CN109288384B - 一种用于蒸汽发生器的水量预测方法及烹饪装置 - Google Patents

Abstract

本发明公开了一种用于蒸汽发生器的水量预测方法及烹饪装置，包括以下步骤：当蒸汽发生器开始加热时，控制器采集温度传感器检测到的温度数据并定义为初始温度T1；接着持续加热至温度传感器检测到蒸汽容纳部的当前温度达到预设的保护温度T2，记录第一次加热时间t₁；所述控制器提取初始温度T1、保护温度T2、第一次加热时间t₁以及预设的修正系数K，计算出水箱的剩余水量的预计可烹饪时间t₂；控制器通过比较实际可烹饪时间t₃和预计可烹饪时间t₂，学习优化修正系数K。用户可参考预计可烹饪时间t₂，设定中途加水时间，以避免烹饪过程中发生缺水、干烧的情况；通过不断优化，使预计可烹饪时间t₂更为准确。

Description

一种用于蒸汽发生器的水量预测方法及烹饪装置

技术领域

本发明涉及厨房设备领域，尤其涉及一种用于蒸汽发生器的水量预测方法及烹饪装置。

背景技术

现有的智能蒸食设备，如蒸箱、蒸烤箱、蒸烤炉，是既可以保持水分又可以保持养分的烹饪装置，越来越受到消费者的关注。蒸食设备包括内设烹饪内胆的烹饪主体，烹饪主体内部设有提供高温蒸汽至内胆内的蒸汽发生器,以及为蒸汽发生器供水的水箱，通过控制器设定烹饪模式。但现有的智能蒸食设备仅能进行缺水检测，即烹饪过程中若发生缺水则发出警报，提醒用户加水；而不能在烹饪开始时预测当前水量的可烹饪时间，无法让用户提前计划加水时间，给用户带来不便；也容易因为预测的不准确，使得用户未能及时加水。

发明内容

本发明的目的在于提出一种在烹饪开始时即可预测当前水量的可烹饪时间，且预测准确度高的用于蒸汽发生器的水量预测方法及烹饪装置。

为达此目的，本发明采用以下技术方案：

一种用于蒸汽发生器的水量预测方法，应用于设有蒸汽发生器、水箱、控制器和烹饪主体的烹饪装置，所述蒸汽发生器的蒸汽容纳部和所述水箱连通，所述蒸汽发生器的加热部用于使蒸汽容纳部产生蒸汽，蒸汽容纳部的蒸汽流向所述烹饪主体，所述水箱设有缺水检测器，所述蒸汽发生器设有用于检测蒸汽容纳部温度的温度传感器，包括以下步骤：

数据采集步骤，先往水箱加满水，然后当蒸汽发生器开始加热时，控制器采集温度传感器检测到的温度数据并定义为初始温度T1；

接着蒸汽发生器持续加热至温度传感器检测到蒸汽容纳部的当前温度达到预设的保护温度T2，此时控制器记录第一次加热时间t₁；

水量预测步骤，所述控制器提取初始温度T1、保护温度T2、第一次加热时间t₁以及预设的修正系数K，计算出水箱的剩余水量的预计可烹饪时间t₂：

t₂＝K×t₁×(T1-T2)；

预测优化步骤，若烹饪过程中所述缺水检测器向所述控制器发出缺水信号，则所述控制器记录从开始烹饪至缺水所用时间并定义为实际可烹饪时间t₃，所述控制器通过比较实际可烹饪时间t₃和预计可烹饪时间t₂，学习优化修正系数K，并将优化后的修正系数K替代当前的修正系数K。

优选地，还包括以下步骤：

烹饪模式设定步骤，烹饪前，在控制器上设置烹饪模式，所述烹饪模式的烹饪参数包括烹饪温度和烹饪时间；

模式匹配步骤，烹饪结束后，若修正系数K经过优化处理，则所述控制器将烹饪模式和优化后的修正系数K绑定存储；若修正系数K没有经过优化处理，则所述控制器将烹饪模式和当前的修正系数K绑定存储。

优选地，所述水量预测步骤中提取预设的修正系数K具体包括：

所述控制器将当前运行的烹饪模式和已存储的烹饪模式集合进行比较：

若已存储的烹饪模式集合中存在烹饪参数一致的烹饪模式，则将该烹饪模式定义为参考模式，并提取该参考模式对应的修正系数K；

若已存储的烹饪模式集合中不存在烹饪参数一致的烹饪模式，但存在所有烹饪参数的相似度均大于预设阈值的烹饪模式，则将该烹饪模式定义为参考模式，并提取该参考模式对应的修正系数K。

