JP2917675B2 - 調理器具 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、自動調理を目的とした
調理器具に関するものである。

【０００２】

【従来の技術】従来、この種の調理器具、例えば電子レ
ンジで図２１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、調理器具１は、調理物を
入れる調理室２と、調理物を調理する調理手段で加熱供
給手段３、調理室２の相対湿度を検出し湿度センサ等か
ら構成される湿度検出手段４、湿度検出手段４からの情
報でもって調理手段３（マイクロ波供給手段）を制御す
る制御手段５から構成されていた。このような構成で自
動調理をするために、調理物の重量、初期温度等を知る
必要がある。そのために電源投入時からの湿度検出手段
４の出力がある湿度に達するまでの時間を測定し、この
時間長で調理物の重量を推測し、この時間に各調理物特
有の定数ｋを乗じた時間を最適調理時間としていた。

【０００４】

【発明が解決しようとする課題】このような従来の調理
器具では、加熱室内の雰囲気湿度を検出して、それをも
とに調理物の重量を判断し調理時間を決定していたため
に出来上りにかなりばらつきがあった。また、各調理物
特有の定数ｋを乗じて最適調理時間としているので、各
調理物に対応した調理物選択手段が必要でその選択操作
は煩雑で使い勝手の悪いものであった。

【０００５】本発明は上記課題を解決するもので、調理
物の調理度合を、現実に計測・検出できる調理室内の環
境物理量と調理物の固有物理量でもって実時間で推定す
ることにより出来上りのばらつきをなくすことと、調理
物選択の操作を簡易にし使い勝手の向上を目的としてい
る。

【０００６】

【課題を解決するための手段】本発明は上記の目的を達
成するために下記の構成とした。すなわち、第１の解決
手段として、調理物を調理する調理手段と、調理物周辺
の環境物理量を検出する環境物理量検出手段と、前記調
理物の固有物理量を検出する固有物理量検出手段と、前
記環境物理量検出手段の変化量の最大値を記憶する変化
量最大値記憶手段と、前記環境物理量検出手段の変化量
が最大値であったときの前記環境物理量検出手段の出力
を記憶する出力記憶手段と、前記環境物理量検出手段の
出力と前記固有物理量検出手段の出力と前記変化量最大
値記憶手段の記憶値および前記出力記憶手段の記憶値の
情報に基づき前記調理物の調理度合を推定する調理度合
推定手段と、前記調理度合推定手段の出力に基づき前記
調理手段を制御する制御手段とからなる構成とした。

【０００７】また第２の解決手段として、調理物を調理
する調理手段と、調理物周辺の環境物理量を検出する環
境物理量検出手段と、前記調理物の固有物理量を検出す
る固有物理量検出手段と、調理の出来上がり強度を入力
する出来上がり強度入力手段と、前記環境物理量検出手
段の変化量の最大値を記憶する変化量最大値記憶手段
と、前記環境物理量検出手段の変化量が最大値であった
ときの前記環境物理量検出手段の出力を記憶する出力記
憶手段と、前記環境物理量検出手段の出力と前記固有物
理量検出手段の出力と前記変化量最大値記憶手段の記憶
値および前記出力記憶手段の記憶値の情報に基づき前記
調理物の調理度合を推定する調理度合推定手段と、前記
調理度合推定手段の出力と前記出来上がり強度入力手段
の情報に基づき前記調理手段を制御する制御手段とから
なる構成とした。

【０００８】また第３の解決手段として、調理物を調理
する調理手段と、調理物周辺の環境物理量を検出する環
境物理量検出手段と、前記調理物の固有物理量を検出す
る固有物理量検出手段と、調理の出来上がり強度を入力
する出来上がり強度入力手段と、前記環境物理量検出手
段の変化量の最大値を記憶する変化量最大値記憶手段
と、前記環境物理量検出手段の変化量が最大値であった
ときの前記環境物理量検出手段の出力を記憶する出力記
憶手段と、前記環境物理量検出手段の出力と前記固有物
理量検出手段の出力と前記出来上がり強度入力手段の情
報と前記変化量最大値記憶手段の記憶値および前記出力
記憶手段の記憶値の情報に基づき前記調理物の調理度合
を推定する調理度合推定手段と、前記調理度合推定手段
の出力に基づき前記調理手段を制御する制御手段とから
なる構成とした。

【０００９】さらに、前記調理度合推定手段は、複数の
神経素子より構成される神経回路網をモデル化した手法
により得られ、調理度合を推定する複数の固定された結
合重み係数を内部に持つ神経回路網模式手段を有する構
成とした。または、複数の神経素子より構成される層が
多数組み合わされて構築される階層型の神経回路網模式
手段を有する構成とした。

【００１０】本発明は上記した構成によって下記の作用
が得られる。第１の解決手段により調理物周辺の環境物
理量を検出する環境物理量検出手段と、調理物固有の物
理量を検出する固有物理量検出手段と、前記環境物理量
検出手段の変化量の最大値を記憶する変化量最大値記憶
手段と、前記環境物理量検出手段の変化量が最大値であ
ったときの前記環境物理量検出手段の出力を記憶する出
力記憶手段と、前記環境物理量検出手段の出力と前記固
有物理量検出手段の出力と前記変化量最大値記憶手段の
記憶値および前記出力記憶手段の記憶値の情報を時々刻
々調理度合推定手段に入力することにより、調理度合推
定手段は調理度合を推定し、制御手段は調理度合推定手
段からの調理度合情報で調理手段を制御していき調理を
終了させる。

