KR20180091935A - 적외선 평가 제어를 갖는 전기 오븐 - Google Patents
적외선 평가 제어를 갖는 전기 오븐 Download PDFInfo
- Publication number
- KR20180091935A KR20180091935A KR1020187022060A KR20187022060A KR20180091935A KR 20180091935 A KR20180091935 A KR 20180091935A KR 1020187022060 A KR1020187022060 A KR 1020187022060A KR 20187022060 A KR20187022060 A KR 20187022060A KR 20180091935 A KR20180091935 A KR 20180091935A
- Authority
- KR
- South Korea
- Prior art keywords
- item
- chamber
- electric oven
- function
- surface temperature
- Prior art date
Links
- 238000011156 evaluation Methods 0.000 title claims description 60
- 238000009826 distribution Methods 0.000 claims abstract description 247
- 230000004044 response Effects 0.000 claims abstract description 176
- 238000000034 method Methods 0.000 claims abstract description 151
- 238000010438 heat treatment Methods 0.000 claims abstract description 119
- 230000009471 action Effects 0.000 claims description 257
- 230000006870 function Effects 0.000 claims description 202
- 239000013598 vector Substances 0.000 claims description 92
- 238000012549 training Methods 0.000 claims description 77
- 238000013213 extrapolation Methods 0.000 claims description 65
- 238000005457 optimization Methods 0.000 claims description 58
- 238000013433 optimization analysis Methods 0.000 claims description 57
- 230000015654 memory Effects 0.000 claims description 36
- 230000003334 potential effect Effects 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 30
- 230000002787 reinforcement Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000010287 polarization Effects 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 2
- 230000000704 physical effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 4
- 238000013459 approach Methods 0.000 description 123
- 238000009795 derivation Methods 0.000 description 37
- 230000008569 process Effects 0.000 description 33
- 230000000875 corresponding effect Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 23
- 230000008901 benefit Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 13
- 230000001965 increasing effect Effects 0.000 description 9
- 235000013305 food Nutrition 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 238000013475 authorization Methods 0.000 description 5
- 238000010411 cooking Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 241000287828 Gallus gallus Species 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000005670 electromagnetic radiation Effects 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003303 reheating Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 238000010257 thawing Methods 0.000 description 3
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 244000269722 Thea sinensis Species 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 108010082495 Dietary Plant Proteins Proteins 0.000 description 1
- VVQNEPGJFQJSBK-UHFFFAOYSA-N Methyl methacrylate Chemical compound COC(=O)C(C)=C VVQNEPGJFQJSBK-UHFFFAOYSA-N 0.000 description 1
- 229920005372 Plexiglas® Polymers 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 235000012489 doughnuts Nutrition 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 235000015110 jellies Nutrition 0.000 description 1
- 239000008274 jelly Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000031070 response to heat Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000009291 secondary effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000004441 surface measurement Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- 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
- H05B1/00—Details of electric heating devices
- H05B1/02—Automatic switching arrangements specially adapted to apparatus ; Control of heating devices
- H05B1/0227—Applications
- H05B1/0252—Domestic applications
- H05B1/0258—For cooking
- H05B1/0261—For cooking of food
- H05B1/0263—Ovens
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24C—DOMESTIC STOVES OR RANGES ; DETAILS OF DOMESTIC STOVES OR RANGES, OF GENERAL APPLICATION
- F24C7/00—Stoves or ranges heated by electric energy
- F24C7/08—Arrangement or mounting of control or safety devices
- F24C7/082—Arrangement or mounting of control or safety devices on ranges, e.g. control panels, illumination
- F24C7/085—Arrangement or mounting of control or safety devices on ranges, e.g. control panels, illumination on baking ovens
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0426—Programming the control sequence
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/1917—Control of temperature characterised by the use of electric means using digital means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/1927—Control of temperature characterised by the use of electric means using a plurality of sensors
- G05D23/193—Control of temperature characterised by the use of electric means using a plurality of sensors sensing the temperaure in different places in thermal relationship with one or more spaces
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/27—Control of temperature characterised by the use of electric means with sensing element responsive to radiation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G06N99/005—
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B6/00—Heating by electric, magnetic or electromagnetic fields
- H05B6/64—Heating using microwaves
- H05B6/6447—Method of operation or details of the microwave heating apparatus related to the use of detectors or sensors
- H05B6/645—Method of operation or details of the microwave heating apparatus related to the use of detectors or sensors using temperature sensors
- H05B6/6455—Method of operation or details of the microwave heating apparatus related to the use of detectors or sensors using temperature sensors the sensors being infrared detectors
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B6/00—Heating by electric, magnetic or electromagnetic fields
- H05B6/64—Heating using microwaves
- H05B6/66—Circuits
- H05B6/68—Circuits for monitoring or control
- H05B6/687—Circuits for monitoring or control for cooking
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2643—Oven, cooking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B40/00—Technologies aiming at improving the efficiency of home appliances, e.g. induction cooking or efficient technologies for refrigerators, freezers or dish washers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Electric Ovens (AREA)
- Radiation Pyrometers (AREA)
- Electric Stoves And Ranges (AREA)
Abstract
전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한, 개시된 컴퓨터-구현 방법은, 전기 오븐이 개개의 세트의 구성들에 있는 동안, 챔버에 대한 한 세트의 에너지 인가들로 아이템을 가열하는 단계를 포함한다. 세트의 에너지 인가들 및 개개의 세트의 구성들은, 챔버에서의 개개의 세트의 가변적 에너지 분포들을 정의한다. 이 방법은 또한, 적외선 센서를 사용하여, 세트의 에너지 인가들에 대한 아이템에 의한 개개의 세트의 응답들을 정의하는 센서 데이터를 감지하는 단계를 포함한다. 이 방법은 또한, 챔버 내의 아이템을 가열하기 위한 계획을 생성하는 단계를 포함한다. 계획은 전기 오븐의 제어 시스템에 의해 생성되며 센서 데이터를 사용한다.
Description
[001]
본 출원은, 2017년 3월 23일에 출원된 미국 출원 번호 15/467,975호를 우선권으로 주장하며, 상기 미국 출원은 2016년 3월 30일에 출원된 미국 가출원 번호 62/315,175호, 2017년 1월 12일에 출원된 미국 가출원 번호 62/445,628호, 2016년 6월 13일에 출원된 미국 가출원 번호 62/349,367호, 및 2016년 12월 14일에 출원된 미국 가출원 번호 62/434,179의 이점을 주장하며, 상기 출원들 모두는 모든 목적들을 위해 그 전체가 본원에서 인용에 의해 통합된다.
[002]
전기 오븐들은 전자기 방사선으로 챔버 내의 아이템들에 충격을 가함(bombarding)으로써 이들을 가열한다. 마이크로파 오븐들의 경우에, 방사선은 대개 2.45 GHz 또는 915 MHz의 주파수에서 마이크로파들의 형태를 취한다. 이러한 형태들의 방사선의 파장은 각각 12 cm 및 32.8 cm이다. 마이크로파 오븐 내의 파들은 챔버 내에서 반사하고 정상파(standing wave)들을 야기한다. 정상파들은, 동위상(in phase)이며 대향 방향들로 이동하고 있는 2개의 파들에 의해 야기된다. 2개의 파들의 결합된 효과로는 안티노드(antinode)들 및 노드(node)들의 생성이 있다. 노드들에서는 파들이 완전히 간섭하여(interfere), 어떠한 에너지도 전달되지 않는 스팟(spot)들을 생성한다. 안티노드들에서는 파들이 완전히 가간섭하여(cohere), 단일 파(single wave)의 에너지의 2배가 전달되는 스팟들을 생성한다. 방사선의 파장은, 가열되고 있는 아이템 내에서 열이 확산되는 스피드에 비해 상당하다. 결과적으로, 전기 오븐들은 전통적인 방법들에 비해 음식을 불균일하게 가열하는 경향이 있다.
[003]
전기 오븐들은 또한, 이 전기 오븐들이 가열되고 있는 아이템의 특정 볼륨에 열을 도입하는 메커니즘 때문에 음식을 불균일하게 가열하는 경향이 있다. 마이크로파 오븐의 전자기파들은, 분극된 분자들, 이를테면 워터(water)로 하여금 앞뒤로 회전하게 하며, 이로써 에너지가 운동 에너지의 형태로 아이템에 전달된다. 이로써, 순수한 워터는 마이크로파에서 매우 효과적으로 가열되지만, 분극된 분자들을 포함하지 않는 아이템들은 효율적으로 가열되지 않을 것이다. 이는 불균일한 가열의 문제를 악화시키며(compound), 이는 단일 아이템의 상이한 부분들이 높은 온도들로 가열되는 반면 다른 부분들은 그렇지 않을 수 있기 때문이다. 예컨대, 젤리 도우넛 중 설탕 함량이 높은 내부는 극도로 고온이 될 것인 반면 외부 도우는 그렇지 않다.
[004]
전기 오븐들에서 불균일한 조리를 처리하기 위한 전통적인 방법들은 회전 트레이 상에서 가열되고 있는 아이템을 이동시키는 단계 및 회전 스터러(stirrer)로 전자기 에너지의 빔을 차단하는 단계를 포함한다. 이러한 접근법들 둘 모두는 전자기파들의 안티노드의 적용이 아이템 상의 특정 스팟에 인가되는 것을 방지하며, 따라서 이는 불균일한 가열을 방지할 것이다. 그러나, 접근법들 둘 모두는 본질적으로, 아이템 자체 및 안티노드의 상대적 위치가 그들의 처리에 있어 랜덤한다. 이들은 또한, 특정 아이템들이 마이크로파에서 불균일하게 가열되는 문제를 다루지 않았다. 이러한 접근법들에서, 챔버에 인가되는 열은 가열되고 있는 아이템의 위치 또는 특정 내부 특징들에 기반하여 조정되지 않는다.
[005]
본원에 개시된 접근법들은 평가 피드백(evaluative feedback) 또는 결정론적 계획(deterministic planning)을 사용하여 가열을 위해 챔버에 배치된 임의의 아이템에 에너지를 인가하여, 전기 오븐에서 불균일한 가열의 문제를 해결한다. 일부 접근법들에서, 평가 피드백은 제어 시스템에 제공되는 적외선 센서를 사용하여 아이템에 대한 표면 온도 분포를 감지함으로써 아이템의 평가를 수반한다. 일부 접근법들에서, 평가 피드백은 아이템에 대한 에너지의 인가와 연관된 RF 파라미터들 이를테면 임피던스 매치 또는 리턴 손실(return loss)을 감지함으로써 아이템의 평가를 수반한다. 일부 접근법들에서, 결정론적 계획은, 평가 피드백에 대해 사용되는, 본원에서 논의되는 파라미터들 중 임의의 것의 평가를 사용하여 수행된다. 예컨대, 결정론적 계획은 아이템의 표면 온도 분포의 평가에 의해 안내될 수 있다. 표면 온도 분포의 평가는 발견 페이즈(discovery phase) 동안 수행될 수 있고, 이는 계획을 생성하는 데 사용될 수 있는 정보를 획득할 목적들로, 이러한 결정론적 계획자에 의해 전개되는 계획의 실제 실행에 대해 사전에(ex ante) 수행된다. 표면 온도 분포의 평가는 또한, 계획이 생성되었을 때 예상된 것에 따라 아이템의 실제 가열이 진행되고 있지 않은지 여부를 결정하기 위해, 계획의 실행 동안 수행될 수 있다.
[006]
일부 접근법들에서, 결정론적 계획에 의해 전개되는 계획의 실행 동안 또는 평가 피드백 루프의 실행 동안 제어 시스템에 의해 취해진 액션들은 아이템에 에너지를 인가하는 것, 및 챔버에 대한 에너지 소스의 강도 중 적어도 하나를 변경하는 것 및 그 에너지 소스에 의해 형성된 가변적 분포에 관한 아이템의 상대적 포지션을 변경하는 것을 수반한다. 예컨대, 마이크로파 소스는 챔버에서 가변적 전자기 에너지 분포를 형성할 수 있고, 가열되고 있는 아이템의 그 가변적 분포의 상대적 포지션은 조정될 수 있다. 가변적 분포는 노드들 및 안티노드들을 포함할 수 있다. 가변적 분포는 임의의 다른 인접 위치보다 큰 정도로 에너지가 인가되는 극대점(local maxima) 또는 "핫 스팟(hot spot)들"을 포함할 수 있다. 극대점은 아이템에 대한 상대적 포지션을 가질 것이다. 제어 시스템에 의해 취해진 액션은 상대적 포지션을 제1 포지션 값으로부터 제2 포지션 값으로 변경하는 것을 포함할 수 있다. 본원에서 사용되는 바와 같이, "가변적 분포(variable distribution)"라는 용어는 일시적으로 변하고 있는 에너지 분포가 아니라 공간에 걸친 에너지 레벨에서의 변동(variance)을 지칭한다.
[007]
일부 접근법들에서, 평가 피드백은 챔버에 배치된 임의의 아이템에 최적의 방식으로 에너지를 인가하도록 제어 시스템을 트레이닝하는 데 사용된다. 제어 시스템에 의해 취해진 각각의 액션이 제어 시스템에 트레이닝 정보를 제공하기 때문에, 평가 피드백은 특히 임의의 아이템들에 대한 불균일한 가열의 문제점에 적용가능하다. 이는, 순수 데이터 조작 태스크들에서와는 달리 각각의 트레이닝 에피소드가 상당한(appreciable) 양의 시간을 수반하기 때문에, 아이템을 가열하기 위해 제어 시스템을 트레이닝하는 경우에 특히 유리하다. 순수하게 디지털 영역에 존재하는 트레이닝 환경을 사용하여 제어 시스템을 트레이닝하는 것, 이를테면 다른 디지털 시스템에 대해 체스(chess)를 두도록 제어 시스템을 트레이닝하는 것은 밀리초보다 짧게 지속되는 에피소드들을 트레이닝하는 것을 수반할 수 있다. 그러나, 실세계에서 발생하는 물리적 반응들을 포함하는 트레이닝 환경을 사용하여 제어 시스템을 트레이닝하는 것은 그러한 물리적 반응들의 실제 스피드에 의해 세팅되는 제약들을 수반한다. 따라서, 제어 시스템에 의해 취해진 각각의 액션에 대한 응답으로 트레이닝 정보를 제공하는 평가 피드백은, 설정된 시간 기간에 더 많은 트레이닝 정보가 획득될 수 있기 때문에, 이러한 특정 애플리케이션에 대해 유리하다.
