EP3963262A1 - Verfahren zum betreiben eines gargeräts und gargerät - Google Patents

Verfahren zum betreiben eines gargeräts und gargerät

Info

Publication number
EP3963262A1
EP3963262A1 EP20734521.6A EP20734521A EP3963262A1 EP 3963262 A1 EP3963262 A1 EP 3963262A1 EP 20734521 A EP20734521 A EP 20734521A EP 3963262 A1 EP3963262 A1 EP 3963262A1
Authority
EP
European Patent Office
Prior art keywords
cooking
data
frequency
food
model
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.)
Withdrawn
Application number
EP20734521.6A
Other languages
English (en)
French (fr)
Inventor
Helge Nelson
Timo Schmull
Volker Backherms
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Miele und Cie KG
Original Assignee
Miele und Cie KG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Miele und Cie KG filed Critical Miele und Cie KG
Publication of EP3963262A1 publication Critical patent/EP3963262A1/de
Withdrawn legal-status Critical Current

Links

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
    • F24C7/082—Arrangement or mounting of control or safety devices on ranges, e.g. control panels, illumination
    • F24C7/085—Arrangement or mounting of control or safety devices on ranges, e.g. control panels, illumination on baking ovens
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47J—KITCHEN EQUIPMENT; COFFEE MILLS; SPICE MILLS; APPARATUS FOR MAKING BEVERAGES
    • A47J36/00—Parts, details or accessories of cooking-vessels
    • A47J36/32—Time-controlled igniting mechanisms or alarm devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/04—Program control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Program control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B6/00—Heating by electric, magnetic or electromagnetic fields
    • H05B6/64—Heating using microwaves
    • H05B6/6447—Method of operation or details of the microwave heating apparatus related to the use of detectors or sensors
    • H05B6/6467—Method of operation or details of the microwave heating apparatus related to the use of detectors or sensors using detectors with R.F. transmitters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2643—Oven, cooking