【００１１】また第２の解決手段として、調理物を調理
する調理手段と、調理物周辺の環境物理量を検出する環
境物理量検出手段と、調理物固有の物理量を検出する固
有物理量検出手段と、調理の出来上がり強度を入力する
出来上がり強度入力手段と、前記環境物理量検出手段の
変化量の最大値を記憶する変化量最大値記憶手段と、前
記環境物理量検出手段の変化量が最大値であったときの
前記環境物理量検出手段の出力を記憶する出力記憶手段
と、前記環境物理量検出手段の出力と前記固有物理量検
出手段の出力と前記変化量最大値記憶手段の記憶値およ
び前記出力記憶手段の記憶値の情報を時々刻々調理度合
推定手段に入力することにより、調理度合推定手段は調
理度合を推定し、制御手段は調理度合推定手段からの調
理度合情報と出来上り強度入力手段の情報で調理手段を
制御していき調理を終了させる。

【００１２】また第３の解決手段として、調理物を調理
する調理手段と、調理物周辺の環境物理量を検出する環
境物理量検出手段と、調理物固有の物理量を検出する固
有物理量検出手段と、調理の出来上がり強度を入力する
出来上がり強度入力手段と、前記環境物理量検出手段の
変化量の最大値を記憶する変化量最大値記憶手段と、前
記環境物理量検出手段の変化量が最大値であったときの
前記環境物理量検出手段の出力を記憶する出力記憶手段
と、前記環境物理量検出手段の出力と前記固有物理量検
出手段の出力と前記出来上がり強度入力手段の情報と前
記変化量最大値記憶手段の記憶値および前記出力記憶手
段の記憶値の情報を時々刻々調理度合推定手段に入力す
ることにより、調理度合推定手段は出来上り強度の入力
に応じて調理度合を推定し、制御手段は調理度合推定手
段からの調理度合情報で調理手段を制御していき調理を
終了させる。

【００１３】さらに、調理度合推定手段を構成する神経
回路網模式手段は、調理される環境下で既に学習された
結合重み係数を備えており、調理中の調理度合を推定す
ることができる。

【００１４】さらに、調理度合推定手段を構成する神経
回路網模式手段は、複数の神経素子が多層組み合わされ
て構築されているので、調理度合の推定をより正確に行
なうことができる。

【００１５】

【実施例】以下、本発明の一実施例および参考例を図１
から図２０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。

【００１６】 （参考例１） 本参考例では、調理器具として、電子レンジに応用した
例について説明する。図１に示すように、環境物理量検
出手段６は調理室内の環境物理量を検出する。本参考例
では、調理室内の湿度変化を検出するものであり、絶対
湿度センサで構成されている。固有物理量検出手段７は
調理物の固有物理量環境を検出する。本参考例では、調
理物の重量変化を検出するものであり、ストレンゲージ
等で構成されている。これらのセンサは環境物理量、固
有物理量を検出できるものであればよい。計時手段８は
電源投入時よりの時間をカウントする。操作手段９は調
理物のカテゴリーを選択するカテゴリー選択キー９ａと
調理開始・停止を行なう調理キー９ｂよりなる。調理度
合推定手段１０は環境物理量検出手段６、固有物理量検
出手段７、計時手段８、カテゴリー選択キー９ａの出力
に基づき調理物の調理度合を推定するものであり、制御
手段５は調理度合推定手段１０の出力に基づき調理手段
３を制御する。調理手段３は、マイクロ波供給手段であ
り調理室２に配設されている。又、９ｃ３は調理の調理
情報の表示等を行なう表示手段であり液晶表示部よりな
る。さらに、１１、１２はＡ／Ｄ変換手段であり環境物
理量検出手段６、固有物理量検出手段７の出力をディジ
タルに変換している。図７に表示部と操作部の構成を示
す。

【００１７】調理度合推定手段１０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
網をモデル化した方法で構成している。本参考例は、神
経回路網をモデル化した手法によって学習獲得された調
理物の調理度合を推定する複数の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調理度合推定手段１０
を設けている。

【００１８】調理物の出来上りに影響を与える要因とし
ては、調理室内の初期温度、調理物の初期温度、調理の
種類（カテゴリー）等が考えられる。それらの要因によ
って出来上りは大きく変動する。

【００１９】調理物の調理度合を推定する神経回路網に
おいて複数の結合重み係数は、実際に調理する時の環境
（前記した要因のいろいろな組合せた環境）において調
理した場合、そのいろいろな環境のもとで、最適な出来
上り状態を実現するまでの調理時間と、調理室内の湿度
変化と、調理物の重量がどのように変化するかというデ
−タを収集し、環境デ−タと調理室内の湿度変化データ
と調理物の重量変化データと調理物の調理度合（最適調
理時間）デ−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」（株）産業図
書、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、１
９９０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。