[008]
본원에 개시된 접근법들 중 일부는 또한 강화 학습 트레이닝(reinforcement learning training) 시스템을 사용하여 제어 시스템을 트레이닝하기 위해 평가 피드백으로부터 수집된 정보를 활용한다. 강화 학습은 액션 가치 함수(action-value function) 및 상이한 상태들에 대한 보상 값들의 할당의 사용을 수반한다. 액션 가치 함수는 시스템의 상태 및 그 상태로부터 입력들로서 취할 잠재적인 액션을 취하고, 그 액션을 취하는 것으로부터 획득될 잠재적인 미래의 보상들을 출력한다. 일부 접근법들에서, 상태는 적어도 부분적으로, 아이템의 표면 온도 분포에 의해 정의될 수 있다. 예컨대, 상태는 2차원 평면 또는 3차원 볼륨에 걸친 물리적 위치들에 대응하는 온도 값들의 매트릭스일 수 있다. 2차원 평면은 적외선 카메라 상의 픽셀들의 위치에 의해 세팅될 수 있거나 또는 이 2차원 평면은 아이템의 시각적 이미지로부터 외삽된(extrapolated) 아이템의 실제 표면 영역일 수 있다. 보상 값들은 다수의 입력들을 사용하여 계산될 수 있고, 표면 온도 분포로부터 도출될 수 있다. 보상들은 포지티브 또는 네거티브일 수 있다. 예컨대, 표면 온도 분포에서의 변동을 낮게 유지하기 위해 더 높은 보상들이 제공될 수 있다. 챔버에서 아이템이 새까맣게 타거나(char) 또는 엎질러지게(spill) 야기하기 위해 네거티브 보상들이 제공될 수 있다.
[009]
일부 접근법들에서, 결정론적 계획자 및 전기 오븐의 동작 또는 아이템에 관한 특정 파라미터들의 평가를 사용하여 계획이 생성된다. 예컨대, 전기 오븐은 최소 비용으로 아이템을 가열하기 위한 계획을 결정하기 위해 비용 함수를 평가할 수 있다. 비용 함수를 평가하는 것은 챔버에서 아이템의 표면 온도 분포에 관한 정보의 활용을 수반할 수 있다. 정보는 아이템에 대한 계획된 표면 온도 분포를 외삽하는 데 사용될 수 있다. 예컨대, 에너지의 미리 정의된 인가에 대한 응답으로 아이템의 표면 온도 분포는, 아직 발생되지 않은 아이템에 대한 에너지의 계획된 인가에 대한 응답으로 아이템의 온도 분포가 어떻게 변화될지를 외삽하는 데 사용될 수 있다. 그 다음, 외삽된 분포들은 에너지의 그 계획된 인가와 연관된 비용 함수를 평가하는 데 사용될 수 있다. 정보는 또한, 예상들에 대한 계획의 성과를 모니터링하기 위해, 계획된 표면 온도 분포로부터 실제 표면 온도가 벗어나고 있는지 여부를 결정하는 데 그리고 새로운 계획이 결정되어야 하는지 여부를 결정하는 데 사용될 수 있다. 정보는 또한, 휴리스틱(heuristic)을 사용하여, 추정된 계획 비용을 생성하는 데 사용될 수 있다. 예컨대, 전기 오븐에 대한 한 세트의 구성들 하에서 한 세트의 미리 정의된 에너지 인가들에 대한 응답으로 아이템의 표면 온도 분포는 타겟 온도에 도달하기 위해 아이템이 얼마나 더 오래 가열될 필요가 있는지의 추정을 제공하는 데 사용될 수 있다.
[010]
적외선 평가 제어를 활용하는 한 세트의 예시적인 컴퓨터-구현 방법들은 도 1의 흐름도(100) 및 전기 오븐(110)을 참조로 설명될 수 있다. 흐름도(100)는 적외선 평가 제어를 사용하여 챔버 내의 아이템, 이를테면 전기 오븐(110)의 챔버(112) 내의 아이템(111)을 가열하기 위한 한 세트의 컴퓨터-구현 방법들을 예시한다. 적외선 평가 제어는 결정론적 계획자에 대한 정보를 획득하는 것 또는 평가 피드백을 수반할 수 있다. 방법들은 전기 오븐(110)의 제어 시스템에 의해 실행되거나 또는 관리될 수 있다. 전기 오븐은 챔버 벽에 있는 벌어진 틈(discontinuity)(114) 및 마이크로파 에너지 소스(113)를 포함할 수 있다. 마이크로파 에너지 소스(113)는 챔버에서 에너지 분포(115)를 생성할 수 있다. 벌어진 틈(114)은 적외선 센서(116)가 아이템의 표면 온도 분포를 감지하게 허용할 수 있다. 센서(116)는 적외선 에너지를 센서에 커플링시키는 도파관 또는 일부 다른 수단을 통해 벌어진 틈(114)에 커플링될 수 있다.
[011]
단계(101)에서, 전기 오븐(110)의 제어 시스템은 제1 액션을 취한다. 액션은 시간(t)에서 수행되는 것으로 예시되어 있다. 제1 액션은, 챔버(112)에서, 마이크로파 에너지 소스(113)로부터의 에너지 분포(115)의 상대적 포지션 및 강도 중 적어도 하나를 변경한다. 에너지 분포(115)의 상대적 포지션은 아이템(111)에 대해 정의된다. 분포(115)는 챔버에 인가되는 마이크로파 에너지 소스(113)의 정상파 패턴에 의해 야기될 수 있다. 분포(115)는 또한, 아이템에 대한 에너지의 타겟팅된 인가에 의해 야기될 수 있다. 예시적인 가변적 분포(115)가 아이템(111)에 인가되는 것으로 예시되어 있다. 가변적 분포(115)는 포인트(117)에서 아이템(111)과 정렬되는 극대점을 포함한다.
[012]
단계(102)에서, 아이템에 대한 표면 온도 분포는 적외선 센서를 사용하여 감지된다. 적외선 센서는 아이템(111)으로부터 적외선 방사선을 캡처하는 적외선 센서(116)일 수 있다. 단계(102)는, 대안적으로 또는 부가적으로, 아이템(111)으로의 에너지의 전달과 연관된 RF 파라미터들을 감지하는 것을 수반할 수 있다. 이러한 경우, 단계(102)의 일부 양상들은 단계(101)와 동시적으로 수행될 수 있다. 그러나, 단계(102)는 또한, 전기 오븐이 단계(101)에서 액션의 실행을 완료한 후 수행될 수 있다. 예컨대, 표면 온도 분포가 전체 가열 프로세스의 발견 페이즈 동안 측정되는 특정 경우에서, 단계(101)에서의 액션은 아이템에 대한 에너지의 프로비저닝(provisioning_일 수 있고, 단계(102)에서의 감지는 에너지 전달의 직후에(in the immediate aftermath) 아이템의 응답을 측정하기 위해 수행될 수 있다.
[013]
단계(103)에서, 전기 오븐의 제어 시스템은 함수 출력을 생성하기 위해 함수를 평가할 것이다. 단계(102)에서 감지된 표면 온도 분포 및 전기 오븐이 취할 적어도 하나의 잠재적 액션으로부터 도출되는 정보가 함수를 평가하는 데 사용될 수 있다. 잠재적 액션은, 그가 근접한 시간 단계에서 취해질 액션임을 표시하기 위해 t + Δt로 라벨링된다. 단계(103)로부터 단계(101)로의 루프 백(loop back)은, 시간이 Δt만큼 증분되고 다음 액션이 실행되는 시간 단계를 표시한다. 단계(101)의 이러한 제2 반복 동안, 전기 오븐의 제어 시스템은 제2 액션을 취할 것이다. 제2 액션은 챔버에서 마이크로파 에너지 소스로부터의 에너지 분포의 상대적 포지션 및 강도 중 적어도 하나를 변경할 것이다. 제2 동작은 함수 출력에 기반하여 한 세트의 잠재적 액션들로부터 선택된다. 아래에서 설명되는 바와 같이, 제2 액션은 평가 피드백 루프에 따라 제어 시스템에 의해 취해지는 다음 액션일 수 있거나 또는 이 제2 액션은 계획에 따라 액션들의 시퀀스의 일부로서 나중의 시간에 취해지는 액션일 수 있다. 계획은 결정론적 계획자에 의해 또는 단계(103)에서 수행되는 최적화 분석에 의해 결정될 수 있다.
[014]
함수는 함수 출력으로서 역할을 하는 보상 값을 갖는 액션 가치 함수 F(s, a)일 수 있다. 보상 값은 상태 "s"로부터 액션 "a"를 취하는 것과 연관된 보상일 수 있다. 표면 온도 분포로부터 도출되는 정보는 함수에 대한 상태 값 "s"일 수 있다. 그런 다음, 전기 오븐이 취할 다음 액션은 액션 가치 함수에 대한 제2 입력 "a"일 수 있다. 아래에서 설명되는 바와 같이, 이러한 접근법은 평가 피드백 또는 강화 학습 접근법과 조합하여 사용될 수 있다.
[015]
함수는 대안적으로, 함수 출력으로서의 역할을 하는 비용 값(cost value)을 갖는 비용 함수 F(n)일 수 있다. 비용 값은 노드 "n"에서 수행된 평가에 기반하여 아이템을 가열하기 위한 계획을 실행하는 것과 연관된 계획 비용일 수 있다. 노드는, 전기 오븐이 실행할 수 있는 액션들의 시퀀스에 의해 정의될 수 있다. 그 액션들의 시퀀스에서의 액션들 중 하나는 함수를 평가하는 데 활용되는 잠재적 액션이다. 계획 비용은 그 액션들의 시퀀스의 실행으로부터 초래되는 트래버싱된 계획 비용(traversed plan cost)과 연관될 수 있다. 노드는 또한 외삽 엔진에 의해 제공되는 아이템의 외삽된 상태와 연관될 수 있다. 노드는 또한, 휴리스틱에 의해 제공되는 추정되는 미래 계획 비용(future plan cost)과 연관될 수 있다. 표면 온도 분포로부터 도출되는 정보는 외삽된 상태를 외삽하기 위해 외삽 엔진에 의해 사용될 수 있다. 표면 온도 분포로부터 도출되는 정보는 또한, 편차가 계획의 외삽된 효과로부터 발생했는지를 결정하는 데 사용될 수 있다. 예컨대, 액션들의 시퀀스로부터 초래되는 것으로 예상되었던 외삽된 표면 온도 분포는, 이러한 액션들의 실제 실행 이후 감지되었던 실제 표면 온도 분포에 대해 비교될 수 있다. 편차 검출기에 의해 평가가 수행될 수 있다. 편차를 검출 시, 제어 시스템은 오리지널 계획을 포기하고 새로운 계획을 생성할 수 있다. 이러한 접근법들은, 아래에 설명되는 바와 같이, 결정론적 계획자 접근법과 조합하여 사용될 수 있다.
[016]
함수는 대안적으로, 최적화 분석 솔버(optimization analysis solver)에 의해 실행될 수 있다. 최적화 분석은, 허용 가능한 에러 값(즉, 톨러런스) 내에서 아이템을 타겟 상태로 가열하기 위한 계획을 생성하는 것이 가능했는지를 결정할 수 있다. 분석은 이전 액션의 실행 동안 센서로부터 획득된 데이터를 이용하여 수행될 수 있다. 예컨대, 데이터는 감지하는 단계(102)에서 수집될 수 있고, 단계(101)에서 수행된 액션에 대한 아이템의 응답을 정의할 수 있다. 그런 다음, 최적화 분석은, 획득된 센서 데이터를 통해 응답이 알려진 이전에 수행된 액션들이 아이템을 현재 상태로부터 타겟 상태로 되게 하는 특정 시퀀스에서 반복될 수 있는지를 결정할 수 있다. 최적화 분석은 컨벡스 최적화 솔버(convex optimization solver)를 사용할 수 있다. 최적화 분석의 출력은 아이템을 가열하기 위한 계획을 직접 도출하는 데 사용될 수 있다. 이 경우, 단계(101)의 미래의 반복들에서 수행되는 액션들은 계획에 의해 특정된 액션들의 실행을 수반할 수 있다. 이러한 최적화 분석은, 또한 또는 대안적으로, 위에서 설명된 휴리스틱 또는 외삽 엔진으로서 그리고 그로 인해, 결정론적 계획자의 계획 생성 프로세스의 일부로서 사용될 수 있다.
[017]
본원에 개시된 접근법들 중 일부는, 사용자에 의해 선택된 특정 종류의 가열 또는 챔버에 배치된 아이템의 아이덴티티에 기반하여 제어 또는 트레이닝 시스템에 대한 변경을 수반한다. 특히, 본원에서 언급된 강화 학습 접근법에 대한 액션 가치 함수, 비용 함수, 휴리스틱, 외삽 엔진, 편차 검출기, 상태 특징, 보상 도출 절차, 최적화 분석 또는 트레이닝 시스템은 사용자로부터의 커맨드들 또는 아이템의 아이덴티티에 기반하여 변경될 수 있다. 예컨대, 균일한 온도를 유지하는 것이 더 큰 보상들 및 더 낮은 비용들과 연관되도록 아이템이 주요한 온도 격차들로부터 서서히 복원하는 것으로 알려졌다면, 비용 함수 및 보상 도출 절차 둘 모두는 변경될 수 있다. 다른 예로서, 짧은 시간 기간 동안 타겟 온도가 초과되었을 경우 아이템이 새까많게 타버린 것으로 또는 신속하게 건조된 것으로 인식되었다면, 최적화 분석에 대한 톨러런스는 감소될 수 있다.
[018]
이러한 접근법들에서, 아이템의 아이덴티티에 관한 정보는, 제어 및 트레이닝 시스템들의 동작을 보조하기 위해 다양한 채널에 의해 제공될 수 있다. 채널들은 아이템의 패키지 상에 위치된 QR 코드 또는 UPC 바코드를 포함할 수 있다. 다른 채널은, 적외선 센서에 의해 모니터링되는 에너지 인가에 대한 아이템의 모니터링된 응답과 같은 정해진 교정 단계에 대한 아이템에 대한 응답일 수 있다. 다른 채널은, 특정 음식 아이템들로서 챔버 내의 아이템들을 식별하기 위해 분류 시스템으로서 작동하도록 트레이닝된 전통적인 뉴럴 네트워크와 같은 별개의 머신 학습 알고리즘일 수 있다. 다른 채널은 아이템으로부터 반사되고 가시 광 센서에 의해 검출된 가시 광일 수 있다. 다른 채널은 사용자 인터페이스를 통한, 전기 오븐의 사용자로부터 입력일 수 있다. 이 채널들을 통해 제공되는 정보는 아이템을 간단하게 식별할 수 있고, 제어 시스템이 자기 자신을 어떻게 변경할지를 결정하게 허용할 수 있거나, 또는 정보는 제어 시스템을 변화시키기 위해 실질적으로 직접 인가될 수 있다. 예를 들어, QR 코드는 아이템을 냉동 저녁 식사로서 식별할 수 있고, 제어 시스템은 식별 정보에 기반하여 새로운 보상 도출 절차를 로딩할 수 있거나 또는 QR에서의 정보는 그 자체가 새로운 보상 도출 절차일 수 있다. 예컨대, 보상 도출 절차는 냉동에서 해동으로의 아이템의 점진적인 페이즈 변화를 보상할 수 있다.
