EP0928929A1 - Dispositif de cuisson automatique utilisant un réseau de neurones - Google Patents
Dispositif de cuisson automatique utilisant un réseau de neurones Download PDFInfo
- Publication number
- EP0928929A1 EP0928929A1 EP99400041A EP99400041A EP0928929A1 EP 0928929 A1 EP0928929 A1 EP 0928929A1 EP 99400041 A EP99400041 A EP 99400041A EP 99400041 A EP99400041 A EP 99400041A EP 0928929 A1 EP0928929 A1 EP 0928929A1
- Authority
- EP
- European Patent Office
- Prior art keywords
- cooking
- cavity
- temperature
- neural network
- family
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24C—DOMESTIC STOVES OR RANGES ; DETAILS OF DOMESTIC STOVES OR RANGES, OF GENERAL APPLICATION
- F24C7/00—Stoves or ranges heated by electric energy
- F24C7/08—Arrangement or mounting of control or safety devices
- F24C7/087—Arrangement or mounting of control or safety devices of electric circuits regulating heat
Definitions
- the invention relates to the field of cooking devices automatic for oven.
- the invention preferably applies to ovens traditional.
- the purpose of automatic cooking devices is to simplify maximum life of the user while guaranteeing the best result cooking possible.
- the object of the invention is to propose a device based on the use of a neural network, which does not require the establishment of a system of rules of thumb otherwise laborious to design and unsuitable for the cooking operation.
- the device according to the invention does not use preferably two physical measurements, the temperature prevailing in the cavity and moisture emitted by the food during cooking, which does not does not require complex weighing devices in the oven. It's a highly automated device because the only information required from the user is family of dishes, no other information is necessary for a good cooking process, which requires little effort on the part of the user.
- the dish family corresponds to the nature of the food, for example "chicken" or "pie”.
- an automatic cooking device comprising an oven, at least one temperature sensor measuring the temperature in the oven cavity, at least one humidity sensor measuring humidity in the oven cavity, and a neural network, characterized in that the device also includes selection means to which the user provides a given family of dishes information, means to associate a set of link weights to the neural network between neurons, the game being adapted to the dish family, means of that launch a cooking method adapted to the family of dishes, extraction means which extract a group of parameters from measurements made by the temperature sensor and by the sensor humidity, in that the neural network estimates a cooking time remaining from the parameter group, and in that the cooking means carry out the remaining cooking time in open loop.
- FIG. 1 schematically shows a cooking device automatic according to the invention.
- the arrows represent exchanges of data between the different parts of the device, the letters or groups of letters near the arrows symbolically represent the data transmitted.
- This device comprises an oven cavity 10, at least one temperature sensor 11, at least one humidity sensor 12, means 13 cooking.
- the dish 14 is introduced into the cavity 10 to be cooked.
- the temperature sensor 11 makes it possible to measure the temperature T in the cavity 10
- the humidity sensor makes it possible to measure the humidity H in the cavity 10.
- the sensors 11 and 12 can be located in cavity 10, but this is not compulsory.
- the temperature sensor 11 is located in cavity 10, while the two humidity sensors are located in an air guide shown in Figure 2 and connecting the cavity 10 to external environment and allowing ventilation of the cavity 10.
- the device can include other types of sensors, but these are sufficient.
- the device also includes cooking means 13, which usually have heating elements not shown on the figure.
- the heating elements can be elements heated by the floor, that is to say by the underside of the cavity 10, or by the grill, that is to say by the upper face of the cavity 10, or else heating elements arranged around a ventilation system of the cavity 10, or a combination of the above heating elements.
- the cooking means 13 heat the cavity 10 and cook the dish 14 via heating elements.
- the connections of the elements 11, 12 and 13 in the cavity 10 are represented by dotted lines.
- the device also includes means 20 for extracting parameters which develop from measurements made by temperature sensors 11 and 12 humidity a GP group of parameters which will be detailed later.
- the device also includes a neural network 30 which receives in input the previous GP group of parameters and which provides output to cooking means 13 a TCR cooking time remaining.
- the device also comprises means 40 for selection by which the user 50 provides the device with FP family information of dishes, that is to say that the user indicates the food category to which the dish belongs 14 intended for cooking.
- the selection means 40 can for example consist of a keyboard or a set of buttons, each button corresponding to a family of dishes. Dish families can by example be like "pie”, “chicken”, “soup”, or other families to define according to the particular application envisaged. Families of FP dishes are preferably chosen so that dishes from the same family have relatively homogeneous cooking properties.
- the plate 14 is introduced into the cavity 10.
- the family FP information of dishes is provided to the means 40 for selection by the user 50. preferably, the user initiates the cooking operation, by pressing example on an on / off button.
- FP information is transmitted by means 40 for selecting the means 13 for cooking.
- Means 13 of cooking launch a cooking method adapted to the FP family of dishes, by example for a family of "pie" dishes the heating will be carried out especially by the floor heating element.
- FP information is transmitted to network 30 of neurons by the selection means 40.
- the neural network 30 is then configured in a way suited to the FP family of dishes, which is preferably homogeneous.
- An additional advantage of the device is include "virtually", on a common network structure, several simple neural networks each adapted to a family of FP dishes, place of a single global network which would be more complex and / or less efficient. "Virtually” here means differing only in their set of weights.
- the neural network 30 has several successive layers of neurons 34, three layers 31 to 33 for example in FIG. 1.
- the neurons 34 of a given layer, for example layer 32 are linked to neurons 34 of the neighboring layers, layers 31 and 33, by connections 35.
- a each of these links 35 is associated with a weighting, that is to say a coefficient, all of these weights constituting a set of weights.
- Each family of FP dishes has a set of weights.
- a set of weights adapted to the FP family of dishes is associated with the neural network 30 which is therefore configured in a way suitable for the FP family of dishes.
- FP information will also be supplied to the means 20 for extracting parameters which will then also be configured in a manner suitable for the FP family of dishes.
- the two sensors 11 and 12 go respectively take temperature and humidity measurements. Preferably, measurements are taken from the start of cooking. From these measurements, the extraction means 20 will extract after a certain time which preferably depends on the FP dish family a group of parameters GP which will be detailed later.
- the GP parameter group is injected input, that is to say on the layer 31 side, of the neural network 30.
- the neural network 30 estimates a TCR cooking time remaining from the GP parameter group.
- a remaining TCR cooking time is provided at the output of the neural network 30, that is to say on the side of layer 33.
- the TCR time is transmitted to the cooking means 13 which perform in a loop open the remaining TCR cooking time.
- Open loop means that at from the moment when the TCR time has been transmitted to the cooking means 13, these are disconnected from the neural network 30, perform the TCR cooking time remaining without any modification of mode or cooking time is provided by the neural network 30 until the end cooking.
- the various preceding means are functional representations, and that the device may include a microprocessor responsible for carrying out all or part of the operations previously described as well as coordinating them. Other connections can conventionally exist between the different means of the device, such as that between the temperature sensor 11 and the means cooking 13 allowing the cooking means 13 to control the cooking; they are not shown in Figure 1.