Definitions

  • the present invention relates to a method for operating a cooking appliance with at least one cooking space for preparing food and a cooking appliance.
  • High-frequency measuring system high-frequency data are recorded during the cooking process.
  • At least one cooking parameter characterizing the food to be cooked is derived from the high-frequency data by means of at least one processing device.
  • Skewer thermometers are often used for meat products to measure the core temperature. When a certain core temperature is reached, the
  • the method according to the invention is used to operate a cooking appliance with at least one cooking space for the preparation of food.
  • high-frequency data are recorded during the cooking process, ideally
  • At least one of the items to be cooked is converted from the high-frequency data by means of at least one processing device
  • the high-frequency data are processed by means of at least one machine learning model stored in the processing device and in particular self-learning.
  • the processing device independently derives the cooking parameters from the high-frequency data using the model.
  • the method according to the invention offers many advantages.
  • the use of the machine learning model to calculate the cooking parameter from the high-frequency data offers a significant advantage. This allows for a wide variety of cooking processes and previously unknown from the model and not stored in the processing device
  • High-frequency data of the cooking parameters can be reliably predicted or determined.
  • the invention can by its model z. B. also reliably determine the time of completion when recipes are implemented for which the device is not specifically set at the factory due to the variety of possible combinations of foods or which are not stored as such in the device.
  • the cooking process includes inserting the
  • the high-frequency measuring system preferably records at least one reflection spectrum and in particular at least two and preferably several reflection spectra of the cooking space and / or of the food to be cooked. In doing so, the high-frequency data are transmitted using the
  • Processing device calculated from the reflection spectra. Then there is one in particular further processing or offsetting of the reflection spectra is planned. It is also possible that the high-frequency data are reflection spectra. The reflection spectra are then preferably used directly to calculate the cooking parameter.
  • Reflection spectra are, in particular, scattering parameters or S-parameters or include such or are variables derived from the scattering parameters. That offers a special one
  • reflection spectra is understood to mean, in particular, both spectra in the sense of frequency ranges and, in particular, pulses in the sense of time ranges.
  • the high-frequency measuring system is suitable and designed to provide reflection spectra
  • the high-frequency data describe changes in the reflection spectra over time.
  • the reflection spectra are preferably recorded repeatedly during the cooking process.
  • changes over time in the reflection spectra are determined during the cooking process and used to determine the cooking parameter.
  • the high-frequency data preferably reflect changes in the food and / or in the cooking space during the cooking process. It is possible that the high-frequency data are processed further before they are fed to the model. The high-frequency data can, however, also be fed directly or unprocessed to the model.
  • the model is or has been created and / or is being trained by monitored machine learning.
  • at least one amount of data from a representative amount of cooking processes is preferably recorded as a reference.
  • the amount of data preferably includes at least the high-frequency data.
  • Contain cooking parameters as target size also referred to as label.
  • Correlations between the high-frequency data and the cooking parameter are then preferably learned, so that the model is then able, starting from the high-frequency data, to infer the cooking parameter or to calculate the cooking parameter independently. In this way, a particularly reproducible determination of the cooking parameter can be carried out even with very different recipes or cooking processes.
  • model is taken from a group of model types, including at least analytical models and, for example, equations, statistical Models and, for example, regressors, artificial neural networks, convolutional neural networks (CNN or ConvNet), model types of machine learning.
  • CNN convolutional neural networks
  • ConvNet convolutional neural networks
  • model types of machine learning In German, CNN means something like a folding neural network.
  • the model is preferably capable of learning or
  • the model can be suitable and designed that
  • the model comprises at least one piece of software or is designed as such.
  • the model provides an artificial intelligence and / or an assistant.
  • the cooking parameter is preferably taken from a group of parameters, including at least core temperature, browning status, moisture status, freezing status,
  • Crust formation changes in the aforementioned parameters over time.
  • the cooking parameter indicates whether the food is frozen or thawed.
  • the core temperature is given in degrees Celsius or Kelvin, for example.
  • the cooking parameters can be displayed to the user and / or to a control device for controlling a
  • Treatment facility are provided. It is possible and preferred that further cooking parameters characterizing the food or the cooking process are derived from the model.
  • device data are also processed with the model.
  • the model independently derives the cooking parameter from a combination of the high-frequency data with at least the device data.
  • the device data are retrieved and / or provided by a control device of the cooking device in particular.
  • the device data describe in particular at least one variable that is characteristic of the operation of the cooking device.
  • the device data describe, for example, a
  • Control variable and / or control variable for a treatment facility It is possible for the device data to include at least one variable that can be detected by sensors. Such a combination offers a particularly reliable and reproducible determination of the cooking parameter.
  • the device data are in particular taken from a group of data, including at least at least thermal and / or energetic status data of the cooking chamber, operating mode, switched consumers, runtime of the cooking process. It is possible and preferred that the device data include at least one further parameter characterizing the device or its operating state.
  • loading data are also processed with the model.
  • the cooking parameter is preferably derived independently by the model from a combination of the high-frequency data with at least the load data.
  • the model independently derives the cooking parameter from a combination of the high-frequency data with at least the load data and at least the device data.
  • the loading data include in particular at least one characteristic variable for loading the cooking space. Such a combination offers a particularly reliable and reproducible determination of the cooking parameter.
  • the loading data are preferably recorded by the high-frequency measuring system.
  • the loading data are preferably determined from the high-frequency data and / or determined by high-frequency measurements carried out specifically for this purpose by means of the high-frequency measuring system. It is also possible and preferred for the loading data to be recorded by means of at least one sensor device.
  • the sensor device comprises in particular at least one camera device.
  • the loading data are then preferably determined from the image data captured with the camera device.
  • the camera device captures images from the cooking space for this purpose.
  • other sensors can also be provided.
  • the loading data are preferably taken from a group of data, including at least geometric properties of the food and / or of a food container / carrier, position of the food and / or of a food container / carrier, type of food and / or of a food container / carrier.
  • the geometry properties include, for example, a height and / or size and / or width and / or length and / or contour and / or shape and / or a volume of the food and / or the food container / carrier.
  • the load data describe the position of the item to be cooked and / or the item to be cooked / carrier in the cooking space.
  • the load data describe the insertion height of a food rack in the cooking space.
  • the type of food to be cooked is in particular a type of food and, for example, meat, fish, vegetables, pasta.
  • the type of food container is in particular a
  • the loading data include at least one further parameter characterizing the loading.
  • Treatment device for the preparation of food is controlled by means of at least one control device as a function of the cooking parameter.
  • At least one parameter of at least one treatment program also referred to as an automatic function and / or automatic program, is particularly preferably adapted as a function of the cooking parameter.
  • Such Design offers a particularly convenient and at the same time reliable preparation of the most varied of recipes and foods.
  • the cooking parameter describes the finishing time and the control device ends the cooking process when the
  • the treatment device is controlled by at least one control device as a function of at least one treatment program.
  • the control device adapts the treatment program as a function of the cooking parameter.
  • the calculated cooking parameter is communicated to the user,
  • a display device for example via a display device or a mobile terminal or the like.
  • high-frequency measurement radiation with a plurality of distinguishable frequencies and / or phases is introduced into the cooking chamber by means of the high-frequency measurement system
  • the measuring radiation is received again and evaluated by means of the high-frequency measuring system.
  • the reflection spectra are created on the basis of at least one comparison of the received and emitted measurement radiation as a function of frequency and / or phase.
  • the measurement radiation can also be transmitted and / or received and / or evaluated as a pulse and in particular as an ultra-short pulse.
  • the cooking appliance according to the invention is suitable and designed to be operated according to the method described above.
  • the cooking appliance comprises in particular at least one treatment device and at least one cooking space.
  • the cooking appliance comprises at least one high-frequency measuring system for acquiring high-frequency data during the cooking process.
  • a processing device for processing the
  • Radio frequency data is either directly in the device or at an external location, e.g. a cloud or a server.
  • the high-frequency measuring system comprises in particular at least one high-frequency generator and / or at least one antenna (in particular flat or planar) assigned to the cooking chamber and / or at least one transmitting unit and / or at least one
  • Receiving unit and / or at least one evaluation unit receives and/or at least one evaluation unit.
  • Several transmitters and / or receivers can also be provided.
  • the high-frequency measuring system is then constructed, in particular, in the manner of an antenna array or comprises at least one such.
  • the high-frequency measuring system is particularly broadband and can be operated in the range from 100 MHz to 5 GHz, where a good excitation of common food and water is possible.