【００２０】図９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９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。

【００２１】以下、図９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番目の入力信号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＋△Ｗｉ ； ｉ＝１，２，…… ，Ｎ ｈ＋△ｈ （式２） と修正する。

【００２２】図１０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。なお、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個に限定するものではない。図１０において、２１１
〜２４４は疑似シナプス結合変換器であり、２０１〜２
０４は、図１１で説明した加算器２ａと非線形変換器２
ｂをまとめた加算非線形変換器である。図１２におい
て、図９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２０１〜２
０４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９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。

【００２３】図１１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１１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
Ｓin（Ｘ）を受け、Ｍ個の出力Ｓout（Ｘ）を出力す
る。修正手段３２は、入力信号Ｓin（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δj（Ｘ）の入力があるま
で待機する。誤差信号δj（Ｘ）が入力され修正量を △Ｗij＝δj（Ｘ）・Ｓjout（Ｘ）・（１−Ｓjout（Ｘ））・Ｓiin（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。

【００２４】図１２は、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
１２を参照しながらその動作を説明する。信号処理手段
３４Ｘにおいて、信号変換手段３１Ｘは、入力Ｓiin
（Ｘ）（ｉ＝１〜Ｎ）を受け、出力Ｓjout（Ｘ）（ｊ＝
１〜Ｋ）を出力する。修正手段３２Ｘは、信号Ｓiin
（Ｘ）と信号Ｓjout（Ｘ）を受け、誤差信号δj（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Ｓhout（Ｚ）（ｈ＝１
〜Ｍ）が出力される。最終出力Ｓhout（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δh（Ｚ）が修正手段３２Ｚに送られる。

【００２５】

【数１】

【００２６】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・（Ｓhout（Ｚ）−Ｔh） （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
△Ｗ（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△Ｗ（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△Ｗ（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。

【００２７】

【数２】

【００２８】ここで、Ｗij（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。学習と呼ばれる以上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。

【００２９】こうして、神経回路網模式手段は調理をす
る時の環境デ−タ（加熱室内の初期温度、商用電源電圧
レベル、調理の種類、調理物の初期温度など）と加熱室
内の雰囲気温度デ−タと調理物の調理度合（最適調理時
間）デ−タとの関係を学習し、簡単なル−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。本参考例は、こうして得られた情報を組み込
んで、調理度合推定手段１０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−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、調理度合推定手段１０を構成す
る。

【００３０】次に、実際に学習させたデ−タについて説
明する。図１３は、調理室２の初期温度が低く、調理物
の種類は野菜でホウレンソウ２００ｇの場合に調理をし
た時の特性をしめしたものである。図１３（ａ）は環境
物理量検出手段６（調理室内の湿度）の変化を示し、図
１３（ｂ）は固有物理量検出手段６（調理物の重量）の
変化を示し、図１３（ｃ）は調理物の調理度合を示して
いる。調理度合は２値で示し、これは実験により求め、
出来上り強度入力手段９ｄの入力に対応した出来上り状
態後を”１”、それまでは”０”としている。図１４
は、図１３と同様でホウレンソウ６００ｇを調理をした
時の特性を示したものである。

【００３１】図１４（ａ）、ないし図１４（ｃ）は、図
１３（ａ）、ないし図１３（ｃ）にそれぞれ対応してい
る。調理物の量により環境物理量検出手段６と固有物理
量検出手段７の出力電圧変化（調理室の湿度変化と調理
物の重量変化）が異なるのがわかる。同様に調理物の種
類を変えた場合でも、又違った出力の変化をする。調理
度合は、それらの条件下で実験により求める。このよう
な実験を実際調理する時のすべての環境の組合せついて
同様に行った。そして、その実験デ−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
手段へは環境物理量検出手段６の調理室内の環境物理量
情報（湿度情報）と、湿度変化情報として現時点より１
分前の湿度情報と、固有物理量検出手段７の調理物の固
有物理量情報（重量情報）と、重量勾配情報として現時
点より１分前の重量情報と、、計時手段８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
９ａより得られるカテゴリー情報の６情報と、理想出力
として調理物の調理度合の２値情報（調理終了かまたは
未終了か）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調理度合推定手段１０に
組み込んでいる。

【００３２】つぎに、図１に示した構成ブロック図に基
づき動作を説明する。まず、調理物を調理室内に入れ、
操作手段９の内、カテゴリー選択キー９ａにより調理カ
テゴリーを選択し入力する。そして、調理スタートキー
９ｂが入力される。これらの情報は制御手段５と、調理
度合推定手段１０に入力される。制御手段５は計時手段
８に計時開始の信号を出力するとともに、調理手段３を
駆動させるべく調理開始信号を出力する。計時手段８の
計時情報は調理度合推定手段１０に入力されている。
又、調理室内の環境物理情報（湿度情報）は、環境物理
量検出手段６の出力がＡ／Ｄ変換手段１１でディジタル
変換され、又調理物の固有物理情報（重量情報）は、固
有物理量検出手段７の出力がＡ／Ｄ変換手段１２でディ
ジタル変換され、時々刻々調理度合推定手段１０に入力
している。調理度合推定手段１０は、これらの入力され
た信号・情報をもとに調理物の標準的な出来上りとする
べく調理度合を時々刻々推定し、その情報を制御手段５
に出力している。制御手段５は、この調理度合情報に基
づき調理手段３を制御するように動作する。即ち、調理
度合推定手段１０の出力が”１”になると加熱供給手段
３を停止する。