[019]
본원에 개시된 접근법들 중 일부는, 연관된 계획자 또는 강화 학습 시스템이 기능하도록 타겟 상태의 정의를 요구한다. 타겟 상태는 다양한 특이성 정도(varying degrees of specificity)로 전기 오븐의 사용자로부터 수신될 수 있다. 예컨대, 사용자는 아이템에 대한 특정 온도 또는 서브-아이템들에 대한 한 세트의 상이한 온도들을 특정할 수 있다. 대안적으로, 사용자는 일반적인 커맨드, 이를테면 "데움" 또는 "끓임"을 특정할 수 있고, 타겟 상태는 그 커맨드로부터 도출될 수 있다. 타겟 상태는 아이템의 볼륨 전반에 걸친 또는 아이템의 표면에 걸친 온도 분포에 의해 정의될 수 있다. 일부 접근법들에서, 전기 오븐은 콘텍스트, 이를테면, 아이템의 아이덴티티, 사용자로부터 수신된 이전 입력들, 및 다른 외부 팩터들, 이를테면 전기 오븐의 위치 및 하루 중의 시간으로부터 타겟 상태를 직감할 것이다.
[020]
개시된 접근법들은, 더욱 신뢰적인 가열을 제공함으로써 전기 오븐들 및 마이크로파 가열의 분야들을 개선한다. 제어되고 신뢰적인 방식으로, 아이템으로의 전자기 에너지의 인가를 제어하는 것은 기술적 문제점이다. 개시된 접근법들은, 이 기술적 문제점에 대한 솔루션에 기여하는 한 세트의 양상들을 포함한다. 특히, 본원에서 설명된 바와 같은 평가 피드백의 사용, 최적화 분석들, 결정론적 계획자들, 및 강화 학습의 사용은 각각, 일반적으로, 위에서 언급된 기술적 문제점들을 해결하고 전기 오븐들의 동작을 개선하기 위한 본 발명의 방식으로, 전기 오븐 내의 아이템을 가열하기 위한 제어 시스템의 정확도 및 효율성을 향상시킨다.
[021]
도 1은 본원에 개시된 접근법들에 따라 전기 오븐의 예시 및 평가 제어 시스템을 사용하여 챔버 내의 아이템을 가열하기 위한 한 세트의 컴퓨터-구현 방법들에 대한 흐름도를 포함한다.
[022] 도 2는 본원에 개시된 접근법들에 따라 전기 오븐의 챔버에서 에너지 분포를 변경하기 위한 반사성 엘리먼트의 평면도 및 측면도를 포함한다.
[023] 도 3은 본원에 개시된 접근법들에 따라 최적화 분석을 사용하여 챔버 내의 아이템을 가열하기 위한 한 세트의 컴퓨터-구현 방법들에 대한 흐름도를 포함한다.
[024] 도 4는, 도 3의 최적화 분석들 중 일부의 설명을 가능하게 하는, 상태 벡터들 및 응답 벡터들을 반영하는 한 세트의 컬러 코딩 그리드(color coded grid)들을 포함한다.
[025] 도 5는 도 3의 최적화 분석들 중 일부의 설명을 가능하게 하는 데이터 흐름 다이어그램을 포함한다.
[026] 도 6은 본원에 개시된 접근법들에 따라 단일 지속기간 벡터로부터 도출되는 2개의 계획들을 도표화하는 2 세트들의 축들을 포함하며, 여기서 2 세트들의 축들 중 x-축은 초 단위의 시간이며, 2 세트들의 축들 중 y-축은 섭씨 온도 단위의 온도이다.
[027] 도 7은 최적화 분석의 시뮬레이팅된 에러를 도표화 한, 한 세트의 축들을 포함하며, 여기서 x-축은 최적화 분석에 이용가능한 구성들의 수이고, y-축은 섭씨 온도 단위의 에러이다.
[028] 도 8은 본원에 개시된 접근법들에 따라 강화 학습과 함께 평가 피드백 제어 시스템을 이용하여 챔버 내의 아이템을 가열하기 위한 한 세트의 컴퓨터-구현 방법들에 대한 흐름도를 포함한다.
[029] 도 9는 본원에 개시된 접근법들에 따라 액션 가치 함수로서의 역할을 하는 함수 근사기(function approximator)를 갖는 제어 시스템의 동작을 예시하는 블록 다이어그램을 포함한다.
[030] 도 10은 본원에 개시된 접근법들에 따라 결정론적 계획자를 사용하여 챔버 내의 아이템을 가열하기 위한 한 세트의 컴퓨터-구현 방법들에 대한 흐름도를 포함한다.
[031] 도 11은 본원에 개시된 접근법들에 따라 한 세트의 액션들에 대한 응답으로 아이템의 상태를 외삽하기 위해 표면 온도 분포를 활용하는 외삽 엔진의 개념 다이어그램을 포함한다.
[032] 도 12는 본원에 개시된 접근법에 따라 실행될 때 모니터링되는 도출된 계획의 성과(performance)의 개념 다이어그램을 포함한다.
[033] 도 13은 본원에 개시된 강화 학습 접근법들에 따라 전기 오븐에 대한 제어 시스템을 예시하는 데이터 흐름 다이어그램을 포함한다.
[034] 도 14는 본원에 개시된 결정론적 계획자 접근법들에 따라 전기 오븐에 대한 제어 시스템을 예시하는 데이터 흐름 다이어그램을 포함한다.
[035] 도 15는 본원에 개시된 접근법들에 따라 상태 도출 시스템의 양상의 개념 다이어그램을 포함한다.
[036] 도 16은 외부 채널들로부터의 데이터를 사용하여 도 13의 제어 시스템의 초기화를 예시하는 데이터 흐름 다이어그램을 포함한다.
[022] 도 2는 본원에 개시된 접근법들에 따라 전기 오븐의 챔버에서 에너지 분포를 변경하기 위한 반사성 엘리먼트의 평면도 및 측면도를 포함한다.
[023] 도 3은 본원에 개시된 접근법들에 따라 최적화 분석을 사용하여 챔버 내의 아이템을 가열하기 위한 한 세트의 컴퓨터-구현 방법들에 대한 흐름도를 포함한다.
[024] 도 4는, 도 3의 최적화 분석들 중 일부의 설명을 가능하게 하는, 상태 벡터들 및 응답 벡터들을 반영하는 한 세트의 컬러 코딩 그리드(color coded grid)들을 포함한다.
[025] 도 5는 도 3의 최적화 분석들 중 일부의 설명을 가능하게 하는 데이터 흐름 다이어그램을 포함한다.
[026] 도 6은 본원에 개시된 접근법들에 따라 단일 지속기간 벡터로부터 도출되는 2개의 계획들을 도표화하는 2 세트들의 축들을 포함하며, 여기서 2 세트들의 축들 중 x-축은 초 단위의 시간이며, 2 세트들의 축들 중 y-축은 섭씨 온도 단위의 온도이다.
[027] 도 7은 최적화 분석의 시뮬레이팅된 에러를 도표화 한, 한 세트의 축들을 포함하며, 여기서 x-축은 최적화 분석에 이용가능한 구성들의 수이고, y-축은 섭씨 온도 단위의 에러이다.
[028] 도 8은 본원에 개시된 접근법들에 따라 강화 학습과 함께 평가 피드백 제어 시스템을 이용하여 챔버 내의 아이템을 가열하기 위한 한 세트의 컴퓨터-구현 방법들에 대한 흐름도를 포함한다.
[029] 도 9는 본원에 개시된 접근법들에 따라 액션 가치 함수로서의 역할을 하는 함수 근사기(function approximator)를 갖는 제어 시스템의 동작을 예시하는 블록 다이어그램을 포함한다.
[030] 도 10은 본원에 개시된 접근법들에 따라 결정론적 계획자를 사용하여 챔버 내의 아이템을 가열하기 위한 한 세트의 컴퓨터-구현 방법들에 대한 흐름도를 포함한다.
[031] 도 11은 본원에 개시된 접근법들에 따라 한 세트의 액션들에 대한 응답으로 아이템의 상태를 외삽하기 위해 표면 온도 분포를 활용하는 외삽 엔진의 개념 다이어그램을 포함한다.
[032] 도 12는 본원에 개시된 접근법에 따라 실행될 때 모니터링되는 도출된 계획의 성과(performance)의 개념 다이어그램을 포함한다.
[033] 도 13은 본원에 개시된 강화 학습 접근법들에 따라 전기 오븐에 대한 제어 시스템을 예시하는 데이터 흐름 다이어그램을 포함한다.
[034] 도 14는 본원에 개시된 결정론적 계획자 접근법들에 따라 전기 오븐에 대한 제어 시스템을 예시하는 데이터 흐름 다이어그램을 포함한다.
[035] 도 15는 본원에 개시된 접근법들에 따라 상태 도출 시스템의 양상의 개념 다이어그램을 포함한다.
[036] 도 16은 외부 채널들로부터의 데이터를 사용하여 도 13의 제어 시스템의 초기화를 예시하는 데이터 흐름 다이어그램을 포함한다.
[037]
전기 오븐의 챔버 내의 아이템을 가열하기 위해 평가 제어를 사용하는 제어 시스템들이 개시된다. 일부 접근법들에서, 제어 시스템들은 평가 피드백을 사용한다. 제어 시스템의 출력은 챔버 내의 아이템과 관련하여 오븐의 챔버에 인가된 가변적 전자기 에너지 분포의 상대적 포지션 및 전력 레벨을 포함할 수 있다. 제어 시스템으로의 피드백은 시각적 광 데이터, 아이템의 표면 온도 분포, 또는 챔버 또는 아이템에 의한 전자기 에너지의 흡수와 연관된 RF 파라미터들을 포함할 수 있다. 일부 접근법들에서, 평가 피드백은 강화 학습 트레이닝 시스템을 사용하여 제어 시스템을 트레이닝하는 데 사용된다. 일부 접근법들에서, 제어 시스템은 아이템을 가열하기 위해 결정론적 계획자를 사용하여 계획을 생성한다. 일부 접근법들에서, 평가 피드백은 정해진 액션에 대한 아이템의 응답을 학습하는 데 사용된다. 그런 다음, 응답들 및 액션들의 쌍들은 타겟 상태로 아이템을 가열하기 위한 계획을 도출하는 데 사용될 수 있다. 계획은, 챔버 내의 아이템에 대해 챔버에 인가된 전자기 에너지의 패턴에 대한 가변적 분포 및 전력 레벨을 변화시키는 액션들의 시퀀스를 포함할 수 있다. 계획은, 전체 가열 프로세스의 발견 페이즈 동안 아이템의 표면 온도 분포의 평가 그리고 전기 오븐에 의해 취해진 추가 액션들에 대한 응답으로 표면 온도 분포가 어떻게 변경되는지의 외삽에 기반하여 생성될 수 있다. 계획의 실행 동안, 계획의 성과는 아이템의 표면 온도 분포의 평가, 또는 다른 피드백 파라미터에 기반하여 모니터링될 수 있다.
[038]
전기 오븐 컴포넌트들
[039]
도 1의 전기 오븐(110)은 본원에 개시된 접근법들에 따라 사용될 수 있는 전기 오븐의 다양한 특징들을 예시한다. 오븐 개구는 아이템(111)이 가열되도록 배치되어 있는 챔버(112)를 나타내기 위해 예시되지 않았다. 아이템(111)은 에너지 소스(113)로부터의 가변적 에너지 분포(115)를 통한 전자기파들에 의해 충격이 가해진다. 아이템은 트레이(118) 상에 배치될 수 있다. 전기 오븐(110)은 제어 패널(119)을 포함한다. 제어 패널(119)은 오븐(110) 내에 위치되지만 챔버(112) 외부인 제어 시스템에 연결된다. 제어 시스템은 프로세서, ASIC 또는 다른 임베디드 시스템 코어(embedded system core)를 포함할 수 있으며, 인쇄 회로 보드 또는 다른 기판 상에 위치될 수 있다. 제어 시스템은 또한, 본원에서 개시된 방법들을 실행하기 위한 명령들을 저장하기 위해 펌웨어 또는 비휘발성 메모리, 이를테면 플래시 또는 ROM에 액세스할 수 있다.
[040]
에너지 소스(113)는 전자기 에너지의 소스일 수 있다. 소스는 단일 도파관 또는 안테나를 포함할 수 있다. 소스는 안테나들의 어레이를 포함할 수 있다. 전자기파들은 마이크로파들일 수 있다. 전기 오븐(110)은 직류 전력으로부터 마이크로파들을 생성하는 캐비티 마그네트론(cavity magnetron)을 포함할 수 있다. 마이크로파들은 2.45 GHz 또는 915 MHz의 주파수를 가질 수 있다. 캐비티 마그네트론은, 마이크로파들이 다양한 전력 레벨들에서 생성될 수 있도록 현대의 인버터 마이크로파 기술에 의해 전력공급될 수 있다. 그러나, 전통적인 전력 컨디셔닝 기술은 마그네트론에 대한 한 세트의 직류 전력을 생성하는 데 사용될 수 있다. 일반적으로, 전자기파들은 라디오 주파수 파들일 수 있다. 파들의 주파수는 또한 에너지 소스(113)에 의해 변경가능할 수 있다. 에너지 소스(113)는 또한, 상이한 주파수들을 갖는 다수의 파 패턴들을 동시에 생성하도록 구성될 수 있다.
[041]
마이크로파(110)는 챔버(112)에 의해 정의된 볼륨 내의 상이한 3차원 포인트들에서 형성된 안티노드들 및 노드들을 이용하여 챔버(112) 내에 가변적 분포(115)를 형성할 수 있다. 챔버(112) 내의 가변적 분포에 대한 특정 물리적 구성은 전기 오븐의 모드로서 지칭될 수 있다. 챔버 내의 에너지의 상대적인 분포는, 아이템(111)을 정지상태로 유지하면서 전기 오븐의 모드를 변경함으로써 또는 챔버 내의 아이템(111)을 이동시킴으로써 변경될 수 있다. 에너지 소스(113)는 챔버(112) 내의 고정 포지션들에서 정상파들의 형성을 방지하기 위한 모드 스터러를 포함할 수 있다. 모드 스터러는, 챔버(112)에 인가되는 전자기 에너지를 부분적으로 차단하고, 그리고 에너지가 차단되어 다양한 각도들의 반사가 야기되고 챔버(112)에 형성된 안티노드들 및 노드들의 패턴을 변경하는 방식을 변경하는 방식으로 배치된 돌출부(protrusion)들의 집합(collection)일 수 있다. 에너지 소스(113)가 안테나들의 어레이인 상황들에서, 에너지 소스는 챔버(112) 내의 가변적 분포를 변경하기 위해 어레이 내의 안테나들에 가변적인 레벨들의 에너지를 순간적으로 전달할 수 있다.
