JP2855902B2

JP2855902B2 - 調理器具

Info

Publication number: JP2855902B2
Application number: JP21987191A
Authority: JP
Inventors: 一成西井; 茂樹植田; 賢治渡辺; 基孫中
Original assignee: Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Holdings Corp
Priority date: 1991-08-30
Filing date: 1991-08-30
Publication date: 1999-02-10
Anticipated expiration: 2014-02-10
Also published as: JPH0556864A

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、電子レンジ、ガスオー
ブン、ロースターなどにおいて自動調理を行なう調理器
具に関する。

【０００２】

【従来の技術】従来、この種の調理器具、たとえば電気
ロースターは図１１に示すように構成されていた。以
下、その構成について説明する。

【０００３】図に示すように、加熱室１は調理物を入れ
て調理するもので、調理物を加熱する加熱供給手段（ヒ
ータ）２を設け、内部温度を検出するサーミスタなどか
らなる温度検出手段３を設けている。制御手段４は温度
検出手段３からの情報で加熱供給手段２を制御するもの
である。このような構成で自動調理するために、調理物
の重量、初期温度などを知る必要がある。そのために電
源投入時から数分間の温度検出手段３の出力電圧勾配を
測定し、勾配が急であれば調理物の重量が軽く、勾配が
緩やかであれば重量が重いと判断し、その電圧勾配にあ
る定数Ｋを乗じた時間を最適調理時間としていた。温度
検出手段３の出力電圧特性を図１２に示している。図１
２（ａ）は重量が軽いもの、図１２（ｂ）は重量が重い
ものである。そして非常に多くの調理実験をしその定数
を決定していた。

【０００４】

【発明が解決しようとする課題】このような従来の調理
器具（ここでは、ロースター）では、加熱室１内の雰囲
気温度の勾配を検出して、それをもとに調理物（たとえ
ば、魚焼き）の重量を判断し調理時間を決定していたた
め、調理の出来上りにかなりのばらつきがあった。たと
えば、加熱室１内の初期温度が常に低いとは限らず、調
理を終えた後ですぐに調理をした場合には、加熱室１内
の初期温度は非常に高いものとなる。この場合、重量の
重い調理物を調理した場合、温度検出手段３の出力電圧
特性は図１３のようになり、加熱室１内の温度は一瞬低
下する。これは、調理を開始しても加熱室１内の温度が
高いために、調理物に加熱室１内の熱が吸収されるため
である。このような場合、前記した方法では最適調理時
間を決定するのは困難であった。また、加熱供給手段２
はヒータであるので、商用電源電圧の変動により調理の
出来上りにかなりの影響を与える。つまり、調理を開始
するときの環境（調理物の種類、加熱室１の初期温度、
調理物の初期温度、電源電圧など）により、調理の出来
上りがかなりばらつくという問題を有していた。さら
に、魚などの焼きばえという点に関しては、表面の焼き
上がり状態も重要であるが、魚内部の温度上昇も６０〜
７０℃が最もよいとされている。この点を考慮して、表
面の焼け具合いと内部の温度上昇の面から調理の出来上
りを検出するのは非常に困難であるという課題を有して
いた。

【０００５】本発明は上記課題を解決するもので、調理
物の温度を現実に計測・検出できる加熱室内の環境物理
量で実時間で推定するとともに、調理の進行により調理
物から出る煙量を検出して調理物の出来上りを間接的に
検出し、調理の出来上り状態をよくすることを目的とし
ている。

【０００６】

【課題を解決するための手段】本発明は上記目的を達成
するために、調理するために調理物を格納する加熱室
と、前記調理物を加熱する加熱供給手段と、前記加熱室
内の煙量を検出する煙量検出手段と、前記加熱室内の雰
囲気温度を検出する雰囲気温度検出手段と、前記雰囲気
温度検出手段の出力に基づき前記調理物の表面温度、中
心温度、裏面温度の内、少なくともいずれか１つを推定
する温度推定手段と、前記煙量検出手段の出力と前記温
度推定手段の出力に基づき前記加熱供給手段を制御する
制御手段とを備え、温度推定手段は、複数の神経素子よ
り構成される神経回路網を模した手法により獲得された
調理物の温度を推定する固定された神経回路網の複数の
結合重み係数を内部に持つ階層型の神経回路網模式手段
を備えたことを課題解決手段としている。