优选地，还包括优化次数统计步骤，当修正系数K经优化更新后，所述控制器更新当前烹饪模式的优化累计次数；

云端管理步骤，所有烹饪装置的控制器均在每次烹饪结束后，将烹饪模式、优化累计次数及对应的修正系数K发送至云端服务器进行存储；

所述水量预测步骤中提取预设的修正系数K具体还包括：

若控制器本地存储的烹饪模式集合中不存在烹饪参数一致的烹饪模式也不存在所有烹饪参数的相似度均大于预设阈值的烹饪模式，则向云端服务器发送系数提取请求；

所述云端服务器根据该控制器当前运行的烹饪模式调取对应的优化累计次数最多的修正系数K，并将该修正系数K发送给该控制器。

优选地，所述水量预测步骤还包括：所述控制器通过通信网络将所述预计可烹饪时间t₂发送给即时通讯终端；

所述预测优化步骤中，所述控制器通过比较实际可烹饪时间t₃和预计可烹饪时间t₂，学习优化修正系数K具体为：

通过实际可烹饪时间t₃、初始温度T1、保护温度T2和第一次加热时间t₁，优化修正系数K为

然后将初始温度T1、保护温度T2和优化后的修正系数K绑定存储；

所述烹饪模式的烹饪参数还包括初始温度T1和保护温度T2。

优选地，使用所述用于蒸汽发生器的水量预测方法的烹饪装置，包括蒸汽发生器、水箱、控制器和烹饪主体，所述蒸汽发生器的蒸汽容纳部和所述水箱连通，所述蒸汽发生器的加热部用于使蒸汽容纳部产生蒸汽，蒸汽容纳部的蒸汽流向所述烹饪主体；

所述水箱设有缺水检测器，所述蒸汽发生器设有用于检测蒸汽容纳部温度的温度传感器；

所述控制器包括：

数据采集模块，用于采集初始温度T1和第一次加热时间t₁；

水量预测模块，用于提取初始温度T1、保护温度T2、第一次加热时间t₁以及预设的修正系数K，计算出水箱2的剩余水量的预计可烹饪时间t₂：

t₂＝K×t₁×(T1-T2)；

和预测优化模块，用于若烹饪过程中所述缺水检测器向所述控制器发出缺水信号，则记录从开始烹饪至缺水所用时间并定义为实际可烹饪时间t₃，通过比较实际可烹饪时间t₃和预计可烹饪时间t₂，学习优化修正系数K，并将优化后的修正系数K替代当前的修正系数K。

优选地，所述控制器还包括：

烹饪模式设定模块，用于烹饪前设置烹饪模式，所述烹饪模式的烹饪参数包括烹饪温度和烹饪时间；

和模式匹配模块，用于烹饪结束后，若修正系数K经过优化处理，则将烹饪模式和优化后的修正系数K绑定存储；若修正系数K没有经过优化处理，则将烹饪模式和当前的修正系数K绑定存储。

优选地，所述水量预测模块还用于将当前运行的烹饪模式和已存储的烹饪模式集合进行比较：

若已存储的烹饪模式集合中存在烹饪参数一致的烹饪模式，则将该烹饪模式定义为参考模式，并提取该参考模式对应的修正系数K；

若已存储的烹饪模式集合中不存在烹饪参数一致的烹饪模式，但存在所有烹饪参数的相似度均大于预设阈值的烹饪模式，则将该烹饪模式定义为参考模式，并提取该参考模式对应的修正系数K。

优选地，所有所述烹饪装置的控制器均通过通信网络和云端服务器连接；

所述控制器还包括：

优化次数统计模块，用于当修正系数K经优化更新后，更新当前烹饪模式的优化累计次数；

云端管理模块，用于在每次烹饪结束后，将烹饪模式、优化累计次数及对应的修正系数K发送至云端服务器进行存储；

所述水量预测模块还用于若控制器本地存储的烹饪模式集合中不存在烹饪参数一致的烹饪模式也不存在所有烹饪参数的相似度均大于预设阈值的烹饪模式，则向云端服务器发送系数提取请求；

所述云端服务器还包括：

系数调取模块，用于接收到某个控制器发出的系数提取请求后，根据该控制器当前运行的烹饪模式调取对应的优化累计次数最多的修正系数K，并将该修正系数K发送给该控制器。

优选地，所述水量预测模块还用于通过通信网络将所述预计可烹饪时间t₂发送给即时通讯终端；

所述预测优化模块中，所述控制器通过比较实际可烹饪时间t₃和预计可烹饪时间t₂，学习优化修正系数K具体为：

通过实际可烹饪时间t₃、初始温度T1、保护温度T2和第一次加热时间t₁，优化修正系数K为

然后将初始温度T1、保护温度T2和优化后的修正系数K绑定存储；

所述烹饪模式的烹饪参数还包括初始温度T1和保护温度T2。

所述用于蒸汽发生器的水量预测方法，通过检测初始温度T1、第一次加热时间t₁，计算水箱的剩余水量的预计可烹饪时间t₂，从而在烹饪开始时即可判断水量，便于用户根据预计可烹饪时间t₂提前加水，尤其是所需烹饪时间大于预计可烹饪时间t₂时，用户可参考预计可烹饪时间t₂，设定中途加水时间，以避免烹饪过程中发生缺水、干烧的情况。