[042]
제어 패널(119)은 사용자와 통신하는 데 사용될 수 있다. 제어 패널(119)은 사용자에게 정보를 제공하고 사용자로부터 커맨드들을 수신하기 위해 또는 이 둘 모두를 위해 사용된다. 제어 패널(119)은 선택적인 디스플레이, 키패드, 스피커, 및 카메라를 갖는 것으로 도시된다. 제어 패널은 디스플레이 상에 정보를 디스플레이할 수 있다. 디스플레이는 터치 인에이블이며, 터치 제어기를 통해 사용자로부터의 커맨드들을 수신할 수 있다. 제어 패널은 스피커를 통해 오디오 프롬프트(audio prompt)들을 제공하고 통합된 마이크로폰을 통해 사용자로부터의 음성 커맨드들을 수신할 수 있다. 음성 시스템의 정교함에 의존하여, 스피커는 또한, 사용자와 기본적인 대화를 수행하여 전기 오븐에 대한 음성 커맨드들의 입력 시에 이들을 안내하는 데 사용될 수 있다. 제어 패널은 키패드를 통해 사용자로부터의 커맨드들을 수신할 수 있다. 도 1에는 기본 세트의 키들이 제시되어 있지만, 전기 오븐은 본원에서 개시된 전기 오븐들의 특정 기능성들에 특정적인 커맨드들을 입력하기 위해 임의의 수의 특수화된 키들을 가질 수 있다. 제어 패널은 카메라를 통해 또는 교번적인 초음파 또는 자외선 센서를 통해 사용자로부터의 제스처 커맨드들을 수신할 수 있다. 제어 패널은, UPC 또는 바코드들이 카메라를 통해 챔버(112)에 배치되기 전에 아이템들의 패키징으로부터 그 UPC 또는 바코드들로부터의 정보를 수신할 수 있다. 카메라는 또한, 전통적인 분류기 및 이미지 인식 기법들을 사용하여 카메라의 시야에 배치된 아이템들을 인지하도록 구성될 수 있다.
[043]
전기 오븐(110)은 또한, 유선 또는 무선 통신 시스템으로의 하나 또는 그 초과의 연결들을 포함할 수 있다. 예컨대, 오븐은 위성 또는 Wi-Fi 연결을 위한 라디오를 포함할 수 있다. 전기 오븐(110)에 대한 제어 시스템은 그 라디오를 통해 인터넷을 통하여 통신하기 위한 웹 브라우저 또는 간단한 HTTP 클라이언트를 포함할 수 있다. 무선 통신 시스템 및 제어 시스템은 또한, LAN 또는 PAN을 통해, 이를테면 블루투스, 지그비, Z-파 또는 유사한 표준의 사용을 통해 통신하도록 구성될 수 있다. 라디오는 또한, 가열될 아이템들의 패키징 상에 배치된 RFID 태그들과의 유도성 통신을 수행하도록 구성될 수 있다. 유도성 통신은 NFC 통신일 수 있다.
[044]
전기 오븐은 업데이트들을 수신하고 머신의 동작에 대한 정보를 제공하기 위해 전기 오븐(110)의 제조자에 의해 또는 그 대신 관리되는 중앙 서버와 위에서 언급된 수단들 중 임의의 수단을 통해 통신할 수 있다. 제어 패널(119)에 의해 제공되는 기능성 모두는 별개의 소비자 디바이스, 이를테면 모바일 텔레폰 또는 워크스테이션 상의 웹 포탈에 의하여, 위에서 언급된 수단들 중 임의의 수단을 통해 제공될 수 있다. 통신은 오븐으로부터 디바이스로 상태 정보를 제공하거나 또는 디바이스로부터 오븐으로 커맨드들을 제공하는 것을 포함할 수 있다. 디바이스 및 오븐이 별개의 장소들에 있을 잠재성을 고려하여 추가 기능성(예컨대, 더 빈번한 상태 업데이트들 또는 챔버에 있는 것의 가시 광 이미지)이 제공될 수 있다.
[045]
전기 오븐(110)은 또한, 전자기 방사선을 챔버 밖으로 채널링하게 허용하도록 구성되는 벌어진 틈을 챔버(112)의 벽들에 포함할 수 있다. 벌어진 틈은 개구(114)일 수 있다. 전기 오븐(114) 내의 개구(114)가 챔버(112)의 벽 상에 도시되어 있지만, 개구는 챔버(112)의 내부의 충분한 뷰(view)를 제공하는 챔버(112)의 표면 상의 임의의 장소에 위치될 수 있다. 개구는 에너지 소스(113)로부터의 전자기 에너지를 차단하면서 다른 스펙트럼들의 전자기 에너지가 개구(114)를 통해 탈출하게 허용하도록 세팅된 물리적 파라미터들을 갖는 이전의(past) 컷오프 도파관을 포함할 수 있다. 예컨대, 가시 광 및 적외선 에너지가 개구(114)를 통과하게 허용되었던 반면, 마이크로파 에너지는 개구를 통해 빠져나가는 것이 방지될 수 있다.
[046]
개구(114)는 챔버(112)로부터 직접적으로 또는 도파관을 통해 센서로 에너지를 채널링할 수 있다. 센서는 적외선 에너지 또는 가시 광, 또는 그 둘의 조합을 검출하도록 구성될 수 있다. 센서 또는 센서들의 세트는 IR 카메라, 가시 광 카메라, 서모파일(thermopile), 또는 가시 광 센서 데이터 및/또는 적외선 광 센서 데이터를 획득할 수 있는 임의의 다른 센서를 포함할 수 있다. 특정 예에서, 개구는 IR 필터가 제거된 표준 가시 광 카메라에 연결되어, 그 카메라가 가시 광 센서 및 적외선 센서 둘 모두로 작동하고 적외선 센서 데이터 및 가시 광 센서 데이터 둘 모두를 수신하는 것을 할 수 있게 한다. 단일 센서 접근법은, 2개의 상이한 시야들의 정렬에서의 에러가 2개의 센서 시스템에 대한 경우와 같이 상쇄될 필요가 없을 것이라는 점에서 특정 이점들을 제공할 것이다.
[047]
동일한 개구가 챔버 밖으로 가시 광 및 적외선 광 둘 모두를 채널링하는 데 사용될 수 있다. 하나의 접근법에서, 이전의 컷오프 도파관에 부가적으로 또는 그에 대안적으로 사용될 수 있는 시간 멀티플렉싱 필터링 시스템은 단일 센서 또는 다수의 센서들이 전자기 에너지의 동일한 스트림으로부터 가시 광 및 적외선 에너지 둘 모두를 검출하게 허용할 수 있다. 필터는 휠(wheel) 또는 다른 선택기를 포함할 수 있고, 필터들은 전자기 에너지의 상이한 스펙트럼들에 대한 것이다. 휠은 전자기 에너지의 스트림과 일직선으로 배치되고 대안적으로, 가시 광 또는 적외선 에너지만을 송신할 것이다. 그런 다음, 휠의 대안적인 측 상에 배치된 센서 또는 센서들은 착신 스트림으로부터 원하는 광을 검출하는 것이 가능하게 될 것이다. 센서는 또한, 스펙트럼들 둘 모두에 관한 정보를 획득하고, 디지털 필터링을 사용하여 신호를 그의 적외선 및 가시 광 컴포넌트 부분으로 분해하도록 구성될 수 있다. 다른 접근법에서, 센서들은, 예컨대 챔버 상의 개구에 대해 약간 상이한 각도들로 포지셔닝됨으로써 전자기 에너지의 동일한 스트림의 상이한 세그먼트들을 연속적으로 획득하도록 구성될 수 있다.
[048]
예시적인 전기 오븐은 또한, 아이템(111)의 상이한 뷰들을 획득하기 위한 추가 개구들을 포함할 수 있다. 그런 다음, 다양한 뷰들로부터의 데이터는 아이템의 3차원 이미지를 형성하기 위해 결합될 수 있다. 그러나, 대안적으로, 개구(114)를 통해 가시 광을 감지하도록 적용된 카메라는 유사한 결과를 달성하기 위한 3차원 카메라일 수 있다. 특히, 2개의 개구들이 아이템(111)에 관한 입체적인 정보를 획득하기 위해 2개의 카메라들과 함께 이용될 수 있다. 다른 특정 예로서, 2개의 개구들은 데이터의 상이한 스트림들을 획득하는 데 사용될 수 있다(예컨대, 개구(114)는 가시 광 센서 데이터의 스트림을 획득할 수 있는 반면, 다른 개구는 적외선 광 센서 데이터의 스트림을 획득했다).
[049]
본 개시내용에 따른 예시적인 전기 오븐은 도 1에 예시되지 않은 다른 피처들을 포함할 수 있다. 오븐은 많은 추가 센서들로 증대될 수 있다. 센서들은 온도 센서들, 청각적 센서들, RF 파라미터 센서들, 습도 센서들, 미립자 농도 센서들, 고도 센서들, 초음파 센서들, 자외선 또는 IR 센서들, 가중치 센서, 이를테면 스케일, 및 아이템, 챔버, 또는 오븐의 상태에 관한 정보를 획득하는 데 사용될 수 있는 임의의 다른 센서들을 포함할 수 있다. 예컨대, 오븐은 소스(113)를 통해 챔버(112)에 인가된 전력, 챔버(112)로부터의 리턴 손실, 에너지 소스와 아이템 또는 챔버 간의 임피던스 매치, 및 에너지 소스의 다른 물리적 양상들을 검출하기 위한 센서들을 포함할 수 있다. 특히, 특정 아이템들이 냉동될 때와 비교하여 그들이 해동될 때 그들이 훨씬 더 큰 정도로 에너지를 흡수하므로, 리턴 손실은 아이템(111)의 페이즈 변화를 결정하기 위해 측정될 수 있다. 가열되는 아이템의 물리적 특징에서 더 미세한(subtle) 변화들을 검출하기 위해 임피던스 매칭 또는 리턴 손실 측정들이 또한 적용될 수 있다. 추가 센서들은 환기 시스템을 통해 챔버(112)를 빠져나가는 공기 또는 챔버 내의 공기의 습도를 검출할 수 있다. 추가 센서들은 아이템들이 훈제되고 있었는지를 결정하기 위해 그 볼륨들 내에서 미립자 농도를 검출할 수 있다. 추가 센서들은 아이템(111)의 가중치를 검출할 수 있다.
[050]
전기 오븐(110)은 아이템(111)이 가열될 때 챔버(112) 내에서 스플래터링(splattering)을 방지하기 위해 아이템(111) 위에 배치할 투명 커버를 포함할 수 있다. 커버는 개구(114)를 통한 그 주파수 대역들에서의 전자기 방사선의 감지와 간섭하지 않기 위해 가시 광 및 적외선 광 둘 모두에 투명할 수 있다. 예컨대, 커버는 적외선 투과 플렉시글라스(plexiglass)일 수 있다. 커버는 또한, 습기가 인클로저를 탈출하게 허용하기 위해 소수성 층(hydrophobic layer)에 재료를 코팅함으로써 또는 커버에 천공들을 생성함으로써 응결의 형성을 방지하도록 처리될 수 있다.
[051]
챔버에서의 가변적 가변적 분포를 수정하기 위한 특정 부류의 접근법들은 에너지 소스로부터 한 세트의 가변적 반사율 엘리먼트들로 에너지를 인가하는 것을 수반한다. 엘리먼트들의 반사율은 에너지 소스로부터의 입사 전자기파들에 상이한 페이즈 시프트를 도입하기 위해 변경될 수 있다. 그러한 접근법들의 예들은 2016년 12월 14일자로 출원된 "Electronic Oven with Reflective Energy Steering"이라는 명칭의 미국 특허 출원 제 62/434,179호, 및 2016년 6월 13일자로 출원된 "Electronic Oven with Reflective Beam Steering Array"이라는 명칭의 미국 특허 출원 제 62/349,367호에서 설명되며, 그 출원들 둘 모두는 모든 목적들을 위해 그들 전체가 본원에 인용에 의해 통합된다. 가변적 반사율 엘리먼트들의 상태들 및 에너지 소스의 상태는 전기 오븐에 대한 상이한 구성들을 정의할 수 있다. 구성들은 각각 챔버에서의 가변적 에너지 분포 또는 상이한 모드와 연관될 수 있다. 이로써, 상이한 구성들은 상이한 에너지 분포가 챔버 내의 아이템에 적용되는 것을 초래할 것이다. 따라서, 상이한 구성들 중에서 선택하는 것은 아이템에 대한 상이한 가열 패턴들을 초래할 것이며, 오븐이 아이템의 상이한 부분들을 상이하게 가열하게 또는 원하는 대로 아이템을 더 균일하게 가열하게 허용할 수 있다.
[052]
상이한 구성들은 챔버 내에서 생성되는 에너지의 상이한 연관된 가변적 분포들에 의해 정의된다. 그러나, 구성들은 반드시 전기 오븐 자체가 상이한 물리적 구성들을 취할 것을 요구하지는 않는다. 일부 접근법들에서, 가변적 반사율 엘리먼트들 및 에너지 소스의 상태는 전기 오븐이 임의의 이동 부분들을 이용하지 않으면서 변경될 수 있다. 예컨대, 가변적 반사율 엘리먼트들 및 에너지 소스는 고체 상태 디바이스들만을 각각 포함할 수 있으며, 오븐의 구성은 상이한 신호들을 이들 고체 상태 디바이스들에 제공함으로써 세팅될 수 있다. 그러나, 다른 접근법들에서, 구성들은 전기 오븐에 대한 상이한 물리적 구성들을 수반할 것이다. 예컨대, 챔버에서의 가변적 에너지 분포는 도 2를 참조로 설명된 바와 같이, 한 세트의 가변적 반사율 엘리먼트들의 가변적 반사율 엘리먼트들의 물리적 포지션을 독립적으로 변경함으로써 변경될 수 있다.