【０００７】

【作用】本発明は上記した課題解決手段により、雰囲気
温度検出手段からの加熱室内の雰囲気温度情報を温度推
定手段に入力することにより、実際に調理される実調理
環境をすべて学習し、内部に固定された結合重み係数と
して持つ神経回路網模式手段を有する温度推定手段は、
調理物の表面温度、中心温度、裏面温度の内、少なくと
もいずれか１つを時々刻々推定していく。また、煙量検
出手段は調理の進行にともない、調理物から出る実際の
煙の量を検出する。制御手段は、実際の煙の量と間接的
に温度を検出する温度推定手段の出力に基づき加熱供給
手段（電気ロースターではヒータ）を制御し、調理の最
適な出来上りを認識できる。

【０００８】

【実施例】以下、本発明の一実施例を電気ロースターに
ついて図１および図２を参照しながら説明する。なお、
従来例と同じ構成のものは同一符号を付して説明を省略
する。

【０００９】図に示すように、煙量検出手段５は、加熱
室１内の調理の進行にともない発生する煙の量を検出す
るもので、赤外線発光ダイオード６とホトトランジスタ
７とで構成している。雰囲気温度検出手段８は加熱室１
内の雰囲気温度を検出するもので、本実施例では、サー
ミスタなどで構成している。電圧レベル検出手段９は商
用電源電圧の電圧レベルを検出するものである。計時手
段１０は電源投入時よりの時間をカウントする。操作手
段１１は調理物のカテゴリーを選択するカテゴリー選択
キー１２と調理開始・停止を行なう調理キー１３とで構
成している。温度推定手段１４は、雰囲気温度検出手段
８、電圧レベル検出手段９、計時手段１０およびカテゴ
リー選択キー１２の出力に基づき調理物の表面温度、中
心温度、裏面温度を推定するものであり、制御手段１５
は、煙量検出手段５の出力と温度推定手段１４の出力に
基づき加熱供給手段２を制御する。加熱手段２はヒータ
で構成し、加熱室１に配設している。表示手段１６は蛍
光表示管よりなり、調理の残り時間などを表示する。ま
た、Ａ／Ｄ変換手段１７、１８はそれぞれ雰囲気温度検
出手段８および電圧レベル検出手段９の出力をディジタ
ル量に変換するものである。操作手段１１と表示手段１
６は図２のように構成している。

【００１０】温度推定手段１４を構成する手段は、従来
の制御手法に用いられている解決的な方法が適用できな
いため、多次元情報処理手法として最適な神経回路網を
模した方法で構成している。神経回路網を模した手法に
おいては、調理物の温度（表面温度、中心温度、裏面温
度）を推定する神経回路網の複数の結合重み係数を固定
されたテーブルとして用いる方法と、学習機能を残し環
境と使用者に適応できるようにする方法とがある。本実
施例は、神経回路網を模した手法によって獲得された調
理物の温度を推定する固定された結合重み係数を内部に
もつ神経回路網模式手段を有する温度推定手段１４を設
けている。

【００１１】調理物の出来上りに影響を与える要因とし
ては、加熱室内の初期温度、調理物の初期温度、調理物
の種類（カテゴリー）、商用電源の電圧レベルなどがあ
る。それらの要因によって調理物の出来上りは大きく変
動する。