- the group of parameters consists of the initial temperature Ti of the cavity 10, of the derivative dT of the temperature of the cavity 10 with respect to time, of the flow rate De of water emitted by the dish at a first instant t 1 and of the quantity Qe of water emitted by the dish from the start of cooking until a second instant t 2 .
- the initial temperature of cavity 10 is the temperature prevailing in cavity 10 at the start of cooking.
- the derivative dT is the slope of the temperature over a certain period, it translates the thermal mass of the dish 14, the thermal mass being the product mass (or weight) per heat capacity; as inside a same family of FP dishes, the heat capacity is supposed to evolve in a similar way whatever the dish 14, the derivative dT will then strongly depend on the weight of the dish 14. For example, within the family of "chicken" dish, from one chicken to another, the evolution of the derivative dT will depend mainly on the weight of the chicken.
- the parameter of the derivative dT advantageously replaces the missing information of the weight of the dish 14.
- the flow rate De corresponds to the humidity prevailing in the cavity at the instant t 1 .
- the quantity Qe is the quantity of water emitted from the start of cooking until an instant t 2 ; Qe therefore corresponds to the integration over time of the humidity prevailing in the cavity.
- the instants t 1 and t 2 preferentially depend on the family of flat FP, they are optimized by carrying out tests.
- the FP dish family is therefore a data item transmitted to the extraction means 20 for the extraction of the group of parameters GP.
- these instants t 1 and t 2 are combined, which facilitates the operation of extracting the parameters.
- the choice of these parameters results from a quality optimization of the estimation of the neural network 30 with respect to the complexity of the group of parameters GP and of the structure of the neural network 30.
- FIGS 2A and 2B schematically represent respectively a top view and a side view of an air guide of an embodiment preferred of an automatic cooking device according to the invention.
- the automatic cooking device uses an already existing air guide 1 for the ventilation of the oven cavity air during cooking.
- Air guide 1 is located above the upper face of the cavity not shown on the figure.
- Guide 1 allows ventilation of the cavity by evacuating air charged with moisture from the water emitted by the dish during cooking.
- the air leaving the cavity passes through an inlet not shown in guide 1 before to arrive in guide 1.
- the cooking air coming from the cavity is joined in the guide 1 of the ambient air coming from the external environment not shown on the face.
- the arrows in solid lines represent the air circulation ambient and the triangles connected by dotted lines represent the air circulation Cooking.
- the device On the way of the air circulation, there is a zone 2 in which circulates a mixture of ambient air and cooking air. There is also a zone 5 in which only ambient air circulates.
- the device comprises a first sensor 3 humidity placed in zone 2 of guide 1.
- the first sensor 3 is subjected at much lower thermal stresses than if it were placed in the cavity, which allows the use of a humidity sensor that does not support only low thermal stresses.
- this first sensor 3 measures the humidity in a mixture containing cooking air certainly, but also ambient air whose humidity is different from that of the cavity.
- the device then comprises a second humidity sensor 6 placed in the zone 5 measuring only the ambient humidity, that is to say the external environment.
- Zones 2 and 5 are symbolically represented, the outline exact of the said zones being more complex, and the border between the said areas not being brutal.
- Humidity sensors may have a response depending on the temperature at which they operate, the device has advantageously two additional temperature sensors 4 and 7 respectively placed in the vicinity of the humidity sensors 3 and 6, close enough that the temperature differences between where a humidity sensor is placed and the place where the annex sensor of the associated temperature are insignificant. Sensor information Appendices 4 and 7 then allow the device to modulate the response of humidity sensors 3 and 6 depending on the temperatures at which the humidity sensors 3 and 6 are submitted.
- the temperature sensor measuring the temperature of the cavity is advantageously placed in the cavity, it will also serve as a temperature regulation for cooking.
- the oven preferably has a ventilation system to homogenize the temperature in the cavity during cooking.
- the neural network of FIG. 1 will now be detailed in a preferred embodiment.
- the numbers are those of figure 1.
- the neural network 30 includes neurons 34 distributed in several layers 31 to 33.
- the network has three layers of neurons, the layer 31 of the input layer, the intermediate layer 32, and the output layer 33.
- the neurons 34 are linked together by links 35.
- Links 35 have weights.
- the neurons of the input layer 31 correspond to the parameters of the GP parameter group, they are therefore preferably at number of four.
- the output layer 33 provides a single value, the time TCR of cooking remaining, so it preferably consists of a single neuron.
- Each intermediate layer 32 neuron receives from each of the four input layer 31 neurons a signal.
- the signal emitted by an input layer 31 na neuron to a layer 32 nb neuron intermediate corresponds to the value of the parameter assigned to the neuron na weighted by the weighting of the link between the neurons na and nb.
- the neuron of layer 33 of output receives signals from layer 32 neurons intermediate, signals from which it issues a signal representing time Estimated cooking TCR remaining.
- each family of FP dishes corresponds a set of weights of connections between neurons. These games of weights are determined during learning phases on examples with the help of an expert cook. The different examples as well by variations of dish, while staying in the same family, as variations in initial temperature for example.
- Each weighting set is advantageously determined as follows. On a series examples belonging to the same family of dishes, we perform the comparison between the cooking time given by the expert cook and the cooking time estimated by the neural network, we then obtain a error. The cook expert estimates the cooking time based on his view, his sense of smell, his experience, etc. Through the examples, by "Backpropagation of the error gradient", the neural network strives to correct, to minimize its errors by a statistical method looking for the correlations between the different examples.
- the weighting game obtained when errors are minimized will be the game chosen for the dish family corresponding, for cooking then carried out by the user.
- the network is said to be "convergent".
- Each family of dishes with a specific set of weights, on a common neural network structure we can thus define several "virtual" neural networks, that is, differing only in their play of weights, each “virtual” neural network being adapted and therefore optimized for a particular family of FP dishes. This provides a neural network structure that is both simple and convergent.
- Each family of dishes may require more examples or lower, depending on whether the family is "simple" or "complex".
- a simple family of dishes is a family whose different elements have a almost identical behavior
- a complex family of dishes is a family whose different elements have a more disparate behavior.
- the neural network converges, the number of neurons in the middle layer is large enough. But if that number becomes the order of magnitude of the number of examples per family of dishes used during the learning phases, the network will tend to "get specialize ", that is to say to associate each neuron of the layer intermediate to one or two learning examples, and when cooking performed by the user, the neural network will estimate a time of cooking remains wrong if the dish and the cooking conditions do not match not exactly one of the examples in the learning phase.
- the neural network it takes otherwise force the neural network to "generalize" the examples of the learning phase by choosing a ratio between the number of examples and the number of neurons in the middle layer that is sufficient tall.
- the intermediate layer comprises six neurons, and the number of examples per family of dishes during the learning phase is on the order of twenty.