[053]
이를테면, 마이크로파 소스(113)로부터 챔버에 인가된 전자기파들은 편파된(polarized) 또는 부분적으로 편파된 전자기파일 수 있다. 따라서 전자기파가 입사하는 가변적 반사율 엘리먼트의 배향을 변경함으로써, 챔버 내의 에너지 분포가 변경될 수 있다. 특히, 반사성 엘리먼트들의 포지션은 챔버 내의 전자기파의 주된 편파(dominant polarization)와 관련하여 반사성 엘리먼트의 배향을 조정하도록 변경될 수 있다. 예컨대, 각각의 가변적 반사율 엘리먼트에 의해 도입된 페이즈 시프트는 0°에서부터 90°까지 그리고 그 반대로 2진 방식으로 교번적으로 변경될 수 있거나, 또는 스펙트럼 상의 각각의 그라데이션(gradation) 간의 원활한 전환에 의해 0°에서부터 180°까지 어디든 아날로그 방식으로 변경될 수 있다. 보다 특정한 예로서, 입사 전자기파의 주된 편파와 관련한 각각의 가변적 반사율 엘리먼트의 배향은 0°에서부터 90°까지 그리고 그 반대로 변경될 수 있거나, 또는 각각의 배향 사이의 원활한 전환에 의해 0°에서부터 180°까지 어디든 있을 수 있다. 특히, 2진 경우에도, 가변적 반사율 엘리먼트는 큰 세트에서 단지 단일 엘리먼트일 수 있어, 각각의 개별적인 엘리먼트가 단지 2개의 상태들만을 갖는다는 사실에도 불구하고 제어 시스템에 큰 정도의 플렉서빌러티(flexibility)가 여전히 제공될 수 있다.
[054]
도 2는 측면도(도 2의 최상부 이미지) 및 평면도(도 2의 최하부 이미지) 둘 모두로부터의 가변적 반사율 엘리먼트(200)를 예시한다. 엘리먼트(200)는 그 물리적 포지션을 제1 포지션으로부터 제2 포지션으로 변경함으로써 챔버에서의 가변적 에너지 분포를 변경한다. 엘리먼트(200)는 이 경우에는 시트 금속, 이를테면 알루미늄, 스틸 또는 구리로 형성될 수 있는 상대적으로 편평한 피스(flat piece)의 도전성 재료인 반사성 엘리먼트(201)를 포함한다. 반사성 엘리먼트(201)는 챔버 벽의 벌어진 틈(204)을 통해 연장하는 유전체 액슬(dielectric axle)(203)에 의해, 챔버 벽(202)에 의해 한정된 챔버의 표면 위에 유지된다. 액슬은 유전체이며, 작은 천공을 통과하며, 일반적으로 마이크로파 에너지가 챔버로부터 누설되게 하는 안테나의 생성을 피하도록 구성된다.
[055]
챔버 외부의 모터는 화살표(205)로 예시된 바와 같이 유전체 액슬(203)에 힘을 가함으로써 액슬을 통해 반사성 엘리먼트(201)를 회전시키는 것을 가능하게 한다. 액슬(203)에 부착된 로터에 의해 힘이 인가될 수 있다. 도 2에 예시된 전체 구조는 챔버의 허위 벽 뒤에 밀봉되어 구조를 얼룩이나 기계적 손상으로부터 보호할 수 있다. 모터는 고정된 세트의 포지션들로부터 선택된 한 세트의 포지션들 간에 액슬을 회전시키는 것을 가능하게 한다. 예컨대, 모터는 반사성 엘리먼트(201)가 90° 아크를 통해 앞뒤로 회전되도록 액슬을 조정할 수 있다. 그러나 모터는 또한 전체 360° 정도 아크를 따라 임의의 수의 고정 단계들을 통해 반사성 엘리먼트를 회전시킬 수 있다.
[056]
위에서 설명된 많은 접근법들은 전기 오븐이 어느 구성인지를 제어 시스템이 정밀하게 계속 파악하면서 다수의 구성들에 배치될 수 있는 전기 오븐의 특징을 드러낸다. 제어 시스템이 전기 오븐의 현재 상태를 인식하지 못하는 전통적인 모드 스터러들 및 유사한 디바이스들의 동작 패러다임과는 대조적으로, 개시된 접근법들은 제어 시스템이 다수의 엘리먼트들의 상태를 독립적으로 변경하고 오븐의 상태를 세심하게 세팅하게 허용한다. 이는, 제어 시스템이 아래에서 설명되는 많은 제어 접근법들을 효과적으로 실행하게 허용하는데, 왜냐면 전기 오븐이 그에 이용가능한 많은 상태들을 가지며, 그러한 특정 상태들에서의 특정 에너지 인가에 대한 아이템의 응답을 특이성을 갖고 관측할 수 있기 때문이다.
[057]
평가 피드백 - 휴리스틱 최적화 제어
[058]
정해진 액션에 대한 챔버 내의 아이템의 응답은 해당 액션에 아이템이 어떻게 응답했는지에 대한 설명으로서 감지, 평가 및 저장될 수 있다. 이러한 단계들이 반복되어, 아이템이 다양한 액션들에 어떻게 응답하는지에 대한 설명들의 라이브러리를 형성할 수 있다. 그런 다음, 설명들의 라이브러리는 아이템을 현재 상태에서 타겟 상태로 가열하기 위한 계획을 전개하는 데 활용될 수 있다. 이 계획은 다양한 제약들에 영향을 받는 타겟 상태를 향하여 현재 상태로부터 아이템을 구동하기 위해 라이브러리로부터 액션들을 선택하는 최적화 분석을 사용하여 제어 시스템에 의해 자동적으로 전개될 수 있다. 제어 시스템은 또한, 정해진 세트의 제약들 내에서 현재 알려진 정보의 레벨로 타겟 상태에 도달할 수 있는 계획이 없는지를 결정할 수 있다. 이때, 최적화 시스템은 아이템이 추가 액션에 어떻게 응답하는지에 대한 다른 설명을 획득할 필요성을 표시할 수 있다.
[059]
이전 단락에서 개요가 설명된 접근법은 아이템의 상태가 다양한 액션들의 적용을 통해 어떻게 변화할지에 대한 정확한 설명을 항상 제공하지는 않을 것이다. 이것은 시스템이 일반적으로 시간 불변적이지 않기 때문이다. 가열 작업 중에 아이템에 대한 액션의 실행은 아이템을 때로는 현격하게 변화시키는 경향이 있으며, 그러한 액션이 반복될 때 아이템이 겪게 될 응답을 변경하는 경향이 있다. 기본 예에서, 아이템의 상이한 페이즈가 아이템으로 하여금 상이한 열 특이성을 드러내게 하기 때문에, 얼음의 큐브가 열의 폭발에 어떻게 응답하는지의 관측은 얼음이 이미 해동되었을 때 열의 동일한 폭발에 아이템이 어떻게 응답하는지의 관측과 상이할 것이다. 결과적으로, 아이템의 특징이 응답이 감지되고 레코딩되었을 때로부터 상당한 정도로 변경되지 않았으므로 라이브러리의 설명들을 사용하여 생성된 계획들은 단기간(near term)에 더 정확할 것이다.
[060]
이 섹션에서 설명되는 분석들의 시간 변동 특성(time variant nature)이 정해지면, 분석들은 아이템이 가열하는 계획에 어떻게 응답할지에 대한 휴리스틱 설명을 전개하기 위한 방법들로 고려될 수 있다. 그러나 분석들은 다른 기계 인텔리전스 기법들에 비해 비교적 적은 시간 및 자원들로 수행될 수 있다. 따라서 분석들은 전기 오븐에 의한 액션들의 실제 실행과 비교하여 상대적으로 높은 빈도로 실행될 수 있으며, 오리지널 추정에 의해 예상되는 상태로부터의 변동들은 연속적으로 보정될 수 있다. 사실상, 제어 시스템은: (i) 단기간에 적어도 다소 정확할 가능성이 있는 분석들에 의해 생성된 계획들을 사용하여 동작할 수 있고; 그리고 (ii) 이전 계획들의 정확도가 하락하기 시작하기 때문에 그러한 이전 계획들을 교체한 분석들의 추가 반복들을 통해 업데이트된 계획들을 연속적으로 생성하고 있을 수 있다. 이러한 추가 반복들은 각각의 계획의 예상되는 그리고 실제 성과가 허용불가능한 정도로 벗어나지 않는 것을 보증할 것이다. 제어 시스템은 또한 아이템의 응답에 관한 업데이트된 정보에 대해 최적화 분석들이 동작하도록, 라이브러리에서 이전에 저장된 응답들을 폐기함으로써 아이템이 정해진 액션에 대해 어떻게 응답하는지의 차이점들을 반영하도록 업데이트될 수 있다.
[061]
분석의 추가 반복들이 수행되는 빈도는 현재 실행되고 있는 계획의 정확도가 유지되는 동시에 정해진 계획의 효과가 제어 시스템에 의해 감지되고 등록되게 허용하는 것이 보증되도록 제어되어야 한다. 구성들 사이에서의 전환과 연관된 오버헤드를 포함하여, 각각의 액션의 실행이 대략 수 초인 시스템이 정해지고, 휴리스틱의 예측 정확도가 대략 수십 초로 떨어지는 경향이 있다고 정해지면, 분석들의 추가 반복들 간의 기간은 3초를 초과하고 15초 미만이어야 한다.
[062]
타겟 상태를 향하여 전기 오븐의 챔버 내의 아이템을 가열하기 위한 한 세트의 컴퓨터-구현 방법들은 도 3의 흐름도(300)를 참조로 설명될 수 있다. 흐름도(300)는 전기 오븐이 개개의 세트의 구성들에 있는 동안 챔버에 대한 한 세트의 에너지 인가들로 아이템을 가열하는 단계(301)를 포함한다. 에너지 인가들 및 개개의 세트의 구성들은 챔버 내의 아이템에 대한, 챔버에서의 개개의 세트의 가변적 에너지 분포를 정의한다. 가변적 에너지 분포들은, 분포들이 일시적으로 변하기 때문이 아니라 챔버의 물리적 공간을 통한 에너지 레벨이 가변적이기 때문에 가변적인 것으로서 지칭된다. 아이템에 대한 정해진 가변적 에너지 분포는 해당 가변적 분포에 직접적으로 기인하는 응답을 시스템이 검출하기에 충분한 시간 동안 유지되어야 한다. 구성들은 에너지가 에너지 소스로부터 아이템으로 지향되는 방식, 챔버와 관련한 아이템의 상대적 포지션, 및 전기 오븐 자체의 물리적 구성을 변화시키는 것을 수반할 수 있다. 도 2에 따라, 한 세트의 가변적 반사율 엘리먼트들에서 하나 또는 그 초과의 가변적 반사율 엘리먼트들을 회전시킴으로써 상이한 구성들이 구별될 수 있다(즉, 가변적 반사율 엘리먼트(200)는 한 구성에서 다른 구성으로 전환하기 위해 90° 회전될 수 있다).
[063]
단계(302)는 한 세트의 에너지 인가들에 대한 아이템에 의한 개개의 세트의 응답들을 정의하는 센서 데이터를 감지하는 것을 수반한다. 한 세트의 에너지 인가들은 전기 오븐의 상이한 구성들 및 챔버로의 에너지 인가들에 의해 야기되는, 아이템에 대한 챔버 내의 에너지의 별개의 가변적 분포들이다. 센서는 적외선 센서, 또는 본원에서 설명되는 센서들 중 임의의 센서일 수 있다. 응답들은 각각의 응답이 전기 오븐의 특정 개개의 에너지 인가 및 구성에 대한 아이템의 응답을 정의한다는 점에서 개개의 응답이다. 개개의 응답들, 에너지 인가들 및 구성들이 결합되어, 위에서 설명된 응답들의 라이브러리에 한 세트의 엔트리들을 만든다. 구성들은 전기 오븐의 상이한 물리적 구성들일 수 있다. 예컨대, 제1 응답은 "2도 F 온도 증가"일 수 있으며 개개의 에너지 인가 "50%" 및 "공칭적인" 개개의 물리적 구성에 대응할 수 있는 한편, 제2 응답은 "5도 F 온도 증가"일 수 있으며 개개의 에너지 인가 "100%" 및 "30도 트레이 회전"인 개개의 물리적 구성에 대응할 수 있다. 구성들은 전기 오븐의 복잡성에 기반하여 크게 달라질 수 있다. 예컨대, 도 2의 반사성 엘리먼트(200)와 유사한 큰 어레이의 엘리먼트들을 갖는 전기 오븐의 구성을 설명하기 위해서는 상이한 회전 값들의 큰 벡터가 요구될 수 있다.
[064]
각각의 에너지 인가 지속기간 및 전기 오븐이 정해진 구성에 있는 상응하는 시간은 제어 시스템이 정해진 세트의 센서 데이터를 아이템에 대한 챔버에서의 특정 가변적 에너지 분포의 결과로 정확하게 보는 것을 가능하게 함을 보증하도록 제어되어야 한다. 구성들이 너무 신속하게 변한다면, 레코딩된 센서 데이터가 아이템이 해당 구성에 어떻게 응답했는지의 정확한 표현임을 보증할 방법이 없다. 구체적으로, 단계(302)에서 계획이 실행될 때 나중에 아이템에 대한 챔버에서의 연관된 가변적 에너지 분포의 반복이 공지된 결과를 생성하도록, 획득된 센서 데이터는 공지된 에너지 인가 및 공지된 구성에 대응해야 한다. 그러나 센서 데이터는 에너지 인가와 동시적으로 수집될 수 있거나 수집되지 않을 수 있다. 실제로, 특정 애플리케이션들에서, 센서 데이터는 에너지 인가 직후에 수집될 것이다. 상관없이, 인가 지속기간은 아이템에 대한 챔버에서의 가변적 에너지 분포를 표현하는 데이터와 연관하여 센서 데이터를 라이브러리가 저장되게 허용하도록 선택되어야 한다.