  • the frequency range is selected in particular so that a
  • the high-frequency measuring system can transmit and / or receive and / or measure in particular over a broadband.
  • the high-frequency measuring system comprises in particular at least one transmitter / receiver unit evaluation transceiver.
  • the high-frequency measuring system, in particular the transceiver, is preferably suitable and designed for at least one of the
  • Frequency sweep pulse radar, FMCW (Frequency Modulated Continuous Wave), other suitable methods for recording
  • the treatment device comprises in particular at least one high-frequency device with at least one high-frequency generator for introducing high-frequency radiation into the cooking chamber.
  • This high frequency radiation is suitable to act as measuring radiation.
  • the high-frequency radiation can also be used to prepare food.
  • the high-frequency measuring system is particularly suitable and designed for determining the degree of absorption that is sent into the cooking space for the preparation of food to be cooked
  • a reduction in the transmission power can be provided.
  • the transmission power provided for preparing the food can be maintained for measuring.
  • the high-frequency measuring system is suitable and designed to use a broadband measurement radiation to determine the degree of absorption, which has a multiple (for example ten or hundred times) lower power than the narrow band sent into the cooking space for the preparation of food to be cooked Has high frequency radiation.
  • the measuring radiation is in particular not suitable or designed for preparing food to be cooked. It is possible that the
  • Measurement radiation is generated by the high-frequency measurement system and that
  • the high-frequency measuring system has its own high-frequency generator for this purpose.
  • Measurement radiation can also be generated by the high-frequency device of the treatment device.
  • FIG. 1 is a purely schematic representation of a cooking device according to the invention in a front view; and FIG. 2 shows a purely schematic and sketchy representation of a relationship between a variable that is characteristic of the food or the state of cooking in relation to the cooking time.
  • FIG. 1 shows a cooking device 1 according to the invention, which is designed here as an oven 100 or combination device.
  • the cooking appliance 1 is operated according to the method according to the invention.
  • the cooking appliance 1 has a heatable cooking space 2, which can be closed by a cooking space door 12.
  • the cooking device 1 is provided here as a built-in device. It can also be designed as a stand-alone device.
  • a treatment device 6 For the preparation of food to be cooked, a treatment device 6 is provided which, in the view shown here, is not visible in the cooking space 2 or inside the device.
  • the treatment device 6 comprises, for. B. a heating device with several heating sources for heating the cooking space 2.
  • a heating source for example, a top heat and / or a bottom heat, a hot air heat source and / or a grill heat source or other types of heat sources can be provided.
  • a steam generator can also be provided.
  • the treatment device 6 can be designed for heating or cooking with high-frequency radiation and for this purpose z. B. comprise a high frequency generator.
  • the cooking appliance 1 here comprises one that is operatively connected to the treatment device 6
  • Control device 16 for controlling or regulating device functions
  • control device 16 preselectable operating modes and preferably also various treatment programs (cooking programs) or
  • control device 16 controls z. B. the treatment device 6 depending on a preselected
  • An operating device 101 is provided for operating the cooking appliance 1. For example, the operating mode, the cooking space temperature and / or an automatic program or a program operating mode or other automatic functions can be selected and set. Further user inputs can also be made via the operating device 101 and, for example, menu control can be performed.
  • the operating device 101 also includes a display device 102 via which user instructions and z. B.
  • Prompts can be displayed.
  • the operating device 101 can display Prompts.
  • Control elements and / or a touch-sensitive display device 102 or a touchscreen are Control elements and / or a touch-sensitive display device 102 or a touchscreen.
  • the treatment device 6 is provided with a high-frequency generator fitted.
  • the high-frequency generator is preferably based on semiconductor technology and is, for example, a solid-state high-frequency generator. But it is also possible that the
  • High-frequency generator is designed as a magnetron or at least includes one.
  • the cooking appliance 1 has a high-frequency measuring system 3, shown here in a highly schematic manner, with a processing device 4. This is recorded during the cooking process
  • High-frequency measuring system 3 reflection spectra and, for example, S-parameters.
  • high-frequency measurement radiation is generated and sent to the cooking chamber 2 and received again.
  • the reflection spectra are obtained by a corresponding comparison of the emitted with the received or reflected measurement radiation.
  • the measurement takes place here, for example, by a frequency sweep and / or FMCW.
  • the HF measurement process can itself also be used to heat the food and be generated, for example, by the high-frequency generator.
  • the reflection spectra are then offset or made available directly as high-frequency data to the processing device 4.
  • a model is stored in the processing device 4 which derives a cooking parameter from the high-frequency data, for example the core temperature and / or the time at which the food to be cooked is finished.
  • the model can be created analytically, statistically or using machine learning processes.
  • the model in combination with the high-frequency data also uses device data and / or load data to calculate the cooking parameter.
  • the loading data can be obtained, for example, by a sensor device 5 that is not visible here in the interior of the cooking appliance 1. This is the
  • Sensor device 5 equipped, for example, with a camera device 15, which records images of the cooking space and its load.
  • the processing device 4 evaluates the images accordingly to obtain the loading data.
  • the camera device 15 can, for. B. capture two-dimensional or three-dimensional or spatial image information or temperature-specific image information or thermal images from the cooking chamber 2.
  • the loading data can, however, also be determined from the reflection spectra.
  • Device data are provided here by the control device 16.
  • the hardware here includes, for example, an antenna in the cooking chamber 2 and a transmitter / receiver unit evaluation transceiver.
  • the antenna is able to enable broadband transmission or reception of high-frequency radiation in the cooking chamber and has z.
  • the transceiver can transmit, receive and measure broadband here.
  • three basic measurement methods are preferred: a frequency sweep, a pulse radar and an FMCW (Freq.-Modulated-Continuous wave).
  • Characteristic spectra (frequency range) or pulses (time range) are preferably generated and recorded for all measurements
  • the high-frequency measuring system 3 can also consist of several transmitters and receivers, similar to an antenna array
  • FIG. 2 shows the relationship between a variable 200 that is characteristic of the food or the cooking state compared to the cooking time 201 and the time of preparation 202 of a food product during preparation in the cooking appliance 1 presented here.
  • Characteristic variables can be the temperature of the food, the volume of the food, the browning of the food or changes in this over time. Also further and derived the cooking state
  • Characteristic quantities are conceivable.
  • the area framed in a rectangle outlines the period of time in which the ready time 202 lies and the food has a particularly favorable degree of cooking or is optimally fully cooked.
  • this period of time can be recorded particularly reliably and at the same time without contact and also robustly with respect to contamination.
  • Treatment program possible so that, for example, the cooking process can be ended in good time to avoid overcooking or drying out.
  • a self-learning system is used in the invention described here, which is based on the methods of monitored machine learning.
  • the monitored machine learning is trained here with representative data.
  • Classical parameters (oven temperature, cooking time, power consumed / energy) are preferably combined with high-frequency data (reflection spectra or S-parameters).
  • Models are created based on the (calculated) high-frequency data and other specific device data predict the core temperature of the food and / or other cooking parameters.
  • This data initially contains an assignment of data to the target variable (so-called label) for learning. Connections (correlation) between the data and the target variable are now learned. The model is then able to independently deduce the target size from the data.
  • the model can be selected differently depending on the type of label. You can choose from, for example, analytical models (equations), statistical models such as B. various regressors, up to neural networks, convolutional neural networks and other artificial learning processes. Different models are created and used for different questions.
  • a label can be, for example: thawed vs. frozen or core temperature in ° C or ready vs. not ready or type of food and many more.
  • Device data describe the thermal and energetic state of the furnace. Therefore, if possible, they include the operating mode, the switched consumers and the duration of the tests and / or other variables.
  • the high-frequency data are preprocessed here in an optimal way and important features are determined by statistical and / or communications technology approaches.
  • the loading should preferably be characterized by these features.
  • the changes can be deducted from the difference calculation and the evaluation.
  • the measurable changes in the S-parameters result from changes in the food during the cooking process, e.g. B. by releasing water, rising or shrinking, crust formation, etc., while the cooking space and its influence on the S-parameters remains constant over time.
  • the temperature difference between the food and the oven becomes smaller and smaller during the cooking process and the food becomes edible when the necessary physical (e.g. rising, evaporation of water) and chemical processes (e.g. change in browning ⁇ L, unfolding of proteins) of cooking have been completed are.
  • a special feature of the invention is also the interaction of the HF data and the device data or furnace data and / or loading data.
  • the model needs on the one hand the condition of the oven and on the other hand a description of the load via another sensor system. Only this combination creates a particularly complete overall picture. This additional
  • the sensor system here is the high-frequency measurement, which indirectly describes the height, size, volume, type and container of the load.
  • the sensor system can e.g. B. also be the sensor device 5 with the camera 15, from whose image data these variables are derived.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Food Science & Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Electromagnetism (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Medicinal Chemistry (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Electric Ovens (AREA)