【００３３】以上のように本参考例によれば、実際に調
理する調理室内の環境下で学習された、神経回路網の複
数の結合重み係数を有する神経回路網模式手段を組み込
んだ調理度合推定手段を備えた構成としているので、出
来上り状態にばらつきがなくなるほか、詳細な調理メニ
ュー選択操作が不要で使い勝手の向上を図ることができ
る。

【００３４】 （実施例１） 本実施例では、電子オーブンレンジに応用した例につい
て説明する。構成を図図２に示す。環境物理量検出手段
６は調理室内の環境物理量を検出する。本実施例では、
調理室内の湿度変化を検出するものであり、絶対湿度セ
ンサで構成されている。固有物理量検出手段７は調理物
の固有物理量を検出する。本実施例では、調理物の重量
変化を検出するものであり、ストレンゲージ等で構成さ
れている。これらのセンサは環境物理量、固有物理量を
検出できるものであればよく、本発明を拘束するもので
はない。計時手段８は電源投入時よりの時間をカウント
する。１３は環境物理量の単位時間あたりの変化量を演
算する変化量演算手段であり、その変化量の最大値は随
時更新されながら変化量最大値記憶手段１４に記憶され
ると同時に最大値が更新される毎にその時点での環境物
理量は出力値記憶手段１５に記憶される。操作手段９は
調理物のカテゴリーを選択するカテゴリー選択キー９ａ
と調理開始・停止を行なう調理キー９ｂよりなる。調理
度合推定手段１０は環境物理量検出手段６、固有物理量
検出手段７、計時手段８、変化量最大値記憶手段１４、
出力値記憶手段１５、カテゴリー選択キー９ａの出力に
基づき調理物の調理度合を推定するものであり、制御手
段５は調理度合推定手段１０の出力に基づき調理手段３
を制御する。調理手段３は、マイクロ波供給手段であり
調理室２に配設されている。

【００３５】次に調理度合推定手段１０を構成する神経
回路網模式手段に、実際に学習させたデータについて説
明する。図１５は、調理室２の初期温度が低く、調理物
の種類は野菜でホウレンソウ２００ｇの場合に調理をし
た時の特性を示したものである。図１５（ａ）は環境物
理量検出手段６（調理室内の湿度）の変化を示し、図１
５（ｂ）は環境物理量検出手段６の単位時間あたりの変
化量を示し、図１５（ｃ）は固有物理量検出手段７（調
理物の重量）の変化を示し、図１５（ｄ）は調理物の調
理度合を示している。調理度合は２値で示し、これは実
験により求め、出来上り状態後を”１”、それまでは”
０”としている。図１６は、図１５と同様でじゃが芋２
００ｇを調理をした時の特性を示したものである。図１
６（ａ）、ないし図１６（ｄ）は、図１５（ａ）、ない
し図１５（ｄ）にそれぞれ対応している。調理物の量に
より環境物理量検出手段６と固有物理量検出手段７の出
力電圧変化（調理室の湿度変化と調理物の重量変化）が
異なるのがわかる。特に湿度変化の変化量の最大値に調
理物の種類による違いが現れる。これは調理物の形状な
どの違いにより蒸気の出易さ、つまり加熱の行き届き易
さの違いである。同様に調理物の分量を変えた場合で
も、又違った出力の変化をする。調理度合は、それらの
条件下で実験により求める。このような実験を実際調理
する時のすべての環境の組合せついて同様に行った。そ
して、その実験デ−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環境物理
量検出手段６の調理室内の環境物理量情報（湿度情報）
と、湿度変化情報として現時点より３０秒前の湿度情報
との差、と、固有物理量検出手段７の調理物の固有物理
量情報（重量情報）と、重量勾配情報として現時点より
１分前の重量情報と、、計時手段８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９ａよ
り得られるカテゴリー情報の６情報と、理想出力として
調理物の調理度合の２値情報（調理終了かまたは未終了
か）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調理度合推定手段１０に組み込
んでいる。

