元中的数据量决定隐藏层的深度，隐藏层每层包括多个节点，每个节点的输入是前一层节点输出后的权重值；输出层包括4个输出单元，所述每个输出单元将数据经过所述隐藏层的最后一个节点后乘以权重值，分别输出洗衣机中与电机转速、电机加速度、弹性部件(弹簧或空气弹簧气囊)工作状态和制动摩擦力相关的数据

经过大量学习并不断自我修正深度神经网络(DNN)结构后，将该神经网络学习模块20复刻为神经网络控制模块21，采用神经网络控制模块21作减振控制。可以用实验室大量学习得出的神经网络结构用于神经网络控制模块21作减振控制，也可进行神经网络再学习。

图10是根据本发明的一个示例性的实施例的神经网络适配用户再学习流程图，在洗衣机的控制装置中包含预装的神经网络，在该预装的神经网络中包含有控制模块和自学习模块，所述预装的神经网络中的控制模块用于减小洗衣机振动的控制精度，自学习模块用于在洗衣机运行时进行神经网络自学习。如图10所示，洗衣机在用户使用地点安装后，由于用户的投放习惯，安装环境，洗衣机消耗程度不同，实验室大量学习得出的神经网络结构可能由于测试数据不足而不能适配用户的部分使用习惯。

在步骤S10处，控制模块19预装的神经网络，也可以为预装的实验的最佳神经网络，

在步骤S11处，定期检测所述预装的神经网络的运行精度，

在S12处，实时判断所述预装神经网络中的运行参数是否满足洗衣机预设的控制要求，

在S14处，如果满足洗衣机预设的控制要求，在本发明的一个实施例中，如果满足精度，则停用神经网络学习模块20，用神经网络控制模块21进行控制；

在S13处，如不满足控制要求，则停用神经网络控制模块21并备份在存储器22，

在S15处，启动神经网络学习模块20进行二次学习；

在S16处，直到满足洗衣机预设的控制要求(或直到得到满足预设控制精度的神经网络)，并将其应用到所述洗衣机洗涤筒的控制，也可以为直到得到满足预设控制精度的深度神经网络(DNN)结构并投入使用，同时也可读取原神经网络进行控制(图中未标出)。根据本发明的一个实施例，其中当满足预设的控制要求时，停止洗衣机控制装置中神经网络中的学习模块的学习，将所述神经网络中的学习模块中生成的控制参数应用到神经网络中的控制模块，并采用神经网络中的控制模块进行洗衣机洗涤筒的控制。

根据本发明的一个或多个实施例，控制要求的参数的判断条件为：△x≤1mm,△y≤1mm,△z≤1mm,△F＝≤5N。

根据本发明的一个或多个实施例，本发明还包括一种非暂时性计算机可读存储介质，其上存储有程序指令，当所述程序指令被一个或多个处理器执行时，所述一个或多个处理器用于实现如上所示的本发明各个实施例中的方法或流程。

根据本发明的一个或多个实施例，本发明还包括一种洗衣机，包括了本发明实施所述的控制装置，或本发明所示的方法和流程，或本发明上述的非暂时性计算机可读存储介质。

根据本发明的一个或多个实施例，本发明的中用于洗衣机制方法可以使用存储在非暂时性计算机和/或机器可读介质(例如硬盘驱动器、闪存、只读存储器、光盘、数字多功能磁盘、高速缓存、随机存取存储器和/或任何其他存储设备或存储磁盘)上的编码的指令(例如，计算机和/或机器可读指令)来实现如本发明以上所述控制方法的处理，在非暂时性计算机和/或机器可读介质中存储任何时间期间(例如，延长的时间段、永久的、短暂的实例、临时缓存和/或信息高速缓存)的信息。如本文所使用的，术语“非暂时性计算机可读介质”被明确定义为包括任何类型的计算机可读存储设备和/或存储盘，并且排除传播信号并排除传输介质。

根据本发明的一个或多个实施例，多桶洗衣机中的控制模块可以包含一个或多个处理器也可以在内部包含有非暂时性计算机可读介质。具体地，在本发明中洗衣机中的控制装置或系统可以为微控制器MCU，其布置在洗衣机中，用于控制洗衣机的各种操作和实施多种功能。用于实现多桶洗衣机控制功能的处理器可以诸如但不限于一个或多个单核或多核处理器。(一个或多个)处理器可包括通用处理器和专用处理器(例如，图形处理器、应用处理器等)的任何组合。处理器可与其耦接和/或可包括计存储器/存储装置，并且可被配置为执行存储在存储器/存储装置中的指令，以实现在本发明中控制器上运行的各种应用和/或操作系统。

本发明提出的智能减振控制技术，在洗衣机需要加速/减速/高速运行过程中，使用位移/加速度传感器测量洗衣机外筒在水平、竖直、前后三个方向的位移分量，使用力传感器测量弹簧拉力大小，通过数据采集模块把4个测量值传入控制模块，作为RBF神经网络的输入层。

本发明提出的方案首先通过软件判断是否需要固定转速，若转速固定，选择神经网络1进行经过动态平衡调整，神经网络1输出1个参数：空气弹簧气囊状态，振幅较小时，空气弹簧气囊既不充气也不放气，延长使用寿命；振幅由小变大，空气弹簧充气，刚度增大；振幅由大变小，空气弹簧放气，刚度减小；若转速可调，选择神经网络2进行动态平衡调整，神经网络2输出4个参数：电机转速ω、电机加速度α、空气弹簧气囊状态S和制动摩擦力Ff，制动摩擦力Ff辅助内筒减速到最佳转速，多元控制使筒在短时间内达到动态平衡的状态。

本发明方案中的神经网络需预先通过大量不同洗涤实验进行学习，通过神经网络输出端与输入端的位移分量差值和弹簧拉力差值△F判断神经网络自学习程度，神经网络满足控制要求后，即投入到实际使用，在用户使用过程中进行再学习，以适应不同的洗涤情况、安装环境和机器磨损对振动的影响。

作为本发明示例的上文涉及的附图和本发明的详细描述，用于解释本发明，但不限制权利要求中描述的本发明的含义或范围。因此，本领域技术人员可以很容易地从上面的描述中实现修改。此外，本领域技术人员可以删除一些本文描述的组成元件而不使性能劣化，或者可以添加其它的组成元件以提高性能。此外，本领域技术人员可以根据工艺或设备的环境来改变本文描述的方法的步骤的顺序。因此，本发明的范围不应该由上文描述的实施例来确定，而是由权利要求及其等同形式来确定。

尽管本发明结合目前被认为是可实现的实施例已经进行了描述，但是应当理解本发明并不限于所公开的实施例，而相反的，意在覆盖包括在所附权利要求的精神和范围内的各种修改和等同配置。