Abstract

Verfahren zum Betreiben eines Gargeräts (1) mit wenigstens einem Garraum (2) zur Zubereitung von Gargut, wobei mittels eines Hochfrequenzmesssystems (3) Hochfrequenzdaten während des Garvorgangs erfasst werden und wobei aus den Hochfrequenzdaten mittels einer Verarbeitungseinrichtung (4) ein das Gargut charakterisierender Garparameter abgeleitet wird. Dabei werden die Hochfrequenzdaten mittels eines in der Verarbeitungseinrichtung (4) hinterlegten und selbstlernenden Modells des maschinellen Lernens verarbeitet. Die Verarbeitungseinrichtung (4) leitet durch das Modell eigenständig aus den Hochfrequenzdaten den Garparameter ab.

Description

Beschreibung
.Verfahren zum Betreiben eines Gargeräts und Gargerät“
Die vorliegende Erfindung betrifft ein Verfahren zum Betreiben eines Gargeräts mit wenigstens einem Garraum zur Zubereitung von Gargut und ein Gargerät. Mittels wenigstens eines
Hochfrequenzmesssystems werden Hochfrequenzdaten während des Garvorgangs erfasst. Aus den Hochfrequenzdaten wird mittels wenigstens einer Verarbeitungseinrichtung wenigstens ein das Gargut charakterisierender Garparameter abgeleitet.
Bei der Zubereitung von Lebensmitteln in Gargeräten und beispielsweise Backöfen gibt es verschiedene Ansätze zur Automatisierung des Garvorgangs. Häufig wird dabei versucht, den Fertigzeitpunkt des Garguts durch das Gargerät erkennen zu lassen, damit dieses den
Garvorgang rechtzeitig beenden kann. So kann ohne Überwachung durch den Benutzer beispielsweise ein Übergaren oder Anbrennen vermieden werden.
Für Backwaren existieren dazu beispielsweise Feuchtesensoren, welche den Fertigzeitpunkt durch ein Maximum in der Garraumfeuchte detektieren. Der Backprozess kann dann
automatisch beendet werden. Für Fleischwaren werden oft Spießthermometer zum Messen der Kerntemperatur eingesetzt. Bei Erreichen einer bestimmten Kerntemperatur wird der
Garprozess dann automatisiert beendet. Nachteilig ist jedoch, dass diese Methoden in der Regel nur für sehr bestimmte Garprozesse, beispielsweise nur zum Backen oder nur zum Braten von Fleisch, geeignet sind.
Für Geräte zum dielektrischen Erwärmen von Lebensmitteln, beispielsweise Mikrowellengeräte, ist es bekannt geworden, dass die vom Lebensmittel aufgenommene Energie mittels
Hochfrequenztechnik ermittelt wird. Damit darüber der Fertigzeitpunkt erkannt und der
Garprozess automatisiert beendet werden kann, muss die für das Lebensmittel bzw. Rezept benötigte Energiemenge eingeschätzt werden. Daher ist dieses Verfahren zwar sehr zuverlässig und komfortabel, setzt aber Rezepte mit benötigten Energiemengen oder entsprechende Erfahrung des Benutzers voraus.
Insgesamt weisen die aus dem Stand der Technik bekannten Möglichkeiten zur automatisierten Durchführung von Garprozessen noch Verbesserungspotenzial auf, um deren Anwendung auch bei unterschiedlichen Gargütern und für im Gerät nicht hinterlegte Rezepte zu ermöglichen. Demgegenüber ist es die Aufgabe der vorliegenden Erfindung, die automatisierte Durchführung von Garprozessen in einem Gargerät zu verbessern und insbesondere auch für möglichst viele Rezepte und Kombinationsmöglichkeiten von Lebensmitteln und Garvorgängen zu ermöglichen.
Diese Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen des Anspruchs 1 sowie durch ein Gargerät mit den Merkmalen des Anspruchs 13. Bevorzugte Merkmale sind
Gegenstand der Unteransprüche. Weitere Vorteile und Merkmale ergeben sich aus der allgemeinen Beschreibung der Erfindung und der Beschreibung der Ausführungsbeispiele.
Das erfindungsgemäße Verfahren dient zum Betreiben eines Gargerätes mit wenigstens einem Garraum zur Zubereitung von Gargut. Mittels wenigstens eines Hochfrequenzmesssystems werden Hochfrequenzdaten während des Garvorgangs erfasst, idealerweise
Hochfrequenzspektren über einen größeren Frequenzbereich. Aus den Hochfrequenzdaten wird mittels wenigstens einer Verarbeitungseinrichtung wenigstens ein das Gargut
charakterisierender Garparameter, vorzugsweise eine Mehrzahl von Garparametern, abgeleitet. Dabei werden die Hochfrequenzdaten mittels wenigstens eines in der Verarbeitungseinrichtung hinterlegten und insbesondere selbstlernenden Modells des maschinellen Lernens verarbeitet. Dabei leitet die Verarbeitungseinrichtung durch das Modell eigenständig den Garparameter aus den Hochfrequenzdaten ab.
Das erfindungsgemäße Verfahren bietet viele Vorteile. Einen erheblichen Vorteil bietet die Verwendung des Modells des maschinellen Lernens zur Berechnung des Garparameters aus den Hochfrequenzdaten. Dadurch kann auch für verschiedenste Garvorgänge und aus dem Modell bisher unbekannten und nicht in der Verarbeitungseinrichtung hinterlegten
Hochfrequenzdaten der Garparameter zuverlässig vorhergesagt bzw. bestimmt werden. Mit der Erfindung können daher auch unterschiedlichste Gerichte zuverlässig und komfortabel automatisiert zubereitet werden. Die Erfindung kann durch ihr Modell z. B. den Fertigzeitpunkt auch dann zuverlässig ermitteln, wenn Rezepte umgesetzt werden, für die das Gerät aufgrund der Vielfalt der Kombinationsmöglichkeiten von Lebensmitteln nicht gezielt werksseitig eingestellt ist bzw. welche als solche nicht in dem Gerät hinterlegt sind.
Wichtig in diesem Zusammenhang ist auch, dass der Garvorgang das Einschieben des
Gargefäßes incl. Teig einschließt. Dadurch ist das System in der Lage den Unterschied zwischen leerem Garraum und beladenem Garraum auswerten.
Vorzugsweise erfasst das Hochfrequenzmesssystem wenigstens ein Reflexionsspektrum und insbesondere wenigstens zwei und bevorzugt mehrere Reflexionsspektren des Garraums und/oder des Garguts. Dabei werden die Hochfrequenzdaten mittels der
Verarbeitungseinrichtung aus den Reflexionsspektren errechnet. Dann ist insbesondere eine weitere Verarbeitung bzw. Verrechnung der Reflexionsspektren vorgesehen. Möglich ist auch, dass die Hochfrequenzdaten Reflexionsspektren sind. Dann werden die Reflexionsspektren vorzugsweise direkt zur Berechnung des Garparameters herangezogen. Die
Reflexionsspektren sind insbesondere Streuparameter bzw. S-Parameter oder umfassen solche oder sind von den Streuparametern abgeleitete Größen. Das bietet eine besonders
zuverlässige und reproduzierbare Bestimmung des Garparameters.
Im Rahmen der vorliegenden Erfindung werden unter dem Begriff Reflexionsspektren insbesondere sowohl Spektren im Sinne von Frequenzbereichen als insbesondere auch Impulse im Sinne von Zeitbereichen verstanden. In allen Ausführungen ist es bevorzugt, dass das Hochfrequenzmesssystem dazu geeignet und ausgebildet ist, Reflexionsspektren
(insbesondere Frequenzbereiche) und/oder Impulse (insbesondere Zeitbereiche) zu erfassen, welche vorzugsweise den Garraum und/oder das Gargut und insbesondere den
Garrauminnenraum mit seiner Beladung charakterisieren.
Insbesondere beschreiben die Hochfrequenzdaten Veränderungen der Reflexionsspektren über die Zeit. Dazu werden die Reflexionsspektren während des Garvorgangs vorzugsweise wiederholt erfasst. Insbesondere werden zeitliche Veränderungen der Reflexionsspektren während des Garvorgangs ermittelt und zur Bestimmung des Garparameters herangezogen. Vorzugsweise spiegeln die Hochfrequenzdaten Veränderungen des Gargutes und/oder des Garraums während des Garvorgangs wieder. Es ist möglich, dass die Hochfrequenzdaten weiter verrechnet werden, bevor sie dem Modell zugeführt werden. Die Hochfrequenzdaten können aber auch direkt bzw. unverarbeitet dem Modell zugeführt werden.
Es ist bevorzugt, dass das Modell durch überwachtes maschinelles Lernen erstellt ist bzw. wurde und/oder trainiert wird. Vorzugsweise wird dazu wenigstens eine Datenmenge aus einer repräsentativen Menge an Garvorgängen als Referenz erfasst. Die Datenmenge umfasst vorzugsweise wenigstens die Hochfrequenzdaten. Zum Lernen bzw. Trainieren ist in dieser Datenmenge vorzugsweise wenigstens eine Zuordnung von Hochfrequenzdaten zum