【００１２】調理物の温度を推定する神経回路網におい
て固定された結合重み係数は、実際に調理するときの環
境（前記した要因のいろいろ組み合わせた環境）におい
て調理した場合、調理物の表面温度、中心温度、裏面温
度と加熱室内の雰囲気温度がどのように変化するかとい
うデータを収集し、環境データと加熱室内の雰囲気温度
データと調理物の温度（表面、中心、裏面）データとの
相関を神経回路網模式手段に学習させることによって得
ることができる。用いるべき神経回路網模式手段として
は、文献１（Ｄ．Ｅ．ラメルハート他２名著、甘利俊一
監訳「ＰＤＰモデル」１９８９年）、文献２（中野馨他
７名著「ニューロコンピュータの基礎」（株）コロナ社
刊、Ｐ１０２、１９９０年）、特公昭６３−５５１０６
号公報などに示されたものがある。以下、文献１に記載
された最もよく知られた学習アルゴリズムとして誤差逆
伝搬法を用いた多層パーセプトロンを例にとり、具体的
な神経回路網模式手段の構成および動作について説明す
る。

【００１３】図３は、神経回路網模式手段の構成単位と
なる神経素子の概念図である。図３において、２１〜２
Ｎは神経のシナプス結合を模擬する疑似シナプス結合変
換器であり、２ａは疑似シナプス結合変換器２１〜２Ｎ
からの出力を加算する加算器であり、２ｂは設定された
非線形関数、たとえば、しきい値をｈとするシグモイド
関数、ｆ（ｙ，ｈ）＝１／（１＋ｅｘｐ（−ｙ＋ｈ））（式１）によって加算器２ａの出力を非線形変換する非線形変換
器である。なお、図面が煩雑になるので省略したが、修
正手段からの修正信号を受ける入力線が疑似シナプス結
合変換器２１〜２Ｎと非線形変換器２ｂにつながってい
る。また、疑似シナプス結合変換器２１〜２Ｎが神経回
路網模式手段の結合重み係数となる。この神経素子に
は、信号処理モードと学習モードの２つの種類の動作モ
ードがある。

【００１４】以下、図３に基づいて神経素子のそれぞれ
のモードの動作について説明する。まず、信号処理モー
ドの動作の説明をする。神経素子はＮ個の入力Ｘ１〜Ｘ
ｎを受けて１つの出力を出す。ｉ番面の入力信号Ｘｉ
は、四角で示されたｉ番目の疑似シナプス結合変換器２
ｉにおいてＷｉ・Ｘｉに変換される。疑似シナプス結合
変換器２１〜２Ｎで変換されたＮ個の信号Ｗ１・Ｘ１〜
Ｗｎ・Ｘｎは加算器２ａに入り、加算結果ｙが非線形変
換器２ｂに送られ、最終出力ｆ（ｙ，ｈ）となる。つぎ
に、学習モードの動作について説明する。学習モードで
は、疑似シナプス結合変換器２１〜２Ｎと非線形変換器
２ｂの変換パラメータＷ１〜Ｗｎとｈを、修正手段から
の変換パラメータの修正量△Ｗ１〜△Ｗｎと△ｈを表す
修正信号を受けて、Ｗｉ＋ΔＷｉ；ｉ＝１，２，・・，Ｎｈ＋Δｈ（式２）と修正する。

【００１５】図４は上記神経素子を４つ並列につないで
構成した信号変換手段の概念図である。いうまでもな
く、以下の説明は、この信号変換手段を構成する神経素
子の個数を４個に特定するものではない。図４におい
て、２１１〜２４４は疑似シナプス結合変換器であり、
２０１〜２０４は、図３で説明した加算器２ａと非線形
変換器２ｂをまとめた加算非線形変換器である。図４に
おいて、図３と同様に図面が煩雑になるので省略した
が、修正手段からの修正信号を受ける入力線が疑似シナ
プス結合変換器２１１〜２４４と加算非線形変換器２０
１〜２０４につながっている。疑似シナプス結合変換器
２１１〜２４４も結合重み係数となる。この信号変換手
段の動作については、図３で説明した神経素子の動作が
並列してなされるものである。

