EP4403830A1 - Kochgerät und verfahren - Google Patents

Kochgerät und verfahren Download PDF

Info

Publication number
EP4403830A1
EP4403830A1 EP24153249.8A EP24153249A EP4403830A1 EP 4403830 A1 EP4403830 A1 EP 4403830A1 EP 24153249 A EP24153249 A EP 24153249A EP 4403830 A1 EP4403830 A1 EP 4403830A1
Authority
EP
European Patent Office
Prior art keywords
cooking
medium
cooking appliance
processor
designed
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.)
Pending
Application number
EP24153249.8A
Other languages
English (en)
French (fr)
Inventor
Jochen Karl Heudorfer
Sascha Grollmisch
Peter Hofmann
Simon Heudorfer
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.)
Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV
Original Assignee
Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV
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 Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV filed Critical Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV
Publication of EP4403830A1 publication Critical patent/EP4403830A1/de
Pending legal-status Critical Current

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
    • F24C7/082—Arrangement or mounting of control or safety devices on ranges, e.g. control panels, illumination
    • 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
    • F24C15/00—Details
    • F24C15/10—Tops, e.g. hot plates; Rings
    • F24C15/102—Tops, e.g. hot plates; Rings electrically heated
    • F24C15/105—Constructive details concerning the regulation of the temperature
    • 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
    • H05B6/02—Induction heating
    • H05B6/06—Control, e.g. of temperature, of power
    • H05B6/062—Control, e.g. of temperature, of power for cooking plates or the like
    • 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
    • H05B6/02—Induction heating
    • H05B6/10—Induction heating apparatus, other than furnaces, for specific applications
    • H05B6/12—Cooking devices
    • H05B6/1209—Cooking devices induction cooking plates or the like and devices to be used in combination with them
    • 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
    • H05B2213/00—Aspects relating both to resistive heating and to induction heating, covered by H05B3/00 and H05B6/00
    • H05B2213/05—Heating plates with pan detection means
    • 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
    • H05B2213/00—Aspects relating both to resistive heating and to induction heating, covered by H05B3/00 and H05B6/00
    • H05B2213/06—Cook-top or cookware capable of communicating with each other

Definitions

  • Embodiments of the present invention relate to a cooking appliance, cooking accessories and a method.
  • Preferred embodiments relate to a machine learning-based air/structure-borne sound sensor with associated software solution for safe, energy-efficient and automated cooking, frying and warming up.
  • Temperature measurements are irrelevant to humans when cooking. Whether it's 71°C on Mount Everest or 100°C on the Atlantic: water boils when it bubbles; fat is hot when it sizzles. In this way, even an inexperienced cook can monitor several pots by "listening" and make adjustments on the stove. The human ear is able to both recognize individual sounds and put them into the right context.
  • Humidity sensors for monitoring water vapor are also possible.
  • Other systems focus on gas stoves to detect fires, e.g. using gas sensors to monitor gas leaks or IR sensors above the stove top for early fire detection. This usually involves feedback to the gas supply of the stove or directly to the user via an app.
  • the object of the present invention is to provide a concept for monitoring a cooking process (including frying, warming up, etc.) which overcomes the disadvantages present in the prior art and in particular offers an improved compromise between cost efficiency, monitoring functionality and monitoring accuracy.
  • Embodiments of the present invention provide a cooking appliance (e.g. a hob) with a heat source (e.g. an induction plate) for heating a medium (e.g. food to be cooked, such as vegetables or meat or cooking water or frying fat) or a cooking utensil (e.g. the pot).
  • the cooking appliance also comprises means for sound detection (e.g. airborne sound or structure-borne sound) which are designed to receive an acoustic signal (e.g. a boiling sound) originating from the medium or the cooking utensil and/or to convert it into a digital acoustic signal.
  • these means for sound detection can be, for example, an airborne sound or structure-borne sound microphone or generally a microphone.
  • the cooking device comprises a processor which is designed to analyze the (received and digitized) digital acoustic signal with regard to one or more features and to determine a cooking state (e.g. a boiling state) for the medium based on the one or more features or raw data.
  • a processor which is designed to analyze the (received and digitized) digital acoustic signal with regard to one or more features and to determine a cooking state (e.g. a boiling state) for the medium based on the one or more features or raw data.
  • the cooking appliance can have the form of a hob. There is no restriction to certain types, such as a gas hob, induction hob or infrared hob.
  • the cookware can be a pot or a pan.
  • the medium can, for example, be a food to be cooked, e.g. meat, or a cooking medium, e.g. cooking water or fat.
  • the cooking appliance has the form of a hob that comprises several hotplates or cooking positions, wherein the processor is designed to carry out cooking position detection or hotplate detection based on the digital acoustic signals and/or additional information.
  • the hotplate position or the hotplate detection information represents one of the above-mentioned features.
  • Embodiments of the present invention are based on the knowledge that a cooking state can be monitored directly by acoustic monitoring by analyzing the recorded acoustic signal (structure-borne sound signal or airborne sound signal) with regard to one or more characteristics. This makes it possible to make much more detailed statements about the cooking or kitchen processes or even additional information about the presence of people in the kitchen/cooking area. Such a sensor system reacts much faster than existing sensors, so that changes in the cooking state can be responded to quickly. The monitoring is also less dependent on cookware and/or open or closed lids of the cookware.
  • the cooking status is detected only on the basis of the acoustic signals, i.e. without additional information from the temperature signal or similar.
  • the currently available signal can also be sufficient to detect the cooking status without taking the previous signal curve into account.
  • a cooking accessory is created, e.g. as a supplement to a cooking device.
  • the cooking accessory can, for example, comprise means for sound detection and the processor.
  • the cooking accessory is intended for use for a cooking device with a heat source for heating a medium or a cooking vessel. and includes the two units already explained above.
  • the advantage here is that the system can also be attached to existing kitchen appliances and these existing kitchen appliances can be expanded, so to speak.
  • the means for sound detection can, for example, be directly assigned to a cooking utensil or the medium, so that there is then also a direct assignment to the cooking position.
  • the means for sound detection it would also be conceivable for the means for sound detection to be aligned with the one or more hotplates or to align themselves automatically. The exact arrangement depends on the implementation of the means for sound detection. According to embodiments, these can have means for sound detection of airborne sound, one or more microphones and/or means for sound detection of structure-borne sound. In the case of the means for airborne sound, the microphone is advantageously aligned accordingly with the cooking utensil and/or the means to be monitored.
  • means for structure-borne sound detection can be arranged directly on the cooking utensil.
  • means for sound detection can also comprise external means for sound detection that are arranged directly on the cooking appliance or the cooking utensil or the kitchen ceiling in the area of the hob or the extractor hood, etc.
  • the processor can have an A/D converter or can be designed to carry out preprocessing, for example by means of steps such as quantization or normalization.
  • the processor can be designed for feature extraction, for example based on a time-frequency transformation, or another type of feature extraction.
  • the processor can have a filter for signal filtering, in particular for minimizing noise. This filter advantageously enables the minimization of noise originating from the heating source (induction), etc.
  • One possible implementation variant would be a bandpass filter.
  • the processor is designed to carry out the analysis using machine learning, for example in the form of a neural network.
  • the processor can train the neural network and/or the ML algorithm using training data and/or using a current digital acoustic signal or using several digital acoustic signals (for example together with associated cooking status information).
  • the processor is designed, for example, to be trained on site and/or to be trained in the delivery state and/or to be adapted on site and/or to be trained using federated training.
  • a digital controller is created which determines the heating power for achieving a target cooking state depending on the current cooking state.
  • the processor is designed to post-process a signal derived from the digital acoustic signal by means of privacy enhancement processing, e.g. by means of a speech filter. This advantageously enables acoustic monitoring without the privacy-relevant information being passed on.
  • the cooking appliance can advantageously be expanded to include additional sensors or can access additional sensors.
  • additional sensors can access additional sensors.
  • temperature measurements generally already provide useful information on the cooking status, but this can be valuablely supplemented by auditory noise monitoring.
  • the cooking appliance has an internal database and/or an interface to an external database, which the processor can access, for example, for analysis.
  • the internal database or the external database comprises information relating to one or more reference features associated with a cooking state (in stored form), wherein the processor is designed to carry out an analysis using the one or more reference features.
  • the cooking appliance can have a control system that is designed to regulate the heat source depending on the determined cooking state, in particular a power for the heat source.
  • the heat source can be reduced when a cooking state is reached, in particular a boiling state.
  • this method can also be computer-implemented.
  • a method refers to a computer program for carrying out this method.
  • Fig. 1A shows a cooking device 10, which here can have, for example, four heat sources 12a-d. Each of these heat sources 12a-d can be individually controlled, for example, via a control 20, e.g. via a rotary knob 20k, or can also be changed in terms of size.
  • a control 20 e.g. via a rotary knob 20k
  • the visible top of a hob 10 usually consists of special glass ceramic surfaces with several cooking zones 12a-12d (heating area), which mark the area of the induction coils.
  • the four rotary knobs 12k marked with numbers, give the cook the option of setting a target value for the heating power for each cooking zone.
  • hobs with induction technology are also offered on the household appliance market.
  • the main difference to radiant heating (infrared heating) is that the heat is generated directly in the base of the cookware (not shown). Accordingly, the cooking zone is only heated by the heat from the cookware and the surface temperature of the glass ceramic plate remains low.
  • an induction hob can heat food more quickly than another type of hob. With reference to Fig. 1B This type of hob is explained.
  • Fig. 1B shows a hob 10 with a cooking utensil 15.
  • the cooking appliance 10 has a cooking zone 12a that can be operated using induction.
  • the cooking zone 12a comprises several induction coils 12i that are driven by a converter 12u.
  • the converter receives its electrical energy from the mains and is controlled by the controller 20.
  • the excitation of the induction coils 12i is carried out with a corresponding excitation frequency as Fig. 1C shows.
  • the available electrical power P eff is plotted over time.
  • Fig. 1C shows three diagrams with three different output powers.
  • the control 20 can use modulation.
  • the effective electrical power can be controlled using the programmed modulation of the pulse duration (PDM) - i.e. by simply switching the oscillator on and off.
  • PDM pulse duration
  • an effective active power P eff is thus obtained.
  • a long setting duration and short pause lead to the food being cooked heating up quickly and vice versa.
  • the closed-loop system 20l is It should be noted that, starting from the desired power w(t) and a temperature signal x(t), the two-point controller 20z is controlled with the combined signal e(t) in order to apply the excitation frequency t20 or y(t) to the induction coils.
  • a continuously operating controller 20pit can be used for the control system 20r of the modified loop 20l'. Accordingly, the controller 20pit does not adjust the duty cycle of the oscillator, but rather the control frequency of the coil variably, as shown by f20' (associated with y(t)).
  • the control is carried out by means of the controller 20z or 20pit using a temperature sensor 20ts.
  • this temperature sensor can be integrated into the glass ceramic hob and thus measures the pot temperature or can be present in the hob. Either the ergonomics or the indirect measurement of the medium temperature are problematic.
  • the only boiling states of the medium temperature can vary depending on the medium or other environmental conditions, such as the altitude. The boiling point varies both depending on the altitude and depending on the medium. Regardless of the medium, however, boiling can be detected based on the sound emission of the medium in the fluid. This effect is subsequently used by the cooking device 50.
  • the cooking device 50 comprises, for example, a heating element, such as an induction heating element 52, e.g. an induction coil, as explained above.
  • the cooking device 50 also comprises means for sound detection 54, such as a microphone or a structure-borne sound sensor.
  • the means for sound detection 54 are designed to detect the acoustic signal 56 originating from the medium 58 in the cooking utensil 59.
  • the acoustic signal is then converted, for example, into a digital acoustic signal and evaluated by the processor 55.
  • the evaluation can be carried out according to embodiments according to one or more features in order to determine the cooking state of the medium 58 based on these one or more features. For example, boiling information can be recognized based on the noise.
  • an acoustic signal is produced by the medium during the boiling process, so that this information can be generated, for example, by means of pattern recognition. It has also been recognized that temperature information or other information, such as an evaporation or combustion state of the medium, particularly in the case of fat, can also be recognized.
  • the processor 55 outputs this status information to the controller 20. Based on this, the controller 20 can control the heating power for the heating element 52, as described above in connection with the control examples from Fig. 1D , and 1F was explained.
  • Fig. 2a a variant is explained in which the acoustic sensor 54 and the processor 55 are integrated into an external device, such as a retrofit device 53.
  • the functionality is essentially the same, with the processor 55 then outputting the generated information and/or features as information to a programming interface of a standard hob.
  • the programming interface API is provided with the reference symbol 20a.
  • the generated information e.g. in the form of control data
  • additional information such as a rotary knob position
  • a pan detection and/or a temperature can be tapped from the interface 20a by the device 53 and included in the control.
  • the conventional control can then take place using the controller 20z and the control path 20r.
  • the controller is of course not limited to a two-point control; a PID controller would also be conceivable.
  • the only sensor signals that can be included in the monitoring implementation examples are in Fig. 2B illustrated.
  • the acoustic sensor 54 can be integrated into the ceramic hob.
  • the ceramic hob optionally includes a pan detection 61 and a temperature sensor 62.
  • the four input data rotary knob position, pan detection, temperature and the acoustic signal are then available, so that using these signals the excitation frequency for the controller 20, i.e. the power control, can be adjusted.
  • This control can, for example, be carried out separately for each cooking zone, i.e. x times.
  • the rotary knob position enters the setpoint, whereby the excitation frequency is then selected taking temperature and acoustic signal into account so that a suitable cooking state is achieved.
  • the processor (not shown) creates an ML model by drawing conclusions about the dynamic system of controller and controlled system (glass ceramic plate and pot) and teaches this accordingly. Knowledge about the pot contents can also be obtained from the amount of energy supplied and the associated temperature change (temperature sensor 62).
  • the pot content is therefore a corresponding feature associated with the cooking state, since both the acoustic characteristics and the cooking state itself can vary depending on the medium or pot content.
  • 54 different variants are considered as means for sound detection.
  • a first variant as for example in connection with Fig.3
  • airborne sound can be determined.
  • a MEMS microphone could be used for this.
  • the determination of structure-borne sound would also be conceivable.
  • a structure-borne sound sensor (structure-borne sound microphone) is an electroacoustic transducer for measuring structure-borne sound, whereby the measurement mainly relates to the investigation of vibrating surfaces. The most important parameters are the deflection, the vibration speed and the vibration acceleration. Accordingly, four types of structure-borne sound sensors are placed, for example, as in Fig. 2C These include piezoelectric sensors, MEMS sensors, strain gauges, magnetic-inductive sensors. All are used to record acceleration.
  • the sound sensor such as the microphone or the structure-borne sound sensor
  • the sound sensor can be positioned at different positions of the cooking surface 10 with the multiple cooking zones.
  • the right Fig. 2B On the right, four sound sensors are provided, each assigned to the cooking zones 12a-d.
  • the sound sensors can also be provided between the cooking zones, as in the left Fig. 2B illustrated on the left. In this case, a 1:1 assignment of sound sensor and cooking zone is not possible.
  • a microphone array can also be used as a microphone. This offers several advantages, namely that several cooking zones 12a-d can be monitored using one array, for example using beamforming. According to embodiments, background noise can also be suppressed. The use of an array in particular makes it possible to detect existing background noise and then take it into account or filter it out (before further processing of the signals). According to embodiments, the microphones can be attached directly to the hob or in the cooking environment (e.g. extractor hood, kitchen ceiling, etc.).
  • the processor has a corresponding filter to filter out such noise, which can be calculated depending on the choice of converter.
  • a simple possibility would be to use a low-pass filter to filter the audio signal, as in Fig. 2H is shown by the reference number 55t.
  • the low-pass filter also receives information such as the current excitation frequency in order to optimally filter the audio signal.
  • the processor is trained in advance or supplied with trained data.
  • the different signals e.g. knob position, pot detection, temperature, excitation frequency and, above all, the acoustic signal
  • An ML model trained in this way SVM, CNN, TCNN, RNN, LSTM, Transformer
  • sensor data is processed by intelligent signal analysis or preprocessing, e.g. time/frequency transformation or feature extraction, in combination with machine learning methods, e.g. B. by neural networks, continuously or at fixed time intervals.
  • the airborne and/or structure-borne sound data are combined with other Sensor data is merged.
  • the analysis can be carried out locally directly on the device or sensor. Alternatively, cloud evaluation is also possible.
  • An ML model machine learning model trained in this way then enables various one or more previously defined states to be recognized, e.g. water boiling over, and this, for example, independently of the previous signal curve.
  • continuous events such as a "sizzling intensity" of fat, can also be determined.
  • Such a device can be integrated directly into the kitchen appliance, as is the case, for example, with Fig.4 explained or can also be intended as a retrofit element, such as Fig. 2A has shown.
  • the integrated variant or the retrofit variant both offer the possibility of providing feedback to the kitchen appliance based on the results of the analysis in order to regulate its parameters, in accordance with other embodiments. Additionally or alternatively, information can also be issued to a user, e.g. via smartphone, to inform the user of the current status and, if necessary, to point out problems.
  • Fig. 3B Three cooking states are shown as examples.
  • Fig. 3B Based on a large number of linked sensor information (cf. Fig. 3a ), which are weighted according to their relevance, for example, three resulting recognized states "water is boiling over”, “fat is sizzling too much” or "everything is OK". These are example classes for safety functions. Based on each state, a hint can then be given or the hob power can be controlled directly. If water is boiling over or fat is sizzling too much, for example, the hob power (or the temperature setpoint) can be reduced. If everything is OK, the setpoint value from the rotary knob is used.
  • this can be done via the manufacturer's API in order to make a temperature adjustment. Both classification and regression models can be used. It can also be checked whether a classification is appropriate or whether the model (e.g. prediction of a temperature value) should be improved. The user can then provide feedback via the API, which is taken into account (see below).
  • the safety function is to be understood as a basic function.
  • kitchen fires often occur as a result of burning fat.
  • the condition of heavily sizzling fat can thus lead to a reduction in the heating output and can advantageously be detected very well using structure-borne sound or airborne sound.
  • a pot boiling over is a safety-critical issue, so that this detected condition can also be assigned to a safety function.
  • the self-learning algorithm can also be further trained using user feedback if, for example, it detects a pot boiling over or detects a fat temperature that is too high even though this has not yet been reached. In this respect, user feedback regarding status information can also enable training during operation.
  • a kettle has an integrated heating element and can be monitored acoustically. The kettle can then be switched off based on the acoustic signal.
  • Fig.3D shows a possible variant of how further information can be transmitted, e.g. from the cookware to the control system.
  • an RFID tag can be provided as a sticker on the cookware, which outputs information about the functionality to the cooking device via RFID.
  • the cooking device can be used according to embodiments have an RFID reader.
  • a dynamic model or special function can be stored in an RFID tag and transmitted to the intelligent control of the hob.
  • An interesting option would be an RFID tag that gives old pots or similar new functions. For example, "I am a kettle" in order to carry out the kettle functionality explained above.
  • a convenience functionality such as a cooking mode assigned to a cooking task, can also be enabled.
  • Fig. 3E shows a controller 20' with a processor 55, which receives the acoustic signal from the sensor 54.
  • the controller can, according to embodiments, output information to the user, for example via Bluetooth or other radio communication means.
  • the user can, for example, wear headphones shown here for voice output or a smartwatch for visual display or alarm via vibration signal.
  • the sound information from the cooking area / cooking status can also be converted into representative vibration patterns and then transmitted to a smartwatch.
  • the cooking medium in the cookware can be kept constant in a first state, which is detected, for example, upon confirmation by the user. If the user or the cook is satisfied with the current cooking or sizzling intensity, he or she can communicate this to the control system - similar to cruise control in a car - using a hold button. The control system then ensures that the cooking or sizzling intensity is maintained accordingly.
  • the pasta water does not boil over. There is therefore no need to repeatedly readjust the heating power using the rotary knob.
  • Such a function is ideal for gently simmering, warming up or keeping food warm.
  • a liquid often starts to boil more strongly immediately if you want to use a lid to save energy.
  • the control can differentiate between the state with lid and without lid based on the acoustic signal and then adjust the regulation accordingly.
  • the acoustic signal and the behavior of the cooking medium which the control system is designed to take into account, must be taken into account.
  • a specially optimized warm-up program would also be conceivable, as will be explained below.
  • a warm-up program or a cooking program in general could, for example, carry out an automated regulation of the heating power according to a given recipe.
  • Content stored in the recipe can, for example, be the duration of individual heating levels or the duration of individual cooking states. For example, it can be defined that cooking state A is maintained for a certain period of time, while cooking state B is maintained for a further certain period of time.
  • Warm-up programs could, for example, be designed in collaboration with manufacturers of ready meals. Using a QR code on the packaging, the intelligent control can then execute a cooking program optimized by the manufacturer (amount of water + powder in the pot, scan QR code with hob/smartphone, click start, if necessary beep to stir, etc.). The same principle can be applied in cookbooks. Furthermore, different programs are also made possible in this way, for example for warming sausages such as white sausages, according to a given recipe.
  • a neural network that uses the structure-borne sound to predict the temperature of the fat or the medium in the pan or in the cookware.
  • the temperature of the medium to be heated is determined using an infrared thermometer and at the same time the currently prevailing structure-borne sound is recorded using a sound sensor, e.g. a piezo pickup or a microphone. These two pieces of information can be correlated.
  • the relationships can be learned using an ML model (regression model).
  • Information about the medium to be heated can also be read in as a further feature to be correlated.
  • the background is that, as the table in Fig. 3F shows that different media have different smoke points because they can be heated to different maximum temperatures.
  • Fig. 3G shows an extract from a CSV marker for, for example, three different cooking intensities KS0 stove, KS1 light cooking, KS2 strong cooking, KS3 boiling over.
  • One example creates an intelligent cooking sensor that can reliably detect cooking conditions and regulate them automatically. It consists, for example, of an artificial auditory perception model and a new type of power controller. Together with an induction hob, it thus forms an intelligent cyber-physical overall system. It can perceive and understand the cooking environment and change it in a targeted manner through actions - such as adjusting the heating output. With the ability to act autonomously, it forms the foundation for the smart hob of the future and the basis for user-friendly cooking assistance systems.
  • the senor can be easily and quickly integrated into conventional hob systems.
  • Fig. 5a illustrates the design of the sensor as a cyber-physical system.
  • the three stages of perception model, system state and system controller are shown depending on the target and actual cooking state, taking the pot dynamics into account.
  • the sound pressure waves perceived as environmental noise are recorded by inexpensive MEMS microphones, pre-processed in a digital signal processor and converted into a spectrogram. This contains the noise information and serves as input for the cooking state detection in the artificial auditory perception model. The output is temporarily stored as the actual cooking state.
  • the information from the hob control is included in the perception (sensor fusion). This includes: indirect temperature measurements, pot detection and current heating output (see. Fig. 3a ).
  • the system state M forms the input variable for the power controller as a state vector.
  • the system state Z contains the desired TARGET cooking state and an internally calculated parameter for the pot dynamics. The latter characterizes the thermodynamic behavior of the entire system consisting of the hob, cookware and liquid.
  • the system state Z can also be expanded to include specifications for cooking modes (e.g. energy saving mode).
  • the state-based power controller R calculates the currently required heating power based on the system status and sends either a command to the hob control or a warning message to the person cooking. In this way, the TARGET cooking state can be achieved and maintained autonomously and energy efficiently.
  • Fig. 5b Audible cooking methods and useful cooking states are in Fig. 5b shown: Cooking or cooking is generally understood to mean the preparation of food using a heat source. A basic distinction is made between moist cooking methods (cooking in the true sense of the word) and dry cooking methods (frying, deep-frying and sweating). The main difference between the two methods of preparation is the medium used to transfer the heat to the food. For example, liquids such as water, broth, wine and milk are used for cooking; for frying, deep-frying and sweating, heating is done using fats and oils [8]. The choice of cooking method has a direct impact on the taste, tolerability and nutritional content of the prepared food - and often also on health [8]. An overview of the cooking methods regularly used in private households can be found in Fig. 5b Cooking methods that can be heard acoustically are shaded.
  • the following cooking state classes were used: stove off, implosions, simmering, boiling, boiling, vigorous boiling and boiling over. This allows almost all moist cooking methods to be monitored and controlled based on their specific cooking noises.
  • the state classes can be used as part of customer discovery. In this context, safety-relevant functions for roasting and deep-frying as well as roasting assistants in connection with sizzling intensities can also be implemented.
  • noises are generally auditory sensations that are not directly perceived as a sound, tone, mixture of tones, harmony or bang.
  • the cause of noises are vibration processes mediated by elastic bodies (e.g. a cooking pot) that spread as airborne sound in the room [9].
  • elastic bodies e.g. a cooking pot
  • a cooking noise does not have an exactly definable pitch, i.e. no dominant frequency (see Fig. 5c ).
  • different frequency ranges are represented to varying degrees and thus give cooking noise an individual character, which can be seen in the Mel spectrogram MS shown in Fig. 5c can be clearly seen.
  • a spectrogram is the graphical representation of the temporal progression of the frequency spectrum of a signal (e.g. an audio signal) [10].
  • the time signal is converted into the time-frequency domain using the short-time Fourier transform (STFT) [11].
  • STFT short-time Fourier transform
  • the frequencies are shown on the Y-axis in the Mel scale [12].
  • striking temporal patterns also emerge.
  • the temporal progression could also be learned instead of frequency ranges.
  • machine learning In order to automatically analyze the acoustic signals, machine learning (ML) methods are used, e.g. in the form of deep neural networks, according to the embodiments.
  • ML machine learning
  • the neural network learns the relationships between cooking noise and cooking state using training data.
  • the neural network After successful training, the neural network (ML or Kl model) can be used to classify cooking noises (see Fig. 5d ).
  • a power controller can be used to calculate the optimal heating power:
  • the sensor's power controller has the task of selecting the best possible power level based on the current system state.
  • the current system state includes the perceived ACTUAL cooking state, the desired TARGET cooking state and the calculated pot dynamics.
  • the optimal performance level can still be determined on the basis of the Markov Decision Process (MDP). For example, using a learned strategy (policy) or using statistically recorded, action-dependent transition probabilities. There are methods for this that fall into the areas of dynamic programming, reinforcement learning and imitation learning, among others. By selecting the appropriate boundary conditions, safety-critical conditions can be safely avoided (e.g. boiling over). A simplified example with action-dependent transition probabilities is shown in Fig. 5h shown.
  • MDP Markov Decision Process
  • the planned action (the power level that is most likely to lead to the desired TARGET cooking state) is finally transmitted to the hob control.
  • the electronic hardware concept presented represents an initial selection of hardware components based on current findings and assumptions.
  • This hardware structure allows four cooking zones to be monitored and controlled simultaneously. Accordingly, four high-quality MEMS microphones15 are provided for audio signal recording.
  • the selection, positioning and alignment of these microphones, the so-called microphone concept, is to be developed as part of the EXIST start-up grant.
  • the assistant In order to meet young people's need for technology and luxury and at the same time provide intuitive operation that is accessible to technology-averse end customers, the assistant is intended to be a smart cooking assistant.
  • Interactive cooking apps are intended to help people cook healthy food in a fun and stress-free way, discover new recipes and test new energy-saving and automated cooking methods (e.g. preparing eggs using the Ogi method).
  • Other considerations include: a connection to smart refrigerators for recipe recommendations, specially developed, sound-emitting cookware or the possibility of live transmission of cooking sounds and visual information on smartphones or VR glasses. The aim is to make cooking as attractive, interactive and relaxing as possible while providing the necessary safety.
  • the processor is designed to carry out an adaptation phase in which the device or the recognition algorithm of the device adapts to the current cooking device or cookware.
  • the evaluation and, if necessary, further learning is carried out using privacy enhancement technologies (homomorphic encryption, differential privacy, secure multi-party computation, or similar) in order to avoid the unwanted disclosure of sensitive information or to enable conclusions to be drawn about the participants, attributes of the participants or other sensitive information.
  • privacy enhancement technologies homomorphic encryption, differential privacy, secure multi-party computation, or similar
  • the processor may be configured to remove the speech as personal information, possibly by tools for filtering out speech information, such as voice activity detection.
  • a hotplate or cooking zone on which the pot is located is recognized and assigned.
  • the location of noises can be used for this purpose or information can be obtained from the cooking appliance, e.g. about an activated cooking zone.
  • the means for sound detection can also comprise ultrasonic sensors.
  • a camera sensor system is used in addition to the sound sensor system.
  • aspects have been described in the context of a device, it is to be understood that these aspects also represent a description of the corresponding method, so that a block or component of a device can also be understood as a corresponding method step or as a feature of a method step. Analogously, aspects described in the context of or as a method step also represent a description of a corresponding block or detail or feature of a corresponding device.
  • Some or all of the method steps can be performed by a hardware apparatus (or using a hardware apparatus), such as a microprocessor, a programmable computer, or an electronic circuit. In some embodiments, some or more of the key method steps can be performed by such an apparatus.
  • a signal encoded according to the invention such as an audio signal or a video signal or a transport stream signal, can be stored on a digital storage medium or can be transmitted on a transmission medium such as a wireless transmission medium or a wired transmission medium, e.g. the Internet.
  • the encoded audio signal according to the invention can be stored on a digital storage medium, or can be transmitted on a transmission medium, such as a wireless transmission medium or a wired transmission medium, such as the Internet.
  • embodiments of the invention may be implemented in hardware or in software.
  • the implementation may be performed using a digital storage medium, for example a floppy disk, a DVD, a Blu-ray Disc, a CD, a ROM, a PROM, an EPROM, an EEPROM or a FLASH memory, a hard disk or other magnetic or optical storage on which electronically readable control signals are stored that can or do interact with a programmable computer system in such a way that the respective method is carried out. Therefore, the digital storage medium may be computer readable.
  • Some embodiments according to the invention thus comprise a data carrier having electronically readable control signals capable of interacting with a programmable computer system such that one of the methods described herein is carried out.
  • embodiments of the present invention may be implemented as a computer program product having a program code, wherein the program code is operable to perform one of the methods when the computer program product is run on a computer.
  • the program code can, for example, also be stored on a machine-readable medium.
  • an embodiment of the method according to the invention is thus a computer program that has a program code for carrying out one of the methods described herein when the computer program runs on a computer.
  • a further embodiment of the methods according to the invention is thus a data carrier (or a digital storage medium or a computer-readable medium) on which the computer program for carrying out one of the methods described herein is recorded.
  • a further embodiment of the method according to the invention is thus a data stream or a sequence of signals which represents the computer program for carrying out one of the methods described herein.
  • the data stream or the sequence of signals can be configured, for example, to be transferred via a data communication connection, for example via the Internet.
  • a further embodiment comprises a processing device, for example a computer or a programmable logic device, which is configured or adapted to carry out one of the methods described herein.
  • a processing device for example a computer or a programmable logic device, which is configured or adapted to carry out one of the methods described herein.
  • a further embodiment comprises a computer on which the computer program for carrying out one of the methods described herein is installed.
  • a further embodiment according to the invention comprises a device or a system which is designed to transmit a computer program for carrying out at least one of the methods described herein to a recipient.
  • the transmission can be carried out electronically or optically, for example.
  • the recipient can be, for example, a computer, a mobile device, a storage device or a similar device.
  • the device or system can, for example, comprise a file server for transmitting the computer program to the recipient.
  • a programmable logic device e.g., a field programmable gate array, an FPGA
  • a field programmable gate array may interact with a microprocessor to perform any of the methods described herein.
  • the methods are performed by any hardware device. This may be general-purpose hardware such as a computer processor (CPU) or hardware specific to the method such as an ASIC.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Electric Stoves And Ranges (AREA)

