JPH05172337A

JPH05172337A - 調理器具

Info

Publication number: JPH05172337A
Application number: JP33819391A
Authority: JP
Inventors: Hirohisa Imai; 博久今井; Kazunari Nishii; 一成西井; Kenzo Ochi; 謙三黄地; Yoshihiro Ishizaki; 祥浩石嵜; Kison Naka; 基孫中
Original assignee: Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Holdings Corp
Priority date: 1991-12-20
Filing date: 1991-12-20
Publication date: 1993-07-09
Anticipated expiration: 2014-08-30
Also published as: JP2943467B2

Abstract

(57)【要約】【目的】調理物の調理度合を、実時間で推定すること
により出来上りのバラツキをなくすことと、調理物選択
の操作を簡易にすることと使用者の好みにあった出来上
がり状態に自動調理する。【構成】調理室２内の調理物の調理度合を環境物理量
検出手段６の入力を基にし、実際に調理する調理環境で
の学習が既に済んだ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組込んだ調理度合推定手段１３で推
定し、推定結果と出来上がり強度入力手段１２の情報で
制御手段５が調理手段３を制御し、加熱室内の初期温
度、調理物の初期温度、量、種類等にかかわらず、簡易
操作で使用者の好みにあった出来上がり状態をばらつき
なく実現する。

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、ロースター等において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（ここではオー
ブンレンジ）は図９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の雰囲気温度を検出しサーミスタ等
から構成される温度検出手段４、温度検出手段４からの
情報でもって加熱供給手段３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温度検出手段４の出力がある温
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、調理室内の雰囲気温度を検出して、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。また、標準的な
出来上がり状態は実現できても使用者にとっては好みの
調理の出来上がりというものがあり、それは実現できな
かった。

【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・検出できる加熱室内の環
境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図り、更に使用者の好みに応じた調
理物の出来上がり状態を実現する調理器具を提供するこ
とを目的としている。

【０００６】

【課題を解決するための手段】本発明は上記の目的を達
成するために、調理するための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
環境を検出する環境物理量検出手段と、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
物理量検出手段の出力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り、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、獲得・学習された調
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
持つ神経回路網模式手段を有するものである。

【０００７】

【作用】本発明は上記した構成により、環境物理量検出
手段からの加熱室内の環境情報を調理度合推定手段に入
力することにより、実際に調理される実調理環境をすべ
て学習し内部に複数の結合重み係数として持つ神経回路
網模式手段を有する調理度合推定手段は、調理物の調理
度合を時々刻々推定していく。制御手段は、調理度合推
定手段の出力と出来上がり強度入力手段の情報に基づき
調理手段を制御していき調理を終了させる。

【０００８】

【実施例】以下、本発明の一実施例を図１および図２を
基に説明する。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】本実施例では、調理器具として、オーブン
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は調理室内の環境を検出す
る。本実施例では、調理室内の雰囲気温度を検出するも
のであり、サーミスタ等で構成されている。電圧レベル
検出手段７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は調理のカテゴリーを選択するカテゴ
リー選択キー１０と調理開始・停止を行なう調理キー１
１と、出来上がりの強度を決める出来上がり強度入力手
段１２よりなる。

【００１０】調理度合推定手段１３は環境物理量検出手
段６、電圧レベル検出手段７、計時手段８、カテゴリー
選択キー１０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１２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。調理手段３は、ヒーターと送風ファン
から構成され調理室２に配設されている。又、１４は調
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、１５、１６はＡ／Ｄ変換手段であり環境
物理量検出手段６、電圧レベル検出手段７の出力をディ
ジタルに変換している。図２に表示部と操作部の構成を
示す。

【００１１】調理度合推定手段１３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。本実施例は、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１３
を設けている。

【００１２】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、調理の
種類（カテゴリー）、商用電源電圧の電圧レベル等が考
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。

【００１３】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、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調
理度合（最適調理時間）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。

【００１４】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、１９９０年）、特公昭６
３−５５１０６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。

【００１５】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。

【００１６】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。

【００１７】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２１〜２
Ｎ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ΔＷ１〜Δ
ＷｎとΔｈ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。

【００１８】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。

【００１９】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。

【００２０】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
_j（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。

【００２１】図６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。

【００２２】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３４Ｘ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_ho _ut
（Ｚ）（ｊ＝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。