- the device according to the invention is simple and effective. It also the advantage of being scalable. Indeed, the introduction of a new family of dishes only requires the storage of a new set of weights obtained during an additional learning phase over a few examples of dishes belonging to the new family.
- the device according to the invention can also combine the means previously described for families of relatively complex dishes and other more traditional means, for example using relationships directly calculating the remaining cooking time from the measurements performed by temperature and humidity sensors, for families very simple dishes, that is to say all of which have a uniform behavior.
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Cookers (AREA)
- Electric Ovens (AREA)
Abstract
L'invention concerne le domaine des dispositifs de cuisson automatique pour four. C'est un dispositif de cuisson automatique comportant un four, au moins un capteur (11) de température mesurant la température (T) dans la cavité (10) du four, au moins un capteur (12) d'humidité mesurant l'humidité (H) dans la cavité (10) du four, un réseau (30) de neurones (34), des moyens (40) de sélection auxquels l'utilisateur (50) fournit une information de famille (FP) de plats donnée, des moyens pour associer au réseau (30) de neurones (34) un jeu de pondérations des liaisons (35) entre les neurones (34), le jeu étant adapté à la famille (FP) de plats, des moyens (13) de cuisson qui lancent un mode de cuisson adapté à la famille (FP) de plats, des moyens (20) d'extraction qui extraient un groupe (GP) de paramètres à partir des mesures effectuées par le capteur (11) de température et par le capteur (12) d'humidité, le réseau (30) de neurones (34) estimant un temps (TCR) de cuisson restant à partir du groupe (GP) de paramètres, et les moyens (13) de cuisson effectuant en boucle ouverte le temps (TCR) de cuisson restant. L'invention s'applique de préférence aux fours traditionnels. <IMAGE>
Description
L'invention concerne le domaine des dispositifs de cuisson
automatique pour four. L'invention s'applique de préférence aux fours
traditionnels. Le but des dispositifs de cuisson automatique est de simplifier
au maximum la vie de l'utilisateur tout en lui garantissant le meilleur résultat
de cuisson possible.
Pour cela, il existe différents dispositifs dans l'état de l'art. Ces
dispositifs effectuent en général plusieurs mesures physiques dans la cavité
du four, puis ils appliquent une série de règles empiriques, par exemple à
base de logique floue, afin de réguler le processus de cuisson sans
intervention de l'utilisateur. Ces dispositifs ont l'inconvénient de nécessiter
souvent la mesure automatique du poids de l'aliment qui est placé dans la
cavité du four, ce qui est coûteux et difficile à mettre en oeuvre. Ils ont encore
l'inconvénient soit d'être peu efficaces, l'établissement des règles empiriques
étant malaisé, soit de demander l'intervention de l'utilisateur pour fournir un
certain nombre de paramètres, ce qui aboutit à une cuisson insuffisamment
automatisée et requérant une intervention trop importante de l'utilisateur.
Il existe également, dans l'état de l'art, certains dispositifs utilisant un
réseau de neurones pour évaluer certains paramètres difficiles d'accès,
comme la température au centre de l'aliment pendant la cuisson. L'estimation
par un réseau de neurones de ce type de paramètres reste insuffisante pour
obtenir un bon résultat de cuisson, sur une gamme étendue d'aliments.
Le but de l'invention est de proposer un dispositif basé sur l'utilisation
d'un réseau de neurones, ce qui ne nécessite pas l'établissement d'un
système de règles empiriques par ailleurs laborieuses à concevoir et
inadaptées à l'opération de cuisson. Le dispositif selon l'invention n'utilise de
préférence que deux mesures physiques, la température régnant dans la
cavité et l'humidité émise par l'aliment au cours de la cuisson, ce qui ne
nécessite pas de dispositifs complexes de pesée dans le four. C'est un
dispositif très automatisé car la seule information requise de l'utilisateur est la
famille de plats, aucune autre information n'est nécessaire pour un bon
déroulement de la cuisson, ce qui exige peu d'effort de la part de l'utilisateur.
La famille de plat correspond à la nature de l'aliment, par exemple « poulet »
ou « tarte ».
Selon l'invention, il est prévu un dispositif de cuisson automatique
comportant un four, au moins un capteur de température mesurant la
température dans la cavité du four, au moins un capteur d'humidité mesurant
l'humidité dans la cavité du four, et un réseau de neurones, caractérisé en ce
que le dispositif comporte également des moyens de sélection auxquels
l'utilisateur fournit une information de famille de plats donnée, des moyens
pour associer au réseau de neurones un jeu de pondérations des liaisons
entre les neurones, le jeu étant adapté à la famille de plat, des moyens de
cuisson qui lancent un mode de cuisson adapté à la famille de plat, des
moyens d'extraction qui extraient un groupe de paramètres à partir des
mesures effectuées par le capteur de température et par le capteur
d'humidité, en ce que le réseau de neurones estime un temps de cuisson
restant à partir du groupe de paramètres, et en ce que les moyens de cuisson
effectuent en boucle ouverte le temps de cuisson restant.
L'invention sera mieux comprise et d'autres caractéristiques et
avantages apparaítront à l'aide de la description ci-après et des dessins
joints, donnés à titre d'exemples non limitatifs, où:
- la figure 1 représente schématiquement un dispositif de cuisson automatique selon l'invention.
- la figure 2A représente schématiquement une vue de dessus d'un guide d'air d'un dispositif de cuisson automatique selon l'invention.
- la figure 2B représente schématiquement une vue de côté d'un guide d'air d'un dispositif de cuisson automatique selon l'invention.
La figure 1 représente schématiquement un dispositif de cuisson
automatique selon l'invention. Les flèches représentent des échanges de
données entre les différentes parties du dispositif, les lettres ou groupes de
lettres près des flèches représentent symboliquement les données
transmises. Ce dispositif comporte une cavité 10 de four, au moins un
capteur 11 de température, au moins un capteur 12 d'humidité, des moyens
13 de cuisson. Le plat 14 est introduit dans la cavité 10 pour être cuit.
Pendant l'opération de cuisson, le capteur 11 de température permet de
mesurer la température T dans la cavité 10, le capteur d'humidité permet de
mesurer l'humidité H dans la cavité 10. Les capteurs 11 et 12 peuvent être
situés dans la cavité 10, mais ce n'est pas obligatoire. Dans un mode de
réalisation préférentiel de l'invention comportant un capteur 11 de
température et deux capteurs 12 d'humidité , le capteur 11 de température,
est situé dans la cavité 10, tandis que les deux capteurs d'humidité sont
situés dans un guide d'air représenté sur la figure 2 et reliant la cavité 10 au
milieu extérieur et permettant la ventilation de la cavité 10. Le dispositif peut
comporter d'autres types de capteurs, mais ceux-ci sont suffisants. Le
dispositif comporte également des moyens 13 de cuisson, lesquels
comportent habituellement des éléments chauffants non représentés sur la
figure. Par exemple, les éléments chauffants peuvent être des éléments
chauffants par le sol, c'est-à-dire par la face inférieure de la cavité 10, ou par
le grill, c'est-à-dire par la face supérieure de la cavité 10, ou bien des
éléments chauffants disposés autour d'un système de ventilation de la cavité
10, ou encore une combinaison des éléments chauffants précédents. Les
moyens 13 de cuisson permettent de chauffer la cavité 10 et de cuire le plat
14 par l'intermédiaire d'éléments chauffants. Les rattachements des éléments
11, 12 et 13 à la cavité 10 sont représentés par des traits pointillés. Le
dispositif comporte également des moyens 20 d'extraction de paramètres qui
élaborent à partir des mesures effectuées par les capteurs 11 de température
et 12 d'humidité un groupe GP de paramètres qui seront détaillés plus loin.