Garparameter als Zielgröße (auch als Label bezeichnet) enthalten. Dann werden vorzugsweise Zusammenhänge zwischen den Hochfrequenzdaten und dem Garparameter angelernt, sodass anschließend das Modell in der Lage ist, ausgehend von den Hochfrequenzdaten insbesondere eigenständig auf den Garparameter zu schließen bzw. den Garparameter zu berechnen. So kann eine besonders reproduzierbare Bestimmung des Garparameters auch bei sehr unterschiedlichen Rezepten bzw. Garvorgängen durchgeführt werden.
Es ist möglich und bevorzugt, dass das Modell aus einer Gruppe von Modelltypen entnommen ist, umfassend wenigstens analytische Modelle und zum Beispiel Gleichungen, statistische Modelle und zum Beispiel Regressoren, künstliche neuronale Netze, Convolutional Neuronal Networks (CNN bzw. ConvNet), Modelltypen des maschinellen Lernens. CNN bedeutet zu deutsch etwa faltendes neuronales Netzwerk. Vorzugsweise ist das Modell lernfähig bzw.
selbstlernend ausgebildet. Das Modell kann dazu geeignet und ausgebildet sein, die
Berechnung des Garparameters aus den Hochfrequenzdaten während der Garvorgänge bzw. des Betriebs des Gargeräts selbstständig zu optimieren. Insbesondere ist dazu eine
Rückkopplung über die Qualität bzw. Erfolgsrate der durchgeführten Berechnungen
vorgesehen. Es ist möglich und bevorzugt, dass auch andere geeignete Modelle des maschinellen Lernens als die hier aufgeführten eingesetzt werden können. Das Modell umfasst insbesondere wenigstens eine Software oder ist als eine solche ausgebildet. Das Modell stellt insbesondere eine künstliche Intelligenz und/ oder einen Assistenten bereit.
Der Garparameter ist vorzugsweise aus einer Gruppe von Parametern entnommen, umfassend wenigstens Kerntemperatur, Bräunungszustand, Feuchtezustand, Gefrierzustand,
Auftauzustand, Garzustand, Fertiggargrad, Schrumpfen, Aufgehen, Wasserabgabe,
Krustenbildung, Veränderungen der zuvor genannten Parameter über die Zeit. Beispielsweise gibt der Garparameter an, ob das Gargut gefroren oder aufgetaut ist. Die Kerntemperatur wird beispielsweise in Grad Celsius oder Kelvin angegeben. Der Garparameter kann dem Benutzer angezeigt werden und/oder einer Steuereinrichtung zur Steuerung einer
Behandlungseinrichtung bereitgestellt werden. Es ist möglich und bevorzugt, dass auch weitere das Gargut bzw. den Garvorgang charakterisierende Garparameter durch das Modell abgeleitet werden.
In einer besonders vorteilhaften Ausgestaltung werden mit dem Modell auch Gerätedaten verarbeitet. Dabei wird der Garparameter durch das Modell eigenständig aus einer Kombination der Hochfrequenzdaten mit wenigstens den Gerätedaten abgeleitet. Die Gerätedaten werden insbesondere von einer Steuereinrichtung des Gargerätes abgerufen und/oder von dieser bereitgestellt. Die Gerätedaten beschreiben insbesondere wenigstens eine für den Betrieb des Gargeräts charakteristische Größe. Die Gerätedaten beschreiben beispielsweise eine
Steuergröße und/oder Regelgröße für eine Behandlungseinrichtung. Es ist möglich, dass die Gerätedaten wenigstens eine sensorisch erfassbare Größe umfassen. Eine solche Kombination bietet eine besonders zuverlässige und reproduzierbare Bestimmung des Garparameters.
Die Gerätedaten sind insbesondere aus einer Gruppe von Daten entnommen, umfassend wenigstens wenigstens thermische und/oder energetische Zustandsdaten des Garraums, Betriebsart, geschaltete Verbraucher, Laufzeit des Garvorgangs. Es ist möglich und bevorzugt, dass die Gerätedaten wenigstens einen weiteren das Gerät bzw. dessen Betriebszustand charakterisierenden Parameter umfassen. In einer ebenfalls besonders vorteilhaften Ausgestaltung werden auch Beladungsdaten mit dem Modell verarbeitet. Vorzugsweise wird der Garparameter durch das Modell eigenständig aus einer Kombination der Hochfrequenzdaten mit wenigstens den Beladungsdaten abgeleitet. Insbesondere wird der Garparameter durch das Modell eigenständig aus einer Kombination der Hochfrequenzdaten mit wenigstens den Beladungsdaten und wenigstens den Gerätedaten abgeleitet. Die Beladungsdaten umfassen insbesondere wenigstens eine charakteristische Größe für eine Beladung des Garraums. Eine solche Kombination bietet eine besonders zuverlässige und reproduzierbare Bestimmung des Garparameters.
Die Beladungsdaten werden vorzugsweise durch das Hochfrequenzmesssystem erfasst. Dabei werden die Beladungsdaten vorzugsweise aus den Hochfrequenzdaten ermittelt und/oder durch eigens dafür mittels des Hochfrequenzmesssystems durchgeführte Hochfrequenzmessungen ermittelt. Möglich und bevorzugt ist auch, dass die Beladungsdaten mittels wenigstens einer Sensoreinrichtung erfasst werden. Die Sensoreinrichtung umfasst insbesondere wenigstens eine Kameraeinrichtung. Dann werden die Beladungsdaten vorzugsweise aus den mit der Kameraeinrichtung erfassten Bilddaten ermittelt. Insbesondere erfasst die Kameraeinrichtung dazu Bilder aus dem Garraum. Zusätzlich oder alternativ können auch andere Sensoren vorgesehen sein.
Die Beladungsdaten sind vorzugsweise aus einer Gruppe von Daten entnommen, umfassend wenigstens Geometrieeigenschaften des Garguts und/oder eines Gargutbehälters/-trägers, Position des Garguts und/oder eines Gargutbehälters/-trägers, Art des Garguts und/oder eines Gargutbehälters/-trägers. Die Geometrieeigenschaften umfassen beispielsweise eine Höhe und/oder Größe und/oder Breite und/oder Länge und/oder Kontur und/oder Form und/oder ein Volumen des Garguts und/oder Gargutbehälters/-trägers. Insbesondere beschreiben die Beladungsdaten die Position des Garguts und/oder des Gargutbehälters/-trägers im Garraum. Beispielsweise beschreiben die Beladungsdaten die Einschubhöhe eines Gargutträgersim Garraum. Die Art des Garguts ist insbesondere ein Lebensmitteltyp und zum Beispiel Fleisch, Fisch, Gemüse, Teigwaren. Die Art des Gargutbehälters ist insbesondere ein
Gargutbehältermaterial und zum Beispiel Glas, Metall, Kunststoff, mineralisches Material wie z. B. Ton. Es ist möglich und bevorzugt, dass die Beladungsdaten wenigstens einen weiteren die Beladung charakterisierenden Parameter umfassen.
In allen Ausgestaltungen ist es besonders bevorzugt, dass wenigstens eine
Behandlungseinrichtung zur Zubereitung von Gargut mittels wenigstens einer Steuereinrichtung in Abhängigkeit des Garparameters gesteuert wird. Dabei wird besonders bevorzugt wenigstens ein Parameter wenigstens eines Behandlungsprogramms, auch als Automatikfunktion und/oder Automatikprogramm bezeichnet, in Abhängigkeit des Garparameters angepasst. Eine solche Ausgestaltung bietet eine besonders komfortable und zugleich zuverlässige Zubereitung unterschiedlichster Rezepte und Lebensmittel. Beispielsweise beschreibt der Garparameter den Fertigzeitpunkt und die Steuereinrichtung beendet den Garvorgang bei Erreichen des
Fertigzeitpunkts und schaltet dazu zum Beispiel eine Heizquelle ab. Insbesondere wird die Behandlungseinrichtung in Abhängigkeit wenigstens eines Behandlungsprogramms durch wenigstens eine Steuereinrichtung gesteuert. Insbesondere passt die Steuereinrichtung das Behandlungsprogramm in Abhängigkeit des Garparameters an. Alternativ oder zusätzlich kann vorgesehen sein, dass der berechnete Garparameter dem Benutzer mitgeteilt wird,
beispielsweise über eine Anzeigeeinrichtung oder ein mobiles Endgerät oder dergleichen.
Insbesondere wird mittels des Hochfrequenzmesssystems hochfrequente Messstrahlung mit einer Mehrzahl von unterscheidbaren Frequenzen und/oder Phasen in den Garraum
ausgesendet. Insbesondere wird die Messstrahlung mittels des Hochfrequenzmesssystems wieder empfangen und ausgewertet. Vorzugsweise werden die Reflexionsspektren anhand wenigstens eines Vergleichs der empfangenen mit der ausgesendeten Messstrahlung frequenzabhängig und/oder phasenabhängig erstellt. Dabei kann die Messstrahlung auch als ein Impuls und insbesondere als ein ultrakurzer Impuls ausgesendet und/oder empfangen und/oder ausgewertet werden.