Abstract

Kochgerät (10), mit folgenden Merkmalen: einer Heizquelle (12) zum Erhitzen eines Mediums oder eines Kochgeschirrs; Mittel zur Schalldetektion (54), die ausgebildet sind, ein akustisches Signal herrührend von dem Medium oder dem Kochgeschirr zu empfangen und/oder in ein digitales akustisches Signal zu überführen; einem Prozessor (55), der ausgebildet ist, das digitale akustische Signal im Hinblick auf ein oder mehrere Merkmale zu analysieren und anhand der ein oder mehreren Merkmale einen Kochzustand für das Medium zu bestimmen.

Description

  • Ausführungsbeispiele der vorliegenden Erfindung beziehen sich auf ein Kochgerät, Kochzubehör und ein Verfahren. Bevorzugte Ausführungsbeispiele beziehen sich auf ein Machine-Learning-basierten Luft-/Körperschallsensor mit zugehöriger Softwarelösung für ein sicheres, energieeffizientes und automatisiertes Kochen, Braten und Aufwärmen.
  • Für den Menschen spielen Temperaturmesswerte beim Kochen keine Rolle. Egal ob bei 71°C auf dem Mount Everest oder bei 100°C am Atlantik: Wasser kocht, wenn es blubbert; Fett ist heiß, wenn es brutzelt. Auf diese Art und Weise kann selbst ein ungeübter Koch mehrere Töpfe durch »Hören« überwachen und Einstellungen am Herd vornehmen. Denn das menschliche Gehör ist in der Lage, einzelne Geräusche sowohl zu erkennen als auch in den richtigen Zusammenhang zu bringen.
  • Dieses »Hören« soll zur Überwachung und Verbesserung des Kochprozesses automatisiert werden. Aktuell wird überkochendes Wasser oder brennendes Fett nicht zuverlässig oder nicht benutzerfreundlich erkannt. Der Herd heizt weiter und wenn niemand anwesend ist, um die Temperatur/Heizleistung/Leistungsstufe manuell zu regulieren, kann dies unter Umständen einen Unfall zur Folgen haben. Des Weiteren wird oft mehr Energie dem Kochvorgang hinzugeführt als notwendig, z.B. aufgrund einer verzögerten Leistungsanpassung und dem frühzeitigen Erreichen maximal möglichen Wassertemperatur (Siedetemperatur).
  • Im Stand der Technik gibt es bereits einige Ansätze für die Überwachung eines Koch-, Brat- und/oder Siedevorgangs. Im Literaturverzeichnis sind einige Patentanmeldungen aus diesem Themengebiet zusammengetragen.
  • Aktuell erhältliche High-Level-Herd-Systeme greifen für das Überwachen des Koch- und Bratprozesses auf Temperatursensoren zurück. Entsprechend unterscheiden sich vorhandene Lösungsansätze hauptsächlich durch die Position der angebrachten Sensoren; wobei jede Position Nachteile mit sich bringt:
    • ∘ Beispielsweise werden Infrarot-Temperatursensoren in der Dunstabzugshaube integriert, welche jedoch nur ohne Topfdeckel funktionieren.
    • ∘ Des Weiteren werden Temperatursensoren in die Herdplatte eingesetzt. Diese reagieren jedoch verzögert und liefern deshalb keinen Schutz gegen überkochende Flüssigkeiten.
    • ∘ Teure, externe Temperatursensoren (z. B. Siemens Kochsensor Plus) müssen per Hand an einem speziellen Topf angebracht werden. Zudem müssen Batterien manuell aufgeladen und die Funkverbindung manuell hergestellt werden.
  • Ferner sind Luftfeuchtigkeitssensoren zur Überwachung von Wasserdampf möglich. Andere Systeme (siehe wissenschaftl. Ref.) fokussieren sich auf Gasherde, um Brände zu erkennen, z. B. durch Gassensoren zur Überwachung an Gasaustritt oder IR-Sensoren über der Herdplatte zur frühzeitigen Branderkennung. Hierbei erfolgt meist eine Rückkopplung an die Gaszufuhr des Herdes oder direkt an den Nutzer per App.
  • Wie die aufgeführten Punkte jedoch zeigen, funktioniert das alleinige Zurückgreifen auf Temperaturmesswerte ausschließlich bei einem ordnungsgemäßen Gebrauch oder bei Verwendung spezieller Töpfe, Tollerierung von Zeitverzögerung, oder eben nur für Gas. Dieser ist nicht bei allen Nutzern gewährleistet. Deshalb besteht der Bedarf nach einem verbesserten Ansatz.
  • Aufgabe der vorliegenden Erfindung ist es, ein Konzept zur Überwachung eines Kochvorgangs (inklusive Braten, Aufwärmen, etc.) zu schaffen, das die im Stand der Technik vorhandene Nachteile überwindet und insbesondere einen verbesserten Kompromiss aus Kosteneffizienz, Überwachungsfunktionalität und Überwachungsgenauigkeit bietet.
  • Die Aufgabe wird durch den Gegenstand des unabhängigen Patentanspruchs gelöst.
  • Ausführungsbeispiele der vorliegenden Erfindung schaffen ein Kochgerät (z. B. ein Kochfeld) mit einer Heizquelle (z. B. eine Induktionsplatte) zum Erhitzen eines Mediums (z. B. Gargut, wie Gemüse oder Fleisch oder Kochwasser bzw. Bratfett) oder eines Kochgeschirrs (z. B. des Topfes). Ferner umfasst das Kochgerät Mittel zur Schalldetektion (z. B. Luftschall oder Körperschall), die ausgebildet sind, ein akustisches Signal (z. B. ein Siedegeräusch) herrührend von dem Medium oder dem Kochgeschirr zu empfangen und/oder in ein digitales akustisches Signal zu überführen. Entsprechend Ausführungsbeispielen können diese Mittel zur Schalldetektion beispielsweise ein Luftschall- oder Körperschallmikrofon oder allgemein ein Mikrofon darstellen. Ferner umfasst das Kochgerät einen Prozessor, der ausgebildet ist, das (empfangene und digitalisierte) digitale akustische Signal im Hinblick auf ein oder mehrere Merkmale zu analysieren und anhand der ein oder mehreren Merkmale oder Rohdaten einen Kochzustand (z. B. ein Siedezustand) für das Medium zu bestimmen.
  • Entsprechend einem Ausführungsbeispiel kann das Kochgerät die Form eines Kochfelds aufweisen. Eine Einschränkung auf bestimmte Typen, wie z. B. ein Gaskochfeld, Induktionskochfeld oder Infrarotkochfeld, besteht nicht. Entsprechend einem Ausführungsbeispiel kann es sich bei dem Kochgeschirr um einen Topf oder eine Pfanne handeln. Das Medium kann beispielsweise ein Gargut, z. B. ein Fleisch oder ein Garmedium, z. B. ein Kochwasser oder ein Fett, aufweisen. Entsprechend einem Ausführungsbeispiel weist das Kochgerät die Form eines Kochfelds auf, das mehrere Kochplatten oder Kochpositionen umfasst, wobei der Prozessor ausgebildet ist, anhand der digitalen akustischen Signale und/oder einer Zusatzinformation eine Kochpositionsdetektion oder eine Kochplattendetektion durchzuführen. Die Kochplattenposition oder die Kochplattendetektionsinformation stellt eines der oben genannten Merkmale dar.
  • Ausführungsbeispielen der vorliegenden Erfindung liegt die Erkenntnis zugrunde, dass durch akustische Überwachung ein Kochzustand direkt überwacht werden kann, indem das aufgenommene akustische Signal (Körperschallsignal oder Luftschallsignal) analysiert wird im Hinblick auf ein oder mehrere Merkmale. Es können so viel detailliertere Aussagen über die Koch- bzw. Küchenvorgänge oder auch zusätzliche Auskünfte über Anwesenheiten von Personen in der Küche/im Kochbereich getroffen werden. Eine derartige Sensorik reagiert im Vergleich zu bestehender Sensorik viel schneller, so dass schnell auf Änderungen im Kochzustand reagiert werden kann. Die Überwachung ist ferner auch unabhängiger von Kochgeschirr und/oder offenen oder geschlossenen Deckeln des Kochgeschirrs.
  • Entsprechen Ausführungsbeispielen erfolgt die Erkennung des Kochzustandes nur auf Basis der akustischen Signale, d.h. ohne Zusatzinformation von Temperatursignal oder ähnlich. Auch kann das aktuell vorliegende Signal ohne den vorherigen Signalverlauf zu berücksichtigen ausreichen, um den Kochzustand zu erkennen.
  • Entsprechend einem weiteren Ausführungsbeispiel wird ein Kochzubehör, z. B. als Ergänzung zu einem Kochgerät, geschaffen. Das Kochzubehör kann beispielsweise Mittel zur Schalldetektion sowie den Prozessor umfassen. Das Kochzubehör ist zur Verwendung für ein Kochgerät mit einer Heizquelle zum Erhitzen eines Mediums oder eines Kochgeschirrs geeignet und umfasst die zwei Einheiten, die oben bereits erläutert worden sind. Vorteilhaft hierbei ist, dass das System so auch an bestehende Küchengeräte angebracht und diese bestehenden Küchengeräte sozusagen erweitert werden können.
  • Entsprechend einem weiteren Ausführungsbeispiel kann anhand ein oder mehrerer Muster von Merkmalen, d. h. also auf Basis einer Merkmalskombination, eine Differenzierung zwischen ein oder mehreren Kochzuständen erfolgen. Insbesondere können vordefinierte Kochzustände erkannt und differenziert werden. Entsprechend einem Ausführungsbeispiel kann der Kochzustand aus der Gruppe von Kochzuständen stammen, die folgende umfassen:
    • Temperaturinformation des Mediums;
    • Siedeinformation eines Fluids als Medium;
    • Verdampfungs- und/oder Verbrennungszustand eines Fettes als Medium;
    • Garzustand des Mediums und/oder des Kochguts als Medium.
  • Die Mittel zur Schalldetektion können beispielsweise einem Kochgeschirr oder dem Medium direkt zugeordnet sein, so dass dann auch hierüber eine direkte Zuordnung zu der Kochposition besteht. Auch wäre es entsprechend Ausführungsbeispielen denkbar, dass die Mittel zur Schalldetektion zu den ein oder mehreren Kochplatten ausgerichtet werden oder sich selbstständig ausrichten. Die genaue Anordnung hängt mit der Implementierung der Mittel zur Schalldetektion zusammen. Diese können entsprechend Ausführungsbeispielen Mittel zur Schalldetektion von Luftschall, ein oder mehrere Mikrofone und/oder Mittel zur Schalldetektion von Körperschall aufweisen. Bei den Mitteln zum Luftschall wird vorteilhafterweise das Mikrofon entsprechend auf das zu überwachende Kochgeschirr und/oder die zu überwachenden Mittel ausgerichtet. Bei Mittel zur Körperschallüberwachung kann eine Anordnung der Mittel zur Körperschalldetektion an dem Kochgeschirr direkt erfolgen. Ferner können entsprechend Ausführungsbeispielen auch Mittel zur Schalldetektion externe Mittel zur Schalldetektion umfassen, die direkt an dem Kochgerät oder dem Kochgeschirr oder der Küchendecke im Bereich des Kochfeldes oder der Dunstabzugshaube, etc. angeordnet werden.
  • Entsprechend einem Ausführungsbeispiel ist der Prozessor ausgebildet, ein oder mehrere der folgenden Prozeduren durchzuführen:
    • A/D-Wandlung der akustischen Signale;
    • Vorverarbeitung, welche ggf. Schritte wie Quantisierung oder Normalisierung beinhaltet;
    • Ggf. Merkmalsextraktion, dies kann in Form einer Zeit-Frequenz-Transformation oder anderer vordefinierter Merkmale erfolgen; alternativ könnte auch mit direkten Zeitdaten (Rohdaten) als Eingabe für das ML Modell gearbeitet werden;
    • Ggf. Signalfilterung, insbesondere zur Störgeräuschminimierung oder Minimierung von Störgeräuschen, herrührend von der Heizquelle (Induktion), beispielsweise in Form eines Bandpassfilters; oder
    • Beamforming-Algorithmus zur Ortung bzw. Positionsdetektion oder Kochzonendetektion.
  • Das heißt also, dass der Prozessor einen A/D-Wandler aufweisen kann oder ausgebildet sein kann, um beispielsweise mittels Schritten wie Quantisierung oder Normalisierung eine Vorverarbeitung durchzuführen. Entsprechend Ausführungsbeispielen kann der Prozessor zur Merkmalsextraktion, beispielsweise basierend auf einer Zeitfrequenztransformation, oder einer andersartigen Merkmalsextraktion ausgebildet sein. Entsprechend weiteren Ausführungsbeispielen kann der Prozessor einen Filter zur Signalfilterung, insbesondere zur Störgeräuschminimierung, aufweisen. Dieser Filter ermöglicht vorteilhafterweise die Minimierung von Störgeräuschen herrührend von der Heizquelle (Induktion) etc. Eine mögliche Implementierungsvariante wäre ein Bandpassfilter.
  • Gemäß einem weiteren Ausführungsbeispiel ist der Prozessor ausgebildet, mittels maschinellen Lernens, bspw. in Form eines neuronalen Netzes die Analyse durchzuführen. Beispielsweise kann der Prozessor mittels Trainingsdaten und/oder mittels eines aktuellen digitalen akustischen Signals oder mittels mehreren digitalen akustischen Signalen (beispielsweise zusammen mit einer zugehörigen Kochzustandsinformation) das neuronale Netz und/oder den ML-Algorithmus trainieren. Der Prozessor ist beispielsweise ausgebildet, vor Ort trainiert zu werden und/oder im Auslieferungszustand trainiert zu sein und/oder vor Ort adaptiert zu werden und/oder mittels föderiertem Training trainiert zu werden.
  • Gemäß einem weiteren Ausführungsbeispiel wird ein digitaler Regler, der die Heizleistung zum Erreichen eins Zielkochzustandes abhängig vom aktuellen Kochzustand bestimmt, geschaffen.
  • An dieser Stelle sei angemerkt, dass entsprechend Ausführungsbeispielen der Prozessor ausgebildet ist, ein aus dem digitalen akustischen Signal abgeleitetes Signal mittels Privatsphäreerweiterungsprozessierung, z. B. mittels eines Sprachfilters, nachzubearbeiten. Dies ermöglicht vorteilhafterweise, dass so eine akustische Überwachung möglich ist, ohne dass die Privatsphäre-relevanten Informationen weitergegeben werden.
  • Entsprechend weiteren Ausführungsbeispielen kann der Prozessor auch noch zusätzliche Informationen erhalten, um die Analyse durchzuführen. Somit kann der Prozessor ausgebildet sein, die Analyse basierend auf weiteren Merkmalen, z. B. Merkmalen aus der Gruppe, umfassend folgende durchzuführen:
    • Anregungsfrequenz des Kochgeschirrs;
    • Temperatur des Kochgeschirrs;
    • Topfpositionsinformation;
    • Topferkennungszustand;
    • Kochgeräteinstellung;
    • Information über das Medium (Gargut und/oder Garmedium).
  • Die Liste ist nicht abschließend. Ferner sind noch Kombinationen denkbar. In anderen Worten ausgedrückt heißt es, dass entsprechend Ausführungsbeispielen das Kochgerät vorteilhafterweise um weitere Sensorik erweitert werden kann bzw. auf weitere Sensorik zugreifen kann. Rein exemplarisch sei der Hinweis gegeben, dass die Kombination aus der akustischen Überwachung durch Temperaturmessung Vorteile bietet, insbesondere für den Anlernvorgang. Umgekehrt heißt es, dass Temperaturmesswerte grundsätzlich zwar schon eine nützliche Information zum Kochzustand liefern, diese aber durch eine auditive Geräuschüberwachung wertvollerweise ergänzt werden können.
  • Entsprechend einem Ausführungsbeispiel weist das Kochgerät eine interne Datenbank und/oder eine Schnittstelle zu einer externen Datenbank auf, auf die der Prozessor beispielsweise zur Analyse zugreifen kann. Die interne Datenbank oder die externe Datenbank umfasst Informationen bezüglich ein oder mehrerer Referenzmerkmale zugeordnet zu einem Kochzustand (in gespeicherter Form), wobei der Prozessor ausgebildet ist, eine Analyse mittels der ein oder mehreren Referenzmerkmale durchzuführen.
  • Entsprechend einem weiteren Ausführungsbeispiel kann das Kochgerät eine Steuerung aufweisen, die ausgebildet ist, die Heizquelle in Abhängigkeit von dem ermittelten Kochzustand, insbesondere eine Leistung für die Heizquelle, zu regeln. Beispielsweise kann die Heizquelle reduziert werden, wenn ein Kochzustand erreicht ist, insbesondere ein Siedezustand.
  • Entsprechend einem weiteren Ausführungsbeispiel kann ein Verfahren zur Überwachung eines Kochgeräts mit einer Heizquelle zum Erhitzen eines Mediums oder eines Kochgeschirrs geschaffen werden. Das Verfahren umfasst
    • Empfangen eines akustischen Signals herrührend von dem Medium oder dem Kochgeschirr mittels Mitteln zur Schalldetektion und/oder Überführen in ein digitales akustisches Signal;
    • Analysieren des digitalen Signals im Hinblick auf die ein oder mehreren Merkmale und Ermitteln eines Kochzustands anhand der ein oder mehreren Merkmale.
  • Entsprechend einem Ausführungsbeispiel kann dieses Verfahren auch computerimplementiert sein. Insofern bezieht sich ein Verfahren auf ein Computerprogramm zur Durchführung dieses Verfahrens.
  • Ausführungsbeispiele der vorliegenden Erfindung werden anhand der beiliegenden Zeichnungen erläutert. Es zeigen:
    • Fig. 1A-1B
    schematische Darstellungen eines Kochgeräts zur Erläuterung der Funktionalität bei Ausführungsbeispielen;
    Fig. 1C
    schematische Diagramme zur Illustration der Steuerung der Leistung bei Ausführungsbeispielen;
    Fig. 1D bis 1G
    schematische Darstellungen zur Illustration der Regelung der Temperatur gemäß Ausführungsbeispielen;
    Fig. 2A
    ein schematisches Blockdiagramm zur Illustration der Integration von Mitteln zur Schalldetektion in einer Regelstrecke für das Kochgerät gemäß Ausführungsbeispielen;
    Fig. 2B
    eine schematische Illustration zur Erläuterung unterschiedlicher Merkmale bei der Analyse gemäß Ausführungsbeispielen;
    Fig. 2C
    eine schematische Übersicht zur Erläuterung von möglichen Implementierungsvarianten für Mittel zur Schalldetektion gemäß Ausführungsbeispielen;
    Fig. 2D
    eine schematische Darstellungen (Fig. 2Dlinks, 2Drechts) zur Erläuterung möglicher Positionierungen der Mittel zur Schalldetektion bei Kochgeräten;
    Fig. 2E und 2F
    schematische Diagramme zur Erläuterung und Detektion von Störgeräuschen, die gemäß Ausführungsbeispielen filterbar sind;
    Fig. 2G und 2H
    schematische Illustrationen zur Erläuterung der Filterung von Störgeräuschen gemäß Ausführungsbeispielen;
    Fig. 3A und 3B
    schematische Darstellungen zur Erläuterung der Klassifizierung von Kochzuständen gemäß Ausführungsbeispielen;
    Fig. 3C-3G
    schematische Darstellungen zur Erläuterung von Anwendungen gemäß Ausführungsbeispielen;
    Fig. 4
    eine schematische Darstellung eines Kochgeräts mit Mitteln zur Schalldetektion sowie einem Prozessor gemäß einem Basisausführungsbeispiel des Kochgeräts;
    Fig. 5a
    illustriert schematisch die Ausführung des Kochgeräts bzw. Sensors als cyber-physisches System zur Illustration von Ausführungsbeispielen;
    Fig. 5b
    illustriert schematisch die Einordnung von Standard-Garmethoden nach Temperatur (bei Normaldruck) und Hörbarkeit zur Erläuterung von Ausführungsbeispielen;
    Fig. 5c
    illustriert schematisch charakteristische Merkmale von Kochgeräuschen, dargestellt als Mel-Spektrogramm zur Erläuterung von Ausführungsbeispielen;
    Fig. 5d
    illustriert schematisch einen exemplarischer Aufbau und Anwendung eines CNN am Beispiel von vier Kochzuständen gemäß Ausführungsbeispielen;
    Fig. 5e
    illustriert schematisch einen Versuchsaufbau und Hardware für die Datenerfassung im Rahmen der Machbarkeitsstudie zur Erläuterung von Ausführungsbeispielen;
    Fig. 5f
    illustriert schematisch ausgewählte Mel-Spektrogramme (200x200) für jeden Kochzustand aus dem Trainingsdatensatz (Betrachtungszeitraum innerhalb eines Spektrogramms beträgt 2,14 s auf der Ordinate, die Anzahl der Mel-Filter-Bänder beträgt 200, bei einer Bandbreite von 200 Hz bis 20.000 Hz) zur Erläuterung von Ausführungsbeispielen;
    Fig. 5g
    illustriert schematisch eine möglich Genauigkeit des ML-Modells (mashine lerning, Maschinen Lernen) gemäß Ausführungsbeispielen;
    Fig. 5h
    zeigt schematisch Garstellung eines Markow-Entscheidungsproblems für fünf Kochzustände mit beispielhalft gewählten Übergangswahrscheinlichkeiten (Ziel ist es, die optimale Aktion (hier: Leistungsstufe 6) zu bestimmen, um den ZIEL-Kochzustand (hier: Kochen) zu erreichen) zur Erläuterung von Ausführungsbeispielen;
    Fig. 5i
    zeigt exemplarisch eine Hardware-Vorauswahl und Systemaufbau des Sensor mit Syntiant NDP120 zur Erläuterung von Ausführungsbeispielen.
  • Bevor nachfolgend Ausführungsbeispiele der vorliegenden Erfindung anhand der beiliegenden Zeichnungen erläutert werden, sei darauf hingewiesen, dass gleichwirkende Elemente mit gleichen Bezugszeichen versehen sind, so dass die Beschreibung derer aufeinander anwendbar bzw. austauschbar ist.
  • Fig. 1A zeigt ein Kochgerät 10, das hier beispielsweise vier Heizquellen 12a-d aufweisen kann. Jede dieser Heizquellen 12a-d kann beispielsweise über eine Steuerung 20, z. B. über ein Drehknauf 20k, individuell steuerbar sein oder auch hinsichtlich Größe verändert werden.
  • Die sichtbare Oberseite eines Kochfelds 10 besteht in der Regel aus speziellen Glaskeramikflächen mit mehreren Kochzonen 12a-12d (Heizbereich), die den Bereich der Induktionsspulen kennzeichnen. Die vier, mit Merkzahlen gekennzeichneten Drehknebel 12k geben dem Koch die Möglichkeit, für jede Kochzone einen Sollwert für die Heizleistung einzustellen. Neben Strahlungsbeheizung werden auf dem Hausgerätemarkt auch Kochfelder mit Induktionstechnik angeboten. Der Hauptunterschied zur Strahlungsbeheizung (Infrarotbeheizung) besteht darin, dass die Wärme direkt im Boden des Kochgeschirrs (nicht dargestellt) erzeugt wird. Entsprechend wird die Kochzone nur durch die Rückwärme des Kochgeschirrs erwärmt und die Oberflächentemperatur der Glaskeramikplatte bleibt niedrig. Außerdem kann ein Induktionskochfeld schneller Speisen erwärmen als eine andere Kochfeldart. Bezug nehmend auf Fig. 1B wird ein derartiger Kochfeldtyp erläutert.