【００１６】図５は、学習アルゴリズムとして誤差逆伝
搬法を採用した場合の信号処理手段の構成を示したブロ
ック図で、３１は上述の信号変換手段である。ただし、
ここではＮ個の入力を受ける神経素子がＭ個並列に並べ
られたものである。３２は学習モードにおける信号変換
手段３１の修正量を算出する修正手段である。以下、図
５に基づいて信号処理手段の学習を行う場合の動作につ
いて説明する。信号変換手段３１はＮ個の入力Ｓ
_in（Ｘ）を受け、Ｍ個の出力Ｓ_out（Ｘ）を出力する。
修正手段３２は、入力信号Ｓ_in（Ｘ）と出力信号Ｓ_out
（Ｘ）とを受け、誤差計算手段または後段の信号変換手
段からのＭ個の誤差信号δ_i（Ｘ）の入力があるまで待
機する。誤差信号δ_i（Ｘ）が入力され修正量を ΔＷ_ij＝δ_i（Ｘ）・Ｓ_iout（Ｘ）・（１−Ｓ_iout（Ｘ））・Ｓ_jin（Ｘ）（ｉ＝１〜Ｎ，ｊ＝１−Ｍ）（式３）と計算し、修正信号を信号変換手段３１に送る。信号変
換手段３１は、内部の神経素子の変換パラメータを上で
説明した学習モードにしたがって修正する。

【００１７】図６は、神経回路網膜式手段を用いた多層
パーセプトロンの構成を示すブロック図であり、３１
Ｘ、３１Ｙ、３１ＺはそれぞれＫ個、Ｌ個、Ｍ個の神経
素子からなる信号変換手段であり、３２Ｘ、３２Ｙ、３
２Ｚは修正手段であり、３３は誤差計算手段である。以
上のように構成された多層パーセプトロンについて、図
６を参照しながらその動作を説明する。信号処理手段３
４Ｘにおいて、信号変換手段３１Ｘは、入力Ｓ
_iin（Ｘ）（ｉ＝１〜Ｎ）を受け、出力Ｓ_jout（Ｘ）
（ｊ＝１〜Ｋ）を出力する。修正手段３２Ｘは、信号Ｓ
_iin（Ｘ）と信号Ｓ_jout（Ｘ）を受け、誤差信号δ
_j（Ｘ）（ｊ＝１〜Ｋ）が入力されるまで待機する。以
下同様の処理が、信号処理手段３４Ｙ、３４Ｚにおいて
行われ、信号変換手段３１Ｚより最終出力Ｓ_hout（Ｚ）
（ｈ＝１〜Ｍ）が出力される。最終出力Ｓ_hout（Ｚ）
は、誤差計算手段３３にも送られる。誤差計算手段３３
においては、２乗誤差の評価関数ＣＯＳＴ（式４）に基
づいて理想的な出力Ｔ（Ｔ１，・・・・・，ＴM ）との
誤差が計算され、誤差信号δ_h（Ｚ）が修正手段３２Ｚ
に送られる。

【００１８】

【数１】

【００１９】ただし、ηは多層パーセプトロンの学習速
度を定めるパラメータである。つぎに、評価関数を２乗
誤差とした場合には誤差信号は、 δｈ（Ｚ）＝−η・（Ｓ_hout（Ｚ）−Ｔ_h）（式５）となる。修正手段３２Ｚは、上で説明した手続きにした
がって、信号変換手段３１Ｚの変換パラメータの修正量
ΔＷ（Ｚ）を計算し、修正手段３２Ｙに送る誤差信号を
（式６）に基づき計算し、修正信号ΔＷ（Ｚ）を信号変
換手段３１Ｚに送り、誤差信号δ（Ｙ）を修正手段３２
Ｙに送る。信号変換手段３１Ｚは、修正信号ΔＷ（Ｚ）
に基づいて内部のパラメータを修正する。なお、誤差信
号δ（Ｙ）は（式６）で与えられる。