还通过自学习来优化修正系数K，不断提高预计可烹饪时间t₂的准确度；初始的所述修正系数K由水箱最大水量测试第一次加热时间及可以烹饪时间，在实验室通过实验得出的；在实际使用中会由于各个烹饪装置的性能差别和用户使用问题，初始的修正系数K可能没有真实反映烹饪装置的水量消耗变化，因此当烹饪过程中发生缺水，则需要比较实际可烹饪时间t₃和预计可烹饪时间t₂，学习优化修正系数K，通过不断优化，使预计可烹饪时间t₂更为准确。

附图说明

附图对本发明做进一步说明，但附图中的内容不构成对本发明的任何限制。

图1是本发明其中一个实施例的烹饪装置结构示意图；

图2是本发明其中一个实施例的烹饪装置和云端服务器通讯图；

图3是本发明其中一个实施例的烹饪装置和即时通讯终端图；

图4是本发明其中一个实施例的水量预测方法流程图；

图5是本发明其中一个实施例的模式匹配流程图。

其中：蒸汽发生器1；水箱2；控制器3；蒸汽容纳部11；加热部12；温度传感器13；缺水检测器21；云端服务器4；即时通讯终端5。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

本实施例的一种用于蒸汽发生器的水量预测方法，如图1所示，应用于设有蒸汽发生器1、水箱2、控制器3和烹饪主体的烹饪装置，所述蒸汽发生器1的蒸汽容纳部11和所述水箱2连通，所述蒸汽发生器1的加热部12用于使蒸汽容纳部11产生蒸汽，蒸汽容纳部的蒸汽流向所述烹饪主体，所述水箱2设有缺水检测器21，所述蒸汽发生器1设有用于检测蒸汽容纳部11温度的温度传感器13，如图4所示，包括以下步骤：

数据采集步骤，先往水箱2加满水，然后当蒸汽发生器1开始加热时，控制器3采集温度传感器13检测到的温度数据并定义为初始温度T1；

接着蒸汽发生器1持续加热至温度传感器13检测到蒸汽容纳部11的当前温度达到预设的保护温度T2，此时控制器3记录第一次加热时间t₁；

水量预测步骤，所述控制器3提取初始温度T1、保护温度T2、第一次加热时间t₁以及预设的修正系数K，计算出水箱2的剩余水量的预计可烹饪时间t₂：

t₂＝K×t₁×(T1-T2)；

预测优化步骤，若烹饪过程中所述缺水检测器21向所述控制器3发出缺水信号，则所述控制器3记录从开始烹饪至缺水所用时间并定义为实际可烹饪时间t₃，所述控制器3通过比较实际可烹饪时间t₃和预计可烹饪时间t₂，学习优化修正系数K，并将优化后的修正系数K替代当前的修正系数K。

所述用于蒸汽发生器的水量预测方法，应用于设有蒸汽发生器1、水箱2、控制器3和烹饪主体的烹饪装置，所述烹饪装置可为蒸箱、蒸烤箱、蒸烤炉等，通过检测初始温度T1、第一次加热时间t₁，计算水箱2的剩余水量的预计可烹饪时间t₂，从而在烹饪开始时即可判断水量，便于用户根据预计可烹饪时间t₂提前加水，尤其是所需烹饪时间大于预计可烹饪时间t₂时，用户可参考预计可烹饪时间t₂，设定中途加水时间，以避免烹饪过程中发生缺水、干烧的情况。

所述用于蒸汽发生器的水量预测方法还通过自学习来优化修正系数K，不断提高预计可烹饪时间t₂的准确度；初始的所述修正系数K由水箱最大水量测试第一次加热时间及可以烹饪时间，在实验室通过实验得出的；在实际使用中会由于各个烹饪装置的性能差别和用户使用问题，初始的修正系数K可能没有真实反映烹饪装置的水量消耗变化，因此当烹饪过程中发生缺水，则需要比较实际可烹饪时间t₃和预计可烹饪时间t₂，学习优化修正系数K，通过不断优化，使预计可烹饪时间t₂更为准确。