  • Fig. 1B zeigt ein Kochfeld 10 mit einem Kochgeschirr 15. Bei dem Kochgerät 10 ist eine Kochzone 12a dargestellt, die hier mittels Induktion betreibbar ist. Die Kochzone 12a umfasst hierzu mehrere Induktionsspulen 12i, die über einen Umrichter 12u angetrieben werden. Der Umrichter erhält vom Netz seine elektrische Energie und wird über die Steuerung 20 gesteuert.
  • Die Wärmeentwicklung beim Induktionskochfeld erfolgt grundsätzlich in vier Schritten:
    1. 1) Die Frequenz des Wechselstroms aus dem Stromnetz wird mithilfe des Umrichters 12u (meist einem Royer-Oszillator) von 50 Hz auf 20-60 kHz erhöht.
    2. 2) Der hochfrequente Wechselstrom wird in die Induktionsspulen 12i gleitet, wodurch ein magnetisches Wechselfeld 12w für die Energieübertragung entsteht.
    3. 3) Das magnetische Wechselfeld wird im Pfannenboden des Kochgefäßes 15 gebündelt und induziert dort einen elektrischen Wirbelstrom.
    4. 4) Da das ferromagnetische Material im Pfannenboden einen deutlich höheren ohmschen Widerstand als die Induktionsspule aufweist, wird dort (unter anderem aufgrund des Skin-Effekts und Ummagnetisierungsverlusten) der größte Teil des Wirbelstroms in Wärme umgewandelt.
  • Die Anregung der Induktionsspulen 12i erfolgt mit einer entsprechenden Anregungsfrequenz wie Fig. 1C zeigt. Hier ist aufgetragen über die Zeit die abgebbare elektrische Leistung Peff dargestellt. Fig. 1C zeigt drei Diagramme mit drei unterschiedlichen Ausgabeleistungen. Um die Leistung zu steuern, kann die Steuerung 20 eine Modulation anwenden. Ausgehend von einem exemplarisch eingesetzten Royer-Oszillator (mit einer festen Frequenz des Spulenstroms) kann die effektive elektrische Leistung anhand der programmierten Modulation der Pulsdauer (PDM) - also durch ein reines Ein- und Ausschalten des Oszillators - gesteuert werden. In Abhängigkeit von der Einstelldauer und den Pausen ergibt sich somit eine effektive Wirkleistung Peff. Eine lange Einstelldauer und kurze Pause führen entsprechend zu einem schnellen Aufwärmen des Kochguts und umgekehrt.
  • Neben der klassischen Methode zur Steuerung der Leistung, werden hochklassige Kochfelder auch mit Temperaturregelung angeboten. Bei der Temperaturregelung im Sinne eines Closed-Loop-Systems 20l wird entweder der Temperaturfühler unter dem Glaskeramickochfeld verwendet oder es kommen spezielle Koch- und Bratsensoren mit Funkübertragung zum Einsatz (mit dem Vorteil, dass die Temperatur des Kochguts direkt gemessen werden kann). Im Zusammenhang mit dem Royer-Oszillator (feste Frequenz des Spulenstroms) wird meist ein sogenannter Zweipunktregler 20z über die Regelstrecke 20r verwendet. Mit diesem Zweipunktregler kann die Anregungsfrequenz der Induktionsspule angepasst werden, wie anhand der Kurve f20 dargestellt ist. Zum Closed-Loop-System 20l wird angemerkt, dass ausgehend von der gewünschten Leistung w(t) und einem Temperatursignal x(t) der Zweipunktregler 20z mit dem kombinierten Signal e(t) angesteuert wird, um die Anregungsfrequenz t20 bzw. y(t) an die Induktionsspulen anzulegen.
  • Wird anstelle eines Royer-Oszillators ein Umrichter verwendet, der eine stetige Variierung der Anregungsfrequenz ermöglicht, so kann ein stetig arbeitender Regler 20pit für die Regelstrecke 20r des modifizierten Loops 20l' verwendet werden. Entsprechend stellt der Regler 20pit nicht die Einschaltdauer des Oszillators, sondern die Regelfrequenz der Spule variabel ein, wie anhand von f20' (zugehörig zu y(t)) gezeigt ist.
  • Bei den oben erläuterten Beispielen aus den Fig. 1D/1E und 1F/1G erfolgt die Regelung mittels des Reglers 20z bzw. 20pit unter Verwendung eines Temperatursensors 20ts. Wie oben bereits erläutert, kann dieser Temperatursensor in das Glaskeramikkochfeld integriert sein und misst somit die Topftemperatur oder kann in dem Kochfeld vorliegen. Problematisch ist entweder die Ergonomie oder die indirekte Messung der Mediumstemperatur. Die einzigen Kochzustände der Mediumstemperatur können abhängig vom Medium oder anderen Umgebungsbedingungen, wie z. B. der Meereshöhe, variieren. Der Siedepunkt variiert sowohl in Abhängigkeit von der Meereshöhe als auch in Abhängigkeit von dem Medium. Unabhängig von dem Medium kann allerdings das Sieden anhand der Schallemission des Mediums im Fluid erkannt werden. Dieser Effekt wird nachfolgend durch das Kochgerät 50 genutzt. Das Kochgerät 50 umfasst beispielsweise ein Heizelement, wie z. B. ein Induktionsheizelement 52, z. B. eine Induktionsspule, wie sie oben erläutert wurde. Ferner umfasst das Kochgerät 50 Mittel zur Schalldetektion 54, wie z. B. ein Mikrofon oder einen Körperschallsensor. Die Mittel zur Schalldetektion 54 sind ausgebildet, das akustische Signal 56, herrührend von dem Medium 58, in dem Kochgeschirr 59 zu detektieren. Das akustische Signal wird dann beispielsweise in ein digitales akustisches Signal überführt und durch den Prozessor 55 ausgewertet. Die Auswertung kann entsprechend Ausführungsbeispielen gemäß ein oder mehreren Merkmalen erfolgen, um anhand dieser ein oder mehreren Merkmale den Kochzustand des Mediums 58 zu bestimmen. Beispielsweise kann eine Siedeinformation anhand des Geräusches erkannt werden. Wie oben erläutert, ergibt sich beim Siedevorgang ein akustisches Signal durch das Medium, so dass beispielsweise mittels Mustererkennung diese Information generiert werden kann. Es wurde ferner erkannt, dass auch Temperaturinformationen oder andere Informationen, wie z. B. ein Verdampfungs- oder Verbrennungszustand des Mediums, insbesondere bei Fett, erkannt werden kann.
  • Entsprechend optionalen Ausführungsbeispielen gibt diese Zustandsinformation der Prozessor 55 an die Steuerung 20 aus. Die Steuerung 20 kann ausgehend hiervon die Heizleistung für das Heizelement 52 steuern, wie es oben im Zusammenhang mit den Steuerungsbeispielen aus Fig. 1D, und 1F erläutert wurde.
  • Nachfolgend wird bezugnehmend auf Fig. 2a eine Variante erläutert, bei welcher der akustische Sensor 54 und der Prozessor 55 in eine externe Vorrichtung, wie z. B. eine Retrofit-Vorrichtung 53, integriert werden. Die Funktionalität ist im Wesentlichen dieselbe, wobei der Prozessor 55 die generierten Informationen und/oder Merkmale als Informationen dann an eine Programmierschnittstelle eines Standardkochfelds ausgibt. Hier ist die Programmierschnittstelle API mit dem Bezugszeichen 20a versehen. Wie die Programmierschnittstelle können entsprechend weiteren Ausführungsbeispielen nicht nur die generierten Informationen, z. B. in Form von Regelungsdaten, an die API-Schnittstelle ausgegeben werden, sondern auch Zusatzinformationen, wie z. B. eine Drehknebelstellung, eine Topferkennung und/oder eine Temperatur von der Schnittstelle 20a durch die Vorrichtung 53 abgegriffen und in die Regelung einbezogen werden. Ausgehend hiervon kann dann die herkömmliche Regelung mittels der Regler 20z und der Regelungsstrecke 20r erfolgen. An dieser Stelle sei gleich angemerkt, dass der Regler natürlich nicht auf eine Zweipunktregelung beschränkt ist; ein PID-Regler wäre auch denkbar.
  • Die einzigen Sensorsignale, die entsprechend Ausführungsbeispielen für das Monitoring einbezogen werden können, sind in Fig. 2B illustriert. Bei diesem Ausführungsbeispiel wird davon ausgegangen, dass der akustische Sensor 54 in das Ceranfeld integriert sein kann. Das Ceranfeld umfasst optionaler Weise eine Topferkennung 61 und einen Temperatursensor 62. Ausgehend hiervon sind dann also die vier Eingangsdaten Drehknebelstellung, Topferkennung, Temperatur und das akustische Signal vorhanden, so dass unter Verwendung dieser Signale die Anregungsfrequenz für die Steuerung 20, d. h. also die Leistungssteuerung, angepasst werden kann. Diese Regelung kann z.B. für jede Kochzone separat, d.h. x-mal erfolgen. Die Drehknopfstellung gibt den Sollwert ein, wobei unter Berücksichtigung von Temperatur, akustischem Signal dann die Anregungsfrequenz so gewählt wird, dass ein passender Kochzustand erhalten wird. Dieser wird über das akustische Signal und/oder die Zusatzsignale erkannt und geregelt. Beim Anlernen des Modells bildet der Prozessor (nicht dargestellt) durch Rückschlüsse zum dynamischen System aus Regler und Regelstrecke (Glaskeramikplatte und Topf) ein ML-Modell und lernt dieses entsprechend an. Hierbei können über die zugeführte Energiemenge und der damit verbundenen Temperaturänderung (Temperatursensor 62) auch Kenntnisse zum Topfinhalt gewonnen werden. Der Topfinhalt ist also ein entsprechendes Merkmal zugehörig zu dem Kochzustand, da sowohl die akustische Charakteristik als auch der Kochzustand selbst je Medium bzw. Topfinhalt variieren kann.
  • Entsprechend Ausführungsbeispielen kommen als Mittel zur Schalldetektion 54 unterschiedliche Varianten in Betracht. Entsprechend einer ersten Variante kann, wie beispielsweise im Zusammenhang mit Fig. 3 erläutert, ein Luftschall bestimmt werden. Hierfür könnte entsprechend einem Ausführungsbeispiel ein MEMS-Mikrofon verwendet werden. Entsprechend einer weiteren Variante wäre auch die Bestimmung eines Körperschalls denkbar.
  • Ein Körperschallaufnehmer (Körperschallmikrofon) ist ein elektroakustischer Wandler zur Körperschallmessung, wobei sich die Messung vorwiegend auf die Untersuchung von schwingenden Oberflächen bezieht. Die wichtigsten Kenngrößen sind die Auslenkung, die Schwingungsgeschwindigkeit und die Schwingungsbeschleunigung. Entsprechend platziert man beispielsweise vier Typen von Körperschallaufnehmern, wie sie in Fig. 2C gezeigt sind. Hierzu gehören piezoelektrische Sensoren, MEMS-Sensoren, Dehnungsmessstreifen, magnetisch-induktive Sensoren. Alle dienen zur Beschleunigungsaufnahme.
  • Wie in Fig. 2B gezeigt ist, kann der Schallaufnehmer, wie z. B. das Mikrofon oder der Körperschallaufnehmer, an unterschiedlichen Positionen des Kochfelds 10 mit den mehreren Kochzonen positioniert werden. In der rechten Fig. 2B rechts sind vier Schallaufnehmer, jeweils zugeordnet zu den Kochzonen 12a-d, vorgesehen. Alternativ können die Schallaufnehmer auch zwischen den Kochzonen vorgesehen sein, wie in der linken Fig. 2B links illustriert ist. In diesem Fall ist dann nicht eine 1:1-Zuordnung von Schallaufnehmer und Kochzone möglich.
  • Gemäß Ausführungsbeispielen kann als Mikrofon auch ein Mikrofon-Array eingesetzt werden. Das bietet einige Vorteile, nämlich dass so mittels des einen Arrays mehrere Kochzonen 12a-d z.B. unter Anwendung von Beamforming überwachbar wären. Auch kann gemäß Ausführungsbeispielen eine Störgeräuschausblendung erfolgen. Besonders der Einsatz eines Array ermöglicht vorhandene Störgeräusche zu erkennen und dann zu berücksichtigen oder herauszufiltern (vor der weiteren Verarbeitung der Signale). Die Mikrofone können entsprechend Ausführungsbeispielen direkt am Kochfeld oder in der Kochumgebung (z.B. Dunstabzugshaube, Küchendecke, o.ä.) angebracht werden.
  • Die aktiven Induktionsspulen erzeugen Störgeräusche, die eventuell gefiltert werden müssen. Störgeräusche treten abhängig vom Umrichter in unterschiedlicher Weise auf:
    1. 1) Ein Royer-Oszillator erzeugt Störgeräusche mit einer konstanten Frequenz (vgl. Fig. 2E).
    2. 2) Ein Umrichter mit variabler einstellbarer Frequenz erzeugt ein Störgeräusch mit variierender Frequenz (vgl. Fig. 2F).
  • Eine Analyse der Störgeräusche ist z.B. zwischen Anregungspausen gezeigt, wie Fig. 2G im Bereich A zeigt.
  • Entsprechend Ausführungsbeispielen weist der Prozessor einen entsprechenden Filter auf, um derartige Störgeräusche, die in Abhängigkeit von der Wahl des Umrichters kalkulierbar sind, herauszufiltern. Eine simple Möglichkeit wäre die Verwendung eines Tiefpasses zur Filterung des Audiosignals, wie in Fig. 2H anhand des Bezugszeichens 55t gezeigt ist. Der Tiefpassfilter erhält entsprechend Ausführungsbeispielen auch noch Informationen wie die aktuelle Anregungsfrequenz, um das Audiosignal optimal zu filtern.
  • Zur Erkennung der ein oder mehreren Merkmale eines Kochzustands anhand des akustischen Signals wird im Vorfeld der Prozessor trainiert oder mit trainierten Daten versorgt. Mittels maschinellen Lernens können die unterschiedlichen Signale, z. B. Drehknebelstellung, Topferkennung, Temperatur, Anregungsfrequenz und vor allem das akustische Signal, kombiniert werden und anhand dieser ein Muster für unterschiedliche Kochzustände bestimmt werden. Ein so trainiertes ML-Modell (SVM, CNN, TCNN, RNN, LSTM, Transformer) kann dann zur nachfolgenden Überwachung und Automatisierung des Kochprozesses verwendet werden. Entsprechend einem Basisausführungsbeispiel wird die akustische Emission von Kochvorgängen bzw. anderen Ereignissen am Herd oder ähnlichen Küchengeräten per Körper- und/oder Luftschall (hörbare Frequenzen bis 20000 Hz) erfasst. Diesen akustischen Emissionen wird dann ein Kochzustand zugeordnet, der zu einem späteren Zeitpunkt wiedererkennbar ist. Entsprechend weiteren Ausführungsbeispielen werden Sensordaten durch intelligente Signalanalyse oder Vorverarbeitung, z. B. Zeit/Frequenztransformation oder Merkmalsextraktion, in Kombination mit Verfahren des maschinellen Lernens, z. B. durch neuronale Netze, fortwährend oder zu festen Zeitintervallen überwacht und analysiert. Die Luft- und/oder Körperschalldaten werden zur Analyse ggf. mit weiteren Sensordaten zusammengeführt. Die Analyse kann lokal direkt am Gerät oder Sensor durchgeführt werden. Alternativ ist auch eine Cloud-Auswertung möglich. Ein so angelerntes ML-Modell (Machine-Learning-Modell) ermöglicht anschließend verschiedene ein oder mehrere vorher definierte Zustände zu erkennen, z. B. überkochendes Wasser und das z.B. unabhängig vom vorherigen Signalverlauf. Anstatt fixe Ereignisse oder additiv zu fixen Ereignissen können auch kontinuierliche Ereignisse, wie z. B. eine "Brutzelintensität" von Fett bestimmt werden.
  • Eine derartige Vorrichtung kann direkt in das Küchengerät integriert werden, wie es z. B. im Zusammenhang mit Fig. 4 erläutert wurde oder auch als Retrofit-Element vorgesehen sein, wie Fig. 2A gezeigt hat.
  • Die integrierte Variante oder auch die Retrofit-Variante bieten beide die Möglichkeit, entsprechend weiteren Ausführungsbeispielen anhand der Ergebnisse der Analyse eine Rücckopplung an das Küchengerät zu geben, um dessen Parameter zu regeln. Additiv oder alternativ kann auch eine Information einem Nutzer, z. B. via Smartphone, ausgegeben werden, um den Nutzer über den aktuellen Status zu informieren und ggf. auf Probleme hinzuweisen.
  • Derartige Probleme können als Kochzustände interpretiert werden. Im Zusammenhang mit Fig. 3B sind exemplarisch drei Kochzustände dargestellt. Fig. 3B zeigt ausgehend von einer Vielzahl von verknüpften Sensorinformationen (vgl. Fig. 3a), die z.B. anhand ihrer Relevanz gewichtet sind, drei resultierenden erkannten Zustände "Wasser kocht über", "Fett brutzelt zu stark" oder "alles in Ordnung". Das sind Beispielklassen für Sicherheitsfunktionen. Ausgehend von jedem Zustand kann dann auch ein Hinweis gegeben werden oder auch direkt eine Steuerung der Kochfeldleistung vorgenommen werden. Bei Wasser kocht über oder Fett brutzelt zu stark kann beispielsweise die Kochfeldleistung (oder der Temperatursollwert) verringert werden. Im Zustand alles in Ordnung wird die Sollwertvorgabe vom Drehknebel verwendet. Entsprechend der Vorhersagen (predictions) des ML-Modells kann das über die API des Herstellers erfolgen, um so eine Temperaturanpassung vorzunehmen. Es können sowohl Klassifizierungs- als auch Regressionsmodelle verwendet werden. Ferner kann auch überprüft werden, ob eine Klassifizierung passend ist oder das Modell (z. B. Vorhersage eines Temperaturwerts) verbessert werden soll. Hierfür kann dann der Nutzer über die API ein Feedback geben, das mit berücksichtigt wird (siehe unten).
  • Entsprechend Ausführungsbeispielen ist die Sicherheitsfunktion als Basisfunktion zu verstehen. Insbesondere kommt es häufig zu Küchenbränden infolge von brennendem Fett. Der Zustand stark brutzelndes Fett kann so dazu führen, die Heizleistung zu reduzieren und ist vorteilhafterweise sehr gut anhand von Körperschall oder auch Luftschall zu detektieren. Im Wesentlichen gilt das Gleiche für das Überkochen, da der Überkochvorgang sehr gut anhand des akustischen Modells identifiziert werden kann, auch wenn die potenziellen Schadensauswirkungen geringer sind, da hier kein Fettbrand resultiert. Nichtsdestotrotz stellt ein überkochender Topf ein sicherheitskritisches Thema dar, so dass auch dieser erkannte Zustand einer Sicherheitsfunktion zuzuordnen ist. Entsprechend Ausführungsbeispielen wäre es auch denkbar, diese Sicherheitsfunktion zu deaktivieren, um aktiv sehr hohe Leistung, z. B. beim Frittieren, in das Medium einzutragen. Durch ein Nutzerfeedback kann der selbstlernende Algorithmus auch weiter trainiert werden, wenn dieser beispielsweise einen überkochenden Topf erkennt oder eine zu hohe Fetttemperatur erkennt, obwohl diese noch nicht erreicht ist. Insofern kann durch ein Nutzerfeedback bezüglich der Zustandsinformation auch ein Training während des Betriebs ermöglicht werden.
  • An dieser Stelle sei angemerkt, dass auch andere Kochgeräte, wie z. B. ein Wasserkocher, potenziell denkbar wären. Ein Wasserkocher hat ein integriertes Heizelement und kann akustisch überwacht werden. Ausgehend von dem akustischen Signal kann dann das Abschalten des Wasserkochers ermöglicht werden.
  • Für den Fall der Kochaufgabe Wasser aufkochen kann mittels herkömmlichem Kochgeschirr (vgl. Fig. 3D) oder mittels einem herdbetriebenen Wasserkocher (vgl. Fig. 3C) genauso die Wasserkocherfunktionalität "einmaliges Aufkochen" ermöglicht werden. Das Kochfeld wird dann abgeschaltet, sobald das Wasser aufgekocht wurde. Entsprechend Ausführungsbeispielen wäre es natürlich auch denkbar, dass über solche Funktionen eine Sprachsteuerung möglich ist, da ja die sicherheitsrelevanten Aspekte durch die akustische Überwachung abgesichert werden können.
  • Fig. 3D zeigt eine mögliche Variante, wie weitere Informationen, z. B. vom Kochgeschirr an die Steuerung, übertragen werden können. Beispielsweise kann ein RFID-Tag als Aufkleber auf das Kochgeschirr vorgesehen sein, der Informationen über die Funktionalität via RFID an das Kochgerät ausgibt. Insofern kann das Kochgerät entsprechend Ausführungsbeispielen einen RFID-Leser aufweisen. Entsprechend Ausführungsbeispielen kann ein dynamisches Modell oder spezielle Funktion in einem RFID-Tag somit hinterlegt werden und an die intelligente Steuerung des Kochfelds übermittelt werden. Interessant wäre z. B. ein RFID-Tag, der alten Töpfen o. ä. neue Funktionen gibt. Zum Beispiel "ich bin ein Wasserkocher", um so die oben erläuterte Wasserkocherfunktionalität auszuführen.
  • Somit kann additiv oder alternativ zu den Sicherheitsfunktionalitäten auch einen Komfortfunktionalität, wie eine einer Kochaufgabe zugeordneter Kochmodus, ermöglicht werden.
  • Fig. 3E zeigt eine Steuerung 20`, mit einem Prozessor 55, die das akustische Signal von dem Sensor 54 erhält. Die Steuerung kann entsprechend Ausführungsbeispielen beispielsweise via Bluetooth oder anderen Funkkommunikationsmitteln Informationen an den Nutzer ausgeben. Der Nutzer kann beispielsweise einen hier dargestellten Kopfhörer zur Sprachausgabe oder auch eine Smartwatch zur visuellen Anzeige oder Alarmierung via Vibrationssignal tragen. Ferner können auch die Schallinformationen vom Kochbereich / zum Kochzustand in repräsentative Vibrationsmuster umgewandelt und dann an eine Smartwatch übertragen werden.