【００２０】

【数２】

【００２１】ここで、Ｗ_ij（Ｚ）は信号変換手段３１Ｚ
の疑似シナプス結合変換器の変換パラメータである。以
下、同様の処理が信号処理手段３４Ｘ、３４Ｙにおいて
行われる。学習と呼ばれる以下の手続きを繰り返し行う
ことにより、多層パーセプトロンは入力が与えられると
理想出力Ｔをよく近似する出力を出すようになる。な
お、上記の説明においては、３段の多層パーセプトロン
を用いたが、これは何段であってもよい。また、文献１
にある信号変換手段のなかの非線形変換手段の変換パラ
メータｈの修正法についてと慣性項として知られる学習
高速化の方法については、説明の簡略化のため省略した
が、この省略は以下に述べる本発明を拘束するものでは
ない。

【００２２】こうして、神経回路網模式手段は調理をす
るときの環境データ（加熱室内の初期温度、調理物の初
期温度、商用電源電圧レベル、調理物の種類など）と加
熱室内の雰囲気温度データと調理物の温度（表面、中
心、裏面温度）データとの関係を学習し、簡単なルール
で記述することが容易でない制御の仕方を自然な形で表
現することができる。本実施例は、こうして得られた情
報を組み込んで、温度推定手段１１を構成するものであ
る。具体的には、十分学習を終えた後の多層パーセプト
ロンの信号変換手段３１Ｘ、３１Ｙ、３１Ｚのみを神経
回路網模式手段として用いて、温度推定手段１１を構成
する。実際に学習させたデータについて説明する。

【００２３】図７は、加熱室１の初期温度が低く、商用
電源電圧１００Ｖ、調理物の種類は鯵１匹、調理物の初
期温度は約１０℃の場合に調理をしたときの特性を示し
たものである。図７（ａ）は雰囲気温度検出手段８（加
熱室１内の雰囲気温度）の変化を示し、図７（ｂ）は調
理物の表面温度、図７（ｃ）は調理物の中心温度、図７
（ｄ）は調理物の裏面温度の変化を示している。調理物
の温度は熱電対などにより測定したものである。図８
は、加熱室１の初期温度が高く、商用電源電圧１００
Ｖ、調理物の種類は鯵１匹、調理物の初期温度は約１０
℃の場合に調理をしたときの特性を示したものである。
図９は、加熱室１の初期温度が低く、商用電源電圧１０
０Ｖ、調理物の種類は鯵４匹、調理物の初期温度は約１
０℃の場合に調理をしたときの特性を示したものであ
る。図１０は、加熱室１の初期温度が高く、商用電源電
圧１００Ｖ、調理物の種類は鯵４匹、調理物の初期温度
は約１０℃の場合に調理をしたときの特性を示したもの
である。

【００２４】図８（ａ）〜図８（ｄ）、図９（ａ）〜図
９（ｄ）、図１０（ａ）〜図１０（ｄ）は、図７（ａ）
〜図７（ｄ）にそれぞれ対応している。加熱室１内の初
期温度、調理物の量により雰囲気温度検出手段８の出力
電圧変化（加熱室１内の雰囲気温度）が異なるのがわか
る。同様に、電源電圧を変化させた場合、調理物の種類
を変えた場合でも、また違った出力の変化をする。この
ような実験を実際調理するときのすべての環境の組み合
せについて同様に行なった。そして、その実験データを
神経回路網模式手段に入力し学習をさせた。つまり、神
経回路網模式手段へは雰囲気温度検出手段８の加熱室１
内の雰囲気温度情報と、雰囲気温度勾配情報として現時
点より１分前の雰囲気温度情報と、電圧レベル検出手段
９の商用電源電圧レベル情報と、計時手段１０より得ら
れる電源投入時からの経過時間情報と、カテゴリー選択
キー１２より得られるカテゴリー情報の５情報と、理想
出力として調理物の表面温度情報、中心温度情報、裏面
温度情報の３情報を入力し学習させ、神経回路網模式手
段の中の信号変換手段３１Ｘ、３１Ｙ、３１Ｚを確立
し、それらを神経回路網模式手段として表面温度推定手
段１４に組み込んでいる。