优选地，还包括以下步骤：

烹饪模式设定步骤，烹饪前，在控制器3上设置烹饪模式，所述烹饪模式的烹饪参数包括烹饪温度和烹饪时间；模式匹配步骤，烹饪结束后，若修正系数K经过优化处理，则所述控制器3将烹饪模式和优化后的修正系数K绑定存储；若修正系数K没有经过优化处理，则所述控制器3将烹饪模式和当前的修正系数K绑定存储。

烹饪模式不同，则相同水量的蒸发时间也会不同，因此需要将烹饪模式和当前的修正系数K绑定存储，以计算对应的预计可烹饪时间t₂，用户设定好烹饪模式后控制器3调用与其绑定存储的修正系数K，计算对应的预计可烹饪时间t₂，而且每次自学习优化的修正系数K也会替代当前烹饪模式下的修正系数K，从而使得预计可烹饪时间t₂的预测更具有针对性，更为准确。

优选地，如图5所示，所述水量预测步骤中提取预设的修正系数K具体包括：所述控制器3将当前运行的烹饪模式和已存储的烹饪模式集合进行比较：

若已存储的烹饪模式集合中存在烹饪参数一致的烹饪模式，则将该烹饪模式定义为参考模式，并提取该参考模式对应的修正系数K；

若已存储的烹饪模式集合中不存在烹饪参数一致的烹饪模式，但存在所有烹饪参数的相似度均大于预设阈值的烹饪模式，则将该烹饪模式定义为参考模式，并提取该参考模式对应的修正系数K。

用户可能根据实际需要，当前设定的烹饪模式和历史存储的烹饪模式有差别，因此控制器3先比较当前运行的烹饪模式和已存储的烹饪模式集合，找出与当前运行的烹饪模式的烹饪参数一致或相似的历史烹饪模式，作为当前运行的烹饪模式的参考基准，提取该参考模式对应的修正系数K来预测当前运行的烹饪模式的预计可烹饪时间t₂，与新的烹饪模式使用初始的修正系数K相比，新的烹饪模式使用参考模式的修正系数K更为准确，也减少了新烹饪模式的系数自学习优化次数。

需要说明的是，定义某个烹饪参数为烹饪参数P，则烹饪参数P的相似度为当前运行的烹饪模式的烹饪参数P和已存储的烹饪模式的烹饪参数P的相似度，若有已存储的烹饪模式，其所有烹饪参数的相似度均大于预设阈值，则该已存储的烹饪模式与当前运行的烹饪模式相似。

优选地，如图5所示，还包括优化次数统计步骤，当修正系数K经优化更新后，所述控制器3更新当前烹饪模式的优化累计次数；

云端管理步骤，所有烹饪装置的控制器3均在每次烹饪结束后，将烹饪模式、优化累计次数及对应的修正系数K发送至云端服务器4进行存储；

所述水量预测步骤中提取预设的修正系数K具体还包括：

若控制器3本地存储的烹饪模式集合中不存在烹饪参数一致的烹饪模式也不存在所有烹饪参数的相似度均大于预设阈值的烹饪模式，则向云端服务器4发送系数提取请求；

所述云端服务器4根据该控制器3当前运行的烹饪模式调取对应的优化累计次数最多的修正系数K，并将该修正系数K发送给该控制器3。

所述控制器3记录每种烹饪模式的优化累计次数，并发送至云端服务器4存储，从而云端服务器4汇聚了各个烹饪装置的修正系数K；当用户当前设定的烹饪模式与控制器3本地存储的不一致也不相似时，所述控制器3可请求云端服务器4调取，云端服务器4找出与当前设定的烹饪模式一致或相似的烹饪模式作为参考模式，并且找出该参考模式下优化累计次数最多的修正系数K，用此修正系数K预测当前设定的烹饪模式的预计可烹饪时间t₂，预测准确度高。通过云端数据的存储和筛选，避免本地存储的烹饪模式与当前设定的烹饪模式不一致也不相似时需要使用初始的修正系数K，减少了新烹饪模式的系数自学习优化次数。