Le dispositif comporte également un réseau 30 de neurones qui reçoit en
entrée le groupe GP de paramètres précédent et qui fournit en sortie aux
moyens 13 de cuisson un temps TCR de cuisson restant. Le dispositif
comporte également des moyens 40 desélection par lesquels l'utilisateur 50
fournit au dispositif une information FP de famille de plats, c'est-à-dire que
l'utilisateur indique la catégorie d'aliment à laquelle appartient le plat 14
destiné à la cuisson. Les moyens 40 de sélection peuvent par exemple
consister en un clavier ou en un ensemble de boutons, chaque bouton
correspondant à une famille de plats. Les familles de plat peuvent par
exemple être du type « tarte », « poulet », « soupe », ou d'autres familles à
définir selon l'application particulière envisagée. Les familles de plats FP sont
de préférence choisies pour que les plats d'une même famille aient des
propriétés relativement homogènes en matière de cuisson.
Le plat 14 est introduit dans la cavité 10. L'information FP de famille
de plats est fournie aux moyens 40 de sélection par l'utilisateur 50. De
préférence, l'utilisateur déclenche l'opération de cuisson, en appuyant par
exemple sur un bouton marche/arrêt. L'information FP est transmise par les
moyens 40 de sélection aux moyens 13 de cuisson. Les moyens 13 de
cuisson lancent un mode de cuisson adapté à la famille de plats FP, par
exemple pour une famille de plats « tarte » le chauffage s'effectuera surtout
par l'élément chauffant de sol. L'information FP est transmise au réseau 30
de neurones par les moyens de sélection 40. Le réseau 30 de neurones est
alors configuré d'une manière adaptée à la famille de plats FP, laquelle est
de préférence homogène. Un avantage supplémentaire du dispositif est de
comporter « virtuellement », sur une structure commune de réseau, plusieurs
réseaux de neurones simples adaptés chacun à une famille de plats FP, au
lieu d'un seul réseau global qui serait plus complexe et/ou moins efficace.
« virtuellement » signifie ici ne différant que par leur jeu de pondérations. Le
réseau 30 de neurones comporte plusieurs couches successives de
neurones 34, trois couches 31 à 33 par exemple sur la figure 1. Les neurones
34 d'une couche donnée, par exemple la couche 32, sont liés aux neurones
34 des couches voisines, les couches 31 et 33, par des liaisons 35. A
chacune de ces liaisons 35 est associée une pondération, c'est-à-dire un
coefficient, l'ensemble des ces pondérations constituant un jeu de
pondérations. A chaque famille de plats FP correspond un jeu de
pondérations. La constitution précise du réseau 30 de neurones sera
détaillée plus loin. Un jeu de pondérations adapté à la famille de plats FP est
associé au réseau 30 de neurones lequel est donc configuré d'une manière
adaptée à la famille de plats FP. De manière préférentielle, l'information FP
sera également fournie aux moyens 20 d'extraction de paramètres lesquels
seront alors aussi configurés de manière adaptée à la famille de plats FP.
Pendant la cuisson, les deux capteurs 11 et 12 vont respectivement
effectuer des mesures de température et d'humidité. De préférence, les
mesures sont effectuées depuis le début de la cuisson. A partir de ces
mesures, les moyens 20 d'extraction vont extraire au bout d'un certain temps
qui dépend de préférence de la famille de plat FP un groupe de paramètres
GP qui sera détaillé plus loin. Le groupe de paramètres GP est injecté en
entrée, c'est-à-dire du côté de la couche 31, du réseau 30 de neurones. Le
réseau 30 de neurones estime un temps TCR de cuisson restant à partir du
groupe de paramètres GP. En sortie du réseau 30 de neurones, c'est-à-dire
du côté de la couche 33, est fourni un temps TCR de cuisson restant. Le
temps TCR est transmis aux moyens 13 de cuisson qui effectuent en boucle
ouverte le temps TCR de cuisson restant. « en boucle ouverte » signifie qu'à
partir du moment où le temps TCR a été transmis aux moyens 13 de cuisson,
ces derniers sont déconnectés du réseau 30 de neurones, effectuent le
temps TCR de cuisson restant sans qu'aucune modification de mode ou de
durée de cuisson ne soit apportée par le réseau 30 de neurones jusqu'à la fin
de la cuisson. Il est bien entendu que les différents moyens précédents sont
des représentations fonctionnelles, et que le dispositif peut comporter un
microprocesseur chargé de réaliser tout ou partie des opérations
précédemment décrites ainsi que de les coordonner. D'autres liaisons
peuvent classiquement exister entre les différents moyens du dispositif,
comme par exemple celle entre le capteur de température 11 et les moyens
de cuisson 13 permettant aux moyens de cuisson 13 de contrôler la cuisson ;
elles ne sont pas représentées sur la figure 1.
Dans un mode de réalisation préférentiel d'un dispositif selon
l'invention, le groupe de paramètres est constitué de la température initiale Ti
de la cavité 10, de la dérivée dT de la température de la cavité 10 par rapport
au temps, du débit De d'eau émise par le plat à un premier instant t1 et de la
quantité Qe d'eau émise par le plat depuis le début de la cuisson jusqu'à un
deuxième instant t2. La température initiale de la cavité 10 est la température
régnant dans la cavité 10 au début de la cuisson. La dérivée dT est la pente
de la température sur une certaine période, elle traduit la masse thermique
du plat 14, la masse thermique étant le produit masse (ou poids) par capacité
calorifique ; comme à l'intérieur d'une même famille de plats FP, la capacité
calorifique est supposée évoluer de manière similaire quelque soit le plat 14,
la dérivée dT dépendra alors fortement du poids du plat 14. Par exemple, au
sein de la famille de plat « poulet », d'un poulet à l'autre, l'évolution de la
dérivée dT dépendra surtout du poids du poulet. Le paramètre de la dérivée
dT se substitue avantageusement à l'information manquante de poids du plat
14. Le débit De correspond à l'humidité régnant dans la cavité à l'instant t1.
La quantité Qe est la quantité d'eau émise depuis le début de la cuisson
jusqu'à un instant t2 ; Qe correspond donc à l'intégration au cours du temps
de l'humidité régnant dans la cavité. Les instants t1 et t2 dépendent
préférentiellement de la famille de plat FP, ils sont optimisés en réalisant des
essais. La famille de plat FP est par conséquent une donnée transmise aux
moyens 20 d'extraction pour l'extraction du groupe de paramètres GP. De
préférence, ces instants t1 et t2 sont confondus, ce qui facilite l'opération
d'extraction des paramètres. Le choix de ces paramètres résultent d'une
optimisation qualité de l'estimation du réseau 30 de neurones par rapport à la
complexité du groupe de paramètres GP et de la structure du réseau 30 de
neurones.