【００３６】つぎに、図２に示した構成ブロック図に基
づき動作を説明する。まず、調理物を調理室２に入れ、
操作手段９の内、カテゴリー選択キー９ａにより調理カ
テゴリーを選択し入力する。そして、調理スタートキー
９ｂが入力される。これらの情報は制御手段５と、調理
度合推定手段１０に入力される。制御手段５は計時手段
８に計時開始の信号を出力するとともに、調理手段３を
駆動させるべく調理開始信号を出力する。計時手段８の
計時情報は調理度合推定手段１０に入力されている。
又、調理室内の環境物理情報（湿度情報）は、環境物理
量検出手段６の出力と固有物理量検出手段７の出力がＡ
／Ｄ変換手段１１および１２でディジタル変換され、時
々刻々調理度合推定手段１０に入力している。更にその
変化量を変化量演算手段１５で演算し調理度合推定手段
１０に入力し、また変化量の調理開始以来の最大値を変
化量最大値記憶手段１６で随時更新しながら記憶し変化
量が最大の時の環境物理量情報は出力記憶手段１７に記
憶し共に調理度合推定手段１０に入力する。調理度合推
定手段１０は、これらの入力された信号・情報をもとに
調理物の標準的な出来上りとするべく調理度合を時々刻
々推定し、その情報を制御手段５に出力している。制御
手段５は、この調理度合情報に基づき調理手段３を制御
するように動作する。即ち、調理度合推定手段１０の出
力が”１”になると調理手段３を停止する。

【００３７】また効果は、参考例１の基本的な効果に加
え、実施例１によって得られる効果がさらに加わり、出
来上がり状態がよく、かつ使い勝手のよい調理器具を得
ることができる。 （参考例２） 本実施例として、電子オーブンレンジに応用した例につ
いて説明する。構成を図３に示す。参考例１とほぼ同様
であるが、出来上がりの強度を決める出来上がり強度入
力手段９ｄを有する点が異なる。調理度合推定手段１０
は環境物理量検出手段６、固有物理量検出手段７、計時
手段８、カテゴリー選択キー９ａの出力に基づき調理物
の調理度合を推定するものであり、制御手段５は調理度
合推定手段１０の出力と出来上がり強度入力手段からの
情報に基づき調理手段３を制御する。図８に表示部と操
作部の構成を示す。

【００３８】次に調理度合推定手段を構成する神経回路
網模式手段に学習させたデータについて説明する。図１
７は、調理室２の初期温度が低く、調理の種類は野菜の
下ごしらえでホウレンソウ２００ｇの場合に調理をした
時の特性を示したものである。図１７（ａ）は環境物理
量検出手段６（調理室内の湿度）の変化を示し、図１７
（ｂ）は固有物理量検出手段７（調理物の重量）の変化
を示し、図１７（ｃ）は調理物の調理度合を示してい
る。調理度合は０から１の範囲の値で示し標準なら０．
５、弱めなら０．２、強めなら０．８になるように調理
完了付近で直線的に増加するようにしている。これは実
験により求めたものである。図１８は、図１７と同様で
ホウレンソウ６００ｇを調理した時の特性を示したもの
である。図１８（ａ）、ないし図１８（ｃ）は、図１７
（ａ）、ないし図１７（ｃ）にそれぞれ対応している。
調理物の量により環境物理量検出手段６と固有物理量検
出手段７の出力電圧変化（調理室の湿度変化と調理物の
重量変化）が異なるのがわかる。同様に調理物の種類を
変えた場合でも、又違った出力の変化をする。調理度合
は、それらの条件下で実験により求める。このような実
験を実際調理する時のすべての環境の組合せについて同
様に行った。そして、その実験デ−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
段へは環境物理量検出手段６の調理室内の環境物理量検
出情報（湿度情報）と、湿度変化情報として現時点より
１分前の湿度情報と、固有物理量検出手段７の調理物の
固有物理量（重量情報）と、重量勾配情報として現時点
より１分前の重量情報と、計時手段８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９ａ
より得られるカテゴリー情報の６情報と、理想出力とし
て調理物の調理度合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調理度合推
定手段１０に組み込んでいる。

【００３９】つぎに、図３に示した構成ブロック図に基
づき動作を説明する。まず、調理物を調理室内に入れ、
操作手段９の内、カテゴリー選択キー９ａにより調理カ
テゴリーを選択し、出来上がり強度入力手段９ｄより出
来上がり強度を入力する。そして、調理スタートキー９
ｂが入力される。これらの情報は制御手段５と調理度合
推定手段１０に入力される。制御手段５は計時手段８に
計時開始の信号を出力するとともに、調理手段３を駆動
させるべく調理開始信号を出力する。計時手段８の計時
情報は調理度合推定手段１０に入力されている。又、調
理室内の環境物理量情報（湿度情報）は、環境物理量検
出手段６の出力がＡ／Ｄ変換手段１１でディジタル変換
され、又調理物の固有物理量情報（重量情報）は固有物
理量検出手段７の出力がＡ／Ｄ変換手段１２でディジタ
ル変換され、時々刻々調理度合推定手段１０に入力して
いる。調理度合推定手段１０は、これらの入力された信
号・情報をもとに調理度合を時々刻々推定し、その情報
を制御手段５に出力している。制御手段５は、この調理
度合情報と出来上がり強度入力手段９ｄより得られる出
来上がり強度情報に基づき調理手段３を制御するように
動作する。即ち、出来上がり強度入力手段９ｄより得ら
れる情報が弱め設定であれば調理度合推定手段１０の出
力が０．２を越えると調理手段３を停止し、標準設定で
あれば０．５を越えると調理手段３を停止し、強め設定
であれば０．８を越えると調理手段３を停止する。