Das erfindungsgemäße Gargerät ist dazu geeignet und ausgebildet, nach dem zuvor beschriebenen Verfahren betrieben zu werden. Das Gargerät umfasst insbesondere wenigstens eine Behandlungseinrichtung und wenigstens einen Garraum. Das Gargerät umfasst insbesondere wenigstens ein Hochfrequenzmesssystem zum Erfassen von Hochfrequenzdaten während des Garvorgangs . EineVerarbeitungseinrichtung zum Verarbeiten der
Hochfrequenzdaten ist entweder direkt im Gerät oder an einem externen Ort ,z.B. einer Cloud oder einem Server vorgesehen.
Das Hochfrequenzmesssystem umfasst insbesondere wenigstens einen Hochfrequenzerzeuger und/oder wenigstens eine dem Garraum zugeordnete Antenne (insb. flach bzw. planar ausgebildet) und/oder wenigstens eine Sendeeinheit und/oder wenigstens eine
Empfangseinheit und/oder wenigstens eine Auswerteeinheit. Es können auch mehrere Sender und/oder Empfänger vorgesehen sein. Dann ist das Hochfrequenzmesssystem insbesondere in der Art eines Antennenarrays aufgebaut oder umfasst wenigstens ein solches. Das
Hochfrequenzmesssystem ist insbesondere breitbandig ausgebildet und ist insbesondere im Bereich von 100 MHz bis 5 GHz betreibbar, wo eine gute Anregung von üblichen Lebensmitteln und Wasser möglich ist. Der Frequenzbereich ist insbesondere so gewählt, dass eine
Modalanalyse bei der gegebenen Garraumkavitätsgröße möglich ist. Andere, insbesondere kleinere Frequenzbereiche sind möglich. Das Hochfrequenzmesssystem kann insbesondere breitbandig senden und/oder empfangen und/oder messen.
Das Hochfrequenzmesssystem umfasst insbesondere wenigstens einen Sende- Empfangseinheit-Auswerte-Transceiver. Das Hochfrequenzmesssystem, insbesondere der Transceiver, ist vorzugsweise dazu geeignet und ausgebildet, wenigstens eine der
nachfolgenden Messmethoden auszuführen: Frequenzsweep, Pulsradar, FMCW (Frequenz Modulated Continious Wave), andere geeignete Methoden zur Erfassung von
Hochfrequenzdaten und insb. Reflexionsspektren.
Die Behandlungseinrichtung umfasst insbesondere wenigstens eine Hochfrequenzeinrichtung mit wenigstens einem Hochfrequenzerzeuger zum Einbringen von Hochfrequenzstrahlung in den Garraum. Diese Hochfrequenzstrahlung ist dazu geeignet als Messstrahlung zu fungieren. Die Hochfrequenzstrahlung kann auch für eine Zubereitung von Gargut benutzt werden. Das Hochfrequenzmesssystem ist insbesondere dazu geeignet und ausgebildet, zur Bestimmung des Absorptionsgrades die für die Zubereitung von Gargut in den Garraum gesendete
Hochfrequenzstrahlung heranzuziehen. Dabei kann eine Verringerung der Sendeleistung vorgesehen sein. Die zum Zubereiten des Garguts vorgesehene Sendeleistung kann zum Messen beibehalten werden.
Es ist möglich und bevorzugt, dass das Hochfrequenzmesssystem dazu geeignet und ausgebildet ist, zur Bestimmung des Absorptionsgrades eine breitbandige Messstrahlung heranzuziehen, welche eine um ein Vielfaches (zum Beispiel zehnfach oder hundertfach) geringere Leistung als die für die Zubereitung von Gargut in den Garraum gesendete schmalbandige Hochfrequenzstrahlung aufweist. Dabei ist die Messstrahlung insbesondere nicht zur Zubereitung von Gargut geeignet und ausgebildet. Es ist möglich, dass die
Messstrahlung durch das Hochfrequenzmesssystem erzeugt wird und das
Hochfrequenzmesssystem dazu einen eigenen Hochfrequenzerzeuger aufweist. Die
Messstrahlung kann auch durch die Hochfrequenzeinrichtung der Behandlungseinrichtung erzeugt werden.
Weitere Vorteile und Merkmale der vorliegenden Erfindung ergeben sich aus den
Ausführungsbeispielen, welche im Folgenden mit Bezug auf die beiliegenden Figuren erläutert werden.
In den Figuren zeigen:
Figur 1 eine rein schematische Darstellung eines erfindungsgemäßen Gargerätes in einer Vorderansicht; und Figur 2 eine rein schematische und skizzenhafte Darstellung eines Zusammenhangs zwischen einer für das Gargut oder dem Garzustand charakteristischen Größe gegenüber der Gardauer .
Die Figur 1 zeigt ein erfindungsgemäßes Gargerät 1 , welches hier als ein Backofen 100 bzw. Kombigerät ausgeführt ist. Das Gargerät 1 wird nach dem erfindungsgemäßen Verfahren betrieben. Das Gargerät 1 hat einen beheizbaren Garraum 2, welcher durch eine Garraumtür 12 verschließbar ist. Das Gargerät 1 ist hier als ein Einbaugerät vorgesehen. Es kann auch als ein Standgerät ausgebildet sein.
Zur Zubereitung von Gargut ist eine Behandlungseinrichtung 6 vorgesehen, die in der hier dargestellten Ansicht nicht sichtbar im Garraum 2 bzw. Geräteinneren angeordnet ist. Die Behandlungseinrichtung 6 umfasst z. B. eine Heizeinrichtung mit mehreren Heizquellen für die Beheizung des Garraums 2. Als Heizquelle können beispielsweise eine Oberhitze und/oder eine Unterhitze, eine Heißluftheizquelle und/oder eine Grillheizquelle oder andere Arten von Heizquellen vorgesehen sein. Es kann auch ein Dampferzeuger vorgesehen sein. Zudem kann die Behandlungseinrichtung 6 zum Erhitzen bzw. Garen mit Hochfrequenzstrahlung ausgebildet sein und dazu z. B. einen Hochfrequenzerzeuger umfassen.
Das Gargerät 1 umfasst hier eine mit der Behandlungseinrichtung 6 wirkverbundene
Steuereinrichtung 16 zur Steuerung bzw. Regelung von Gerätefunktionen und
Betriebszuständen. Über die Steuereinrichtung 16 sind vorwählbare Betriebsmodi und vorzugsweise auch verschiedene Behandlungsprogramme (Garprogramme) bzw.
Programmbetriebsarten und andere Automatikfunktionen ausführbar. Die Steuereinrichtung 16 steuert dazu z. B. die Behandlungseinrichtung 6 in Abhängigkeit eines vorgewählten
Betriebsmodus bzw. Behandlungsprogramms entsprechend an.
Zur Bedienung des Gargerätes 1 ist eine Bedieneinrichtung 101 vorgesehen. Beispielsweise können darüber der Betriebsmodus, die Garraumtemperatur und/oder ein Automatikprogramm bzw. eine Programmbetriebsart oder andere Automatikfunktionen ausgewählt und eingestellt werden. Über die Bedieneinrichtung 101 können auch weitere Benutzereingaben vorgenommen werden und zum Beispiel eine Menüsteuerung vorgenommen werden. Die Bedieneinrichtung 101 umfasst auch eine Anzeigeeinrichtung 102, über die Benutzerhinweise und z. B.
Eingabeaufforderungen angezeigt werden können. Die Bedieneinrichtung 101 kann
Bedienelemente und/oder eine berührungsempfindliche Anzeigeeinrichtung 102 bzw. einen Touchscreen umfassen.
Wenn ein dielektrisches Erwärmen von Gargut im Garraum 2 durch Hochfrequenzstrahlung vorgesehen ist, ist die Behandlungseinrichtung 6 mit einem Hochfrequenzerzeuger ausgestattet. Der Hochfrequenzerzeuger basiert vorzugsweise auf Halbleitertechnologie und ist zum Beispiel ein Solid-State-Hochfrequenzerzeuger. Möglich ist aber auch, dass der
Hochfrequenzerzeuger als ein Magnetron ausgebildet ist oder wenigstens ein solches umfasst.
Das Gargerät 1 weist ein hier stark schematisiert dargestelltes Hochfrequenzmesssystem 3 mit einer Verarbeitungseinrichtung 4 auf. Während des Garvorgangs erfasst das
Hochfrequenzmesssystem 3 Reflexionsspektren und zum Beispiel S-Parameter. Dazu wird hochfrequente Messstrahlung erzeugt und in den Garraum 2 gesendet und wieder empfangen. Die Reflexionsspektren werden durch einen entsprechenden Vergleich der ausgesendeten mit der empfangenen bzw. reflektierten Messstrahlung gewonnen. Die Messung erfolgt hier beispielsweise durch einen Frequenzsweep und/oder FMCW. Der HF-Messvorgang kann dabei selbst ebenfalls zum Erwärmen des Garguts verwendet werden und zum Beispiel durch den Hochfrequenzerzeuger erzeugt werden. Es kann aber auch eine Messstrahlung mit deutlich abgeschwächter Leistung eingesetzt werden, welche eigens für den Messvorgang durch das Hochfrequenzmesssystem 3 oder den Hochfrequenzerzeuger erzeugt wird.
Die Reflexionsspektren werden dann verrechnet oder direkt als Hochfrequenzdaten der Verarbeitungseinrichtung 4 zur Verfügung gestellt. In der Verarbeitungseinrichtung 4 ist ein Modell hinterlegt, welches aus den Hochfrequenzdaten einen Garparameter, beispielsweise die Kerntemperatur und/oder den Fertigzeitpunkt des Garguts ableitet. Das Modell kann dabei analytisch, statistisch oder mit maschinellen Lernverfahren erstellt sein. In einer Ausgestaltung werden durch das Modell in Kombination mit den Hochfrequenzdaten auch Gerätedaten und/oder Beladungsdaten zur Berechnung des Garparameters herangezogen.