Les figures 2A et 2B représentent schématiquement respectivement
une vue de dessus et une vue de côté d'un guide d'air d'une réalisation
préférentielle d'un dispositif de cuisson automatique selon l'invention. Le
dispositif de cuisson automatique utilise un guide d'air 1 déjà existant pour la
ventilation de l'air de la cavité du four pendant la cuisson. Le guide 1 d'air est
situé au-dessus de la face supérieure de la cavité non représentée sur la
figure. Le guide 1 permet la ventilation de la cavité en évacuant de l'air
chargé d'humidité provenant de l'eau émise par le plat pendant la cuisson.
L'air quittant la cavité passe par une entrée non représentée du guide 1 avant
d'arriver dans le guide 1. A l'air de cuisson provenant de la cavité, se joint
dans le guide 1 de l'air ambiant provenant du milieu extérieur non représenté
sur la figure. Les flèches en traits pleins représentent la circulation de l'air
ambiant et les triangles reliés par pointillés représentent la circulation de l'air
de cuisson. Sur le chemin de la circulation d'air, il y a une zone 2 dans
laquelle circule un mélange d'air ambiant et d'air de cuisson. Il y a aussi une
zone 5 dans laquelle ne circule que de l'air ambiant. Dans une réalisation
préférentielle selon l'invention, le dispositif comporte un premier capteur 3
d'humidité placé dans la zone 2 du guide 1. Le premier capteur 3 est soumis
à des contraintes thermiques beaucoup moins importantes que s'il était placé
dans la cavité, ce qui autorise l'emploi d'un capteur d'humidité ne supportant
que de faibles contraintes thermiques. Cependant, ce premier capteur 3
mesure l'humidité contenue dans un mélange contenant de l'air de cuisson
certes, mais également de l'air ambiant dont l'humidité est différente de celle
de la cavité. Afin de corriger cette influence de l'humidité du milieu extérieur,
le dispositif comporte alors un deuxième capteur 6 d'humidité placé dans la
zone 5 ne mesurant que l'humidité ambiante, c'est-à-dire du milieu extérieur.
La connaissance des informations données respectivement par les deux
capteurs 3 et 6 permet au dispositif de remonter à la valeur de l'humidité
régnant dans la cavité, c'est-à-dire au débit d'eau émise par le plat pendant la
cuisson. Les zones 2 et 5 sont représentées symboliquement, le contour
exact des dites zones étant plus complexe, et la frontière entre les dites
zones n'étant pas brutale.
Les capteurs d'humidité pouvant avoir une réponse dépendant de la
température à laquelle ils fonctionnent, le dispositif comporte
avantageusement deux capteurs annexes 4 et 7 de température
respectivement placés au voisinage des capteurs 3 et 6 d'humidité,
suffisamment près pour que les différences de température entre l'endroit où
est placé un capteur d'humidité et l'endroit où est placé le capteur annexe de
température associé soient insignifiantes. Les informations des capteurs
annexes 4 et 7 permettent alors au dispositif de moduler la réponse des
capteurs d'humidité 3 et 6 en fonction des températures auxquelles les
capteurs d'humidité 3 et 6 sont soumis.
Le capteur de température mesurant la température de la cavité est
avantageusement placé dans la cavité, il servira également de sonde de
régulation de température pour la cuisson. Le four comporte de préférence un
système de ventilation permettant d'homogénéiser la température dans la
cavité pendant la cuisson.
Le réseau de neurones de la figure 1 va maintenant être détaillé dans
un mode de réalisation préférentiel. Les numéros sont ceux de la figure 1. Le
réseau 30 de neurones comporte des neurones 34 réparties en plusieurs
couches 31 à 33. Le réseau comporte trois couches de neurones, la couche
31 d'entrée, la couche 32 intermédiaire, et la couche de sortie 33. Les
neurones 34 sont reliés entre eux par des liaisons 35. Il y a une liaison entre
chaque neurone de la couche 31 d'entrée et chaque neurone de la couche
32 intermédiaire, ainsi qu'entre chaque neurone de la couche 32
intermédiaire et chaque neurone de la couche 33 de sortie. Les liaisons 35
ont des pondérations. Les neurones de la couche 31 d'entrée correspondent
aux paramètres du groupe de paramètres GP, ils sont donc de préférence au
nombre de quatre. La couche 33 de sortie fournit une seule valeur, le temps
TCR de cuisson restant, elle est donc de préférence constituée d'un seul
neurone. Chaque neurone de la couche 32 intermédiaire reçoit de chacun
des quatre neurones de la couche 31 d'entrée un signal. Le signal émis par
un neurone na de la couche 31 d'entrée vers un neurone nb de la couche 32
intermédiaire correspond à la valeur du paramètre affecté au neurone na
pondérée par la pondération de la liaison existant entre les neurones na et
nb. A son tour et dans les mêmes conditions, le neurone de la couche 33 de
sortie reçoit des signaux provenant des neurones de la couche 32
intermédiaire, signaux à partir duquel il émet un signal représentant le temps
TCR de cuisson restant estimé.
Comme expliqué plus haut, à chaque famille de plats FP correspond
un jeu de pondérations des liaisons entre neurones. Ces jeux de
pondérations sont déterminés au cours de phases d'apprentissage sur des
exemples avec l'aide d'un expert cuisinier. Les exemples différent aussi bien
par des variations de plat, tout en restant dans la même famille, que des
variations de température initiale par exemple. Chaque jeu de pondération
est déterminé avantageusement de la façon suivante. Sur une série
d'exemples appartenant à une même famille de plats, on effectue la
comparaison entre le temps de cuisson donné par l'expert cuisinier et le
temps de cuisson estimé par le réseau de neurones, on obtient alors une
erreur. L'expert cuisinier estime le temps de cuisson sur la base de sa vue,
de son odorat, de son expérience, etc. Au fil des exemples, par
« rétropropagation du gradient de l'erreur », le réseau de neurones s'efforce
de corriger, de minimiser ses erreurs par une méthode statistique recherchant
les corrélations entre les différents exemples. Le jeu des pondérations obtenu
lorsque les erreurs sont minimisées sera le jeu retenu pour la famille de plat
correspondante, pour les cuissons réalisées ensuite par l'utilisateur. Lorsque
les erreurs sont suffisamment minimisées, le réseau est dit « convergent ».