[065]
각각의 에너지 인가에 대한 지속기간 및 연관된 구성은 부분적으로는 전기 오븐이 구성들 사이에서 얼마나 빨리 시프트할 수 있는지에 의존한다. 이 팩터는 상이한 물리적 구성들을 활용하는 구현들에 중요하다. 특정 접근법들에서, 이 요건은 챔버가 각각의 에너지 인가 중에 완전히 부동(motionless)을 유지함을 보증함으로써 충족된다. 예컨대, 챔버가 아이템에 대한 챔버에서의 가변적 에너지 분포를 변경하도록 물리적으로 조정되는 한 세트의 가변적 반사율 엘리먼트들을 포함한다면, 엘리먼트들은 에너지 인가 동안 부동을 계속 유지한다. 여기서, 챔버는 전기 오븐의 모드를 정의하기 위해 전자기 에너지가 반사하는 재료의 지역으로서 정의된다(예컨대, 전자기 에너지에 대해 투명한 허위 벽들은 부동을 계속 유지해야 하는 챔버 영역을 정의하지 않는다). 또한, 구성들이 물리적 구성들이고, 에너지가 챔버에 연속적으로 공급되고 있는 상황들에서, 전기 오븐이 이전 구성으로부터 전환되게 허용하고 아이템에 대한 독립적으로 측정가능한 응답을 드러낼 수 있게 하기 위해 각각의 대응하는 에너지 인가는 지속기간이 적어도 0.5초가 되어야 한다. 이 추정은 전기 오븐이 0.1초 또는 그 미만 내에 구성들 사이에서 전달하는 능력을 가정하며, 그렇게 하는 데 0.1초보다 더 오래 걸린다면 구성들 사이에서의 시프트에 걸리는 시간에 따라 로크 단계에서 각각의 에너지 인가의 지속기간이 증가되어야 한다. 상이한 에너지 인가들은 각각의 개별적인 에너지 인가가 전기 오븐의 개개의 구성 및 대응하는 응답에 독립적으로 기인하는 한 균일한 양의 에너지의 연속하는 인가의 일부일 수 있다.
[066]
단계들(301, 302)은 계획의 실제 실행 전에 정보를 발견하도록 의도된 발견 페이즈 동안 수행될 수 있다. 그러나 단계들(301, 302)은 또한 이전에 생성된 계획의 실행의 일부로서 수행될 수 있다. 게다가, 단계들(301, 302)은 계획이 부분적으로 실행된 후에 수행되는 추가 발견 페이즈를 수반할 수 있다. 발견 프로세스의 이점은 계획의 다른 단계들과 순차적으로 수행되는 것이 아니라 격리되어 분석될 수 있기 때문에 특정 에너지 인가 및 구성에 대한 아이템의 응답을 분석하는 것이 더 쉬울 수 있다는 것이다. 예컨대, 전기 오븐은 정해진 구성에 배치되고, 에너지 인가를 적용하기 전에 안정화되게 허용될 수 있다. 결과적으로, 단계(302)에서 감지된 응답은 후속적인 또는 근위 에너지 인가들에 의해 야기된 2차 효과들 없이 해당 특정 에너지 인가에 아이템이 어떻게 응답했는지에 대한 정확한 설명이 될 것이다.
[067]
발견 페이즈 동안 감지를 수행하는 추가 이점은 전기 오븐이 특정 기능성을 제공하기 위해 이미 요구될 수 있는 정보를 그 감지가 획득할 것이라는 것이다. 예컨대, 단계(302)에 대한 감지가 발견 페이즈 동안 수행된다면, 동일한 센서 데이터가 아이템을 식별하는 데 사용될 수 있고, 선택적으로, 아이템을 세그먼트화하는 데 사용될 수 있다. 특히, 아이템의 아이덴티티는 정해진 열 적용에 대한 아이템의 응답을 반영하는 데이터에 대해 동작하는 분류기를 사용하여 결정될 수 있다. 상이한 아이템들이 열 적용에 상이하게 응답하고, 상이한 부류들의 아이템들이 유사하게 응답함에 따라, 분류기는 아이템을 식별하기 위해 이 데이터에 대해 트레이닝될 수 있다. 따라서, 아이템을 식별하기 위한 동일한 프로세스가 아이템을 타겟 상태로 가열하기 위한 계획을 개발하기 위하여 데이터를 수집하는 데 사용될 수 있다.
[068]
세그먼트화 단계(303)는 아이템을 한 세트의 세그먼트들로 세그먼트화하는 것을 포함한다. 세그먼트들은 단계(304)에서의 계획의 생성을 안내하기 위해 그리고 단계(302)에서 획득되는 응답들을 측정하는 데 사용될 수 있다. 이를 위해, 전기 오븐은, 제어 시스템으로 하여금, 아이템이 챔버 내에서 이동되는지 여부에 상관없이, 세그먼트들의 실제 물리적 위치를 계속 추적할 수 있게 허용하는 이미지 프로세싱 시스템들로 증강될 수 있다. 이 기능성은 본원에서 개시되는 가시 광을 감지하는 수단 중 임의의 수단에 의해 보조될 수 있다. 세그먼트들의 수는, 다수의 세그먼트들이 단계들(302 및 304)을 수행하는 데 요구되는 자원 소비 및 컴퓨테이셔널 복잡성을 증가시킬 것인 한편, 소수의 세그먼트들은 아이템이 요구된 바와 같이 균등하게 가열되는 것을 보장하기 위한 충분한 정보를 제공하지 않을 수 있다는 사실을 고려하여 맞춰질 수 있다. 세그먼트들은 각각, 중심 포인트 및 영역에 의해 정의될 수 있다. 중심 포인트는 아이템 상의 관심 포인트로서 지칭될 수 있다.
[069]
세그먼트들의 수, 중심 포인트들의 위치, 및 세그먼트들의 영역들은 모두, 제어 시스템의 특성들로 세팅될 수 있거나, 또는 챔버 내의 아이템의 특징들에 기반하여 조정될 수 있다. 예컨대, 큰 열 저항률을 갖는 아이템들이 식별될 수 있고, 아이템의 아이덴티티는 관심 포인트들의 수를 높게 세팅하고, 세그먼트들의 영역들을 낮게 세팅하는 데 사용될 수 있다. 이 접근법은 마찬가지로, 아이템을 식별하기 위해 아이템을 세그먼트화하는 데 동일한 데이터가 사용될 수 있다는 사실로부터 이점을 얻고, 이는 이 정보를 획득하기 위해 전기 오븐에 의해 수행되어야만 하는 물리적 액션들의 측면에서 오버헤드가 전혀 존재하지 않기 때문이다.
[070]
상이한 세그먼트들은 다양한 방식들로 아이템 상의 관심 포인트들로 드로잉될 수 있다. 세그먼트들은 전기 오븐 내의 물리적 위치에 의해 세팅될 수 있고, 여기서, 챔버에 걸친 균일한 패턴에 따라 세그먼트들에 대한 상이한 위치들이 식별된다. 예컨대, 세그먼트 1은 후방 좌측 코너 등에서의 챔버의 최하부의 제곱 인치일 수 있다. 그러나, 세그먼트들의 위치는 또한, 챔버에 부가된 아이템의 부분들만을 추적하기 위해 안내될 수 있다. 예컨대, 발견 페이즈 동안 에너지 인가에 응답하지 않는 챔버의 부분들은 무시될 수 있는 한편, 응답한 지역들은 챔버 내의 아이템의 부분들로서 식별될 수 있고, 세그먼트들로서 선택될 수 있다.
[071]
세그먼트들은 정해진 관심 포인트 주위의 세팅 영역을 커버하도록 세팅될 수 있거나, 또는 세그먼트들은 다양한 사이즈를 갖는 영역들을 인캡슐레이팅할 수 있다. 예컨대, 세그먼트들은 열에 대한 유사한 응답을 드러내는 아이템의 영역들을 커버하도록 구성될 수 있다. 단계(302)에서 수집된 센서 데이터는 아이템이 실제로, 3개의 별개의 방식들로 온도에 응답하는 3개의 상이한 서브-아이템들을 포함한 것을 표시할 수 있다. 이 예에서, 전기 오븐은 아이템이 단백질, 채소 및 전분의 음식에 대응하는 3개의 서브-아이템들을 갖는다는 것을 발견하고 있을 수 있다. 그런 다음, 서브-아이템들은 세그먼테이션을 위한 기반으로서 사용될 수 있고, 여기서, 각각의 서브-아이템은 세그먼트 또는 세그먼트들의 집합으로서 처리되었다.
[072]
단계(303)는 단계(302)로부터 피드백 루프로 가상 라인들로 도시되며, 이는 세그먼트화 단계는 계획의 실행 동안 수행되는 센서 데이터의 평가를 사용하여 반드시 수행될 필요는 없기 때문이다. 대신, 세그먼테이션 단계는 분류기, 및 시각적 광 데이터, 사용자 입력, 또는 다른 곳에서 설명되는, 외부 소스로부터 전기 오븐으로의 정보를 위한 임의의 다른 채널을 사용하여 단계(301) 이전에 수행될 수 있다. 예컨대, 사용자가 아이템을 수동으로 세그먼트화하기 위해 전기 오븐의 제어 시스템에 직접적으로 입력을 제공할 수 있다.
[073]
단계(304)에서, 챔버에서 아이템을 가열하기 위해 계획이 생성된다. 생성은 전기 오븐의 제어 시스템에 의해 수행되고, 단계(302)에서 획득된 센서 데이터를 활용한다. 센서 데이터는, 센서 데이터로부터 획득되는 바와 같은, 라이브러리로부터의 응답들이 분석되고 함께 연결되어, 현재 상태로부터 타겟 상태로 나아가기 위한 계획을 생성하는 의미로 사용될 수 있다. 현재 상태로부터 타겟 상태로 유도하는 함께 연결된 응답들은 결국 계획을 구성하게 되는데, 이는 그 응답들을 생성하였던 전기 오븐의 구성들 및 에너지 인가들과 함께 응답들이 라이브러리에 저장되기 때문이다. 따라서, 계획은, 오븐을 그 구성들로 배치하고 그 에너지 인가들을 적용하는 커맨드들의 시퀀스일 것이다. 라이브러리로부터의 응답들은 최적화 분석을 사용하여 선택될 수 있다. 각각의 응답의 다수의 카피들이 단일 계획을 구성하기 위해 선택될 수 있다.
[074]
라이브러리로부터 선택된 응답들은 최적화 분석을 사용하여 시퀀싱될 수 있거나, 또는 별개의 프로세스를 사용하여 시퀀싱될 수 있다. 이로써, 단계(304)에서의 계획의 생성은, 최적화 출력을 생성하기 위해 최적화 분석을 수행하는 단계(305), 및 최적화 출력을 사용하여 커맨드들의 시퀀스를 컴파일링하는 단계(306)의 2개의 단계들을 수반할 수 있다. 최적화 출력은 에러 값 및 벡터를 포함할 수 있다. 에러 값은 예상되는 최종 상태와 타겟 상태 간의 예상되는 온도 편차를 나타내는 섭씨 온도 단위의 스칼라 온도 값일 수 있다. 벡터는 응답들, 및 아이템에 대한 챔버 내의 연관된 가변적 에너지 분포들을 설명할 수 있고, 이는 아이템을 가열하기 위한 계획을 생성하는 데 활용될 것이다. 단계(306)에서 컴파일링되는 커맨드들의 시퀀스는 아이템에 대한 상이한 가변적 에너지 분포들을 챔버에 적용하기 위한 순서를 정의할 수 있다. 이를 위해, 커맨드들은 아이템으로의 에너지 인가들을 제어할 수 있고, 전기 오븐의 구성을 변경할 수 있다. 그런 다음, 전기 오븐은 타겟 상태를 향하여 아이템을 가열하기 위한 커맨드들의 시퀀스를 실행할 수 있다.
[075]
단계(305)에서 생성된 에러 값의 평가는, 라이브러리에 대한 추가 엔트리들이 획득될 필요가 있는지, 또는 시스템이 계획의 실행으로 진행해야 하는지를 결정하기 위해 활용될 수 있다. 예컨대, 에러 값이 허용가능한 에러 값을 초과한다면, 프로세스는 더 많은 응답 데이터를 획득하기 위해 단계(301)로 리턴할 수 있고, 단계(304)의 추가 반복을 실행할 수 있다. 게다가, 프로세스는 에러 값이 허용가능한 에러 값을 초과하는 것을 검출할 시에 단계(306)를 스킵할 수 있다. 도 3에서의 예시된 프로세스는 또한, 에러 값이 허용가능한 에러 값을 초과하지 않는 경우에도 단계(301)로의 루프 백을 포함할 정도로 충분히 일반적인데, 이는, 전기 오븐이 허용가능한 에러 값과 연관된 계획(즉, 허용가능한 톨러런스 내에서 수행할 것으로 예상되는 계획)을 실행하고 있는 동안, 단계들(301 및/또는 302)의 추가 반복들이 수행될 수 있기 때문이다.
[076]
단계(305)는 솔버, 타겟 상태를 표현하는 데이터, 및 단계(302)에서 획득된 세트의 응답들을 표현하는 데이터의 사용을 수반할 수 있다. 타겟 상태를 표현하는 데이터는 사용자로부터 획득될 수 있거나, 제어 시스템에 의해 자동적으로 생성될 수 있거나, 또는 외부 채널을 통해 수신될 수 있다. 세트의 응답들을 표현하는 데이터는 그 응답들을 야기하였던 아이템에 대한 챔버에서의 가변적 에너지 분포를 표현하는 데이터와 조합하여 저장되는 바와 같은 라이브러리로부터 취해질 수 있다. 세트의 응답들을 표현하는 데이터 및 타겟 상태를 표현하는 데이터는 한 세트의 온도 값들 또는 한 세트의 온도 도함수들일 수 있다. 데이터는 아이템의 다수의 세그먼트들을 표현하기 위한 다수의 데이터 포인트들을 포함할 수 있다. 데이터는 아이템의 표면 온도에 대응할 수 있다. 솔버는 컨벡스 최적화 솔버일 수 있다. 컨벡스 최적화 솔버는 아이템이 현재 상태로부터 타겟 상태를 향하게 할 세트의 응답들을 해결할 수 있다. 솔버는 많은 제약들, 이를테면, 전체 가열 시간을 최소화하는 것, 아이템에 걸친 또는 아이템의 세그먼트들의 그룹들에 걸친 온도 변동을 최소화하는 것, 또는 아이템 상의 임의의 세그먼트의 최대 온도를 최소화하는 것에 영향을 받을 수 있다. 솔버는 최적화 분석의 제약들에 영향을 받는 최소 에러 값을 생성하는 벡터를 해결할 수 있다.
[077]
단계(305)의 특정 부류의 구현들이 도 4 및 도 5를 참조로 설명될 수 있다. 이들 접근법들에서, 최적화 분석이 지속기간 벡터를 생성하는 데 활용되고, 또한, 에러 값을 생성할 수 있다. 지속기간 벡터는, 현재 상태로부터 타겟 상태로 아이템을 유도할, 개개의 세트의 열 적용들에 대한 지속 기간 및 전기 오븐의 구성을 표현하는 한 세트의 엘리먼트들을 포함할 수 있다. 에러 값은 외삽된 최종 상태와 타겟 상태 간의 차를 정량화한다. 아래에서 설명되는 바와 같이, 외삽된 최종 상태는 지속기간 벡터 및 한 세트의 응답 벡터들을 사용하여 계산될 수 있다. 최적화 분석은 에러 값을 최소화하기 위하여 지속기간 벡터를 선택하기 위해 솔버, 이를테면 컨벡스 최적화 솔버를 활용할 수 있다. 지속기간 벡터는 다양한 에너지 인가들 및 전기 오븐의 구성들이 어떻게 적용되어야 하는지의 시퀀스에 관한 정보를 포함할 수 있다. 그러나, 시퀀스가 또한, 지속기간 벡터를 사용하여 별개의 단계에서 선택될 수 있다.