  • Eine weitere Variante einer möglichen Steuerungsvariante bzw. Komfortfunktionalität könnte die situationsabhängige Regulierung der Leistung sein. Beispielsweise kann gem. Ausführungsbeispielen das Kochmedium im Kochgeschirr in einem ersten Zustand, der z.B. bei Bestätigung durch den Nutzer erfasst wird, konstant gehalten werden. Wenn der Nutzer oder der Koch mit der aktuellen Koch- oder Brutzelintensität zufrieden ist, kann er dies der Steuerung - ähnlich wie beim Tempomat im PKW- über eine Hold-Taste mitteilen. Die Steuerung sorgt dann dafür, dass die Koch- oder Brutzelintensität entsprechend gehalten wird. Das Nudelwasser kocht nicht über. Ein mehrfaches Nachjustieren der Heizleistung über den Drehknebel ist somit nicht notwendig. Eine solche Funktion ist optimal zum leichten Köcheln, Aufwärmen oder Warmhalten von Speisen. Außerdem fängt eine Flüssigkeit oft direkt stärker an zu kochen, wenn man zum Energiesparen einen Deckel benutzen möchte.
  • Entsprechend Ausführungsbeispielen kann die Steuerung aufgrund des akustischen Signals zwischen dem Zustand mit Deckel und ohne Deckel unterscheiden und dann die Regulierung entsprechend anpassen. Abhängig vom Zustand Deckel oder ohne Deckel ändert sich sowohl das akustische Signal als auch das Verhalten des Kochmediums, was die Steuerung ausgebildet ist, zu berücksichtigen. Ein speziell optimiertes Aufwärmprogramm wäre ebenfalls denkbar, wie nachfolgend erläutert werden wird.
  • Ein Aufwärmprogramm bzw. allgemein ein Kochprogramm könnte beispielsweise ein automatisiertes Regeln der Heizleistung entsprechend einem vorgegebenen Rezept durchführen. In dem Rezept gespeicherte Inhalte können beispielsweise die Dauer von einzelnen Heizstufen sein oder auch die Dauer von einzelnen Kochzuständen. Beispielsweise kann definiert werden, dass über eine bestimmte Dauer der Kochzustand A gehalten wird, während über eine weitere bestimmte Dauer der Kochzustand B gehalten wird. Aufwärmprogramme könnten beispielsweise in Zusammenarbeit mit Herstellern von Fertiggerichten entworfen werden. Über einen QR-Code auf der Verpackung kann die intelligente Steuerung dann ein von dem Hersteller optimiertes Kochprogramm ausführen (Wassermenge + Pulver im Topf, QR-Code scannen mit Kochfeld/Smartphone, Start-Klicken, falls nötig Signalton zum Umrühren, etc. Dasselbe Prinzip kann in Kochbüchern angewendet werden. Weiter werden auch unterschiedliche Programme so ermöglicht, wie z. B. zum Erwärmen von Würsten wie Weißwürsten, entsprechend vorgegebener Rezeptur.
  • Bezug nehmend auf Fig. 3F wird die Ermittlung der Daten-Basis für die Temperaturvoraussage (temperature prediction) unter Verwendung eines neuronalen Netzes, das anhand des Körperschalls die Temperatur des Fettes oder allgemein des Mediums in der Pfanne bzw. allgemein im Kochgeschirr voraussagt, erläutert. Über ein Infrarotthermometer wird so zu Trainingszwecken die Temperatur des aufzuheizenden Mediums bestimmt und gleichzeitig über einen Schallaufnehmer, z. B. einen Piezo-Tonabnehmer oder ein Mikrofon, der aktuell vorherrschende Körperschall aufgenommen. Diese zwei Informationen können korreliert werden. Die Zusammenhänge können mit einem ML-Modell (Regressionsmodell) erlernt werden. Als weiteres zu korrelierendes Merkmal kann auch noch eine Information über das zu erhitzende Medium eingelesen werden. Hintergrund ist, dass, wie die Tabelle in Fig. 3F zeigt, unterschiedliche Medien unterschiedliche Rauchpunkte haben, da diese bis zu anderen Maximaltemperaturen erhitzbar sind.
  • Fig. 3G zeigt einen Auszug aus einem CSV-Marker für beispielsweise drei unterschiedliche Kochintensitäten KS0 Herd an, KS1 leichtes Kochen, KS2 starkes Kochen, KS3 Überkochen.
  • Nachfolgend wird ein bevorzugtes Ausführungsbeispiel zusammen mit dem Funktionsprinzip anhand von Fig. 5A-I im Detail erläutert.
  • Ein Ausführungsbeispiel schafft einen intelligenten Kochsensor, der Kochzustände sicher erkennen und automatisch regeln kann. Er besteht z.B. aus einem künstlichen auditiven Wahrnehmungsmodell und einem neuartigen Leistungsregler. Damit bildet er zusammen mit einem Induktionskochfeld ein intelligentes cyber-physisches Gesamtsystem. So kann er die Kochumwelt wahrnehmen, verstehen und durch Aktionen - wie z. B. durch Anpassen der Heizleistung - gezielt verändern. Durch die Möglichkeit autonom zu handeln, bildet er das Fundament für das smarte Kochfeld der Zukunft und die Basis für benutzerfreundliche Koch-Assistenzsysteme.
  • Aufgrund des angedachten Systemaufbaus kann der Sensor einfach und schnell in konventionelle Kochfeldsysteme integriert werden.
  • Das Funktionsprinzip des Sensor wird anhand von Fig. 5a erläutert. Fig. 5a illustriert die die Ausführung des Sensors als cyber-physisches System. Hier sind die drei Stufen Wahrnehmungsmodell, Systemzustand und Systemregler abhängig von Ziel- und Ist-Kochzustand unter Berücksichtigung der Topfdynamik dargestellt.
  • Die als Umweltgeräusche wahrgenommenen Schalldruckwellen werden von kostengünstigen MEMS-Mikrofonen erfasst, in einem digitalen Signalprozessor vorverarbeitet und in ein Spektrogramm überführt. Dieses beinhalten die Geräuschinformationen und dient als Eingabe für die Kochzustandserkennung im künstlichen auditiven Wahrnehmungsmodell. Die Ausgabe wird als IST-Kochzustand zwischengespeichert. Neben den erfassten Audiosignalen AS werden die Informationen der Kochfeld-Steuerung in die Wahrnehmung einbezogen (Sensorfusion). Dazu gehören: Indirekte Temperaturmesswerte, Topferkennung und aktuelle Heizleistung (vgl. Fig. 3a).
  • Der Systemzustand M bildet als Zustandsvektor die Eingangsgröße für den Leistungsregler. Neben dem wahrgenommenen IST-Kochzustand beinhaltet der Systemzustand Z den gewünschten ZIEL-Kochzustand sowie einen intern berechneten Parameter für die Topfdynamik. Letzterer charakterisiert das thermodynamische Verhalten des Gesamtsystems aus Kochfeld, Kochgeschirr und Flüssigkeit. Der Systemzustand Z kann zudem um Vorgaben für Kochmodi erweitert werden (z. B. Energiesparmodus).
  • Der zustandsbasierte Leistungsregler R berechnet die aktuell benötigte Heizleistung auf Basis des Systemzustandes und sendet entweder ein Kommando an die Kochfeld-Steuerung oder eine Warnmeldung an die kochende Person. So kann der ZIEL-Kochzustand autonom und energieeffizient erreicht und beibehalten werden.
  • Im Folgenden wird das Konzept der Klassifizierung von Kochzuständen beschrieben.
  • Hörbare Garmethoden und nützliche Kochzustände sind in Fig. 5b gezeigt: Unter Kochen oder Garen versteht man im Allgemeinen das Zubereiten von Speisen mithilfe einer Wärmequelle. Dabei wird grundsätzlich zwischen den feuchten Garmethoden (dem Kochen i. e. S.) und den trockenen Garmethoden (Braten, Frittieren und Anschwitzen) unterschieden. Hauptunterschied der beiden Zubereitungsarten ist das Medium, das zur Übertragung der Wärme auf das Kochgut verwendet wird. So werden zum Kochen Flüssigkeiten wie Wasser, Brühe, Wein und Milch verwendet; beim Braten, Frittieren und Anschwitzen erfolgt das Erwärmen mit Hilfe von Fetten und Ölen [8]. Die Wahl der Garmethode wirkt sich dabei direkt auf den Geschmack, die Verträglichkeit und den Nährstoffgehalt der zubereiteten Lebensmittel aus - oft auch auf die Gesundheit [8]. Ein Überblick der in privaten Haushalten regelmäßig angewendeten Garmethoden ist in Fig. 5b dargestellt. Akustisch hörbare Garmethoden sind schraffiert hinterlegt.
  • Für den zu entwickelnden Demonstrator zur Kundengewinnung und für ein erstes minimal praktikables Produkt (engl. Minimum Viable Product, kurz MVP) im Sinn der Lean Startup Methode, eignen sich die feuchten Garmethoden am besten. Denn:
    • Kochzustände sind meist über einen langen Zeitraum konstant zu halten
    • Es sind weniger direkte Interaktionen erforderlich als z. B. beim Braten
    • Sie machen den größeren Teil aller Garmethoden aus und sind allgemein gesünder
    • Das Potential zum Energiesparen ist größer
    • Der Mehrwert für die Endbenutzerinnen ist insgesamt größer
  • Im Rahmen einer durchgeführten Machbarkeitsstudie für das künstliche auditive Wahrnehmungsmodell wurden die folgenden Kochzustandsklassen verwendet: Herd aus, Implosionen, Simmern, Köcheln, Kochen, stark Kochen und Überkochen. Damit lassen sich nahezu alle feuchten Garmethoden anhand ihrer spezifischen Kochgeräusche überwachen und regeln. Die Zustandsklassen können im Rahmen der Kundenentdeckung (engl. customer discovery) angepasst werden. In diesem Zusammenhang können z. B. auch sicherheitsrelevante Funktion zum Braten und Frittieren sowie Bratassistenten im Zusammenhang mit Brutzelintensitäten implementiert werden.
  • Gemäß Ausführungsbeispielen kann Hören mit künstlicher Intelligenz eingesetzt werden: Geräusche sind im Allgemeinen Hörempfindungen, die nicht direkt als Klang, Ton, Tongemisch, Zusammenklang oder Knall wahrgenommen werden. Ursache für Geräusche sind über elastische Körper (z. B. einen Kochtopf) vermittelte Schwingungsvorgänge die sich als Luftschall im Raum ausbreiten [9]. Im Gegensatz zu einem Pfeifton, hat ein Kochgeräusch somit keine exakt bestimmbare Tonhöhe, also keine dominierende Frequenz (siehe Fig. 5c). Dennoch sind unterschiedliche Frequenzbereiche unterschiedlich stark vertreten und verleihen so auch einem Kochgeräusch einen individuellen Charakter, was im dargestellten Mel-Spektrogramm MS in Fig. 5c gut zu erkennen ist. Anmerkung: Ein Spektrogramm ist die bildliche Darstellung des zeitlichen Verlaufs des Frequenzspektrums eines Signals (z.B. eines Audiosignals) [10]. Dabei wird das Zeitsignal mit der Kurzzeit-Fourier-Transformation (englisch short-time Fourier transform, kurz STFT) in den Zeit-Frequenz-Bereich überführt [11]. In einem Mel-Spektrogramm sind die Frequenzen auf der Y-Achse in der Mel-Skala dargestellt [12]. Darüber hinaus bilden sich auch markante zeitliche Muster heraus. Additiv oder alternativ könnten deshalb auch statt Frequenzbereichen auch der zeitliche Verlauf eingelernt werden.
  • Auf Basis solcher charakteristischer Merkmale können unterschiedliche Geräusche sowohl vom menschlichen Gehirn als auch von einem ML-Modell klassifiziert und damit einem bekannten Kochzustand zugeordnet werden. Hierbei ist anzumerken, dass die grundlegenden Merkmale der Kochgeräusche trotz überlagerter Störgeräusche S erhalten bleibt. Zudem sind Mikrofone nicht auf den Hörbereich des Menschen begrenzt.
  • Um die akustischen Signale automatisch zu analysieren, kommen gemäß Ausführungsbeispielen Methoden des maschinellen Lernens (ML) zum Einsatz, bspw. in Form von tiefen neuronalen Netzen. Beim überwachten Lernen (engl. Supervised Learning), erlernt das neuronale Netz die Zusammenhänge zwischen Kochgeräusch und Kochzustand anhand von Trainingsdaten. Nach erfolgreichem Training kann das neuronale Netz (ML- bzw. Kl-Modell) zum Klassifizieren von Kochgeräuschen angewendet werden (siehe Fig. 5d).
  • Eine Machbarkeitsstudie zum Klassifizieren von Kochgeräuschen wurde wie folgt durchgeführt. Dabei konnte die Funktionalität des ML-basierten auditiven Wahrnehmungssystems nachgewiesen.
    1. 1. Datenerhebung: Im Rahmen der Datenerhebung wurden Kochgeräusche mit Hilfe eines Mikrofons aufgenommen und in einem Trainingsdatensatz zusammengefasst. Ein einzelnes Datensatzelement besteht dabei aus einer Audiodatei (Kochgeräusch) sowie dem zugehörigen Klassenlabel (Kochzustand). Bei der Aufnahme der Trainingsdaten kam das vorab entwickelte Aufnahme und Label-Programm "KitchenGuard Audio Recorder" zum Einsatz, welches eine schnelle und fehlerfreie Datenerhebung erlaubt. Auf dieser Basis konnte ein erster Trainingsdatensatz für die sieben definierten Kochzustände erstellt werden. Dieser beinhaltet 748 Aufnahmen mit einer Gesamtdauer von etwa 12,5 Stunden. Der Versuchsaufbau und die verwendete Hardware sind in Fig. 5e dargestellt.
    2. 2. Vorverarbeitung, Merkmalsextraktion: Aus den aufgezeichneten Audiodaten wurden im Rahmen der Vorverarbeitung gelabelte Mel-Spektrogramme extrahiert (siehe Fig. 5f). Aufgrund der moderaten Größe des Trainingsdatensatzes, konnten mit einem Betrachtungszeitraum von 2,14 s und folglich 17.574 Mel-Spektrogrammen die besten Ergebnisse erzielt werden. Um den realen Betrieb mit Störgeräuschen besser abzubilden, wurden die Trainingsbeispiele im Rahmen einer Datenaugmentierung (engl. Data Augmentation) erweitert und diversifiziert, wie Fig. 5f darstellt.
    3. 3. Modellauswahl und Training: In der Machbarkeitsstudie wurde u. a. das von Google LLC entwickelte CNN Mobilenetv2_050 getestet [Q]. Dieses CNN ist speziell für den Einsatz auf mobilen Geräten optimiert und kann zuverlässig auf Mikrocontrollern und kleinen Kl-Prozessoren (microNPUs) betrieben werden. Das CNN wurde daraufhin mit dem erstellten Trainingsdatensatz trainiert.
    4. 4. Bewertung: Um die Leistungsfähigkeit eines Klassifizierungsmodells zu bewerten, wird vornehmlich die Genauigkeit (engl. Accuracy) in Bezug auf die Vorhersage von unbekannten Testdaten als erstes Bewertungskriterium herangezogen. Die Genauigkeit des ML-Modells beschreibt das Verhältnis zwischen den richtigen Vorhersagen und allen getroffenen Vorhersagen. [14]. Die Ergebnisse sind in Fig. 5g dargestellt.
  • Es ist zu sehen, dass selbst mit wenig Trainingsdaten vergleichsweise gute Genauigkeiten erzielt werden konnten. Die geringeren Genauigkeiten der Zustandsklassen Köcheln, Kochen und stark Kochen sind u. a. darauf zurückzuführen, dass sich die in diesen Zuständen verursachten Geräusche sehr ähnlich sind und deshalb leichter verwechselt werden. Zum Erlernen von feinen Unterschieden sind entsprechend mehr Trainingsbeispiele notwendig. Für den Nachweis der Machbarkeit sind die dargestellten Ergebnisse jedoch ausreichend.
  • Abschließend ist anzumerken, dass es für die Geräuschanalyse noch viele weitere ML-Verfahren gibt. Eine Reihe dieser Verfahren wurde von den Experten in einem Toolkit für akustisches Monitoring (kurz: amo) zusammengefasst [15]. Diese werden für den Sensor ebenfalls getestet und bewertet. (Anmerkung Testdaten sind Daten, die dem ML-Modell (im Training nicht gezeigt wurden) und somit unbekannt sind. Damit repräsentieren sie den realen Einsatz (z. B. in der Küche der Endkunden:innen). Entsprechend wurde für die Bewertung des MLK-Modell einen separateren Testdatensatz aufgenommen, bei dem sich Aufnahmetag, Topfhersteller und Topfinhalt von den Trainingsdaten unterscheiden. Zudem repräsentieren vorhandene Störgeräusche den Realbetrieb.
  • Gemäß Ausführungsbeispielen kann ein Leistungsregler für die Berechnung der optimalen Heizleistung verwendet werden: Der Leistungsregler des Sensors hat die Aufgabe - ausgehend vom aktuellen Systemzustand - die bestmögliche Leistungsstufe auszuwählen. Der aktuelle Systemzustand beinhaltet hierbei den wahrgenommenen IST-Kochzustand, den gewünschten ZIEL-Kochzustand und die berechnete Topfdynamik.
  • Im Gegensatz zu einer Regelung, die auf Temperaturmessungen oder Vibrationsintensitäten beruht, können hier keine klassischen Konzepte der Regelungstechnik angewendet werden. Da es zudem kein Wahrnehmungsmodell gibt, das den IST-Kochzustand mit 100-prozentiger Genauigkeit bestimmen kann und sich auch die Topfdynamik (z. B. durch Hinzufügen von kaltem Wasser durch den Benutzer) ändern kann, handelt es sich um einen nichtdeterministischen Entscheidungsprozess; die Folge einer ausgewählten Aktion kann somit nicht exakt vorhergesagt werden.
  • Auf Basis des Markov-Entscheidungsprozesses (engl. Markov-Decision Process, kurz MDP), kann die optimale Leistungsstufe dennoch bestimmt werden. Zum Beispiel anhand einer erlernten Strategie (engl. policy) oder anhand von statistisch erfassten, aktionsabhängigen Übergangswahrscheinlichkeiten. Dafür gibt es Methoden die u. a. in die Bereiche Dynamische Programmierung, Reinforcement Learning und Imitation Learning fallen. Mit entsprechend gewählten Randbedingungen können so auch sicherheitskritische Zustände sicher vermieden werden (z. B. Überkochen). Ein vereinfachtes Beispiel mit aktionsabhängigen Übergangswahrscheinlichkeiten ist in Fig. 5h dargestellt.
  • Die geplante Aktion (die Leistungsstufe, die mit höchster Wahrscheinlich zum gewünschten ZIEL-Kochzustand führt) wird am Ende an die Kochfeld-Steuerung übermittelt.
  • Zur möglichen Hardware für den Sensor: Die Anwendung eines trainierten ML-Modells wird als Inferenz (engl. Model-Inference) bezeichnet. Dabei wird im Gegensatz zum Modell-Training deutlich weniger Rechenleistung und Arbeitsspeicher (RAM) benötigt. Aus diesem Grund kann das auditive Wahrnehmungsmodell des Sensors auch auf einem kostengünstigen Mikrocontroller betrieben werden (Stichwort: EndpointAl13, TinyML14). Dadurch können die Kochgeräusche direkt im Kochfeld und in Echtzeit (Inferenz-Zeit von unter 100 ms) klassifiziert werden [16]. Im Gegensatz zum klassischen, cloudbasierten Inferenz-Betrieb ergeben sich folgende Vorteile:
    • Privatsphäre und Datenschutz: Private Daten bleiben in der Küche (z. B. Gespräche).
    • Sicherheit: ML-Funktionen stehen ohne aktive Internetverbindung zur Verfügung.
    • Geschwindigkeit: Kochgeräusche können in Echtzeit im Sensor ausgewertet werden.
    • Energieeffizienz: Die Leistungsaufnahme beträgt i. Allg. weniger als 500 µW.
    • Preiswert: Zusätzliche Chips für Ethernet oder WLAN werden nicht benötigt und es entstehen nahezu keine laufenden Betriebskosten. [17]
    Durch die steigende Zugänglichkeit der kostengünstigen, MLK-fähigen Mikrocontroller ist der Zeitpunkt für die Umsetzung des Sensors ideal.
  • Das in Fig. 5i dargestellte elektronische Hardwarekonzept stellt eine erste Auswahl der Hardware-Komponenten anhand aktuellen Erkenntnisse und Annahmen dar. Dieser Hardwareaufbau erlaub ein gleichzeitiges Überwachen und Regeln von vier Kochzonen. Entsprechend sind vier hochwertige MEMS-Mikrofone15 für die Audiosignalerfassung vorgesehen. Die Auswahl, Positionierung und Ausrichtung dieser Mikrofone, das sogenannte Mikrofonierungskonzept, soll im Rahmen des EXIST-Gründungsstipendiums erarbeitet werden.
  • Zur Vision vom benutzerfreundlichen und sicheren Kochassistent: Um das Bedürfnis junger Menschen nach Technologie und Luxus zu erfüllen und gleichzeitig eine für technik-averse Endkunden:innen zugängliche, intuitive Bedienung bereit zu stellen, soll mit dem Assistent ein smarter Kochassistent geschaffen werden. Interaktive Koch-Apps sollen den Menschen dabei helfen, mit Spaß und stressfrei gesundes Essen zu kochen, neue Rezepte zu entdecken und neue energiesparende und automatisierte Kochmethoden zu testen (z. B. Eier nach der Ogi-Methode zubereiten). Zudem besteht die Möglichkeit, Herstellern von Fertigprodukten, Babynahrung und Kochbuchverlagen die Möglichkeit geben, selbst interaktive Apps bereitzustellen und somit eine optimale Zubereitung ihrer Produkte zu gewährleisten. Weitere Überlegungen sind: Eine Verbindung zu smarten Kühlschränken für Rezeptempfehlungen, speziell entwickeltes, schallemittierendes Kochgeschirr oder die Möglichkeit einer Live-Übertragung von Kochgeräuschen und visuellen Informationen auf Smartphones oder VR-Brillen. Ziel ist es, das Kochen so attraktiv, interaktiv und entspannend wie möglich zu gestalten und gleichzeitig die notwendige Sicherheit zu bieten.
  • Nachfolgend werden unterschiedliche Ausführungsbeispiele bzw. optionale Features zu Ausführungsbeispielen erläutert. Entsprechend Ausführungsbeispielen ist es möglich, das System, d. h. also das Kochgerät oder das Kochzubehör, anzulernen oder weiter zu lernen. Auch ein föderiertes Training (engl. Federated Learning), verteilt durch mehrere Anwender wäre denkbar. Hierdurch wird dann die Datenbank über mehrere Geräte hinweg erweitert. Die Anwenderdaten können nur teilweise oder gar nicht annotiert sein und durch teil überwachtes Lernen zur Verbesserung des Modells beitragen.
  • Entsprechend Ausführungsbeispielen ist der Prozessor ausgebildet, eine Adaptionsphase durchzuführen, in welcher sich das Gerät bzw. der Erkennungsalgorithmus des Geräts an das aktuelle Kochgerät oder Kochgeschirr anpasst.
  • Entsprechend Ausführungsbeispielen erfolgt die Auswertung sowie ggf. das Weiterlernen unter Verwendung von Privacy-Enhancement-Technologien (homomorphic Encryption, differential privacy, secure multi-party computation, o. ä.), um die unerwünschte Preisgabe von sensiblen Informationen zu vermeiden bzw. Rückschlüsse auf die Teilnehmer, Attribute der Teilnehmer oder andere sensitive Informationen zu ermöglichen.
  • Entsprechend Ausführungsbeispielen kann der Prozessor ausgebildet sein, die Sprache als personenbezogene Informationen zu entfernen, ggf. durch Werkzeuge zum Herausfiltern von Sprachinformationen, wie z. B. Voice Activity Detection.