Chaque famille de plats ayant un jeu de pondérations spécifique, sur une
structure de réseau de neurones commune on peut ainsi définir plusieurs
réseaux de neurones « virtuels », c'est-à-dire ne différant que par leur jeu de
pondérations, chaque réseau de neurones « virtuel » étant adapté et donc
optimisé pour une famille de plats FP particulière. Ceci permet d'obtenir une
structure de réseau de neurones à la fois simple et convergente.
Chaque famille de plats peut nécessiter un nombre d'exemples plus
ou moins élevé, selon que la famille est « simple » ou « complexe ». Une
famille de plats simple est une famille dont les différents éléments ont un
comportement quasi-identique, et une famille de plats complexe est une
famille dont les différents éléments ont un comportement plus disparate. Pour
que le réseau de neurones converge, il faut que le nombre de neurones de la
couche intermédiaire soit suffisamment grand. Mais si ce nombre devient de
l'ordre de grandeur du nombre d'exemples par famille de plats utilisés
pendant les phases d'apprentissage, le réseau aura tendance à « se
spécialiser», c'est-à-dire à associer chaque neurone de la couche
intermédiaire à un ou deux exemples d'apprentissage, et lors d'une cuisson
effectuée par l'utilisateur, le réseau de neurones estimera un temps de
cuisson restant erroné si le plat et les conditions de cuisson ne correspondent
pas exactement à l'un des exemples de la phase d'apprentissage. Il faut au
contraire obliger le réseau de neurones à « généraliser » les exemples de la
phase d'apprentissage en choisissant un rapport entre le nombre d'exemples
et le nombre de neurones de la couche intermédiaire qui soit suffisamment
grand. De préférence, la couche intermédiaire comporte six neurones, et le
nombre d'exemples par famille de plats pendant la phase d'apprentissage est
de l'ordre de vingt.
Le dispositif selon l'invention est simple et efficace. Il a également
l'avantage d'être évolutif. En effet, l'introduction d'une nouvelle famille de
plats ne nécessite que le stockage d'un nouveau jeu de pondérations obtenu
au cours d'une phase d'apprentissage supplémentaire sur quelques
exemples de plats appartenant à la nouvelle famille.
Le dispositif selon l'invention peut également combiner les moyens
précédemment décrits pour des familles de plats relativement complexes et
d'autres moyens plus traditionnels, utilisant par exemple des relations
calculant directement le temps de cuisson restant à partir des mesures
effectuées par les capteurs de température et d'humidité, pour des familles
de plats très simples, c'est-à-dire dont tous les éléments ont un
comportement uniforme.
Claims (10)
- Dispositif de cuisson automatique comportant un four, au moins un capteur (11) de température mesurant la température (T) dans la cavité (10) du four, au moins un capteur (12) d'humidité mesurant l'humidité (H) dans la cavité (10) du four, et un réseau (30) de neurones (34), caractérisé en ce que le dispositif comporte également des moyens (40) de sélection auxquels l'utilisateur (50) fournit une information de famille (FP) de plats donnée, des moyens pour associer au réseau (30) de neurones (34) un jeu de pondérations des liaisons (35) entre les neurones (34), le jeu étant adapté à la famille (FP) de plats, des moyens (13) de cuisson qui lancent un mode de cuisson adapté à la famille (FP) de plats, des moyens (20) d'extraction qui extraient un groupe (GP) de paramètres à partir des mesures effectuées par le capteur (11) de température et par le capteur (12) d'humidité, en ce que le réseau (30) de neurones (34) estime un temps (TCR) de cuisson restant à partir du groupe (GP) de paramètres, et en ce que les moyens (13) de cuisson effectuent en boucle ouverte le temps (TCR) de cuisson restant.
- Dispositif selon la revendication 1, caractérisé en ce que le dispositif comporte deux capteurs (3,6) d'humidité absolue et un guide (1) d'air lequel comporte une première zone (2) où passe de l'air provenant de la cavité et d'un milieu extérieur et une deuxième zone (5) où ne passe pas d'air provenant de la cavité mais seulement de l'air provenant du milieu extérieur, le premier capteur (3) d'humidité étant placé dans la première zone (2) et le deuxième capteur (6) d'humidité étant placé dans la deuxième zone (5).
- Dispositif selon la revendication 2, caractérisé en ce que le dispositif comporte aussi deux capteurs (4,7) annexes de température, chaque capteur (4,7) annexe de température étant placé au voisinage d'un des capteurs (3,6) d'humidité, et en ce que le dispositif module en température la réponse des capteurs (3,6) d'humidité à l'aide des capteurs (4,7) annexes de température.
- Dispositif selon l'une quelconque des revendications précédentes, caractérisé en ce que le groupe (GP) de paramètres est constitué de la température initiale (Ti) de la cavité (10), de la dérivée (dT) de la température de la cavité (10) par rapport au temps, du débit (De) d'eau émise par le plat (14) à un premier instant (t1) et de la quantité (Qe) d'eau émise par le plat (14) depuis le début de la cuisson jusqu'à un deuxième instant (t2).
- Dispositif selon la revendication 4, caractérisé en ce que le premier instant (t1) et le deuxième instant (t2) sont confondus.
- Dispositif selon l'une quelconque des revendications 4 à 5, caractérisé en ce que le premier et le deuxième instants (t1, t2) sont adaptés à la famille (FP) de plats.
- Dispositif selon l'une quelconque des revendications précédentes, caractérisé en ce que le réseau (30) de neurones (34) est constitué de trois couches (31, 32, 33) successives qui sont : la couche (31) d'entrée constituée de quatre neurones, la couche (32) intermédiaire, la couche (33) de sortie constituée d'un neurone.
- Dispositif selon la revendication 7, caractérisé en ce que, chaque jeu des pondérations des liaisons (35) étant déterminé au cours d'un apprentissage avec un nombre d'exemples prédéfini, le rapport entre le nombre d'exemples et le nombre de neurones de la couche intermédiaire est suffisamment grand pour empêcher le réseau (30) de neurones (34) de se spécialiser sur les exemples.
- Dispositif selon la revendication 8, caractérisé en ce que le nombre d'exemples est de l'ordre de vingt et en ce que la couche intermédiaire comporte six neurones.