[078]
도 4는 각각 8개의 셀들을 갖는 다수의 그리드들을 포함한다. 셀들은 전기 오븐에 배치되었던 아이템의 세그먼트들의 예시들이다. 세그먼트들의 정규 성질이 설명적 목적들을 위해 제공되고, 실제 애플리케이션에서, 세그먼트들은 다양한 사이즈들일 수 있고, 불규칙한 형상들을 가질 수 있다. 세그먼트들은 또한, 2차원 표면들과 대조적인 3차원 볼륨들일 수 있다. 도 5는 도 4에서의 아이템의 응답들 및 상태들과 조합하여 수행될 수 있는 다양한 최적화 분석들을 예시하기 위한 데이터 흐름 다이어그램이다.
[079]
그리드(400)는 아이템에 대한 타겟 상태의 예시를 제공한다. 예시된 바와 같이, 이 특정 가열 작업의 목적은 모든 8개의 그리드들을 가열하지만, 좌측의 4개의 그리드 정사각형들을 우측의 4개의 그리드 정사각형들보다 더 높은 온도로 가열하는 것이다. 그리드들(401, 402, 및 403)은 개개의 열 적용들 및 전기 오븐의 구성들에 대한 아이템의 응답의 예시들: 응답 1, 응답 2, 및 응답 3을 제공한다. 그리드들(404 및 405)은, 위에서 언급된 열 적용들 및 전기 오븐의 구성들을 사용하여 생성된 상이한 계획들의 실행 후에 도달될 것으로 예상되는 아이템에 대한 외삽된 최종 상태들의 예시들이다. 외삽된 상태(404)는 계획 1의 실행으로부터 초래될 것으로 예상되는 외삽된 상태이다. 계획 1은 응답 1로 유도하는 조건들의 적용, 및 응답 2로 유도하는 조건들의 후속하는 적용을 포함한다. 그리드(406)는 외삽된 상태(404)와 타겟 상태(400) 간의 에러의 예시이다. 도 4의 각각의 상태에서의 세그먼트들은, 세그먼트의 평균 표면 온도, 또는 세그먼트의 표면 온도의 평균 변화를 표현하기 위해 셰이딩되고, 여기서, 다크 셰이딩은 높은 온도/큰 온도 변동을 표현하고, 라이트 셰이딩은 낮은 온도/약간의 온도 변동을 표현한다.
[080]
일반적으로, 정해진 계획의 타겟 상태들, 응답 벡터들, 외삽된 상태들, 및 에러를 표현하는 데이터는 아이템의 세그먼트에 대응하는 벡터의 각각의 엘리먼트를 갖는 벡터로 구성된 수치 값들일 수 있다. 아이템의 타겟 상태는 아이템의 세그먼트들 각각에 대한 타겟 조건을 표현하기 위한 수치 값들을 갖는 타겟 벡터를 포함할 수 있다. 예컨대, 타겟 상태(400)를 표현하는 데이터는 각각의 세그먼트의 평균 표면 온도를 표현하기 위한 8개의 수치 값들을 갖는 타겟 상태 벡터를 포함할 수 있다. 개개의 열 적용 및 전기 오븐 구성에 대한 아이템의 응답을 표현하는 데이터는 유사한 포맷을 취할 수 있다. 열 적용에 대한 아이템의 응답은, 전기 오븐이 정해진 구성에 있는 동안의 정해진 열 적용에 대한 응답으로 각각의 세그먼트의 평균 표면 온도의 변화를 표현하기 위한 수치 값을 갖는 응답 벡터일 수 있다. 일반적으로, 응답 벡터들의 값들은 선택된 에너지 인가에 대한 아이템의 응답을 나타내는 임의의 온도 도함수를 포함할 수 있다. 예컨대, 응답들(401, 402, 및 403)을 표현하는 데이터는 3개의 응답 벡터들을 포함할 수 있는데, 그 3개의 응답 벡터들은 각각, 에너지 인가 및 전기 오븐의 개개의 구성에 대응하고, 각각 세그먼트를 위한 온도 도함수에 대한 8개의 수치 값들(예컨대, 섭씨 10도/단위 시간)을 갖는다. 단위 시간은 아이템에 대한 챔버에서의 특정 가변적 에너지 분포가 유지되었던 기간으로 세팅될 수 있다. 마찬가지로, 외삽된 상태들 및 에러는 아이템의 각각의 세그먼트에 대해 외삽된 온도 및 온도 차를 표현하는 수치 값들을 포함할 수 있다. 그러나, 에러는 또한, 그러한 수치 값들로부터 도출되는 RMS(root mean squared) 값일 수 있다.
[081]
응답 벡터들 및 타겟 상태 벡터는, 현재 상태로부터 타겟 상태로 아이템을 가열하기 위한 계획을 개발하기 위한 최적화 분석의 일부로서 솔버에 의해 활용될 수 있다. 최적화 분석은 현재 상태로부터 타겟 상태로 유도하는 응답들, 그리고 잠재적으로, 그 응답들의 다수의 반복들을 선택할 수 있다. 도 4에 예시된 바와 같이, 그리고 모든 백색 셀들(공칭적인 낮은 온도)의 초기 상태를 가정하면, 외삽된 상태(404)는, 응답(402)으로 유도하는 조건들의 적용이 후속되는, 응답(401)으로 유도하는 조건들의 적용으로부터 예상되는 외삽된 상태일 것이다. 이는 상태(404)가 응답들(401 및 402)의 셰이딩의 조합이라는 사실에 의해 표현된다.
[082]
최적화 분석 솔버는 그리드(406)에 의해 표현되는 에러 벡터를 최소화한 응답들을 선택할 수 있다. 에러를 최소화하는 것은 세그먼트별로 타겟 상태와 외삽된 상태 간의 차를 최소화하는 것을 수반할 수 있다. 그러나, 에러 항목(error term)은, 온도에 대한 오버슈트들이 온도에 대한 언더슈트들에 대해 패널티가 부과(penalize)될 수 있다는 점에서 더 복잡할 수 있다. 게다가, 아이템의 하나의 부분에 대한 에러들은 다른 것들보다 더 심하게 패널티가 부과될 수 있다. 특히, 아이템의 아이덴티티가 확인되었다면, 에러 항목은 굽기, 훈제 또는 탈수하기 쉬운 음식들에 대한 과열에 대하여 심하게 패널티를 부과할 수 있다. 계획(1)에 대응하는 외삽된 상태(404)의 예시된 경우에서, 계획(1)과 연관된 에러 벡터(406)는, 원하는 것보다 더 높은 온도로 가열된 2 개의 셀들(407 및 408)에 대한 값들을 포함한다. 이러한 에러 레벨은 허용가능한 것으로 고려될 수 있거나 ―이러한 경우에 계획(1)은 제어 시스템에 의해 수용되고 실행될 것임― , 이는 허용불가능한 것으로 고려되고, 더 정확한 계획을 생성하기 위해 추가 프로세스들의 실행을 유발할 수 있다.
[083]
데이터 흐름 다이어그램(500)은, 도 3의 단계(305)의 실행에 따라, 도 4의 계획(1)의 생성을 유발할 특정 최적화 분석들을 설명하는 데 활용될 수 있다. 데이터 흐름 다이어그램(500)은 도 4의 응답들(401 및 402)에 대응하는 2 개의 응답 벡터들(501 및 502)을 포함한다. 응답 벡터들은 아이템이 열 적용에 응답하는 방법을 설명한다. 예시된 바와 같이, 응답 벡터들은, 세그먼트, 개개의 에너지 인가, 및 전기 오븐의 개개의 구성에 각각 대응하는 8 개의 온도 도함수 값들(즉, 
, 여기서 x는 세그먼트 수이고, y는 개개의 조건임)을 포함한다. 다시, 개개의 조건은, 전기 오븐이 개개의 구성에 있는 동안에 전달되는 개개의 에너지 인가에 의해 정의된다. 응답 벡터들은 응답 매트릭스 A를 생성하기 위해 결합될 수 있다. 응답 매트릭스, 타겟 상태 벡터(
) 및 현재 상태 벡터(
)는 지속기간 벡터(
)를 선택하기 위해 솔버(505)에 의해 수학식(504)에서 활용될 수 있다.
[084]
지속기간 벡터(
)는 컨벡스 최적화 솔버에 의해 생성된 계획에서 각각의 조건에 대한 지속기간에 대응하는 한 세트의 수치 값들을 포함한다. 예컨대, 지속기간 벡터는 지속기간 벡터(506)와 같은 벡터이고, 각각의 조건이 유지되어야 하는 시간을 표현하는 수를 포함할 수 있다. 수들은, 정해진 조건이 특정 다수의 정규화된 시간 기간, 이를테면, 3-5 초 동안 유지되어야 한다는 것을 표시하기 위한 정수들일 수 있다. 지속기간 벡터는, 데이터가 응답 매트릭스에서 이용가능한 세트의 구성으로부터의 각각의 구성을 전기 오븐이 갖기 위한 한 세트의 지속기간들(즉, 
, 여기서 y는 지속기간이 적용되는 개개의 구성임)일 수 있다. 솔버는 수학식(504)에서 에러를 최소화하기 위한 지속기간 벡터를 선택할 수 있다. 도 4 및 도 5의 기본 예에서, 솔버(505)는, 계획이 응답(401)을 유발하는 조건들의 단일 적용 및 응답(402)을 유발하는 조건들의 단일 적용을 포함해야 한다는 것을 표시하기 위해 
의 값을 생성할 것이다.
[085]
일부 애플리케이션들에서, 솔버, 이를테면, 솔버(505)는 컨벡스 최적화 솔버일 수 있다. 솔버는 타겟 상태와 외삽된 상태 간의 에러를 최소화하는 것을 넘는 제약들에 영향을 받을 수 있다. 예컨대, 솔버는 정해진 가열 작업이 실행되도록 허용된 최대 시간, 아이템 또는 세그먼트들의 그룹에 걸친 최대 온도 변동, 아이템, 세그먼트들의 그룹 또는 세그먼트 상의 특정 포인트에서의 최대 온도, 및 다른 제약들에 의해 제약될 수 있다. 솔버는 비음수 최소 자승(NNLS:non-negative least squares) 솔버일 수 있다. NNLS 솔버는, 솔루션들이 단지 포지티브 값들이라는 점에서 특정 이점들을 제공하고, 네거티브 양의 시간 동안에 조건을 적용하는 것이 가능하지 않을 것이다. 다른 말로, 그리고 데이터 흐름 다이어그램(500)의 특정 예를 참조하면, 지속기간 벡터(x)의 수치 값들 모두가 포지티브일 것이다. 결과적으로, 지속기간 벡터(x)로부터 계획을 실행하기 위한 커맨드들의 시퀀스를 생성하는 것은 간단하고, 지속기간 벡터 내의 대응하는 엘리먼트에 의해 세팅된 일정 시간 기간 동안에 응답 벡터들 각각에 대응하는 조건들의 적용만을 요구할 것이다. 그러나, 다른 솔버들이 사용될 수 있다. 예컨대, 표준 최소 자승 솔버가 사용될 수 있고, 그러한 전기 오븐에 제공되는 기능성은 아이템의 특정 영역들이 냉각되어 주어진 에너지 인가의 효과들을 본질적으로 반전시키도록 허용할 수 있다. 게다가, 다른 솔버들, 이를테면, 혼합된 정수 선형 프로그래밍, KKT 최적성(optimality) 조건들에 대한 솔버들, 및 Fritz-John 조건들에 대한 솔버들, 및 최적성 기준, 이를테면, 브랜치 및 바운드에 대한 조합 탐색자들(combinatorial searchers)이 또한 활용될 수 있다.
[086]
도 4 및 도 5를 참조로 설명된 특정 실시예들에 의해 드러난 하나의 이점은, 최적화 분석이 계획에 관한, 지속기간 벡터 형태의 정보를 획득할 뿐만 아니라, 특정 정확도를 만족시키는 계획을 생성하기 위해 추가 발견 단계들이 요구되지는 여부에 관한, 에러 값 형태의 정보를 획득한다는 것이다. 전기 오븐의 제어 시스템은, 최적화 분석으로부터의 에러 값이 허용가능한 값을 초과한다고 결정하도록 구성될 수 있고, 계획 프로세스를 위한 추가 정보의 획득을 트리거할 수 있다. 추가 정보는 도 3의 단계(301)로 루프백하고, 전기 오븐이 추가 구성에 있는 동안에 에너지 인가를 통해 아이템을 가열함으로써 획득될 수 있고, 추가 구성은 에러 값이 허용가능한 에러 값을 초과한다고 결정할 때 선택된다. 추가 구성은 물리적 구성일 수 있다.
[087]
추가 구성, 및 실제로 구성들은 일반적으로, 응답이 이미 측정된 물리적 구성들과 자신이 상이하다는 제약에만 영향을 받도록 랜덤하게 선택될 수 있다. 그러나, 구성들은 또한 일부 형태의 인텔리전스를 사용하여, 이를테면, 이미 분석된 구성들로부터의 구성-공간 상의 가장 먼 가능한 포지션으로 구성을 세팅함으로써, 또는 어떠한 구성이 가장 신규한 정보를 산출할 가능성이 있을 것인지를 결정하기 위해 아이템의 응답을 평가함으로써 선택될 수 있다.
[088]
더 많은 정보가 필요로 되는지를 최적화 분석들이 또한 결정하는 방법의 설명을 계속하기 위해, 전기 오븐이 추가 구성에 있는 동안의 에너지 인가에 대한 아이템의 응답은 개개의 응답을 정의하는 센서 데이터를 획득하기 위해 센서를 사용하여 감지된다. 그런 다음, 새로운 응답 정보는 추가 정보에 기반하여 업데이트 계획을 생성하는 데 사용될 수 있다. 새로운 분석이 타겟 상태의 허용가능한 범위 내에 있는 외삽된 상태를 생성하면, 계획은 지속기간 벡터를 사용하여 실행될 수 있고, 제어 시스템은 충분한 발견이 수행되었다는 것을 알 것이다. 추가 정보가 에러 성과를 개선하지 않아서, 더 추가적인 발견이 수행될 필요가 있을 수 있다. 또한, 발견 단계들은 종래 계획으로부터 도출된 단계들의 실행과 함께 간헐적으로 수행될 수 있거나, 정확한 계획을 실행하기에 충분한 데이터가 수집될 때까지 완전히 개별적으로 수행될 수 있다.