  • Entsprechend einem weiteren Ausführungsbeispiel wäre es denkbar, dass eine Herdplatte oder Kochzone, auf der sich der Topf befindet, erkannt wird und zugeordnet wird. Hierzu kann beispielsweise die Ortung von Geräuschen verwendet werden oder auch Informationen von dem Kochgerät, z. B. über eine aktivierte Kochzone, erhalten werden.
  • Bei allen Ausführungsbeispielen ist zentral, dass Luft- und/oder Körperschallsensoren zur Analyse der Kochvorgänge genutzt werden.
  • Mögliche Anwendungen sind neben dem Kochfeld/Herd auch Heizplatten, Küchenmaschinen mit Kochfunktion, wie z. B. Thermomix, Wasserkocher oder auch Öfen.
  • An dieser Stelle sei angemerkt, dass entsprechend Ausführungsbeispielen die Mittel zur Schalldetektion auch Ultraschallabnehmer aufweisen können. Additiv wäre es auch denkbar, dass zusätzlich zu der Schallsensorik auch eine Kamerasensorik verwendet wird.
  • Obwohl manche Aspekte im Zusammenhang mit einer Vorrichtung beschrieben wurden, versteht es sich, dass diese Aspekte auch eine Beschreibung des entsprechenden Verfahrens darstellen, sodass ein Block oder ein Bauelement einer Vorrichtung auch als ein entsprechender Verfahrensschritt oder als ein Merkmal eines Verfahrensschrittes zu verstehen ist. Analog dazu stellen Aspekte, die im Zusammenhang mit einem oder als ein Verfahrensschritt beschrieben wurden, auch eine Beschreibung eines entsprechenden Blocks oder Details oder Merkmals einer entsprechenden Vorrichtung dar. Einige oder alle der Verfahrensschritte können durch einen Hardware-Apparat (oder unter Verwendung eine Hardware-Apparats), wie zum Beispiel einen Mikroprozessor, einen programmierbaren Computer oder eine elektronische Schaltung. Bei einigen Ausführungsbeispielen können einige oder mehrere der wichtigsten Verfahrensschritte durch einen solchen Apparat ausgeführt werden.
  • Ein erfindungsgemäß codiertes Signal, wie beispielsweise ein Audiosignal oder ein Videosignal oder ein Transportstromsignal, kann auf einem digitalen Speichermedium gespeichert sein oder kann auf einem Übertragungsmedium wie beispielsweise einem drahtlosen Übertragungsmedium oder einem verdrahteten Übertragungsmedium, z.B. dem Internet, übertragen werden
  • Das erfindungsgemäße kodierte Audiosignal kann auf einem digitalen Speichermedium gespeichert sein, oder kann auf einem Übertragungsmedium, wie beispielsweise einem drahtlosen Übertragungsmedium oder einem drahtgebundenen Übertragungsmedium, wie beispielsweise dem Internet, übertragen werden.
  • Je nach bestimmten Implementierungsanforderungen können Ausführungsbeispiele der Erfindung in Hardware oder in Software implementiert sein. Die Implementierung kann unter Verwendung eines digitalen Speichermediums, beispielsweise einer Floppy-Disk, einer DVD, einer Blu-ray Disc, einer CD, eines ROM, eines PROM, eines EPROM, eines EEPROM oder eines FLASH-Speichers, einer Festplatte oder eines anderen magnetischen oder optischen Speichers durchgeführt werden, auf dem elektronisch lesbare Steuersignale gespeichert sind, die mit einem programmierbaren Computersystem derart zusammenwirken können oder zusammenwirken, dass das jeweilige Verfahren durchgeführt wird. Deshalb kann das digitale Speichermedium computerlesbar sein.
  • Manche Ausführungsbeispiele gemäß der Erfindung umfassen also einen Datenträger, der elektronisch lesbare Steuersignale aufweist, die in der Lage sind, mit einem programmierbaren Computersystem derart zusammenzuwirken, dass eines der hierin beschriebenen Verfahren durchgeführt wird.
  • Allgemein können Ausführungsbeispiele der vorliegenden Erfindung als Computerprogrammprodukt mit einem Programmcode implementiert sein, wobei der Programmcode dahin gehend wirksam ist, eines der Verfahren durchzuführen, wenn das Computerprogrammprodukt auf einem Computer abläuft.
  • Der Programmcode kann beispielsweise auch auf einem maschinenlesbaren Träger gespeichert sein.
  • Andere Ausführungsbeispiele umfassen das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren, wobei das Computerprogramm auf einem maschinenlesbaren Träger gespeichert ist. Mit anderen Worten ist ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens somit ein Computerprogramm, das einen Programmcode zum Durchführen eines der hierin beschriebenen Verfahren aufweist, wenn das Computerprogramm auf einem Computer abläuft.
  • Ein weiteres Ausführungsbeispiel der erfindungsgemäßen Verfahren ist somit ein Datenträger (oder ein digitales Speichermedium oder ein computerlesbares Medium), auf dem das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren aufgezeichnet ist.
  • Ein weiteres Ausführungsbeispiel des erfindungsgemäßen Verfahrens ist somit ein Datenstrom oder eine Sequenz von Signalen, der bzw. die das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren darstellt bzw. darstellen. Der Datenstrom oder die Sequenz von Signalen kann bzw. können beispielsweise dahin gehend konfiguriert sein, über eine Datenkommunikationsverbindung, beispielsweise über das Internet, transferiert zu werden.
  • Ein weiteres Ausführungsbeispiel umfasst eine Verarbeitungseinrichtung, beispielsweise einen Computer oder ein programmierbares Logikbauelement, die dahin gehend konfiguriert oder angepasst ist, eines der hierin beschriebenen Verfahren durchzuführen.
  • Ein weiteres Ausführungsbeispiel umfasst einen Computer, auf dem das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren installiert ist.
  • Ein weiteres Ausführungsbeispiel gemäß der Erfindung umfasst eine Vorrichtung oder ein System, die bzw. das ausgelegt ist, um ein Computerprogramm zur Durchführung zumindest eines der hierin beschriebenen Verfahren zu einem Empfänger zu übertragen. Die Übertragung kann beispielsweise elektronisch oder optisch erfolgen. Der Empfänger kann beispielsweise ein Computer, ein Mobilgerät, ein Speichergerät oder eine ähnliche Vorrichtung sein. Die Vorrichtung oder das System kann beispielsweise einen Datei-Server zur Übertragung des Computerprogramms zu dem Empfänger umfassen.
  • Bei manchen Ausführungsbeispielen kann ein programmierbares Logikbauelement (beispielsweise ein feldprogrammierbares Gatterarray, ein FPGA) dazu verwendet werden, manche oder alle Funktionalitäten der hierin beschriebenen Verfahren durchzuführen. Bei manchen Ausführungsbeispielen kann ein feldprogrammierbares Gatterarray mit einem Mikroprozessor zusammenwirken, um eines der hierin beschriebenen Verfahren durchzuführen. Allgemein werden die Verfahren bei einigen Ausführungsbeispielen seitens einer beliebigen Hardwarevorrichtung durchgeführt. Diese kann eine universell einsetzbare Hardware wie ein Computerprozessor (CPU) sein oder für das Verfahren spezifische Hardware, wie beispielsweise ein ASIC.
  • Die oben beschriebenen Ausführungsbeispiele stellen lediglich eine Veranschaulichung der Prinzipien der vorliegenden Erfindung dar. Es versteht sich, dass Modifikationen und Variationen der hierin beschriebenen Anordnungen und Einzelheiten anderen Fachleuten einleuchten werden. Deshalb ist beabsichtigt, dass die Erfindung lediglich durch den Schutzumfang der nachstehenden Patentansprüche und nicht durch die spezifischen Einzelheiten, die anhand der Beschreibung und der Erläuterung der Ausführungsbeispiele hierin präsentiert wurden, beschränkt sei.
    • Literaturverzeichnis Wissenschaftliche Referenzen
    • Patente
    • CN212645834U ; Overflow monitoring device
    • CN216221393U ; Water overflow detection device
    • CN203799469U ; Overflow alarm device
    • US20130179159A1 ; System and methods for detecting overflow
    • CN101957083A ; Multifunctional overflow device
    • CN217090649U ; Dish washing machine
    • CN112804600A ; Sound equipment based on AI artificial intelligence and system thereof
    • US20190354815A1 ; Homeostatic Capacity Evaluation of Artificial Intelligence Systems
    • US20210232670A1 ; Artificial Intelligence service method and device therefor
    • CN112362750A ; Acoustic detection system and device based on artificial intelligence
    • CN214011777U ; Artificial intelligence test system
    • CN207731301U ; A kind of intelligent Sensorsystem framwork
    • CN105659629A ; Ear-shaped part, artificial head part, and measurement system and measurement method using these
    • CN111496802A ; Control method, device, equipment and medium for artificial intelligence equipment
    • CN111161727A ; Artificial intelligence barrier-free control system
    • GB2588036A ; Sound monitoring system and method
    • GB2563892A ; Sound monitoring system and method
    • US20060177071A1 ; Method and system for detecting a predetermined sound event such as the sound of breaking glass
    • CN103197630B ; The self study criterion method of formation of Audio Monitoring System
    • KR20180066294A ; Sound monitoring system and method using multiple devices
    • JP3693644B2 ; Equipment operating state acoustic monitoring method and equipment operating state acoustic monitoring apparatus
    • US8155326B2 ; System, method, and apparatus for using the sound signature of a device to determine its operability
    • EP1913567A2 ; Enhanced acoustic monitoring and alarm response
    • JP2013225248A ; Sound identification system, sound identification device, sound identification method and program.
    Literatur
    • [1] "Wie kochen die Deutschen?", GfK, 2015. Zugegriffen: 21. November 2023. [Online]. Verfügbar unter: https://aus-meinem-kochtopf.de/wie-kochen-die-deutschen/
    • [2] C. Wan, "How We Can Enable Intelligence On Endpoints", ambiq. Zugegriffen: 12. Dezember 2023. [Online]. Verfügbar unter: https://ambiq.com/blog/how-we-canenable-intelligence-on-endpoints/
    • [3] "Die 5 häufigsten Brandursachen", Brandschutz Zentrale, Mai 2022. Zugegriffen: 15. Dezember 2023. [Online]. Verfügbar unter: https://brandschutz-zentrale.de/brandschutz/einsatz/die-5-haeufigsten-brandursachen/
    • [4] H.-H. Drews, "Jeder fünfte Brand im Haushalt entsteht am Herd! Ursache: der Mensch", 2017. Zugegriffen: 10. Juli 2023. [Online]. Verfügbar unter: https://www.schadenprisma.de/wp-content/uploads/sp_2017_4_2.pdf
    • [5] "MP3-Entwickler kommen in Ruhmeshalle", stern, März 2007. Zugegriffen: 15. November 2023. [Online]. Verfügbar unter: https://www.stern.de/digital/computer/-cehall-of-fame--mp3-entwickler-kommen-in-ruhmeshalle-3356668.html
    • [6] Patent-Anmeldungen: TU Ilmenau bundesweit unter den ersten zehn. 2023. Zugegriffen: 18. Oktober 2023. [Radiobeitrag]. Verfügbar unter: https://www.mdr.de/nachrichten/thueringen/sued-thueringen/ilmenau-ilmkreis/tu-ilmenau-innovativ-patentiwstudie-100.html
    • [7] "Dipl.-Ing. Sascha Grollmisch". Zugegriffen: 22. November 2023. [Online]. Verfügbar unter: https://www.idmt.fraunhofer.de/en/institute/doctorands/grollmisch.html#2
    • [8] "Garmethoden - Kochen, dämpfen, dünsten & Co." Zugegriffen: 13. November 2023. [Online]. Verfügbar unter: https://www.verbraucherservice-bayern.de/themen/hauswirtschaft/garmethoden-kochen-daempfen-duensten-co#:-:text=Ob%20Sieden%2C%20Dünsten%2C%20Braten%20oder,eine%20enorme%20Vielfalt%20beim%20Kochen
    • [9] Wikipedia Autoren, "Geräusch", Wikipedia. 30. Mai 2023. Zugegriffen: 30. Oktober 2023. [Online]. Verfügbar unter: https://de.wikipedia.org/wiki/Geräusch
    • [10] Wikipedia Autoren, "Spektrogramm", Wikipedia. 28. Juli 2023. [Online]. Verfügbar unter: https://de.wikipedia.org/wiki/Spektrogramm
    • [11] Wikipedia Autoren, "Kurzzeit-Fourier-Transformation", Wikipedia. 21. November 2023. Zugegriffen: 15. Dezember 2023. [Online]. Verfügbar unter: https://de.wikipedia.org/wiki/Kurzzeit-Fourier-Transformation
    • [12] S. Jauss, "Grundlagen der Signalverarbeitung und Audio-Features für Machine Learning", KI im Audiobereich. Zugegriffen: 15. Dezember 2023. [Online]. Verfügbar unter: https://ai.hdm-stuttgart.de/news/2023/ki-im-audiobereich-grundlagen-signalverarbeitung-ml/
    • [13] L. Monigatti, "Audio Classification with Deep Learning in Python", Towards Data Science. Zugegriffen: 10. Mai 2023. [Online]. Verfügbar unter: https://towardsdatascience.com/audio-classification-with-deep-learning-in-python-cf752b22ba07
    • [14] K. Nighania, "Various ways to evaluate a machine learning model's performance", Towards Data Science. Zugegriffen: 15. Dezember 2023. [Online]. Verfügbar unter: https://towardsdatascience.com/various-ways-to-evaluate-a-machine-learning-models-performance-230449055f15
    • [15] "KI-basiertes akustisches Monitoring in der Produktion". Zugegriffen: 15. Dezember 2023. [Online]. Verfügbar unter: https://www.idmt.fraunhofer.de/de/business_units/industrial-sound-analysis.html
    • [16] C. Nugteren, "tinyML Talks: Demoing the world's fastest inference engine for Arm Cortex-M (ab Sekunde 822)", 6. Januar 2022. Zugegriffen: 22. November 2023. [Online]. Verfügbar unter: https://www.youtube.com/watch?v=ComEgcN7KfY&t=822s
    • [17] "tinyML Summit 2021 Proceedings", 22. März 2021. Zugegriffen: 31. Oktober 2023. [Online]. Verfügbar unter: https://cms.tinyml.org/wp-content/uploads/summit2021/tinyMLSummit2021d1 Awards_Syntiant.pdf
    • [18] "Hochwertige Audiosignalerfassung", Trend-Guide Sensorik. Zugegriffen: 15. Dezember 2023. [Online]. Verfügbar unter: https://www.infineon.com/dgdl/lnfineon-Xensiv%20MEMS%20Mikrofone_MarktundTechnik-ART-v01_00-DE.pdf?fileId=5546d46264fee02f01650e895f1b4854#:~:text=MEMS%2DMikrofone %20bieten%20gegenüber%20her,mehreren%20Mikrofonen%20aufeinander%20abge%2D%20stimmt.
    • [19] "Smart Kitchen Appliances Market Size, Share & Trends Analysis Report By Product (Smart Refrigerators, Smart Cookware & Cooktops, Smart Dishwashers, Smart Oven, Others), By Application, By Region, And Segment Forecasts, 2023 2030", Grand View Research, Report Overview, 2022. Zugegriffen: 20. September 2023. [Online]. Verfügbar unter: https://www.grandviewresearch.com/industry-ana!y-sis/smart-kitchen-appliances-market
    • [20] "Smart Kitchen Appliance Market Forecast to 2028 COVID-19 Impact and Global Analysis By Product (Ovens, Refrigerators, Sous Vide, Juicers & Blenders, Cooker & Cooking Robots, Cooktops, & Integrated Ovens & Cooktops, Others), by End User, and Connectivity", Research And Markets, Report Overview, 2021. [Online]. Verfügbar unter: https://www.researchandmarkets.com/reports/4787380/smart-kitchen-appliance-market-forecast-to?utm_source=GNOM&utm_medium=PressRelease&utm_code=qr738s&utm_cam paign=1693860+-+Smart+Kitchen+Appliance+Global+Market+Forecast%3a+An+E-stimated+US%24+47%2c071+Million+Market+by+2028%2c+with+CAGR+of+17.4%2 5+Forecast+During+20202028&utm_exec=cari 18prd
    • [21] "Induction Cooktops Market Size, Share & Trends Analysis Report By Product (Builtin, Free-standing), By Application (Household, Commercial), By Distribution Channel (Online, Specialty Stores), And Segment Forecasts, 2021 2028", Grand View Research, Report Overview, 2019. [Online]. Verfügbar unter: https://www.grandviewresearch.com/industry-analysis/induction-cooktops-market
    • [22] Statista, "Cooking appliances and equipment (INDUSTRIES & MARKTS)", Statista, Statistic report did-23654-1, Nov. 2022. Zugegriffen: 16. September 2023. [Online]. Verfügbar unter: https://www.statista.com/study/23654/cooking-appliances-andequipment-statista-dossier/
    • [23] "Fast 6 Millionen ältere Menschen leben allein", Statistisches Bundesamt (Destatis), Sep. 2021. [Online]. Verfügbar unter: https://www.destatis.de/DE/Presse/Pressemitteilungen/2021/09/PD21_N057 _12411.html
    • [24] "GERMANY KITCHEN APPLIANCES MARKET SIZE & SHARE ANALYSIS GROWTH TRENDS & FORECASTS (2023 2028)", Mordor Intelligence, Report Overview, 2022. Zugegriffen: 25. September 2023. [Online]. Verfügbar unter: https://www.mordorintelligence.com/industry-reports/germany-kitchen-appliancesproducts-market-industry
    • [25] A. Viroli, L. Jeanneteau, M. Nostro, und S. E. Christiansen, "Induction hob with boiling detection and induction energy control, method for heating food with an induction hob and computer program product", EP3195694A1 Zugegriffen: 26. Juli 2023 . [Online]. Verfügbar unter: https://patents.google.com/patent/EP3195694A1/en
    • [26] C. Franco Gutierrez u. a., "Gargerätevorrichtung", EP2590473A1 Zugegriffen: 26. Juli 2023 . [Online]. Verfügbar unter: https://patents.google.com/patent/EP2590473A1/de?oq=EP2590473A1
    • [27] A. R. Buendia Garcia, F. Ashrafzadeh, und M. MUKHTAR, "Boil and boil-dry detection methods for cooking appliances using vibration sensors", US9354207B2 Zugegriffen: 24. Juli 2023 . [Online]. Verfügbar unter: https://patents.google.com/patent/US9354207B2/en?oq=US9354207B2
    • [28] G. Dr. med. Betz, H. Dr. med. Renz-Polster, und A. Dr. med. Schäffler, "Sinnesorgane und Körperwahrnehmung im Alter", Gesundh. Heute, 2014, Zugegriffen: 18. Oktober 2023. [Online]. Verfügbar unter: https://www.apotheken.de/krankheiten/hintergrundwissen/10299-sinnesorgane-und-koerperwahrnehmung-im-alter
    • [29] S. Ahrens, "Pro-Kopf-Verbrauch von Nudeln in Deutschland bis 2021/22", Statista, Sep. 2023. Zugegriffen: 26. September 2023. [Online]. Verfügbar unter: https://de.statista.com/statistik/daten/studie/156453/umfrage/pro-kopf-verbrauchvon-nudeln-in-deutschland-seit-1996/
    • [30] "Windenergie Wieviel Strom produziert ein Windrad?", Bluedrift Wissen und Infos. Zugegriffen: 12. September 2023. [Online]. Verfügbar unter: https://www.bluedrift.at/index.php/wissen-und-infos/windkraft
    • [31] L. Fernändez, "Weighted average cost for installed onshore wind energy worldwide from 2010 to 2021", Statista, Statistik, Feb. 2023. Zugegriffen: 26. September 2023. [Online]. Verfügbar unter: https://www.statista.com/statistics/506774/weightedaverage-installed-cost-for-onshore-wind-power-worldwide/
    • [32] R. Bocksch, "Es werde Licht (ELEKTRIZITÄT)", Mai 2023. Zugegriffen: 18. September 2023. [Online]. Verfügbar unter: https://de.statista.com/infografik/21802/anteilder-bevoelkerung-mit-zugang-zu-elektrizitaet/
    • [33] "Alles Wissenswerte über Kochfelder", Küchen Staude online Magazin. Zugegriffen: 19. September 2023. [Online]. Verfügbar unter: https://www.kuechen-staude.de/magazin/highlights/kochfelder-a-z/
    • [34] "Deutschland Haushalte und Haushaltsmitglieder (2022)", Statistisches Bundesamt (Destatis), März 2023. [Online]. Verfügbar unter: https://www.destatis.de/DE/Themen/Gesellschaft-Umwelt/Bevoelkerung/Haushalte-Familien/Tabellen/1-1-privathaushalte-haushaltsmitglieder.html
    • [35] Länderdaten, "Energiehaushalt in Deutschland", Länderdaten, 2021. Zugegriffen: 19. September 2023. [Online]. Verfügbar unter: https://www.laenderdaten.info/Europa/Deutschland/energiehaushalt.php
    • [36] "Europa Bevölkerung 2022", Statistisches Bundesamt (Destatis), März 2023. [Online]. Verfügbar unter: https://www.destatis.de/Europa/DE/Thema/Basistabelle/Bevoelkerung.html
    • [37] B. Urmersbach, "Europäische Union & Euro-Zone: Anzahl der Privathaushalte von 2012 bis 2022", Statista, Juli 2023. Zugegriffen: 19. September 2023. [Online]. Verfügbar unter: https://de.statista.com/statistik/daten/studie/349055/umfrage/privathaushalte-in-eu-und-euro-zone/#:~:text=lm%20Jahr%202021%20gab%20es,es%20rund%20153%2C4%20 Millionen
    • [38] A.-S. Turulski, "Weltbevölkerung nach Kontinenten Mitte des Jahres 2022", Statista, Mai 2023. Zugegriffen: 19. September 2023. [Online]. Verfügbar unter: https://de.statista.com/statistik/daten/studie/1723/umfrage/weltbevoelkerung-nach-kontinenten/
    • [39] United Nations, "Household size and composition around the world", United Nations Department of Economic and Social Affairs, 2017. Zugegriffen: 16. September 2023. [Online]. Verfügbar unter: https://www.un.org/en/development/desa/population/publications/pdf/popfacts/PopFacts_2017-2.pdf
    • [40] R. Muschter, "Durchschnittliche Größe der Haushalte in China in den Jahren 1990 bis 2021", Statista, März 2023. Zugegriffen: 19. September 2023. [Online]. Verfügbar unter: https://de.statista.com/statistik/daten/studie/220587/umfrage/durchschnittliche-groesse-der-haushalte-in-china/#:~:text=Durchschnittliche%20Größe%20der%20Haushalte%20in%20China%20bis%202021&text=lm%20Jahr%202021%20hat%20die,d en%20Jahren%201990%20bis%202021