【００２５】つぎに、図１に示したシステム構成図に基
づき動作を説明する。まず、調理物を加熱室１内に入
れ、操作手段１１の内、カテゴリー選択キー１２により
調理カテゴリーを選択する。そして調理キー１３により
調理を開始する。カテゴリー情報は制御手段１５を介し
て温度推定手段１４に入力される。制御手段１５は計時
手段１０に計時開始の信号を出力するとともに、加熱供
給手段２を発熱させるように加熱開始信号を出力する。
計時手段１０の計時情報は温度推定手段１４に入力され
ている。そして、加熱室１内の雰囲気温度情報は雰囲気
温度検出手段８の出力がＡ／Ｄ変換手段１７でディジタ
ル変換され、時々刻々温度推定手段１４に入力してい
る。また、電圧レベル検出手段９からの商用電源電圧の
電圧レベル情報は、Ａ／Ｄ変換手段１８でディジタル変
換され温度推定手段１４に入力されている。温度推定手
段１４は、これらの入力された信号・情報をもとに調理
物の表面温度、中心温度、裏面温度を時々刻々推定し、
その情報を制御手段１５に出力している。また、煙量検
出手段５は、赤外線発光ダイオード６から常に赤外線光
が発光されており、ホトトランジスタ７で受光してい
る。調理物から煙が発生し加熱室１内に満ちてくると、
その煙量に応じてホトトランジスタ７は赤外線発光ダイ
オード６からの赤外線光が煙のため遮断され受光量が減
少する。その出力をホトトランジスタ７は電圧として制
御手段１５に入力している。制御手段１５は、この煙量
情報と推定温度情報に基づき加熱供給手段２を制御す
る。

【００２６】また、計時手段１０、温度推定手段１４、
制御手段１５は、すべて４ビットマイクロコンピュータ
で構成したが、これらは１つのマイクロコンピュータで
構成することはもちろん可能である。なお、温度推定手
段１４には、雰囲気温度検出手段８の温度勾配情報（現
時点と１分前の２情報）と、電圧レベル検出手段９より
得られる商用電源電圧の電圧レベル情報と、計時手段１
０より得られる電源投入時からの経過時間情報、カテゴ
リー選択キー１２より得られる調理物のカテゴリー情報
の５情報を入力しているが、この限定は本発明を拘束す
るものではない。また、本実施例では、調理器具として
電気ロースターを用いたが、電子レンジ、ガスオーブン
などでもよい。

【００２７】以上のように本実施例によれば、実際に調
理する加熱室内の環境下で既に学習された神経回路網の
複数の固定結合重み係数を有する神経回路網模式手段を
組み込んだ温度推定手段を備え、調理物から発生する煙
の量を検出する煙量検出手段を備えた構成としているの
で、調理物の出来上り状態が表面温度、中心温度、裏面
温度と煙の量で検出することができ、従来例に比べて調
理状態をよくすることができ、最適な自動調理が実現で
きる。

【００２８】

【発明の効果】以上の実施例から明らかなように本発明
によれば、調理するために調理物を格納する加熱室と、
前記調理物を加熱する加熱供給手段と、前記加熱室内の
煙量を検出する煙量検出手段と、前記加熱室内の雰囲気
温度を検出する雰囲気温度検出手段と、前記雰囲気温度
検出手段の出力に基づき前記調理物の温度を推定する温
度推定手段と、前記煙量検出手段の出力と前記温度推定
手段の出力に基づき前記加熱供給手段を制御する制御手
段とを備えたから、調理物の出来上り状態を認識するた
め調理物から発生する実際の煙の量と、調理物の実温度
を間接的に検出でき、従来行なわれていた雰囲気温度な
どの勾配より最適調理時間を決定していたものに比べ、
調理の出来上り状態をよくすることができる。