优选地，如图5所示，所述水量预测步骤还包括：所述控制器3通过通信网络将所述预计可烹饪时间t₂发送给即时通讯终端5；

所述预测优化步骤中，所述控制器3通过比较实际可烹饪时间t₃和预计可烹饪时间t₂，学习优化修正系数K具体为：

通过实际可烹饪时间t₃、初始温度T1、保护温度T2和第一次加热时间t₁，优化修正系数K为

然后将初始温度T1、保护温度T2和优化后的修正系数K绑定存储；

所述烹饪模式的烹饪参数还包括初始温度T1和保护温度T2。

将预计可烹饪时间t₂发送给即时通讯终端5，从而用户可通过即时通讯终端5了解水量预消耗情况，判断是否需要烹饪中途加水，所述即时通讯终端5可为手机、电脑等。

所述控制器3建立记录修正系数K的数组，如表1所示，定义初始温度T1的大小为A_N，保护温度T2的大小为B_N，N＝1，2，3，…；

例如，此次烹饪的初始温度T1为A₃,保护温度T2为B₄，则定义对应的修正系数K的大小为K₃₄，根据上式得

然后将A₃、B₄和K₃₄绑定存储于数组中，供下次估算使用。

烹饪模式的烹饪参数还包括初始温度T1和保护温度T2，初始温度T1为检测值，无需用户设置；保护温度T2可使用出厂设置，也可为用户自行设置。因此，所述水量预测步骤中提取预设的修正系数K时，需要比较的烹饪参数还包括初始温度T1和保护温度T2，例如烹饪模式M1可对应的是烹饪温度X₁、烹饪时间Y₁、A₁、B₁和K₁₁，烹饪模式M2可对应的是烹饪温度X₁、烹饪时间Y₁、A₁、B₂和K₁₂。

B<sub>1</sub>

B<sub>2</sub>

B<sub>3</sub>

B<sub>4</sub>

。。。

B<sub>N</sub>

A<sub>1</sub>

K<sub>11</sub>

K<sub>12</sub>

K<sub>13</sub>

K<sub>14</sub>

。。。

K<sub>1N</sub>

A<sub>2</sub>

K<sub>21</sub>

K<sub>22</sub>

K<sub>23</sub>

K<sub>24</sub>

。。。

K<sub>2N</sub>

A<sub>3</sub>

K<sub>31</sub>

K<sub>32</sub>

K<sub>33</sub>

K<sub>34</sub>

。。。

K<sub>3N</sub>

A<sub>4</sub>

K<sub>41</sub>

K<sub>42</sub>

K<sub>43</sub>

K<sub>44</sub>

。。。

K<sub>4N</sub>

A<sub>5</sub>

K<sub>51</sub>

K<sub>52</sub>

K<sub>53</sub>

K<sub>54</sub>

。。。

K<sub>5N</sub>

。。。

。。。

。。。

。。。

。。。

。。。

。。。

A<sub>N</sub>

K<sub>N1</sub>

K<sub>N2</sub>

K<sub>N3</sub>

K<sub>N4</sub>

。。。

K<sub>NN</sub>

表1

优选地，使用所述用于蒸汽发生器的水量预测方法的烹饪装置，如图1所示，包括蒸汽发生器1、水箱2、控制器3和烹饪主体，所述蒸汽发生器1的蒸汽容纳部11和所述水箱2连通，所述蒸汽发生器1的加热部12用于使蒸汽容纳部11产生蒸汽，蒸汽容纳部的蒸汽流向所述烹饪主体，其特征在于：

所述水箱2设有缺水检测器21，所述蒸汽发生器1设有用于检测蒸汽容纳部11温度的温度传感器13；

所述控制器3包括：

数据采集模块，用于采集初始温度T1和第一次加热时间t₁；

水量预测模块，用于提取初始温度T1、保护温度T2、第一次加热时间t₁以及预设的修正系数K，计算出水箱2的剩余水量的预计可烹饪时间t₂：

t₂＝K×t₁×(T1-T2)；

和预测优化模块，用于若烹饪过程中所述缺水检测器21向所述控制器3发出缺水信号，则记录从开始烹饪至缺水所用时间并定义为实际可烹饪时间t₃，通过比较实际可烹饪时间t₃和预计可烹饪时间t₂，学习优化修正系数K，并将优化后的修正系数K替代当前的修正系数K。

使用所述用于蒸汽发生器的水量预测方法的烹饪装置，所述烹饪装置可为蒸箱、蒸烤箱、蒸烤炉等，通过检测初始温度T1、第一次加热时间t₁，计算水箱2的剩余水量的预计可烹饪时间t₂，从而在烹饪开始时即可判断水量，便于用户根据预计可烹饪时间t₂提前加水，尤其是所需烹饪时间大于预计可烹饪时间t₂时，用户可参考预计可烹饪时间t₂，设定中途加水时间，以避免烹饪过程中发生缺水、干烧的情况。

所述烹饪装置还通过自学习来优化修正系数K，不断提高预计可烹饪时间t₂的准确度；初始的所述修正系数K由水箱最大水量测试第一次加热时间及可以烹饪时间，在实验室通过实验得出的；在实际使用中会由于各个烹饪装置的性能差别和用户使用问题，初始的修正系数K可能没有真实反映烹饪装置的水量消耗变化，因此当烹饪过程中发生缺水，则需要比较实际可烹饪时间t₃和预计可烹饪时间t₂，学习优化修正系数K，通过不断优化，使预计可烹饪时间t₂更为准确。