Claims (17)

  1. Kochgerät (10), mit folgenden Merkmalen:
    einer Heizquelle (12) zum Erhitzen eines Mediums oder eines Kochgeschirrs;
    Mittel zur Schalldetektion (54), die ausgebildet sind, ein akustisches Signal herrührend von dem Medium oder dem Kochgeschirr zu empfangen und/oder in ein digitales akustisches Signal zu überführen;
    einem Prozessor (55), der ausgebildet ist, das digitale akustische Signal im Hinblick auf Rohdaten oder ein oder mehrere Merkmale zu analysieren und anhand der ein oder mehreren Merkmale einen Kochzustand für das Medium zu bestimmen.
  2. Kochgerät (10) gemäß Anspruch 1, wobei der Prozessor (55) ausgebildet ist, anhand ein oder mehrerer Muster von Merkmalen und/oder Merkmalskombinationen ein oder mehrere Kochzustände, insbesondere vordefinierte Kochzustände, zu erkennen.
  3. Kochgerät (10) gemäß einem der vorherigen Ansprüche, wobei der Kochzustand aus der Gruppe von Kochzuständen umfassend eine der folgenden stammt:
    - Temperaturinformation des Mediums;
    - Siedeinformation eines Fluids als Medium;
    - Verdampfungs-/Verbrennungszustand eines Fettes als Medium; und
    - Garzustand des Mediums und/oder eines Kochguts als Medium.
  4. Kochgerät (10) gemäß einem der vorherigen Ansprüche, wobei das Kochgerät (10) die Form eines Kochfelds aufweist; und/oder
    wobei das Kochgeschirr einen Topf oder eine Pfanne umfasst und/oder wobei das Medium ein Gargut (z.b. Fleisch) und/oder eine Garmedium (z.B. Kochwasser oder Fett) umfasst; und/oder
    wobei das Kochgerät (10) die Form eines Kochfelds aufweist, das mehrere Kochplatten oder Kochpositionen umfasst; wobei der Prozessor (55) ausgebildet ist, anhand des digitalen akustischen Signals oder der digitalen akustischen Signaleund/oder einer Zusatzinformation eine Kochpositionsdetektion oder eine Kochplattendetektion durchzuführen, wobei die Kochposition oder die Kochplattendetektionsinformation ein Merkmal darstellt.
  5. Kochgerät (10) gemäß einem der vorherigen Ansprüche, wobei die Mittel zur Schalldetektion (54) ausgebildet sind, auf ein jeweiliges Kochgeschirr oder Medium zugeordnet zu einer Kochposition oder Kochplatte ausgerichtet zu werden oder sich auszurichten.
  6. Kochgerät (10) gemäß einem der vorherigen Ansprüche, wobei die Mittel zur Schalldetektion (54) Mittel zur Schalldetektion (54) von Luftschall, einem Mikrofon oder Mikrofonarray und/oder Mittel zur Schalldetektion (54) von Körperschall aufweisen; und/oder
    wobei die Mittel zur Schalldetektion (54) externe Mittel zur Schalldetektion (54) umfassen, die an dem Kochgerät (10) und/oder an dem Kochgeschirr und/oder der Küchendecke im Bereich des Kochfeldes und/oder der Dunstabzugshaube angeordnet sind.
  7. Kochgerät (10) gemäß einem der vorherigen Ansprüche, wobei beim Analysieren der Prozessor (55) eine oder mehrere der folgenden Operationen durchführt:
    • A/D-Wandlung der akustischen Signale
    • Vorverarbeitung (z.B. umfassend Schritte wie Quantisierung oder Normalisierung)
    • Merkmalsextraktion, z.B. in Form einer Zeit-Frequenz-Transformation, oder Extraktion anderer vordefinierter Merkmale erfolgen;
    • Signalfilterung, insbesondere zur Störgeräuschminimierung oder Minimierung von Störgeräuschen herrührend von der Heizquelle (Induktion) (12), beispielsweise in Form eines Bandpassfilters;
    • Beamforming
  8. Kochgerät (10) gemäß einem der vorherigen Ansprüche, wobei der Prozessor (55) ausgebildet ist, mittels maschinellen Lernens und/oder einem neuronalen Netz die Analyse durchzuführen.
  9. Kochgerät (10) gemäß Anspruch 8, wobei der Prozessor (55) ausgebildet ist, mittels Trainingsdaten und/oder mittels einem aktuellen digitalen akustischen Signals das neuronale Netz und/oder den ML-Algorithmus zu trainieren.
  10. Kochgerät (10) gemäß Anspruch 9, wobei der Prozessor (55) ausgebildet ist, vor Ort trainiert zu werden, im Auslieferungszustand trainiert zu sein, vor Ort adaptiert zu werden und/oder mittels föderiertem Training trainiert zu werden.
  11. Kochgerät (10) gemäß einem der vorherigen Ansprüche, wobei der Prozessor (55) ausgebildet ist, ein aus dem digitalen akustischen Signal abgeleitetes Signal mittels Privatsphäreerweiterungsprozessierung und/oder mittels eines Sprachfilters nachzu bearbeiten.
  12. Kochgerät (10) gemäß einem der vorherigen Ansprüche, wobei der Prozessor (55) ausgebildet ist, die Analyse basierend auf weiterer externer Merkmale, insbesondere einer Anregungsfrequenz des Kochgeschirrs, einer Temperatur des Kochgeschirrs, einer Topfpositionsinformation, eines Topferkennungszustands, einer Kochgeräteinstellung, durchzuführen und/oder einer Information über das Medium (Gargut und/oder Garmedium).
  13. Kochgerät (10) gemäß einem der vorherigen Ansprüche, das eine interne Datenbank und/oder eine Schnittstelle zu einer externen Datenbank aufweist, wobei auf der internen Datenbank oder der externen Datenbank Modellgewichtungen und/oder Informationen bezüglich ein oder mehrerer Referenzmerkmale zugeordnet zu einem oder mehreren Kochzuständen gespeichert sind und wobei der Prozessor (55) ausgebildet ist, eine Analyse mittels der ein oder mehreren Referenzmerkmale durchzuführen.
  14. Kochgerät (10) gemäß einem der vorherigen Ansprüche, wobei das Kochgerät (10) eine Steuerung aufweist, die ausgebildet ist, die Heizquelle (12) in Abhängigkeit eines ermittelten Kochzustands, insbesondere eine Leistung für die Heizquelle (12) bei Erreichen eines Kochzustands, insbesondere eines Siedezustands, zu regeln.
  15. Kochzubehör zur Verwendung für ein Kochgerät (10) mit einer Heizquelle (12) zum Erhitzen eines Mediums oder eines Kochgeschirrs, mit folgenden Merkmalen:
    Mittel zur Schalldetektion (54), die ausgebildet sind, ein akustisches Signal herrührend von dem Medium oder dem Kochgeschirr zu empfangen und/oder in ein digitales akustisches Signal zu überführen;
    einem Prozessor (55), der ausgebildet ist, das digitale akustische Signal in Hinblick auf Rohdaten oder ein oder mehrere Merkmale zu analysieren und anhand der ein oder mehreren Merkmale einen Kochzustand für das Medium zu bestimmen.
  16. Verfahren zur Überwachung eines Kochgeräts (10) mit einer Heizquelle (12) zum Erhitzen eines Mediums oder eines Kochgeschirrs, mit folgenden Schritten:
    Empfangen eines akustischen Signals herrührend von dem Medium oder dem Kochgeschirr mittels Mitteln zur Schalldetektion und/oder Überführen in ein digitales akustisches Signal;
    Analysieren des digitalen Signals im Hinblick auf Rohdaten oder die ein oder mehreren Merkmale und Ermitteln eines Kochzustands anhand der ein oder mehreren Merkmale.
  17. Computerprogramm mit einem Programmcode zur Durchführung des Verfahrens nach Anspruch 16, wenn der Programmcode auf einem Prozessor (55) ausgeführt wird.
EP24153249.8A 2023-01-23 2024-01-22 Kochgerät und verfahren Pending EP4403830A1 (de)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102023200488 2023-01-23