【００２３】

【数１】

【００２４】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。

【００２５】

【数２】

【００２６】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。

【００２７】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。

【００２８】こうして、神経回路網模式手段は調理をす
る時の環境データ（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
内の雰囲気温度データと調理物の調理度合（最適調理時
間）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、調理度合推定手段１３を構成するものである。

【００２９】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、調理度合推定手
段１３を構成する。実際に学習させたデータについて説
明する。

【００３０】図７は、調理室２の初期温度が低く、商用
電源電圧１００Ｖ、調理の種類はオーブンでスポンジケ
ーキ直径１８cmの場合の特性を示したものである。図７
（ａ）は環境物理量検出手段６（加熱室内の雰囲気温
度）の変化を示し、図７（ｂ）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８は、図７と同様
でスポンジケーキ直径２１cmの場合の特性を示したもの
である。

【００３１】図８（ａ）、（ｂ）は、図７（ａ）、
（ｂ）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の出力電圧変化（加熱室内の雰囲気温
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、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。

【００３２】このような実験を実際調理する時のすべて
の環境の組合について同様に行った。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環境物理量検出手段６の
調理室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７の商用電源電圧レベル情報と、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１０より得られるカテゴリー情報と、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、３１
Ｚ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１３に組み込んでいる。

【００３３】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１０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１２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１
１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１３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、加熱供給手段３を
発熱させるべく加熱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１３に入力されている。そ
して加熱室内の環境物理情報（雰囲気温度情報）は環境
物理量検出手段６の出力がＡ／Ｄ変換手段１５でディジ
タル変換され、時々刻々調理度合推定手段１３に入力し
ている。

【００３４】また電圧レベル検出手段７からの商用電源
電圧の電圧レベル情報は、ＡＤ変換手段１６でディジタ
ル変換され調理度合推定手段１３に入力されている。調
理度合推定手段１３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１２より得られる出来上がり
強度情報に基づき加熱供給手段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１２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１３の出力が
０．２を越えると加熱供給手段３を停止し、標準設定で
あれば０．５を越えると加熱供給手段３を停止し、強め
設定であれば０．８を越えると加熱供給手段３を停止す
る。

【００３５】また、制御手段５、計時手段８、調理度合
推定手段１３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、調理度合推
定手段１３には、環境物理量検出手段６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７
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１０より得られる調理物のカテゴリー情
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。

【００３６】又、環境物理量情報として雰囲気温度情報
を用いたが、煙情報、焦げ目の色情報、湿度情報、蒸気
情報でも適用できることはいうまでもない。又、本実施
例では調理器具としてオーブンレンジを用いたが、電子
レンジ、ガスオーブンでもよい。

【００３７】以上のように本実施例によれば、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１３を備え、出来上がり強度入力
手段１２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が加熱供給手段３を制御
する構成としているので、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。

【００３８】

【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調理室と、
前記調理物を調理する調理手段と、前記調理物の出来上
がり強度を入力する出来上がり強度入力手段と、前記調
理室内の環境を検出する環境物理量検出手段と、前記環
境物理量検出手段の出力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からの出力情報に
基づき前記調理手段を制御する制御手段とからなり、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た手法により獲得・学習され
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
部に持つ神経回路網模式手段を有するから、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。

【００３９】また、環境物理量の変化に調理物特有の性
質があり、それを含めて学習した調理度合推定手段を有
するので、各調理物に対応した調理物選択のための入力
を不要とし、調理メニュー群として集約したカテゴリー
入力で調理度合を推定でき、操作性を向上させる効果が
ある。

【００４０】更に、使用者の好む出来上がりの自動調理
も可能となる。

【図面の簡単な説明】

【図１】本発明の一実施例の調理器具の構成ブロック図

【図２】同調理器具に用いた操作部と表示部の構成図

【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）同調理器具の実験データの一例を示す特
性図（ｂ）同特性図

【図８】（ａ）同調理器具の実験データの他の例を示す
特性図（ｂ）同特性図

【図９】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２調理室３調理手段５制御手段６環境物理量検出手段１２出来上がり強度入力手段１３調理度合推定手段

───────────────────────────────────────────────────── フロントページの続き (72)発明者石嵜祥浩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

Claims

【特許請求の範囲】

【請求項１】調理するための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
環境を検出する環境物理量検出手段と、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
物理量検出手段の出力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。
【請求項２】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、獲得
・学習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。