优选地，所述控制器3还包括：

烹饪模式设定模块，用于烹饪前设置烹饪模式，所述烹饪模式的烹饪参数包括烹饪温度和烹饪时间；

和模式匹配模块，用于烹饪结束后，若修正系数K经过优化处理，则将烹饪模式和优化后的修正系数K绑定存储；若修正系数K没有经过优化处理，则将烹饪模式和当前的修正系数K绑定存储。

烹饪模式不同，则相同水量的蒸发时间也会不同，因此需要将烹饪模式和当前的修正系数K绑定存储，以计算对应的预计可烹饪时间t₂，用户设定好烹饪模式后控制器3调用与其绑定存储的修正系数K，计算对应的预计可烹饪时间t₂，而且每次自学习优化的修正系数K也会替代当前烹饪模式下的修正系数K，从而使得预计可烹饪时间t₂的预测更具有针对性，更为准确。

优选地，所述水量预测模块还用于将当前运行的烹饪模式和已存储的烹饪模式集合进行比较：

若已存储的烹饪模式集合中存在烹饪参数一致的烹饪模式，则将该烹饪模式定义为参考模式，并提取该参考模式对应的修正系数K；

若已存储的烹饪模式集合中不存在烹饪参数一致的烹饪模式，但存在所有烹饪参数的相似度均大于预设阈值的烹饪模式，则将该烹饪模式定义为参考模式，并提取该参考模式对应的修正系数K。

用户可能根据实际需要，当前设定的烹饪模式和历史存储的烹饪模式有差别，因此控制器3先比较当前运行的烹饪模式和已存储的烹饪模式集合，找出与当前运行的烹饪模式的烹饪参数一致或相似的历史烹饪模式，作为当前运行的烹饪模式的参考基准，提取该参考模式对应的修正系数K来预测当前运行的烹饪模式的预计可烹饪时间t₂，与新的烹饪模式使用初始的修正系数K相比，新的烹饪模式使用参考模式的修正系数K更为准确，也减少了新烹饪模式的系数自学习优化次数。

需要说明的是，定义某个烹饪参数为烹饪参数A，则烹饪参数A的相似度为当前运行的烹饪模式的烹饪参数A和已存储的烹饪模式的烹饪参数A的相似度，若有已存储的烹饪模式，其所有烹饪参数的相似度均大于预设阈值，则该已存储的烹饪模式与当前运行的烹饪模式相似。

优选地，如图2所示，所有所述烹饪装置的控制器3均通过通信网络和云端服务器4连接；

所述控制器3还包括：

优化次数统计模块，用于当修正系数K经优化更新后，更新当前烹饪模式的优化累计次数；

云端管理模块，用于在每次烹饪结束后，将烹饪模式、优化累计次数及对应的修正系数K发送至云端服务器4进行存储；

所述水量预测模块还用于若控制器3本地存储的烹饪模式集合中不存在烹饪参数一致的烹饪模式也不存在所有烹饪参数的相似度均大于预设阈值的烹饪模式，则向云端服务器4发送系数提取请求；

所述云端服务器4还包括：

系数调取模块，用于接收到某个控制器3发出的系数提取请求后，根据该控制器3当前运行的烹饪模式调取对应的优化累计次数最多的修正系数K，并将该修正系数K发送给该控制器3。

所述控制器3记录每种烹饪模式的优化累计次数，并发送至云端服务器4存储，从而云端服务器4汇聚了各个烹饪装置的修正系数K；当用户当前设定的烹饪模式与控制器3本地存储的不一致也不相似时，所述控制器3可请求云端服务器4调取，云端服务器4找出与当前设定的烹饪模式一致或相似的烹饪模式作为参考模式，并且找出该参考模式下优化累计次数最多的修正系数K，用此修正系数K预测当前设定的烹饪模式的预计可烹饪时间t₂，预测准确度高。通过云端数据的存储和筛选，避免本地存储的烹饪模式与当前设定的烹饪模式不一致也不相似时需要使用初始的修正系数K，减少了新烹饪模式的系数自学习优化次数。

优选地，如图5所示，所述水量预测模块还用于通过通信网络将所述预计可烹饪时间t₂发送给即时通讯终端5；

所述预测优化模块中，所述控制器3通过比较实际可烹饪时间t₃和预计可烹饪时间t₂，学习优化修正系数K具体为：

通过实际可烹饪时间t₃、初始温度T1、保护温度T2和第一次加热时间t₁，优化修正系数K为

然后将初始温度T1、保护温度T2和优化后的修正系数K绑定存储；

所述烹饪模式的烹饪参数还包括初始温度T1和保护温度T2。将预计可烹饪时间t₂发送给即时通讯终端5，从而用户可通过即时通讯终端5了解水量预消耗情况，判断是否需要烹饪中途加水，所述即时通讯终端5可为手机、电脑等。