Publications (1)

Publication Number Publication Date
EP4403830A1 true EP4403830A1 (de) 2024-07-24

Family

ID=89663553

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24153249.8A Pending EP4403830A1 (de) 2023-01-23 2024-01-22 Kochgerät und verfahren

Country Status (1)

Country Link
EP (1) EP4403830A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4650665A1 (de) * 2024-05-16 2025-11-19 BSH Hausgeräte GmbH Gargerätevorrichtung

Citations (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3693644B2 (ja) 2002-11-29 2005-09-07 東芝プラントシステム株式会社 設備の運転状態音響監視方法および設備の運転状態音響監視装置
US20060177071A1 (en) 2005-02-07 2006-08-10 Honeywell International, Inc. Method and system for detecting a predetermined sound event such as the sound of breaking glass
EP1913567A2 (de) 2004-07-23 2008-04-23 Innovalarm Corporation Verbesserte akustische überwachung und alarmantwort
CN101957083A (zh) 2010-10-02 2011-01-26 刘德鹏 多功能溢流装置
US8155326B2 (en) 2007-10-09 2012-04-10 Schweitzer Engineering Laboratories, Inc. System, method, and apparatus for using the sound signature of a device to determine its operability
EP2590473A1 (de) 2011-11-04 2013-05-08 BSH Bosch und Siemens Hausgeräte GmbH Gargerätevorrichtung
US20130179159A1 (en) 2012-01-06 2013-07-11 Qualcomm Incorporated Systems and methods for detecting overflow
JP2013225248A (ja) 2012-04-23 2013-10-31 Nec Corp 音識別システム、音識別装置、音識別方法およびプログラム
CN203799469U (zh) 2014-02-25 2014-08-27 金海重工股份有限公司 一种溢流报警装置
CN103197630B (zh) 2013-03-12 2015-11-11 李景禄 音频监控系统的自学习判据生成法
US9354207B2 (en) 2012-08-22 2016-05-31 Whirlpool Corporation Boil and boil-dry detection methods for cooking appliances using vibration sensors
CN105659629A (zh) 2013-10-23 2016-06-08 京瓷株式会社 耳模型、人工头部以及使用它们的测量系统和测量方法
EP3195694A1 (de) 2014-09-18 2017-07-26 Electrolux Appliances Aktiebolag Induktionskochfeld mit siededetektion und induktionsenergiesteuerung, verfahren zum erwärmen von speisen mit einem induktionskochfeld und computerprogrammprodukt
KR20180066294A (ko) 2016-12-07 2018-06-19 전자부품연구원 복수의 단말을 이용한 음향 모니터링 시스템 및 방법
DE102017100810A1 (de) * 2017-01-17 2018-07-19 Miele & Cie. Kg Verfahren und Vorrichtung zum Erkennen eines Siedevorgangs beim Erwärmen zumindest eines ersten Kochgefäßes und eines zweiten Kochgefäßes auf einem Kochfeld
CN207731301U (zh) 2018-01-29 2018-08-14 安徽云塔电子科技有限公司 一种智能传感器系统架构
GB2563892A (en) 2017-06-28 2019-01-02 Kraydel Ltd Sound monitoring system and method
US20190354815A1 (en) 2018-05-15 2019-11-21 Palo Alto Investors LP Homeostatic Capacity Evaluation of Artificial Intelligence Systems
CN111161727A (zh) 2019-12-25 2020-05-15 马鞍山佰兆信息科技有限公司 一种人工智能化无障碍操控系统
CN111496802A (zh) 2019-01-31 2020-08-07 中国移动通信集团终端有限公司 人工智能设备的控制方法、装置、设备及介质
US20210015292A1 (en) * 2019-07-19 2021-01-21 Lg Electronics Inc. Method and heating apparatus for estimating status of heated object
CN112362750A (zh) 2020-09-25 2021-02-12 中科巨匠人工智能技术(广州)有限公司 一种基于人工智能的声学探测系统及装置
CN212645834U (zh) 2020-06-03 2021-03-02 广州海荣实业有限公司 一种溢流监测装置
EP3785581A1 (de) * 2019-07-15 2021-03-03 LG Electronics Inc. -1- Auf künstlicher intelligenz basierende kochvorrichtung
GB2588036A (en) 2017-06-28 2021-04-14 Kraydel Ltd Sound monitoring system and method
CN112804600A (zh) 2019-11-14 2021-05-14 陈恺琳 一种基于ai人工智能的音响及其系统
US20210232670A1 (en) 2018-05-10 2021-07-29 Llsollu Co., Ltd. Artificial intelligence service method and device therefor
KR102288182B1 (ko) * 2020-03-12 2021-08-11 한국과학기술원 음성 사생활 보호 방법, 음성 사생활 보호 장치 및 이를 이용한 모바일 단말
CN214011777U (zh) 2021-01-29 2021-08-20 武汉科技大学 一种人工智能试验系统
CN216221393U (zh) 2021-11-01 2022-04-08 广东懒博士智能科技有限公司 一种水溢流检测装置
CN114484516A (zh) * 2022-03-15 2022-05-13 海信家电集团股份有限公司 一种灶具及温度预测方法
CN217090649U (zh) 2021-11-18 2022-08-02 广东懒博士智能科技有限公司 一种洗碗机