【００２９】また、温度推定手段は、調理物の表面温
度、中心温度、裏面温度の内、少なくともいずれか１つ
を推定するようにしたから、調理物の表面から内部まで
全体の出来上り状態がわかる。

【００３０】さらに、温度推定手段は、複数の神経素子
より構成される神経回路網を模した手法により獲得され
た調理物の温度（表面温度、中心温度、裏面温度）を推
定する固定された神経回路網の複数の結合重み係数を内
部に持つ神経回路網模式手段を備え、または、複数の神
経素子より構成される層が多層組み合わされて構築され
る階層型の神経回路網模式手段を備えたから、加熱室内
の初期温度、調理物の初期温度、調理物の量などにかか
わらず調理物の温度推定ができ、自動調理が可能とな
る。

【００３１】また、加熱室内の環境を検出する環境物理
量検出手段は、加熱室内の雰囲気温度を検出する温度検
出手段を備え、その温度検出手段で間接的に調理物の温
度を推定するので、調理物の温度を実際に検出センサ
（たとえば、調理物の表面温度を非接触で測定する焦電
型赤外線センサや、調理物に直接接触させる温度セン
サ）を用いる必要がなく、コスト低減ができる。

【図面の簡単な説明】

【図１】本発明の一実施例の調理器具のシステム構成図

【図２】同調理器具の操作部と表示部の正面図

【図３】同調理器具に用いた神経回路網模式手段の構成
単位となる神経素子の概念図

【図４】同調理器具に用いた神経素子で構成した信号変
換手段の概念図

【図５】同調理器具に用いた学習アルゴリズムとして誤
差逆伝搬法を採用した信号処理手段のブロック図

【図６】同調理器具に用いた神経回路網模式手段を用い
た多層パーセプトロンの構成を示すブロック図

【図７】（ａ）〜（ｄ）同調理器具の実験データの一例
を示す図

【図８】（ａ）〜（ｄ）同調理器具の実験データの他の
例を示す図

【図９】（ａ）〜（ｄ）同調理器具の実験データの他の
例を示す図

【図１０】（ａ）〜（ｄ）同調理器具の実験データの他
の例を示す図

【図１１】従来の調理器具のシステム構成図

【図１２】（ａ）、（ｂ）同調理器具の実験データの一
例を示す図

【図１３】同調理器具の実験データの他の例を示す図

【符号の説明】

１加熱室２加熱供給手段５煙量検出手段８雰囲気温度検出手段１４温度推定手段１５制御手段

───────────────────────────────────────────────────── フロントページの続き (72)発明者中基孫神奈川県川崎市多摩区東三田３丁目10番１号松下技研株式会社内 (56)参考文献特開平３−91646（ＪＰ，Ａ) 実開昭63−210528（ＪＰ，Ｕ) (58)調査した分野(Int.Cl.⁶，ＤＢ名) A47J 37/00 - 37/07

Claims

(57)【特許請求の範囲】

【請求項１】調理するために調理物を格納する加熱室
と、前記調理物を加熱する加熱供給手段と、前記加熱室
内の煙量を検出する煙量検出手段と、前記加熱室内の雰
囲気温度を検出する雰囲気温度検出手段と、前記雰囲気
温度検出手段の出力に基づき前記調理物の温度を推定す
る温度推定手段と、前記煙量検出手段の出力と前記温度
推定手段の出力に基づき前記加熱供給手段を制御する制
御手段とを備えた調理器具。
【請求項２】温度推定手段は、調理物の表面温度、中心
温度、裏面温度の内、少なくともいずれか１つを推定す
るようにした請求項１記載の調理器具。
【請求項３】温度推定手段は、複数の神経素子より構成
される神経回路網を模した手法により獲得された調理物
の温度を推定する固定された神経回路網の複数の結合重
み係数を内部に持つ神経回路網模式手段を備えた請求項
１記載の調理器具。
【請求項４】温度推定手段は、複数の神経素子より構成
される層が多層組み合わされて構築される階層型の神経
回路網模式手段を備えた請求項１記載の調理器具。