Die Beladungsdaten können beispielsweise durch eine hier nicht sichtbar im Inneren des Gargeräts 1 angeordnete Sensoreinrichtung 5 gewonnen werden. Dazu ist die
Sensoreinrichtung 5 beispielsweise mit einer Kameraeinrichtung 15 ausgestattet, welche Bilder des Garraums und seiner Beladung aufnimmt. Die Verarbeitungseinrichtung 4 wertet die Bilder zur Gewinnung der Beladungsdaten dann entsprechend aus. Die Kameraeinrichtung 15 kann z. B. zweidimensionale oder dreidimensionale bzw. räumliche Bildinformationen oder temperaturspezifische Bildinformationen bzw. Wärmebilder aus dem Garraum 2 erfassen. Die Beladungsdaten können aber auch aus den Reflexionsspektren ermittelt werden. Die
Gerätedaten werden hier von der Steuereinrichtung 16 bereitgestellt.
Die Hardware umfasst hier zum Beispiel eine Antenne im Garraum 2 und einen Sende- Empfangseinheit-Auswerte-Transceiver. Die Antenne ist dazu imstande, breitbandiges Senden bzw. Empfangen von hochfrequenter Strahlung in den Garraum zu ermöglichen und weist z. B. gute Sende- und Empfangseigenschaften im Bereich 100 MHz bis 5 GHz auf. Bevorzugt ist sie als flache Struktur ausgeführt. Die planare Struktur ermöglicht einen einfachen Einbau. Es ist aber auch möglich, in den Garraum 2 reinragende Antennen zu verwenden.
Der Transceiver kann hier breitbandig senden, empfangen und messen. Dazu werden drei grundsätzliche Messmethoden bevorzugt: ein Frequenzsweep, ein Pulsradar und ein FMCW (Freq.-Modulated-continious wave). Bevorzugt werden bei allen Messungen charakteristische Spektren (Frequenzbereich) bzw. Impulse (Zeitbereich) erzeugt und erfasst, die das
Garrauminnere charakterisieren. Diese Spektren werden in einem weiteren Verfahren für eine Verrechnung verwendet. Die RF-Sensorik ist damit berührungslos, breitbandig und robust gegenüber Verschmutzungen. Das Hochfrequenzmesssystem 3 kann auch aus mehreren Sendern und Empfängern bestehen, ähnlich wie ein Antennenarray
In der Figur 2 ist der Zusammenhang zwischen einer für das Gargut oder dem Garzustand charakteristischen Größe 200 gegenüber der Gardauer 201 und dem Fertigzeitpunkt 202 eines Lebensmittels bei der Zubereitung in dem hier vorgestellten Gargerät 1 gezeigt. Die
charakteristischen Größen können die Garguttemperatur, das Gargutvolumen, Gargutbräunung oder deren zeitliche Änderung sein. Auch weitere und abgeleitete den Garzustand
chrakterisierende Größen sind denkbar. Der rechteckig umrahmte Bereich skizziert dabei den Zeitraum, in dem der Fertigzeitpunkt 202 liegt und das Gargut einen besonders günstigen Gargrad aufweist bzw. optimal fertig gegart ist.
Mit der hier vorgestellten Erfindung kann dieser Zeitraum besonders zuverlässig und zugleich berührungslos und auch robust gegenüber Verschmutzungen erfasst werden. Durch die Erkennung des Fertigzeitpunkts 202 ist dann eine optimale Anpassung des
Behandlungsprogramms möglich, sodass beispielsweise der Garvorgang rechtzeitig beendet werden kann, um ein Übergaren oder Austrocknen zu vermeiden.
Die größte Herausforderung in der Automatisierung von Garprozessen liegt in der Variabilität von Lebensmitteln und der Gerichte. Lebensmittel sind in ihrer Art (Fleisch, Gemüse,
Backwaren) aber auch in ihrer Form, Größe, Gewicht und Lagerdauer sehr unterschiedlich. Zusätzlich sind Gerichte durch die Vielfalt der Kombinationsmöglichkeiten extrem
unterschiedlich. Um nicht jedes erdenkliche Rezept zu optimieren und im Gerät 1 hinterlegen zu müssen, wird bei der hier beschriebenen Erfindung ein selbstlernendes System verwendet werden, welches auf den Methoden des überwachten maschinellen Lernens beruht.
Das überwachte maschinelle Lernen wird hier mit repräsentativen Daten trainiert. Dabei werden bevorzugt klassische Größen (Ofentemperatur, Garzeit, verbrauchte Leistung/Energie) mit Hochfrequenzdaten (Reflexionsspektren bzw. S-Parameter) kombiniert. Dabei werden Modelle erstellt, die aus den (verrechneten) Hochfrequenzdaten und weiteren spezifischen Gerätedaten die Kerntemperatur des Lebensmittels und/oder andere Garparameter Vorhersagen. Für das Bilden der Modelle wird die Datenmenge aus einer repräsentativen Menge an Garvorgängen als Referenz benötigt. In diesen Daten ist zunächst eine Zuordnung von Daten zur Zielgröße (sogenanntes Label) zum Lernen enthalten. Es werden nun Zusammenhänge (Korrelation) zwischen den Daten und der Zielgröße angelernt. Anschließend ist das Modell in der Lage von den Daten eigenständig auf die Zielgröße zu schließen.
Das Modell kann dabei je nach Art des Labels anders ausgewählt werden. Zur Auswahl stehen zum Beispiel analytische Modelle (Gleichungen), statistische Modelle wie z. B. diversere Regressoren, bis hin zu Neuronalen Netzen, Convolutional Neural Networks und andere künstliche Lernverfahren. Für unterschiedliche Fragestellungen werden verschiedene Modelle gebildet und eingesetzt.
Ein Label kann zum Beispiel sein: Aufgetaut vs. gefroren oder Kerntemperatur in °C oder fertig vs. nicht fertig oder Lebensmittelart und viele Weitere. Die Daten aus dem Ofen bzw.
Gerätedaten beschreiben den thermischen und energetischen Zustand des Ofens. Sie umfassen daher nach Möglichkeit die Betriebsart, die geschalteten Verbraucher sowie die Laufzeit der Versuche und/oder andere Größen.
Die Hochfrequenzdaten werden hier in optimaler Weise vorverarbeitet und wichtige Merkmale durch statistische und oder nachrichtentechnische Ansätze bestimmt. Durch diese Merkmale soll bevorzugt die Beladung charakterisiert werden.
Ein besonderer Erfindungswert liegt in der Auswertung von Veränderungen in den
S-Parametern. Die Unsicherheiten der stationären Absolut-Messungen, z. B. durch
Verwendung eines metallischen Gargutträgers, können bei der Differenzbildung und dem Auswerten der Veränderungen herausgerechnet werden. Die messbaren Veränderungen in den S-Parametern ergeben sich dann durch Veränderungen des Lebensmittels während des Garvorgangs, z. B. durch Abgabe von Wasser, Aufgehen oder Schrumpfen, Krustenbildung u.ä., während der Garraum und sein Einfluss auf die S-Parameter zeitlich konstant bleibt.
Die messbaren Veränderungen am Lebensmittel während des Back- oder Garprozesses folgen in der Regel einer typischen Kurve mit Maximum gegen Ende des Garvorgangs. Viele relevante Größen wie Kerntemperatur, Volumenänderung, Bräunungsänderung o.ä. folgen dieser in der Figur 2 schematisch dargestellten Kurve. Das liegt unter anderem daran, dass der
Temperaturunterschied zwischen Lebensmittel und Backofen während des Garvorgangs immer kleiner wird und das Lebensmittel essbar wird, wenn die notwendigen physikalischen (z. B. Aufgehen, Verdampfen von Wasser) und chemischen Prozesse (z. B. Bräunungsänderung ÄL, Entfalten von Proteinen) des Garens abgeschlossen sind. Ein besonderes Merkmal der Erfindung ist auch das Zusammenspiel aus den HF-Daten und den Gerätedaten bzw. Ofen-Daten und/oder Beladungsdaten. Für die besonders relevanten Label wie z. B. die Kerntemperatur benötigt das Modell zum einen den Zustand des Ofens und zum anderen eine Beschreibung der Beladung über ein weiteres Sensorsystem. Erst diese Kombination erzeugt ein besonders vollständiges Gesamtbild. Dieses zusätzliche
Sensorsystem ist hier die Hochfrequenzmessung über das indirekt die Höhe, Größe, Volumen, Art und Behälter der Beladung beschrieben wird. Alternativ kann das Sensorsystem z. B. auch die Sensoreinrichtung 5 mit der Kamera 15 sein, aus deren Bilddaten diese Größen abgeleitet werden.
Bezugszeichenliste
1 Gargerät
2 Garraum
3 Hochfrequenzmesssystem
4 Verarbeitungseinrichtung
5 Sensoreinrichtung
6 Behandlungseinrichtung
12 Garraumtür
15 Kameraeinrichtung
16 Steuereinrichtung
100 Backofen
101 Bedieneinrichtung
102 Anzeigeeinrichtung 200 Kerntemperatur
201 Zeit
202 Fertigzeitpunkt