Patent Citations (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3693644B2 (ja) 2002-11-29 2005-09-07 東芝プラントシステム株式会社 設備の運転状態音響監視方法および設備の運転状態音響監視装置
EP1913567A2 (de) 2004-07-23 2008-04-23 Innovalarm Corporation Verbesserte akustische überwachung und alarmantwort
US20060177071A1 (en) 2005-02-07 2006-08-10 Honeywell International, Inc. Method and system for detecting a predetermined sound event such as the sound of breaking glass
US8155326B2 (en) 2007-10-09 2012-04-10 Schweitzer Engineering Laboratories, Inc. System, method, and apparatus for using the sound signature of a device to determine its operability
CN101957083A (zh) 2010-10-02 2011-01-26 刘德鹏 多功能溢流装置
EP2590473A1 (de) 2011-11-04 2013-05-08 BSH Bosch und Siemens Hausgeräte GmbH Gargerätevorrichtung
US20130179159A1 (en) 2012-01-06 2013-07-11 Qualcomm Incorporated Systems and methods for detecting overflow
JP2013225248A (ja) 2012-04-23 2013-10-31 Nec Corp 音識別システム、音識別装置、音識別方法およびプログラム
US9354207B2 (en) 2012-08-22 2016-05-31 Whirlpool Corporation Boil and boil-dry detection methods for cooking appliances using vibration sensors
CN103197630B (zh) 2013-03-12 2015-11-11 李景禄 音频监控系统的自学习判据生成法
CN105659629A (zh) 2013-10-23 2016-06-08 京瓷株式会社 耳模型、人工头部以及使用它们的测量系统和测量方法
CN203799469U (zh) 2014-02-25 2014-08-27 金海重工股份有限公司 一种溢流报警装置
EP3195694A1 (de) 2014-09-18 2017-07-26 Electrolux Appliances Aktiebolag Induktionskochfeld mit siededetektion und induktionsenergiesteuerung, verfahren zum erwärmen von speisen mit einem induktionskochfeld und computerprogrammprodukt
KR20180066294A (ko) 2016-12-07 2018-06-19 전자부품연구원 복수의 단말을 이용한 음향 모니터링 시스템 및 방법
DE102017100810A1 (de) * 2017-01-17 2018-07-19 Miele & Cie. Kg Verfahren und Vorrichtung zum Erkennen eines Siedevorgangs beim Erwärmen zumindest eines ersten Kochgefäßes und eines zweiten Kochgefäßes auf einem Kochfeld
GB2563892A (en) 2017-06-28 2019-01-02 Kraydel Ltd Sound monitoring system and method
GB2588036A (en) 2017-06-28 2021-04-14 Kraydel Ltd Sound monitoring system and method
CN207731301U (zh) 2018-01-29 2018-08-14 安徽云塔电子科技有限公司 一种智能传感器系统架构
US20210232670A1 (en) 2018-05-10 2021-07-29 Llsollu Co., Ltd. Artificial intelligence service method and device therefor
US20190354815A1 (en) 2018-05-15 2019-11-21 Palo Alto Investors LP Homeostatic Capacity Evaluation of Artificial Intelligence Systems
CN111496802A (zh) 2019-01-31 2020-08-07 中国移动通信集团终端有限公司 人工智能设备的控制方法、装置、设备及介质
EP3785581A1 (de) * 2019-07-15 2021-03-03 LG Electronics Inc. -1- Auf künstlicher intelligenz basierende kochvorrichtung
US20210015292A1 (en) * 2019-07-19 2021-01-21 Lg Electronics Inc. Method and heating apparatus for estimating status of heated object
CN112804600A (zh) 2019-11-14 2021-05-14 陈恺琳 一种基于ai人工智能的音响及其系统
CN111161727A (zh) 2019-12-25 2020-05-15 马鞍山佰兆信息科技有限公司 一种人工智能化无障碍操控系统
KR102288182B1 (ko) * 2020-03-12 2021-08-11 한국과학기술원 음성 사생활 보호 방법, 음성 사생활 보호 장치 및 이를 이용한 모바일 단말
CN212645834U (zh) 2020-06-03 2021-03-02 广州海荣实业有限公司 一种溢流监测装置
CN112362750A (zh) 2020-09-25 2021-02-12 中科巨匠人工智能技术(广州)有限公司 一种基于人工智能的声学探测系统及装置
CN214011777U (zh) 2021-01-29 2021-08-20 武汉科技大学 一种人工智能试验系统
CN216221393U (zh) 2021-11-01 2022-04-08 广东懒博士智能科技有限公司 一种水溢流检测装置
CN217090649U (zh) 2021-11-18 2022-08-02 广东懒博士智能科技有限公司 一种洗碗机
CN114484516A (zh) * 2022-03-15 2022-05-13 海信家电集团股份有限公司 一种灶具及温度预测方法

Non-Patent Citations (44)

* Cited by examiner, † Cited by third party
Title
"Alles Wissenswerte über Kochfelder", KÜCHEN STAUDE ONLINE MAGAZIN, 19 September 2023 (2023-09-19), Retrieved from the Internet <URL:https://www.kuechen-staude.de/magazin/highlights/kochfelder-a-z/>
"Analysis Report By Product (Builtin, Free-standing), By Application (Household, Commercial), By Distribution Channel (Online, Specialty Stores), And Segment Forecasts, 2021 2028", GRAND VIEW RESEARCH, REPORT OVERVIEW, 2019, Retrieved from the Internet <URL:https://www.grandviewresearch.com/industry-analysis/induction-cooktops-market>
"Deutschland Haushalte und Haushaltsmitglieder (2022", STATISTISCHES BUNDESAMT (DESTATIS, Retrieved from the Internet <URL:https://www.destatis.de/DE/Themen/GeselIschaft-Umwelt/Bevoelkerung/Haushalte-Familien/Tabellen/1-1-privathaushalte-haushaltsmitglieder.html>
"Die 5 häufigsten Brandursachen", BRANDSCHUTZ ZENTRALE, May 2022 (2022-05-01), Retrieved from the Internet <URL:https://brandschutz-zentrale.de/brandschutz/einsatz/die-5-haeufigsten-brandursachen>
"Europa Bevölkerung 2022", STATISTISCHES BUNDESAMT (DESTATIS, March 2023 (2023-03-01), Retrieved from the Internet <URL:https://www.destatis.de/Europa/DE/Thema/Basistabelle/Bevoelkerung.html>
"Fast 6 Millionen ältere Menschen leben allein", STATISTISCHES BUNDESAMT (DESTATIS, September 2021 (2021-09-01), Retrieved from the Internet <URL:https://www.destatis.de/DE/Presse/Pressemitteilungen/2021/09/PD21_N057_12411.html>
"Geräusch", WIKIPEDIA, 30 May 2023 (2023-05-30), Retrieved from the Internet <URL:https://de.wikipedia.org/wiki/Geräusch>
"GERMANY KITCHEN APPLIANCES MARKET SIZE & SHARE ANALYSIS GROWTH TRENDS & FORECASTS (2023 2028", MORDOR INTELLIGENCE, REPORT OVERVIEW, 2022, Retrieved from the Internet <URL:https://www.mordorintelligence.com/industry-reports/germany-kitchen-appliancesproducts-market-industry>
"Hochwertige Audiosignalerfassung", TREND-GUIDE SENSORIK, 15 December 2023 (2023-12-15), Retrieved from the Internet <URL:https://www.infineon.com/dgdl/lnfineon-Xe-nsiv%20MEMS%20Mikrofone_MarktundTechnik-ART-v01_00-DE.pdf?fileld=5546d46264fee02f01650e895f1b4854#:-:text=MEMS%2DMikrofone%20bieten%20gegenüber%20her,mehreren%20Mikrofonen%20aufeinander%20abge%2D%20stimmt.>
"Kurzzeit-Fourier-Transformation", WIKIPEDIA, 21 November 2023 (2023-11-21), Retrieved from the Internet <URL:https://de.wikipedia.org/wiki/Kurzzeit-Fourier-Transformation>
"MP3-Entwickler kommen in Ruhmeshalle", STERN, March 2007 (2007-03-01), Retrieved from the Internet <URL:https://www.stern.de/digital/computer/-ce-hall-of-fame--mp3-entwickler-kommen-in-ruhmeshalle-3356668.html>
"Smart Kitchen Appliance Market Forecast to 2028 COVID-19 Impact and Global Analysis By Product (Ovens, Refrigerators, Sous Vide, Juicers & Blenders, Cooker & Cooking Robots, Cooktops, & Integrated Ovens & Cooktops, Others), by End User, and Connectivity", RESEARCH AND MARKETS, REPORT OVERVIEW, 2021, Retrieved from the Internet <URL:https://www.researchandmarkets.com/reports/4787380/smart-kitchen-appliance-market-forecast-to?utmsource=GNOM&utm_medium=PressRelease&utm_code=qr738s&utm_campaign=1693860+-+Smart+Kitchen+Appliance+Global+Market+Forecast%3a+An+E-sti>
"Smart Kitchen Appliances Market Size, Share & Trends Analysis Report By Product (Smart Refrigerators, Smart Cookware & Cooktops, Smart Dishwashers, Smart Oven, Others), By Application, By Region, And Segment Forecasts, 2023 2030", GRAND VIEW RESEARCH, REPORT OVERVIEW, 20 September 2023 (2023-09-20), Retrieved from the Internet <URL:https://www.grandviewresearch.com/industry-ana!y-sis/smart-kitchen-appliances-market>
"Spektrogramm", WIKIPEDIA, 28 July 2023 (2023-07-28), Retrieved from the Internet <URL:https://de.wikipedia.org/wiki/Spektrogramm>
"Windenergie Wieviel Strom produziert ein Windrad ?", BLUEDRIFT WISSEN UND INFOS, 12 September 2023 (2023-09-12), Retrieved from the Internet <URL:https://www.bluedrift.at/index.php/wissen-und-infos/windkraft>
A.-S. TURULSKI: "Weltbevölkerung nach Kontinenten Mitte des Jahres 2022", STATISTA, May 2023 (2023-05-01), Retrieved from the Internet <URL:https://de.statista.com/statistik/daten/studie/1723/umfrage/weltbevoelkerung-nach-kontinenten>
B. URMERSBACH: "Europäische Union & Euro-Zone: Anzahl der Privathaushalte von 2012 bis 2022", STATISTA, July 2023 (2023-07-01), Retrieved from the Internet <URL:https://de.statista.com/statistik/daten/studie/349055/umfrage/privathaushalte-in-eu-und-euro-zone/#:-:text=1m%20Jahr%202021%20gab%20es,es%20rund%20153%2e4%20Millionen>
C. NUGTEREN, TINYML TALKS: DEMOING THE WORLD'S FASTEST INFERENCE ENGINE FOR ARM CORTEX-M (AB SEKUNDE 822, 6 January 2022 (2022-01-06), Retrieved from the Internet <URL:https://www.youtube.com/watch?v=ComEgcN7KfY&t=822s>
C. WAN, HOW WE CAN ENABLE INTELLIGENCE ON ENDPOINTS, 12 December 2023 (2023-12-12), Retrieved from the Internet <URL:https://ambiq.com/blog/how-we-canenable-intelligence-on-endpoints>
DIPL.-ING. SASCHA GROLLMISCH, 22 November 2023 (2023-11-22), Retrieved from the Internet <URL:https://www.idmt.fraunhofer.de/en/institute/doctorands/grollmisch.html#2>
F NUGROHOA B PANTJAWATI: "Automation and Monitoring Smart Kitchen Based on Internet of Things (loT", IOP CONFERENCE SERIES: MATERIALS SCIENCE AND ENGINEERING, VOLUME 384, INTERNATIONAL SYMPOSIUM ON MATERIALS AND ELECTRICAL ENGINEERING (ISMEE) 2017, BANDUNG, INDONESIA
G. DR. MED. BETZH. DR. MED. RENZ-POLSTERA. DR. MED. SCHÄFFLER: "Sinnesorgane und Körperwahrnehmung im Alte", GESUNDH. HEUTE, 18 October 2023 (2023-10-18), Retrieved from the Internet <URL:https://www.apotheken.de/krankheiten/hintergrundwissen/10299-sinnesorgane-und-koerperwahrnehmung-im-alter>
GARMETHODEN - KOCHEN, DÄMPFEN, DÜNSTEN & CO, 13 November 2023 (2023-11-13)
H. PUDUGOSULA: "Automatic Smart and Safety Monitoring System for Kitchen Using Internet of Things", 2019 INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING AND CONTROL SYSTEMS (ICCS), MADURAI, INDIA, 2019, pages 1174 - 1177, XP033755502, DOI: 10.1109/ICCS45141.2019.9065663
H.-H. DREWS, EDER FÜNFTE BRAND IM HAUSHALT ENTSTEHT AM HERD! URSACHE: DER MENSCH, 2017, Retrieved from the Internet <URL:https://www.schadenprisma.de/wp-content/uploads/sp_2017_4_2.pdf>
HASSAN, CHANWAR ULJAWAID IQBALMUHAMMAD SUFYAN KHANSADDAM HUSSAINADNAN AKHUNZADAMUDABBIR ALIABDULLAH GANIMUEEN UDDINSYED SAJID ULLA: "Design and Implementation of Real-Time Kitchen Monitoring and Automation System Based on Internet of Things", ENERGIES, vol. 15, no. 18, 2022, pages 6778, Retrieved from the Internet <URL:https://doi.org/10.3390/en15186778>
HSU, WEI-LINGJI-YUN JHUANGCHIEN-SHIUN HUANGCHIU-KUO LIANGYAN-CHYUAN SHIAU: "Application of Internet of Things in a Kitchen Fire Prevention System", APPLIED SCIENCES, vol. 9, no. 17, 2019, pages 3520, Retrieved from the Internet <URL:https://doi.org/10.3390/app9173520>
K. NIGHANIA: "Various ways to evaluate a machine learning model's performance", TOWARDS DATA SCIENCE, 15 December 2023 (2023-12-15), Retrieved from the Internet <URL:https://towardsdatascience.com/various-ways-to-evaluate-a-machine-learning-models-performance-230449055f15>
KL-BASIERTES AKUSTISCHES MONITORING IN DER PRODUKTION, 15 December 2023 (2023-12-15), Retrieved from the Internet <URL:https://www.idmt.fraunhofer.de/de/busi-ness_units/industrial-sound-analysis.html>
L. FERNÄNDEZ: "„Weighted average cost for installed onshore wind energy worldwide from 2010 to 2021", STATISTA, STATISTIK, February 2023 (2023-02-01), Retrieved from the Internet <URL:https://www.statista.com/statistics/506774/weightedaverage-installed-cost-for-onshore-wind-power-worldwide/>
L. MONIGATTI: "Audio Classification with Deep Learning in Python", TOWARDS DATA SCIENCE, 10 May 2023 (2023-05-10), Retrieved from the Internet <URL:https://towardsda-tascience.com/audio-classification-with-deep-learning-in-python-cf752b22ba07>
LÄNDERDATEN: "Energiehaushalt in Deutschland", LÄNDERDATEN, 2021, Retrieved from the Internet <URL:https://www.laenderdaten.info/Europa/Deutschland/energiehaushalt.php>
M. SAHANIA. NAYAKR. AGRAWALD. SAHU: "A GSM, WSN and embedded web server architecture for Internet based kitchen monitoring system", 2015 INTERNATIONAL CONFERENCE ON CIRCUITS, POWER AND COMPUTING TECHNOLOGIES [ICCPCT-2015], NAGERCOIL, INDIA, 2015, pages 1 - 6, XP033175858, DOI: 10.1109/ICCPCT.2015.7159480
PATENT-ANMELDUNGEN: TU ILMENAU BUNDESWEIT UNTER DEN ERSTEN ZEHN, 18 October 2023 (2023-10-18), Retrieved from the Internet <URL:https://www.mdr.de/nachrichten/thueringen/sued-thueringen/ilmenau-ilmkreis/tu-ilmenau-innovativ-patentiw-studie-100.html>
R. BOCKSCH, ES WERDE LICHT (ELEKTRIZITÄT, May 2023 (2023-05-01), Retrieved from the Internet <URL:https://de.statista.com/infografik/21802/anteilder-bevoelkerung-mit-zugang-zu-elektrizitaet>
R. MUSCHTER: "Durchschnittliche Größe der Haushalte in China in den Jahren 1990 bis 2021", STATISTA, March 2023 (2023-03-01), Retrieved from the Internet <URL:https://de.statista.com/statistik/daten/studie/220587/umfrage/durchschnittliche-groesse-der-haushalte-in-china/#:~:text=Durchschnittliche%20Größe%20der%20Haushalte%20in%20China%20bis%202021&text=lm%20Jahr%202021%20hat%20die,den%20Jahren%201990%20bis%202021>
S. AHRENS: "Pro-Kopf-Verbrauch von Nudeln in Deutschland bis 2021/22", STATISTA, 26 September 2023 (2023-09-26), Retrieved from the Internet <URL:https://de.statista.com/statistik/daten/studie/156453/umfrage/pro-kopf-verbrauchvon-nudeln-in-deutschland-seit-1996>
S. JAUSS: "Grundlagen der Signalverarbeitung und Audio-Features für Machine Learning", KL IM AUDIOBEREICH, 15 December 2023 (2023-12-15), Retrieved from the Internet <URL:https://ai.hdm-stuttgart.de/news/2023/ki-im-audiobereich-grundlagen-signalverarbeitung-ml>
STATISTA: "Cooking appliances and equipment (INDUSTRIES & MARKTS", STATISTA, STATISTIC REPORT DID-23654, 1 November 2022 (2022-11-01), Retrieved from the Internet <URL:https://www.statista.com/study/23654/cooking-appliances-andequipment-statista-dossier>
TINYML SUMMIT 2021 PROCEEDINGS, 22 March 2021 (2021-03-22), Retrieved from the Internet <URL:https://cms.tinyml.org/wp-content/uploads/summit2021/ti-nyMLSummit2021d1Awards_Syntiant.pdf>
UMAPATHI, N.SABBANI, S: "Futuristic Communication and Network Technologies. VICFCNT 2020. Lecture Notes in Electrical Engineering", vol. 792, 2022, SPRINGER, article "An Internet of Things (loT)-based Approach for RealTime Kitchen Monitoring Using NodeMCU 1.0"
UNITED NATIONS: "Household size and composition around the world", 2017, UNITED NATIONS DEPARTMENT OF ECONOMIC AND SOCIAL AFFAIRS
WIE KOCHEN DIE DEUTSCHEN?, 2015, Retrieved from the Internet <URL:https://aus-meinem-kochtopf.de/wie-kochen-die-deutschen/>
ZARIC, NIKOLAMILUTIN RADONJICNIKOLA PAVLICEVICSANJA PAUNOVIC ZARIC: "Design of a Kitchen-Monitoring and Decision-Making System to Support AAL Applications", SENSORS, vol. 21, no. 13, 2021, pages 4449, Retrieved from the Internet <URL:https://doi.org/10.3390/s21134449>

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4650665A1 (de) * 2024-05-16 2025-11-19 BSH Hausgeräte GmbH Gargerätevorrichtung

Similar Documents

Publication Publication Date Title
CN104595949B (zh) 实现美食分享的家用智能烹饪系统
CN106037448B (zh) 烹饪控制方法、设备及烹饪装置
CN109683516B (zh) 辅助烹饪方法、家电设备及计算机存储介质
CN104914898B (zh) 一种数字菜谱的生成方法及系统
DE102018111685A1 (de) Verfahren zum Zuordnen einer Nutzereingabe zu einem Gerät
DE102019134874A1 (de) Verfahren zur Bedienung eines Geräts durch einen Benutzer mittels einer Sprachsteuerung
CN104524681B (zh) 一种基于精确力量控制和触觉反馈及难度自适应的注意力训练方法
CN104898445B (zh) 一种信息处理方法及智能家居设备
CN107341333A (zh) 一种辅助心理咨询的vr设备和方法
CN104106973A (zh) 一种智能菜谱
JP7503292B2 (ja) レシピ情報作成支援システム、情報処理装置、レンジフード、および方法
JP6543125B2 (ja) 制御方法及び冷蔵庫
KR20180015770A (ko) 바이올로지 및 환경 포착 센서들로 능력들을 자동으로 구성하기 위한 스마트 착용형 디바이스들 및 방법들
DE102017111356A1 (de) Verfahren und Vorrichtung zum Steuern eines Kochfelds, Kochfeld mit einer Vorrichtung und Kochfeld und/oder Garbehälter mit einer Sensoreinrichtung
WO2018066190A1 (ja) 情報処理装置、情報処理方法、およびプログラム
US11707596B2 (en) Method and system to deliver timed and grouped sensory stimulation
CN117812770A (zh) 一种智能电磁炉烹饪方法、系统、电子设备及介质
CN107644640A (zh) 一种信息处理方法及家电设备
DE102018118486A1 (de) Verfahren zum Erzeugen eines Garprogramms sowie Gargerät
DE102020208345A1 (de) Sicheres Fernsteuern eines Hausgeräts per Sprache
CN208957616U (zh) 烹饪器具及其控制系统、服务器
WO2016206889A1 (de) Steuereinheit und verfahren zur ermittlung eines rezeptes
CN105182772A (zh) 基于无线传感器的家庭智能服务方法
EP1882886A2 (de) Verfahren zum Betreiben eines elektrischen Haushaltsgeräts und elektrisches Haushaltsgerät
CN113589697A (zh) 用于家电设备的控制方法及装置、智能家电

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

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

Free format text: STATUS: THE APPLICATION HAS BEEN PUBLISHED

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 ME MK MT NL NO PL PT RO RS SE SI SK SM TR

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: 20250124

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: 20250807