所述控制器3建立记录修正系数K的数组，如表1所示，定义初始温度T1的大小为A_N，保护温度T2的大小为B_N，N＝1，2，3，…；

例如，此次烹饪的初始温度T1为A₃,保护温度T2为B₄，则定义对应的修正系数K的大小为K₃₄，根据上式得

然后将A₃、B₄和K₃₄绑定存储于数组中，供下次估算使用。

烹饪模式的烹饪参数还包括初始温度T1和保护温度T2，初始温度T1为检测值，无需用户设置；保护温度T2可使用出厂设置，也可为用户自行设置。因此，所述水量预测步骤中提取预设的修正系数K时，需要比较的烹饪参数还包括初始温度T1和保护温度T2，例如烹饪模式M1可对应的是烹饪温度X₁、烹饪时间Y₁、A₁、B₁和K₁₁，烹饪模式M2可对应的是烹饪温度X₁、烹饪时间Y₁、A₁、B₂和K₁₂。

以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (10)

1.一种用于蒸汽发生器的水量预测方法，应用于设有蒸汽发生器、水箱、控制器和烹饪主体的烹饪装置，所述蒸汽发生器的蒸汽容纳部和所述水箱连通，所述蒸汽发生器的加热部用于使蒸汽容纳部产生蒸汽，蒸汽容纳部的蒸汽流向所述烹饪主体，其特征在于，所述水箱设有缺水检测器，所述蒸汽发生器设有用于检测蒸汽容纳部温度的温度传感器，包括以下步骤：

数据采集步骤，先往水箱加满水，然后当蒸汽发生器开始加热时，控制器采集温度传感器检测到的温度数据并定义为初始温度T1；

接着蒸汽发生器持续加热至温度传感器检测到蒸汽容纳部的当前温度达到预设的保护温度T2，此时控制器记录第一次加热时间t₁；

水量预测步骤，所述控制器提取初始温度T1、保护温度T2、第一次加热时间t₁以及预设的修正系数K，计算出水箱的剩余水量的预计可烹饪时间t₂：

t₂＝K×t₁×(T1-T2)；

预测优化步骤，若烹饪过程中所述缺水检测器向所述控制器发出缺水信号，则所述控制器记录从开始烹饪至缺水所用时间并定义为实际可烹饪时间t₃，所述控制器通过比较实际可烹饪时间t₃和预计可烹饪时间t₂，学习优化修正系数K，并将优化后的修正系数K替代当前的修正系数K。

2.根据权利要求1所述的用于蒸汽发生器的水量预测方法，其特征在于，还包括以下步骤：

烹饪模式设定步骤，烹饪前，在控制器上设置烹饪模式，所述烹饪模式的烹饪参数包括烹饪温度和烹饪时间；

模式匹配步骤，烹饪结束后，若修正系数K经过优化处理，则所述控制器将烹饪模式和优化后的修正系数K绑定存储；若修正系数K没有经过优化处理，则所述控制器将烹饪模式和当前的修正系数K绑定存储。

3.根据权利要求2所述的用于蒸汽发生器的水量预测方法，其特征在于，所述水量预测步骤中提取预设的修正系数K具体包括：

所述控制器将当前运行的烹饪模式和已存储的烹饪模式集合进行比较：

若已存储的烹饪模式集合中存在烹饪参数一致的烹饪模式，则将该烹饪模式定义为参考模式，并提取该参考模式对应的修正系数K；

若已存储的烹饪模式集合中不存在烹饪参数一致的烹饪模式，但存在所有烹饪参数的相似度均大于预设阈值的烹饪模式，则将该烹饪模式定义为参考模式，并提取该参考模式对应的修正系数K。