- Dispositif selon l'une quelconque des revendications précédentes, caractérisé en ce que le four est un four traditionnel.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR9800135 | 1998-01-08 | ||
| FR9800135A FR2773390B1 (fr) | 1998-01-08 | 1998-01-08 | Dispositif de cuisson automatique utilisant un reseau de neurones |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| EP0928929A1 true EP0928929A1 (fr) | 1999-07-14 |
| EP0928929B1 EP0928929B1 (fr) | 2003-04-16 |
Family
ID=9521607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| EP19990400041 Expired - Lifetime EP0928929B1 (fr) | 1998-01-08 | 1999-01-08 | Dispositif de cuisson automatique utilisant un réseau de neurones |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP0928929B1 (fr) |
| DE (1) | DE69906826T2 (fr) |
| ES (1) | ES2195522T3 (fr) |
| FR (1) | FR2773390B1 (fr) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009027304A1 (fr) | 2007-08-24 | 2009-03-05 | Arcelik Anonim Sirketi | Four |
| US7971450B2 (en) | 2005-04-05 | 2011-07-05 | Electrolux Professional Spa | Deep-freezer with neural network |
| EP1980791B1 (fr) | 2003-08-06 | 2016-11-09 | BSH Hausgeräte GmbH | Appareil de cuisson avec capteur de brunissement |
| CN107965803A (zh) * | 2017-11-16 | 2018-04-27 | 广东永衡良品科技有限公司 | 一种提醒防干烧的智能检测装置及其控制方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105444222B (zh) * | 2015-12-11 | 2017-11-14 | 美的集团股份有限公司 | 微波炉的烹饪控制方法、系统、云服务器和微波炉 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0529644A2 (fr) * | 1991-08-30 | 1993-03-03 | Matsushita Electric Industrial Co., Ltd. | Appareil de cuisson |
| JPH05172334A (ja) * | 1991-10-21 | 1993-07-09 | Matsushita Electric Ind Co Ltd | 調理器具 |
| JPH05172338A (ja) * | 1991-12-20 | 1993-07-09 | Matsushita Electric Ind Co Ltd | 調理器具 |
| EP0794387A1 (fr) * | 1994-09-27 | 1997-09-10 | Matsushita Electric Industrial Co., Ltd. | Methode d'estimation de la temperature de l'interieur d'une substance a cuire et dispositif de cuisson thermique mettant en uvre cette methode |
-
1998
- 1998-01-08 FR FR9800135A patent/FR2773390B1/fr not_active Expired - Lifetime
-
1999
- 1999-01-08 ES ES99400041T patent/ES2195522T3/es not_active Expired - Lifetime
- 1999-01-08 DE DE69906826T patent/DE69906826T2/de not_active Expired - Lifetime
- 1999-01-08 EP EP19990400041 patent/EP0928929B1/fr not_active Expired - Lifetime
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0529644A2 (fr) * | 1991-08-30 | 1993-03-03 | Matsushita Electric Industrial Co., Ltd. | Appareil de cuisson |
| JPH05172334A (ja) * | 1991-10-21 | 1993-07-09 | Matsushita Electric Ind Co Ltd | 調理器具 |
| JPH05172338A (ja) * | 1991-12-20 | 1993-07-09 | Matsushita Electric Ind Co Ltd | 調理器具 |
| EP0794387A1 (fr) * | 1994-09-27 | 1997-09-10 | Matsushita Electric Industrial Co., Ltd. | Methode d'estimation de la temperature de l'interieur d'une substance a cuire et dispositif de cuisson thermique mettant en uvre cette methode |
Non-Patent Citations (1)
| Title |
|---|
| PATENT ABSTRACTS OF JAPAN vol. 017, no. 592 (M - 1502) 28 October 1993 (1993-10-28) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1980791B1 (fr) | 2003-08-06 | 2016-11-09 | BSH Hausgeräte GmbH | Appareil de cuisson avec capteur de brunissement |
| US7971450B2 (en) | 2005-04-05 | 2011-07-05 | Electrolux Professional Spa | Deep-freezer with neural network |
| WO2009027304A1 (fr) | 2007-08-24 | 2009-03-05 | Arcelik Anonim Sirketi | Four |
| CN107965803A (zh) * | 2017-11-16 | 2018-04-27 | 广东永衡良品科技有限公司 | 一种提醒防干烧的智能检测装置及其控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| DE69906826D1 (de) | 2003-05-22 |
| DE69906826T2 (de) | 2004-03-04 |
| FR2773390B1 (fr) | 2000-03-24 |
| FR2773390A1 (fr) | 1999-07-09 |
| ES2195522T3 (es) | 2003-12-01 |
| EP0928929B1 (fr) | 2003-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2855773C (fr) | Dispositif de cuisson | |
| EP2898799B1 (fr) | Système de cuisson à utilisation assistée | |
| EP2208448B1 (fr) | Appareil de cuisson à cuisson séquentielle, système et procédé afférents | |
| Young | Food photography: From snapshots to great shots | |
| CN107923898A (zh) | 基于营养的食品系统和方法 | |
| US11470853B2 (en) | Interface and application for designing a chocolate-making experience | |
| EP0928929B1 (fr) | Dispositif de cuisson automatique utilisant un réseau de neurones | |
| WO2012056173A1 (fr) | Procède de commande d'un cuiseur a riz sous pression et cuiseur associé | |
| WO1988001770A1 (fr) | Dispositif pour la mise en oeuvre d'un procede d'alimentation des personnes | |
| JP6542802B2 (ja) | 食品の調理プロセスを制御する方法及び調理装置 | |
| US20230344959A1 (en) | Infrared toaster | |
| Jones | Candy Making For Dummies | |
| CN106388640A (zh) | 油炸装置控制方法和计算机程序及执行该方法的油炸装置 | |
| CA3052667A1 (fr) | Procede de cuisson avec modele predictif | |
| CN108594673A (zh) | 菜谱生成方法及厨房电器 | |
| Donis-González et al. | Color vision system to assess English walnut (Juglans Regia) kernel pellicle color | |
| EP3957220A1 (fr) | Procede de commande du temps de cuisson et appareil de cuisson associe | |
| EP0609762B1 (fr) | Procédé de commande de cuisson d'un appareil de cuisson comportant un dispositif de dorage et un dispositif de génération d'énergie micro-ondes | |
| Wanlapa et al. | Instrumental and sensory evaluation of textural changes during roasting of cashew kernels | |
| Sabat et al. | Long short‐term memory based real‐time monitoring of potato slice drying using image chromatic features | |
| FR2807147A1 (fr) | Procede pour faire fonctionner un four de cuisson et four de cuisson correspondant | |
| Bernstein et al. | Preference mapping of commercial whole wheat breads | |
| CN112305965A (zh) | 一种自动烹饪示教方法以及示教系统 | |
| JP2855901B2 (ja) | 調理器具 | |
| KR102567569B1 (ko) | 버블코팅용 탕후루 코팅시럽 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PUAI | Public reference made under article 153(3) epc to a published international application that has entered the european phase |
Free format text: ORIGINAL CODE: 0009012 |
|
| AK | Designated contracting states |
Kind code of ref document: A1 Designated state(s): DE DK ES FR GB IT NL SE |
|
| AX | Request for extension of the european patent |
Free format text: AL;LT;LV;MK;RO;SI |
|
| 17P | Request for examination filed |
Effective date: 20000106 |
|
| AKX | Designation fees paid |
Free format text: DE DK ES FR GB IT NL SE |
|
| GRAG | Despatch of communication of intention to grant |
Free format text: ORIGINAL CODE: EPIDOS AGRA |
|
| 17Q | First examination report despatched |
Effective date: 20020422 |
|
| GRAG | Despatch of communication of intention to grant |
Free format text: ORIGINAL CODE: EPIDOS AGRA |
|
| GRAH | Despatch of communication of intention to grant a patent |
Free format text: ORIGINAL CODE: EPIDOS IGRA |
|
| GRAH | Despatch of communication of intention to grant a patent |