【００４０】以上のように本参考例によれば、実際に調
理する調理室内の環境下で学習された、神経回路網の複
数の結合重み係数を有する神経回路網模式手段を組み込
んだ調理度合推定手段１０を備え、出来上がり強度入力
手段９ｄで使用者の設定した出来上がり強度情報と推定
した調理度合により制御手段５が調理手段３を制御する
構成としているので、出来上り状態にばらつきがなくな
るほか、詳細な調理メニュー選択操作が不要で使い勝手
の向上を図ることができる。また、調理物の出来上がり
状態が使用者の好みに合わせることも可能となる。

【００４１】 （参考例３） 本参考例では、電子オーブンレンジに応用した例につい
て説明する。構成を図４に示す。参考例２とほぼ同様の
構成であるが、参考例２では出来上り強度入力手段９ｄ
の出力が制御手段５に入力されていたのに対して、本参
考例では調理度合推定手段１０に入力されている点が異
なる。つまり、参考例２では調理度合推定手段１０から
出力される調理度合推定情報と出来上り強度入力手段９
ｄの出来上り強度入力情報とで、制御手段５は調理度合
を推定する。しかし本参考例では、調理度合推定手段１
０を構成する神経回路網模式手段に、出来上り強度情報
をも学習させた構成としているので、調理度合推定手段
１０の調理度合推定出力情報には、出来上り強度入力情
報も含まれた構成としている。よって制御手段５は調理
度合推定手段１０の出力情報のみを基に調理手段３を制
御する。

【００４２】次に調理度合推定手段１０を構成する神経
回路網模式手段に学習させたデータについて説明する。
図１９は、調理室２の初期温度が低く、調理物の種類は
野菜でホウレンソウ２００ｇの場合に調理をした時の特
性をしめしたものである。図１９（ａ）は環境物理量検
出手段６（調理室内の湿度）の変化を示し、図１９
（ｂ）は固有物理量検出手段６（調理物の重量）の変化
を示し、図１９（ｃ）は調理物の調理度合を示してい
る。調理度合は２値で示し、これは実験により求め、出
来上り強度入力手段９ｄの入力に対応した出来上り状態
後を”１”、それまでは”０”としている。図１９
（ｃ）は標準的な出来上り強度の調理度合を示し、同図
（ｄ）は弱めの調理度合を示し、同図（ｅ）は、強めの
調理度合を示している。図２０は、図１９と同様でホウ
レンソウ６００ｇを調理をした時の特性を示したもので
ある。調理度合の分割は、本参考例では、３分割である
が、いくつに分割しても問題はなく、より好み度の選択
を向上させるものにほかならない。

【００４３】図２０（ａ）、ないし図２０（ｅ）は、図
１９（ａ）、ないし図１９（ｅ）にそれぞれ対応してい
る。調理物の量により環境物理量検出手段６と固有物理
量検出手段７の出力電圧変化が異なるのがわかる。同様
に調理物の種類を変えた場合でも、又違った出力の変化
をする。調理度合（出来上り強度手段９ｄに対応した弱
め、標準、強め）は、それらの条件下で実験により求め
る。このような実験を実際調理する時のすべての環境の
組合せついて同様に行った。そして、その実験デ−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環境物理量検出手段６の調理室内
の環境物理量情報（湿度情報）と、湿度変化情報として
現時点より１分前の湿度情報と、固有物理量検出手段７
の調理物の固有物理量情報（重量情報））と、重量勾配
情報として現時点より１分前の重量情報と、、計時手段
８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９ｄより得られるカテゴリー情報と、出
来上り強度入力情報の７情報と、理想出力として出来上
り強度入力情報に対応した調理物の調理度合の２値情報
（調理終了かまたは未終了か）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、３
１Ｚを確立し、それらを神経回路網模式手段として調理
度合推定手段１０に組み込んでいる。

【００４４】 （実施例２） 本実施例では、電子オーブンレンジに応用した例につい
て説明する。構成は図５に示す。実施例１とは、調理物
の出来上がり状態が使用者の好みに合わせるために、出
来上り強度入力手段９ｄを有する点が異なる。具体的な
内容は実施例１と同様である。

【００４５】 （実施例３） 本実施例では、電子オーブンレンジに応用した例につい
て説明する。構成は図６に示す。実施例１とは、調理物
の出来上がり状態が使用者の好みに合わせるために、出
来上り強度入力手段９ｄを有する点が異なる。具体的な
内容は実施例１と同様であり、参考例３に比べより出来
上り状態が良く、かつ使用者の好みに合わせることがで
きる。

【００４６】以上の実施例では、制御手段５、計時手段
８、調理度合推定手段１０は、すべて４ビットマイクロ
コンピュ−タで構成したが、これらは１つのマイクロコ
ンピュ−タで構成することはもちろん可能である。な
お、調理度合推定手段１０には、環境物理量検出手段６
と、固有物理量検出手段７の重量変化情報と、計時手段
８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９ａより得られる調理のカテゴリー情報等
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。又、環境物理量情報として湿度情報を用いた
が、雰囲気温度情報、煙情報、アルコール成分等が検出
可能なガス情報でも問題はない。さらに固有物理量情報
として調理物の重量情報を用いたが、調理物の形状変化
情報、調理物の色変化情報、調理物の体積変化情報でも
適用できることはいうまでもないし、又、複数のセンサ
を使用すれば、より調理精度を向上させることができ
る。又、本実施例では調理器具として電子レンジを用い
たが、オーブンレンジ、グリルレンジ、ガスオーブンで
もよい。