4.根据权利要求3所述的用于蒸汽发生器的水量预测方法，其特征在于：

还包括优化次数统计步骤，当修正系数K经优化更新后，所述控制器更新当前烹饪模式的优化累计次数；

云端管理步骤，所有烹饪装置的控制器均在每次烹饪结束后，将烹饪模式、优化累计次数及对应的修正系数K发送至云端服务器进行存储；

所述水量预测步骤中提取预设的修正系数K具体还包括：

若控制器本地存储的烹饪模式集合中不存在烹饪参数一致的烹饪模式也不存在所有烹饪参数的相似度均大于预设阈值的烹饪模式，则向云端服务器发送系数提取请求；

所述云端服务器根据该控制器当前运行的烹饪模式调取对应的优化累计次数最多的修正系数K，并将该修正系数K发送给该控制器。

5.根据权利要求2所述的用于蒸汽发生器的水量预测方法，其特征在于，所述水量预测步骤还包括：所述控制器通过通信网络将所述预计可烹饪时间t₂发送给即时通讯终端；

所述预测优化步骤中，所述控制器通过比较实际可烹饪时间t₃和预计可烹饪时间t₂，学习优化修正系数K具体为：

通过实际可烹饪时间t₃、初始温度T1、保护温度T2和第一次加热时间t₁，优化修正系数K为

然后将初始温度T1、保护温度T2和优化后的修正系数K绑定存储；

所述烹饪模式的烹饪参数还包括初始温度T1和保护温度T2。

6.使用权利要求1所述用于蒸汽发生器的水量预测方法的烹饪装置，包括蒸汽发生器、水箱、控制器和烹饪主体，所述蒸汽发生器的蒸汽容纳部和所述水箱连通，所述蒸汽发生器的加热部用于使蒸汽容纳部产生蒸汽，蒸汽容纳部的蒸汽流向所述烹饪主体，其特征在于：

所述水箱设有缺水检测器，所述蒸汽发生器设有用于检测蒸汽容纳部温度的温度传感器；

所述控制器包括：

数据采集模块，用于采集初始温度T1和第一次加热时间t₁；

水量预测模块，用于提取初始温度T1、保护温度T2、第一次加热时间t₁以及预设的修正系数K，计算出水箱的剩余水量的预计可烹饪时间t₂：

t₂＝K×t₁×(T1-T2)；

和预测优化模块，用于若烹饪过程中所述缺水检测器向所述控制器发出缺水信号，则记录从开始烹饪至缺水所用时间并定义为实际可烹饪时间t₃，通过比较实际可烹饪时间t₃和预计可烹饪时间t₂，学习优化修正系数K，并将优化后的修正系数K替代当前的修正系数K。

7.根据权利要求6所述的用于蒸汽发生器的水量预测方法的烹饪装置，其特征在于，所述控制器还包括：

烹饪模式设定模块，用于烹饪前设置烹饪模式，所述烹饪模式的烹饪参数包括烹饪温度和烹饪时间；

和模式匹配模块，用于烹饪结束后，若修正系数K经过优化处理，则将烹饪模式和优化后的修正系数K绑定存储；若修正系数K没有经过优化处理，则将烹饪模式和当前的修正系数K绑定存储。

8.根据权利要求7所述的用于蒸汽发生器的水量预测方法的烹饪装置，其特征在于，所述水量预测模块还用于将当前运行的烹饪模式和已存储的烹饪模式集合进行比较：

若已存储的烹饪模式集合中存在烹饪参数一致的烹饪模式，则将该烹饪模式定义为参考模式，并提取该参考模式对应的修正系数K；

若已存储的烹饪模式集合中不存在烹饪参数一致的烹饪模式，但存在所有烹饪参数的相似度均大于预设阈值的烹饪模式，则将该烹饪模式定义为参考模式，并提取该参考模式对应的修正系数K。

9.根据权利要求8所述的用于蒸汽发生器的水量预测方法的烹饪装置，其特征在于：

所有所述烹饪装置的控制器均通过通信网络和云端服务器连接；

所述控制器还包括：

优化次数统计模块，用于当修正系数K经优化更新后，更新当前烹饪模式的优化累计次数；

云端管理模块，用于在每次烹饪结束后，将烹饪模式、优化累计次数及对应的修正系数K发送至云端服务器进行存储；

所述水量预测模块还用于若控制器本地存储的烹饪模式集合中不存在烹饪参数一致的烹饪模式也不存在所有烹饪参数的相似度均大于预设阈值的烹饪模式，则向云端服务器发送系数提取请求；

所述云端服务器还包括：

系数调取模块，用于接收到某个控制器发出的系数提取请求后，根据该控制器当前运行的烹饪模式调取对应的优化累计次数最多的修正系数K，并将该修正系数K发送给该控制器。

10.根据权利要求7所述的用于蒸汽发生器的水量预测方法的烹饪装置，其特征在于：

所述水量预测模块还用于通过通信网络将所述预计可烹饪时间t₂发送给即时通讯终端；

所述预测优化模块中，所述控制器通过比较实际可烹饪时间t₃和预计可烹饪时间t₂，学习优化修正系数K具体为：

通过实际可烹饪时间t₃、初始温度T1、保护温度T2和第一次加热时间t₁，优化修正系数K为

然后将初始温度T1、保护温度T2和优化后的修正系数K绑定存储；

所述烹饪模式的烹饪参数还包括初始温度T1和保护温度T2。

Images