Claims

Patentansprüche
1. Verfahren zum Betreiben eines Gargeräts (1) mit wenigstens einem Garraum (2) zur Zubereitung von Gargut, wobei mittels wenigstens eines Hochfrequenzmesssystems (3) Hochfrequenzdaten während des Garvorgangs erfasst werden und wobei aus den Hochfrequenzdaten mittels wenigstens einer Verarbeitungseinrichtung (4) wenigstens ein das Gargut charakterisierender Garparameter abgeleitet wird,
dadurch gekennzeichnet,
dass die Hochfrequenzdaten mittels wenigstens eines in der Verarbeitungseinrichtung (4) hinterlegten und selbstlernenden Modells des maschinellen Lernens verarbeitet werden und dass die Verarbeitungseinrichtung (4) durch das Modell eigenständig aus den Hochfrequenzdaten den Garparameter ableitet.
2. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass das Hochfrequenzmesssystem (3) Reflexionsspektren des Garraums (2) und/oder des Garguts erfasst und dass die Hochfrequenzdaten aus den Reflexionsspektren errechnet werden und/oder dass die Hochfrequenzdaten Reflexionsspektren sind.
3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Modell durch überwachtes maschinelles Lernen erstellt ist bzw. trainiert wird und dass dazu wenigstens eine Datenmenge aus einer repräsentativen Menge an
Garvorgängen als Referenz erfasst wird und dass in dieser Datenmenge wenigstens eine Zuordnung von Hochfrequenzdaten zum Garparameter als Zielgröße zum Lernen enthalten ist und dass dann Zusammenhänge zwischen den Hochfrequenzdaten und dem Garparameter angelernt werden, sodass anschließend das Modell in der Lage ist, ausgehend von den Hochfrequenzdaten eigenständig auf den Garparameter zu schließen.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Modell aus einer Gruppe von Modelltypen entnommen ist, umfassend wenigstens analytische Modelle und zum Beispiel Gleichungen, statistische Modelle und zum Beispiel Regressoren, künstliche neuronale Netze, Convolutional Neuronal Networks (CNN bzw. ConvNet), Modelltypen des Maschinellen Lernens.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Garparameter aus einer Gruppe von Parametern entnommen ist, umfassend wenigstens Kerntemperatur, Bräunungszustand, Feuchtezustand, Gefrierzustand, Auftauzustand, Garzustand, Fertiggargrad, Schrumpfen, Aufgehen, Wasserabgabe, Krustenbildung, Veränderungen der zuvor genannten Parameter über die Zeit.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass auch Gerätedaten mit dem Modell verarbeitet werden und dass das durch das Modell eigenständig aus einer Kombination der Hochfrequenzdaten mit wenigstens den
Gerätedaten der Garparameter abgeleitet wird.
7. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass die
Gerätedaten aus einer Gruppe von Daten entnommen sind, umfassend wenigstens thermische und/oder energetische Zustandsdaten des Garraums (2), Betriebsart, geschaltete Verbraucher, Laufzeit des Garvorgangs.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass auch Beladungsdaten mit dem Modell verarbeitet werden und dass durch das Modell eigenständig aus einer Kombination der Hochfrequenzdaten mit wenigstens den
Beladungsdaten der Garparameter abgeleitet wird.
9. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass die
Beladungsdaten durch das Hochfrequenzmesssystem (3) und/oder mittels wenigstens einer Sensoreinrichtung (5), insbesondere umfassend wenigstens eine
Kameraeinrichtung (15), erfasst werden.
10. Verfahren nach einem der beiden vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Beladungsdaten aus einer Gruppe von Daten entnommen sind, umfassend wenigstens Geometrieeigenschaften des Garguts und/oder eines Gargutbehälters, Position des Garguts und/oder eines Gargutbehälters, Art des Garguts und/oder eines Gargutbehälters.
11. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass wenigstens eine Behandlungseinrichtung (6) zur Zubereitung von Gargut mittels wenigstens einer Steuereinrichtung (16) in Abhängigkeit des Garparameters gesteuert wird und dass dabei vorzugsweise wenigstens ein Parameter wenigstens eines
Behandlungsprogramms in Abhängigkeit des Garparameters anpasst wird.
12. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass mittels des Hochfrequenzmesssystems (3) hochfrequente Messstrahlung mit einer Mehrzahl von unterscheidbaren Frequenzen und/oder Phasen in den Garraum (2) ausgesendet und wieder empfangen und ausgewertet wird und dass anhand wenigstens eines Vergleichs der empfangenen mit der ausgesendeten Messstrahlung frequenzabhängig und/oder phasenabhängig die Reflexionsspektren erstellt werden.
13. Gargerät (1), dazu geeignet und ausgebildet, nach dem Verfahren nach einem der vorhergehenden Ansprüche betrieben zu werden.
EP20734521.6A 2019-07-15 2020-06-23 Verfahren zum betreiben eines gargeräts und gargerät Withdrawn EP3963262A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019119075.4A DE102019119075A1 (de) 2019-07-15 2019-07-15 Verfahren zum Betreiben eines Gargeräts und Gargerät
PCT/EP2020/067485 WO2021008825A1 (de) 2019-07-15 2020-06-23 Verfahren zum betreiben eines gargeräts und gargerät

Publications (1)

Publication Number Publication Date
EP3963262A1 true EP3963262A1 (de) 2022-03-09

Family

ID=71138751

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20734521.6A Withdrawn EP3963262A1 (de) 2019-07-15 2020-06-23 Verfahren zum betreiben eines gargeräts und gargerät

Country Status (4)

Country Link
US (1) US12510525B2 (de)
EP (1) EP3963262A1 (de)
DE (1) DE102019119075A1 (de)
WO (1) WO2021008825A1 (de)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021120310A1 (de) 2021-08-04 2023-02-09 Topinox Sarl Verfahren zur Lasterkennung in einem Garraum eines Gargeräts sowie Gargerät
CN117795256A (zh) * 2021-08-10 2024-03-29 索尼集团公司 信息处理装置、信息处理方法和程序
DE102021133444A1 (de) 2021-12-16 2023-06-22 Rational Aktiengesellschaft Verfahren zum Ermitteln eines Zustands eines Garguts in einem Garraum eines Gargrills, Verfahren zum Trainieren einer künstlichen Intelligenz sowie Gargerät
EP4501069A1 (de) * 2022-03-31 2025-02-05 BSH Hausgeräte GmbH Garsystem, gargerät und verfahren zum betrieb eines garsystems
US20230375182A1 (en) * 2022-05-20 2023-11-23 Whirlpool Corporation System and method for moisture and ambient humidity level prediction for food doneness
IT202200010652A1 (it) * 2022-05-23 2023-11-23 Candy Spa Forno di cottura
EP4662440A2 (de) * 2023-02-06 2025-12-17 V-Zug AG Gargerät mit einer kamera

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10687391B2 (en) * 2004-12-03 2020-06-16 Pressco Ip Llc Method and system for digital narrowband, wavelength specific cooking, curing, food preparation, and processing
DE102014111019A1 (de) * 2014-08-04 2016-01-21 Miele & Cie. Kg Verfahren und Hausgerät
US10009957B2 (en) * 2016-03-30 2018-06-26 The Markov Corporation Electronic oven with infrared evaluative control
US20190059133A1 (en) 2017-08-16 2019-02-21 The Markov Corporation Sensors for Training Data Acquisition in an Intelligent Electronic Oven
DE102018105232A1 (de) * 2018-03-07 2019-09-12 Rational Aktiengesellschaft Verfahren zum Erkennen wenigstens eines Beladungsparameters eines Garraums von einem Gargerät sowie Gargerät

Also Published As

Publication number Publication date
US20220283135A1 (en) 2022-09-08
DE102019119075A1 (de) 2021-01-14
WO2021008825A1 (de) 2021-01-21
US12510525B2 (en) 2025-12-30

Similar Documents

Publication Publication Date Title
WO2021008825A1 (de) Verfahren zum betreiben eines gargeräts und gargerät
DE102014111019A1 (de) Verfahren und Hausgerät
EP1703809B1 (de) Verfahren zum garen von gargutchargen, enthaltend gargüter mit unterschiedlichem kaliber, und gargerät zum implementieren solch eines verfahrens
EP2618064B1 (de) Verfahren zur Regelung eines Garvorgangs, sowie ein Gargerät zur Durchführung des Verfahrens
WO2019170830A1 (de) Verfahren zum erkennen wenigstens eines beladungsparameters eines geschlossenen raums von einer erkennungseinrichtung, verfahren zum trainieren, computerprogramm, computerlesbarer datenträger sowie erkennungseinrichtung
EP3258742B1 (de) Verfahren zum betreiben eines gargerätes und gargerät
EP3327356B1 (de) Gargerät und verfahren zum betrieb eines gargeräts
EP4260659A1 (de) Betreiben eines haushalts-mikrowellengeräts
EP2941092B1 (de) Verfahren und hausgerät
WO2017182074A1 (de) System zur zubereitung von mindestens einem nahrungsmittel sowie verfahren zum betreiben des betreffenden systems
EP2938161A1 (de) Verfahren und Hausgerät
DE102014103480B4 (de) Gargerät und Verfahren zum Betreiben eines Gargerätes
EP3324123A1 (de) Verfahren zum erhitzen einer flüssigkeit unter erkennung eines siedepunktes
WO2019197277A1 (de) Erfassen von betriebsparametern eines behandlungsraums eines haushaltsgeräts
EP3405005B1 (de) Verfahren und garvorrichtung zum garen von gargut
EP3253179A1 (de) Verfahren zum betreiben eines gargerätes und gargerät
EP3346801A1 (de) Verfahren zum behandeln von gargut und gargerät zur durchführung eines solchen verfahrens
DE4416960A1 (de) Verfahren und Vorrichtung zur Bestimmung eines Kochzustandes eines Nahrungsmittels in einem abgeschlossenen Raum
WO2019162086A1 (de) Betreiben eines haushaltsgeräts mit auftaufunktion
EP4008962A1 (de) Verfahren zum betreiben eines gargeräts und gargerät
DE102016102233A1 (de) Gargerätsystem und Verfahren zum Betreiben
DE10063692C2 (de) Verfahren und Vorrichtung zum Messen und Überwachen von erwärmungsbedingten Veränderungen von Substanzen in einem Backofen
WO2024104809A1 (de) Bestimmen einer vorhersagequalität einer restdauer eines betriebsablaufs
DE102018115538A1 (de) Kalibrierungssystem, Küchensystem sowie Verfahren zum Betreiben eines Kalibrierungssystems
DE102024205132A1 (de) Einstellen von Betriebsparametern eines Lebensmittelbehandlungsablaufs und Durchführen desselben

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

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

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20211201

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20240828

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN WITHDRAWN

18W Application withdrawn

Effective date: 20241119