【００４７】

【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、調理物を調理する調理手段と、調理物周辺の
環境物理量を検出する環境物理量検出手段と、前記調理
物の固有物理量を検出する固有物理量検出手段と、前記
環境物理量検出手段の変化量の最大値を記憶する変化量
最大値記憶手段と、前記環境物理量検出手段の変化量が
最大値であったときの前記環境物理量検出手段の出力を
記憶する出力記憶手段と、前記環境物理量記憶手段の出
力と前記固有物理量検出手段の出力と前記変化量最大値
記憶手段の記憶値および前記出力記憶手段の記憶値の情
報に基づき前記調理物の調理度合を推定する調理度合推
定手段と、前記調理度合推定手段の出力に基づき前記調
理手段を制御する制御手段とからなるから調理室内の初
期温度、調理物の初期温度、調理物の量等にかかわらず
調理物の調理度合が推定でき、出来上がりばらつきの少
ない自動調理が可能となる。

【００４８】また調理するために調理物を格納する調理
室と、前記調理物を調理する調理手段と、前記調理室内
の環境物理量を検出する環境物理量検出手段と、前記調
理物の固有物理量を検出する固有物理量検出手段と、調
理の出来上り強度を入力する出来上り強度入力手段と、
前記環境物理量検出手段の出力と前記固有物理量検出手
段の出力と前記出来上り強度入力手段の情報に基づき前
記調理物の調理度合を推定する調理度合推定手段と、前
記調理度合推定手段の出力に基づき前記調理手段を制御
する制御手段とからなるから、出来上り状態にバラツキ
がなくなるほか、詳細な調理メニュー選択操作が不要で
使い勝手の向上を図ることができる。また、調理物の出
来上がり状態が使用者の好みに合わせることも可能とな
る。

【００４９】また調理物を調理する調理手段と、調理物
周辺の環境物理量を検出する環境物理量検出手段と、前
記調理物の固有物理量を検出する固有物理量検出手段
と、調理の出来上がり強度を入力する出来上がり強度入
力手段と、前記環境物理量検出手段の変化量の最大値を
記憶する変化量最大値記憶手段と、前記環境物理量検出
手段の変化量が最大値であったときの前記環境物理量検
出手段の出力を記憶する出力記憶手段と、前記環境物理
量検出手段の出力と前記固有物理量検出手段の出力と前
記変化量最大値記憶手段の記憶値および前記出力記憶手
段の記憶値の情報に基づき前記調理物の調理度合を推定
する調理度合推定手段と、前記調理度合推定手段の出力
と前記出来上がり強度入力手段の情報に基づき前記調理
手段を制御する制御手段とからなるから、調理室内の初
期温度、調理物の初期温度、調理物の量等にかかわらず
調理物の調理度合が推定でき、出来上がりばらつきの少
ない自動調理が可能となる。さらに、調理物の出来上が
り状態が使用者の好みに合わせることも可能となる。

【００５０】また調理物を調理する調理手段と、調理物
周辺の環境物理量を検出する環境物理量検出手段と、前
記調理物の固有物理量を検出する固有物理量検出手段
と、調理の出来上がり強度を入力する出来上がり強度入
力手段と、前記環境物理量検出手段の変化量の最大値を
記憶する変化量最大値記憶手段と、前記環境物理量検出
手段の変化量が最大値であったときの前記環境物理量検
出手段の出力を記憶する出力記憶手段と、前記環境物理
量検出手段の出力と前記固有物理量検出手段の出力と前
記出来上がり強度入力手段の情報と前記変化量最大値記
憶手段の記憶値および前記出力記憶手段の記憶値の情報
に基づき前記調理物の調理度合を推定する調理度合推定
手段と、前記調理度合推定手段の出力に基づき前記調理
手段を制御する制御手段とからなるから、調理室内の初
期温度、調理物の初期温度、調理物の量等にかかわらず
調理物の調理度合が推定でき、出来上がりばらつきの少
ない自動調理が可能となる。さらに、調理物の出来上が
り状態が使用者の好みに合わせることも可能となる。

【００５１】また、調理度合推定手段は、複数の神経素
子より構成される神経回路網をモデル化し学習によって
得られ、調理度合を推定する複数の固定された結合重み
係数を内部に持つ神経回路網模式手段を有し、または、
複数の神経素子より構成される層が多数組み合わされて
構築される階層型の神経回路網模式手段を有するから、
自動調理の対象となる学習させた調理メニューについて
は、調理度合の推定ができ出来上り状態にバラツキがな
い自動調理が可能な調理器具を提供できる。