Free format text: ORIGINAL CODE: EPIDOS IGRA |
|
| GRAA | (expected) grant |
Free format text: ORIGINAL CODE: 0009210 |
|
| AK | Designated contracting states |
Designated state(s): DE DK ES FR GB IT NL SE |
|
| REG | Reference to a national code |
Ref country code: GB Ref legal event code: FG4D Free format text: NOT ENGLISH |
|
| REF | Corresponds to: |
Ref document number: 69906826 Country of ref document: DE Date of ref document: 20030522 Kind code of ref document: P |
|
| PG25 | Lapsed in a contracting state [announced via postgrant information from national office to epo] |
Ref country code: SE Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT Effective date: 20030716 Ref country code: DK Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT Effective date: 20030716 |
|
| GBT | Gb: translation of ep patent filed (gb section 77(6)(a)/1977) |
Effective date: 20030715 |
|
| PLBE | No opposition filed within time limit |
Free format text: ORIGINAL CODE: 0009261 |
|
| STAA | Information on the status of an ep patent application or granted ep patent |
Free format text: STATUS: NO OPPOSITION FILED WITHIN TIME LIMIT |
|
| 26N | No opposition filed |
Effective date: 20040119 |
|
| REG | Reference to a national code |
Ref country code: FR Ref legal event code: TP Ref country code: FR Ref legal event code: CD Ref country code: FR Ref legal event code: CA |
|
| NLS | Nl: assignments of ep-patents |
Owner name: COMPAGNIE EUROPEENNE DE FABRICATION D'ENCEINTES MI Effective date: 20071018 Owner name: BRANDT INDUSTRIES Effective date: 20071018 |
|
| NLT1 | Nl: modifications of names registered in virtue of documents presented to the patent office pursuant to art. 16 a, paragraph 1 |
Owner name: BRANDT COOKING |
|
| PGFP | Annual fee paid to national office [announced via postgrant information from national office to epo] |
Ref country code: GB Payment date: 20110222 Year of fee payment: 13 |
|
| REG | Reference to a national code |
Ref country code: FR Ref legal event code: CD Owner name: FAGORBRANDT SAS, FR Effective date: 20110826 |
|
| REG | Reference to a national code |
Ref country code: ES Ref legal event code: PC2A Owner name: FAGORBRANDT SAS Effective date: 20111021 |
|
| REG | Reference to a national code |
Ref country code: NL Ref legal event code: TD Effective date: 20111221 |
|
| REG | Reference to a national code |
Ref country code: DE Ref legal event code: R082 Ref document number: 69906826 Country of ref document: DE Representative=s name: PRINZ & PARTNER PATENTANWAELTE RECHTSANWAELTE, DE Effective date: 20120322 Ref country code: DE Ref legal event code: R082 Ref document number: 69906826 Country of ref document: DE Representative=s name: PRINZ & PARTNER MBB PATENTANWAELTE RECHTSANWAE, DE Effective date: 20120322 Ref country code: DE Ref legal event code: R081 Ref document number: 69906826 Country of ref document: DE Owner name: GROUPE BRANDT, FR Free format text: FORMER OWNER: BRANDT INDUSTRIES, RUEIL MALMAISON, FR Effective date: 20120322 Ref country code: DE Ref legal event code: R081 Ref document number: 69906826 Country of ref document: DE Owner name: FAGORBRANDT SAS, FR Free format text: FORMER OWNER: BRANDT INDUSTRIES, RUEIL MALMAISON, FR Effective date: 20120322 |
|
| GBPC | Gb: european patent ceased through non-payment of renewal fee |
Effective date: 20120108 |
|
| PG25 | Lapsed in a contracting state [announced via postgrant information from national office to epo] |
Ref country code: GB Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES Effective date: 20120108 |
|
| PGFP | Annual fee paid to national office [announced via postgrant information from national office to epo] |
Ref country code: NL Payment date: 20130121 Year of fee payment: 15 |
|
| REG | Reference to a national code |
Ref country code: NL Ref legal event code: V1 Effective date: 20140801 |
|
| PG25 | Lapsed in a contracting state [announced via postgrant information from national office to epo] |
Ref country code: NL Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES Effective date: 20140801 |
|
| REG | Reference to a national code |
Ref country code: FR Ref legal event code: PLFP Year of fee payment: 18 |
|
| REG | Reference to a national code |
Ref country code: ES Ref legal event code: PC2A Owner name: GROUPE BRANDT Effective date: 20160307 |
|
| REG | Reference to a national code |
Ref country code: DE Ref legal event code: R082 Ref document number: 69906826 Country of ref document: DE Representative=s name: PRINZ & PARTNER MBB PATENTANWAELTE RECHTSANWAE, DE Ref country code: DE Ref legal event code: R081 Ref document number: 69906826 Country of ref document: DE Owner name: GROUPE BRANDT, FR Free format text: FORMER OWNER: FAGORBRANDT SAS, RUEIL-MALMAISON, FR |
|
| REG | Reference to a national code |
Ref country code: FR Ref legal event code: TP Owner name: GROUPE BRANDT, FR Effective date: 20160420 |
|
| REG | Reference to a national code |
Ref country code: FR Ref legal event code: GC Effective date: 20160426 |
|
| REG | Reference to a national code |
Ref country code: FR Ref legal event code: PLFP Year of fee payment: 19 |
|
| PGFP | Annual fee paid to national office [announced via postgrant information from national office to epo] |
Ref country code: DE Payment date: 20170210 Year of fee payment: 19 |
|
| PGFP | Annual fee paid to national office [announced via postgrant information from national office to epo] |
Ref country code: IT Payment date: 20170123 Year of fee payment: 19 Ref country code: ES Payment date: 20170103 Year of fee payment: 19 |
|
| REG | Reference to a national code |
Ref country code: FR Ref legal event code: PLFP Year of fee payment: 20 |
|
| PGFP | Annual fee paid to national office [announced via postgrant information from national office to epo] |
Ref country code: FR Payment date: 20180129 Year of fee payment: 20 |
|
| REG | Reference to a national code |
Ref country code: DE Ref legal event code: R119 Ref document number: 69906826 Country of ref document: DE |
|
| PG25 | Lapsed in a contracting state [announced via postgrant information from national office to epo] |
Ref country code: DE Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES Effective date: 20180801 |
|
| PG25 | Lapsed in a contracting state [announced via postgrant information from national office to epo] |
Ref country code: IT Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES Effective date: 20180108 |
|
| REG | Reference to a national code |
Ref country code: ES Ref legal event code: FD2A Effective date: 20190730 |
|
| PG25 | Lapsed in a contracting state [announced via postgrant information from national office to epo] |
Ref country code: ES Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES Effective date: 20180109 |