【図面の簡単な説明】

【図１】本発明の参考例１としての調理器具の構成ブロ
ック図

【図２】本発明の実施例１としての調理器具の構成ブロ
ック図

【図３】本発明の参考例２としての調理器具の構成ブロ
ック図

【図４】本発明の参考例３としての調理器具の構成ブロ
ック図

【図５】本発明の実施例２の調理器具の構成ブロック図

【図６】本発明の実施例３の調理器具の構成ブロック図

【図７】本発明の参考例１の構成ブロック図に基づく調
理器具に用いた操作部の構成図

【図８】本発明の参考例２の構成ブロック図に基づく調
理器具に用いた操作部の構成図

【図９】本発明の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１０】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１１】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１２】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１３】本発明の参考例１としての構成ブロック図に
基づく調理器具の実験データの一例を示す図

【図１４】同調理器具の実験データの他の例を示す図

【図１５】本発明の実施例１としての構成ブロック図に
基づく調理器具の実験データの一例を示す図

【図１６】同調理器具の実験データの他の例を示す図

【図１７】本発明の参考例２の構成ブロック図に基づく
調理器具の実験データの他の例を示す図

【図１８】同調理器具の実験データの他の例を示す図

【図１９】本発明の参考例３の構成ブロック図に基づく
調理器具の実験データの一例を示す図

【図２０】同調理器具の実験データの他の例を示す図

【図２１】従来の調理器具の構成ブロック図

【符号の説明】 １ 調理器具 ３ 調理手段 ５ 制御手段 ６ 環境物理量検出手段 ７ 固有物理量検出手段 ９ｄ 出来上り強度入力手段 １０ 調理度合推定手段 １３ 変化量演算手段 １４ 変化量最大値記憶手段 １５ 出力記憶手段

───────────────────────────────────────────────────── フロントページの続き (72)発明者 黄地 謙三 大阪府門真市大字門真1006番地 松下電 器産業株式会社内 (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４−292714（ＪＰ，Ａ) 特開 平１−139019（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁶，ＤＢ名) F24C 7/02 340 F24C 7/02 310

Claims (5)

(57)【特許請求の範囲】
1. 【請求項１】 調理物を調理する調理手段と、調理物周辺
   の環境物理量を検出する環境物理量検出手段と、前記調
   理物の固有物理量を検出する固有物理量検出手段と、前
   記環境物理量検出手段の変化量の最大値を記憶する変化
   量最大値記憶手段と、前記環境物理量検出手段の変化量
   が最大値であったときの前記環境物理量検出手段の出力
   を記憶する出力記憶手段と、前記環境物理量検出手段の
   出力と前記固有物理量検出手段の出力と前記変化量最大
   値記憶手段の記憶値および前記出力記憶手段の記憶値の
   情報に基づき前記調理物の調理度合を推定する調理度合
   推定手段と、前記調理度合推定手段の出力に基づき前記
   調理手段を制御する制御手段とからなる調理器具。
2. 【請求項２】 調理物を調理する調理手段と、調理物周辺
   の環境物理量を検出する環境物理量検出手段と、前記調
   理物の固有物理量を検出する固有物理量検出手段と、調
   理の出来上がり強度を入力する出来上がり強度入力手段
   と、前記環境物理量検出手段の変化量の最大値を記憶す
   る変化量最大値記憶手段と、前記環境物理量検出手段の
   変化量が最大値であったときの前記環境物理量検出手段
   の出力を記憶する出力記憶手段と、前記環境物理量検出
   手段の出力と前記固有物理量検出手段の出力と前記変化
   量最大値記憶手段の記憶値および前記出力記憶手段の記
   憶値の情報に基づき前記調理物の調理度合を推定する調
   理度合推定手段と、前記調理度合推定手段の出力と前記
   出来上がり強度入力手段の情報に基づき前記調理手段を
   制御する制御手段とからなる調理器具。
3. 【請求項３】 調理物を調理する調理手段と、調理物周辺
   の環境物理量を検出する環境物理量検出手段と、前記調
   理物の固有物理量を検出する固有物理量検出手段と、調
   理の出来上がり強度を入力する出来上がり強度入力手段
   と、前記環境物理量検出手段の変化量の最大値を記憶す
   る変化量最大値記憶手段と、前記環境物理量検出手段の
   変化量が最大値であったときの前記環境物理量検出手段
   の出力を記憶する出力記憶手段と、前記環境物理量検出
   手段の出力と前記固有物理量検出手段の出力と前記出来
   上がり強度入力手段の情報と前記変化量最大値記憶手段
   の記憶値および前記出力記憶手段の記憶値の情報に基づ
   き前記調理物の調理度合を推定する調理度合推定手段
   と、前記調理度合推定手段の出力に基づき前記調理手段
   を制御する制御手段とからなる調理器具。
4. 【請求項４】調理度合推定手段は、複数の神経素子より
   構成される神経回路網をモデル化し学習によって得ら
   れ、調理度合を推定する複数の固定された結合重み係数
   を内部に持つ神経回路網模式手段を有する請求項１ない
   し請求項３記載の調理器具。
5. 【請求項５】 調理度合推定手段は、複数の神経素子より
   構成される層が多数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ことを特徴とする請求項１
   ないし請求項３記載の調理器具。