[089]
추가 발견이 수행될 수 있는 방식은 다시 도 4 및 도 5를 참조로 설명될 수 있다. 도 4를 다시 참조하면, 그리드(406)와 연관된 에러는 허용가능한 값을 초과할 수 있다. 그런 다음, 제어 시스템은 이러한 사실을 결정하고, 추가 구성 하에서 아이템을 다시 가열하고 제3 응답(403)을 정의하는 센서 데이터를 감지함으로써 제3 응답(403)을 획득하도록 작동할 수 있다. 그런 다음, 제어 시스템은 외삽된 상태(405)를 유발하는 제2 계획을 생성하기 위해 제2 최적화 분석을 수행할 수 있다. 제2 최적화 분석은, 이 분석이 또한 응답들(401 및 402)과 연관된 데이터 외에도 응답(403)과 연관된 데이터를 사용할 것이라는 것을 제외하고, 제1 최적화 분석과 동일할 수 있다. 예시된 바와 같이, 추가 정보는 우수한 계획으로 이어진다. 외삽된 상태(405)에 의해 표현된 계획 2는, 제2 응답(402)을 생성한 조건들 및 제3 응답(403)을 생성한 조건들의 실행일 것이다. 예시된 바와 같이, 외삽된 상태(405)는, 최적화 분석이 제로의 에러 값을 생성하도록 타겟 상태(400)와 매칭한다. 이때, 제어 시스템은, 충분한 정보가 획득되었고 제2 계획의 실제 실행과 함께 진행될 것이라는 것을 알 것이다. 이들 접근법들의 이점은, 계획이 계획의 성과가 정량화되는 동시에 획득된다는 것이고, 이는 제어 시스템이 계획을 즉시 실행하거나 더 많은 정보가 요구된다는 것을 신속히 결정할 수 있게 허용한다.
[090]
이전 단락에 설명된 접근법의 특정 구현은 다시 도 5를 참조로 설명될 수 있다. 아이템
의 각각의 세그먼트에 대한 온도 값을 포함하는 에러 벡터(507)는 응답 매트릭스 A와 솔버(505)로부터 획득된 지속기간 벡터(
)를 곱하고, 이 값과 현재 상태 벡터를 합하고, 타겟 상태 벡터를 감산함으로써 계산될 수 있다. 따라서, 에러 벡터(507)는 타겟 상태와 외삽된 상태 간의 차를 표현한다. 결과적인 값은 제어 시스템에 의해 세팅된 허용가능한 에러 값(Erroro)과 비교될 수 있다. 허용가능한 에러 값은 전기 오븐의 예상되는 성능에 기반하여 제어될 수 있다. 최적화 분석의 제1 반복에서, 응답 매트릭스 A는 도 4의 응답들(401 및 402)에 대응하는 응답 벡터들(501 및 502)만을 포함한다. 결과적으로, 비교기(508)는, 허용가능한 에러 값과 비교될 때, 최적화 출력이 너무 높은 에러를 생성하였다고 결정할 것이다.
[091]
데이터 흐름 다이어그램(500)은, 최적화 분석의 제2 반복에서 응답 매트릭스 A에 합하기 위한 추가 응답 벡터(503)가 획득될 수 있는 방법을 예시한다. 추가 응답 벡터가 에러 벡터에 어떠한 영향도 주지 않는 것이 가능하지만, 솔버에 부여되는 추가 플렉서빌러티는 일반적으로 에러 벡터에 의해 표현되는 에러 값을 감소시킬 것이다. 이러한 업데이트된 에러 값이 충분히 낮다면, 계획은 추가 응답 데이터를 획득하지 않고서도 실행될 수 있다. 그러나, 업데이트된 에러가 여전히 너무 높다면, 더 많은 응답 데이터를 획득하고 추가 최적화 분석들을 실행하기 위해, 예시된 루프의 추가 반복이 수행될 수 있다. 이상적으로, 응답 벡터(503)는 응답, 이를테면, 응답(403)에 대응할 것이다. 응답들(402 및 403)과 연관된 조건들을 적용하는 계획이 타겟 벡터와 정확히 매칭하는 외삽된 상태를 초래할 것이기 때문에, 응답(403)이 이상적이다.
[092]
에러 값 및 지속기간 벡터는 또한, 원하는 타겟 상태에, 특정된 레벨의 허용가능한 에러를 갖는 전기 오븐에 대해 다루기 힘든 문제점이 존재하는지를 결정하는 데 사용될 수 있다. 이러한 결정에 관한 인텔리전스는, 다른 라운드의 발견을 트리거하는 루프(예컨대, 도 5의 비교기(508)로부터의 루프 백)를 제어하도록 구축될 수 있다. 다루기 힘든 문제점과, 더 많은 데이터가 필요로 되는 것 간의 차는, 계획의 외삽된 상태에서 각각의 세그먼트의 온도와 타겟 상태에서 세그먼트들의 온도를 비교함으로써 적어도 부분적으로 결정될 수 있다. 특정 세그먼트들이 타겟 상태를 초과하는 온도들을 갖지만, 에러 값이 허용가능한 에러 값 미만으로 아직 약해지지 않았다면, 제어 시스템은 문제점이 다루기 힘들 수 있다는 표시를 갖는다. 3 내지 5 개의 추가 라운드들의 발견에 대한 제한은, 일단 이러한 임계치가 초과되었다면(crossed) 허용될 수 있다. 이때, 최적화 분석은 에러가 발생하였다는 것을 표시하고, 발견을 중단할 수 있다. 대안적으로, 제어 시스템은, 타겟 상태로부터 더 큰 온도 변동을 허용하기 위해 솔버의 톨러런스를 완화하도록 구성될 수 있다.
[093]
위에서 설명된 최적화 분석들에 의해 생성된 지속기간 벡터는, 각각의 구성이 적용되어야 하는 절대 지속기간에 관한 정보를 포함할 수 있지만, 구성이 적용되어야 하는 순서를 특정하지 않을 수 있다. 이로써, 계획의 생성은, 커맨드들이 전기 오븐에 의해 실제 계획을 실행하기 위한 특정 시퀀스로 컴파일링되는 단계(306)를 수행하기 위한 추가 프로세싱을 포함할 수 있다. 커맨드들의 시퀀스는 세트의 구성들 사이에서 전기 오븐을 전환하고, 에너지 인가를 적용하고, 전기 오븐이 지속기간 벡터의 개개의 엘리먼트에 비례하는 지속기간 동안에 물리적 구성들 각각에 있다는 것을 보증할 수 있다. 그러나, 커맨드들의 시퀀스는 상이한 결과들을 달성하기 위해 다양한 방식들로 컴파일링될 수 있다. 상이한 시퀀싱의 예, 및 가열 작업의 과정(course)을 통해 챔버 내의 아이템에 대한 결과적인 효과는 도 6을 참조로 설명될 수 있다.
[094]
도 6은 2 세트들의 축들(600 및 601)을 포함한다. 2 세트들의 축들은 초의 시간 단위의 x-축들 및 섭씨 온도 단위의 y-축들을 갖는다. 각각의 축들은 또한 2 개의 타겟 온도들에 접근하는 2 개의 곡선들을 포함한다. 2 개의 타겟 온도들(602 및 603)은 아이템에 대한 타겟 상태에서 상이한 세그먼트들에 대한 타겟 온도들이다. 둘 모두의 세트들의 축들 상에서, 2 개의 세그먼트들은 자신들의 타겟 온도들에 접근하고, 그런 다음 수평으로 유지된다(level off).
[095] 축들(600 및 601) 상의 곡선들은 동일한 지속기간 벡터로부터 생성되었지만 상이한 시퀀스들로 컴파일링되는 2개의 별개의 계획들의 실행을 예시한다. 축들(600) 상에서, 제1 세그먼트 및 제2 세그먼트는 일련의 타겟 온도들까지 계속 가열된다. 축들(601) 상에서, 아이템의 표면에 걸친 최대 온도 변동을 최소화하기 위해, 컴파일링 단계 동안 계획이 시퀀싱되었다. 상이한 제약들이 시퀀스의 컴파일링에 적용될 수 있고 제약들은 챔버의 아이템 또는 서브-아이템의 아이덴티티에 기반하여 변할 수 있다. 그러나, 최대 온도 변동을 최소화하는 것은, 위에서 개시된 최적화 분석들 중 일부가 세그먼트들의 온도의 감쇠를 고려하지 않고 다른 세그먼트의 하나의 세그먼트를 가열하는 효과를 부정확하게 캡처할 수 있기 때문에 대부분의 인스턴스들에서 유리한 접근법이다. 이 두 개의 결함들은 아이템들의 지역들이 예상된 것보다 더 차갑거나 더 뜨겁게 되게 할 수 있다. 외삽된 상태들이 세그먼트별로 기본 감쇠 함수의 포함을 통해 온도 감소들을 계속 추적하게 함으로써 이러한 결함들 중 하나가 최소화할 수 있지만, 결함들 둘 모두는, 가열 프로세스 전체에 걸쳐 아이템을 통한 균일한 열 분포를 조장하는 커맨드들의 시퀀스를 통해 아이템이 가열됨을 보장함으로써 최소화될 수 있다.
[096]
이전에 논의된 바와 같이, 최적화 분석들은 아이템이 타겟 상태를 향하여 가열되는 동안 주기적으로 반복될 수 있다. 반복에 대한 기간은 고정된 시간으로 세팅하거나 검출된 이벤트에 의존할 수 있다. 예컨대, 아이템의 상태가 외삽된 상태에서 너무 많이 벗어난 것으로 편차 검출기가 결정한다면, 최적화 분석이 재차 수행될 수 있다. 다른 예로서, 반복의 기간은 외삽된 상태들의 관측된 정확도의 하락에 기반하여 세팅될 수 있으며, 외삽된 상태들의 정확도의 하락을 추적하는 머신 학습 시스템을 통해 전기 오븐의 수명 동안 조정될 수 있다.
[097]
분석의 추가 반복들이 수행되는 빈도는 현재 실행되고 있는 계획의 정확도가 유지되는 동시에 주어진 계획의 효과가 제어 시스템에 의해 감지되고 등록되도록 허용하는 것을 보증하도록 제어되어야 한다. 각각의 액션의 실행은 대략 수 초이고 휴리스틱의 예측의 정확도는 대략 수십 초로 떨어지는 경향이 있다면, 분석들의 추가 반복들 간의 기간은 3초 초과 및 15초 미만이 되어야 한다. 기간은 아이템의 아이덴티티에 기반하여 큰 정도로 연장되거나 단축될 수 있다. 예컨대, 예측 불가능하고 광범위한 시변 응답들을 보이는 경향이 있는 아이템들은 거의 연속하는 재-계획을 거칠 수 있다. 스펙트럼의 다른 단부에서, 찻잔(cup of tea)들과 같은 동질적인 아이템들은 최적화 분석을 위해 더 낮은 반복 빈도로 가열될 수 있다.
[098] 응답 데이터는 가열 프로세스 전체에 걸쳐 업데이트될 수 있다. 이로써, 가열 작업 동안 수행된 최적화 분석의 추가 실행은 이전에 생성된 계획의 실행 동안 획득된 응답 데이터를 활용할 수 있다. 다른 말로, 이전에 생성된 계획의 실행의 일부로서 오븐이 정해진 조건에 놓여지는 동안 이 정해진 조건에 대한 아이템에 의한 응답을 정의하는 센서 데이터가 수집될 수 있다. 대안적으로, 최적화 분석의 추가 반복들은 추가 발견을 실행하기 위해 가열 작업의 중단들과 연관될 수 있다. 그 후, 추가 응답 데이터를 어떻게 획득하는지에 관계없이, 이전에 수집된 응답 벡터가 더 이상 정확하지 않은지를 검사하기 위해 이 데이터가 사용될 수 있다. 응답 벡터가 동일한 조건에 대해 이전에 저장된 응답 벡터와 매칭하지 않는다는 것을 새롭게 획득된 추가 센서 데이터가 표시한다면, 응답 벡터는 라이브러리에서 업데이트되고 최적화 분석의 나중의 반복들 동안 사용될 수 있다.
[099]
일반적으로, 최적화 분석은, 전기 오븐이 가변 특성들을 갖는 더 많은 수의 구성들을 드러내는 것을 가능하게 한다면 더 엄격한 톨러런스로 수행하는 것을 가능하게 할 것이고 더 많은 수의 이러한 구성들에 대한 응답이 분석된다. 다른 말로, 전기 오븐이 드러낼 수 있는 구성들의 실제 수와 발견 반복들의 수 둘 모두가 최적화 분석을 위한 적합한 톨러런스에 반비례한다. 예컨대, 한 세트의 반사성 엘리먼트들을 활용하는 접근법들에서, 한 세트의 반사성 엘리먼트들이 적어도 3개의 반사성 엘리먼트들을 포함하고 제어 시스템이 세트의 3개의 모든 반사성 엘리먼트들을 독립적으로 변경시키는 커맨드들을 생성할 수 있는 이점들이 생긴다. 게다가, 다른 모든 것들이 동일하게 유지된 채로, 아이템이 분할되는 세그먼트들의 수를 증가시키면, 요구되는 톨러런스 레벨에 맞도록 구성들의 수가 일반적으로 증가할 필요가 있다. 기준선으로서, 세트의 세그먼트들이 적어도 10개의 엘리먼트들을 포함한다면, 세트의 물리적 구성들은 일반적으로 적어도 10개의 별개의 물리적 구성들을 포함해야 한다.
[0100] 구성들이 도 2에 예시된 것과 같은 반사성 엘리먼트들(반사성 엘리먼트들은 챔버의 천정 상에 배치됨)에 의해 세팅된 물리적 구성들인 전기 오븐을 특히 참조하여, 챔버에 배치된 대략 동질적인 아이템들은 한 세트의 적어도 5개의 별개의 구성들 및 5개의 세그먼트로 섭씨 5도의 타겟 허용가능한 에러 레벨 내에서 균일하게 가열될 수 있다. 관심의 지역들이 12개의 지역들로 증가한다면, 한 세트의 적어도 10개의 구성들이 유사한 제약들 하에서 허용가능한 결과들을 달성할 것이다. 비-균일 가열 및 비-동질적 아이템들은 요구되는 구성들의 수에 상당한 영향을 미친다. 예컨대, 매우 비-균일한 열 분포를 콜링하는 가열 작업을 포함하는 도 7을 참조하여 아래에서 설명된 예에서, 적어도 25개의 구성들은 12개의 세그먼트에 걸쳐 섭씨 2도의 RMS 에러 내에서 타겟들에 적중하는 가능성을 제공한다.
[0101] 도 7은 한 세트의 축들(700)을 포함하며, 여기서 x-축은 제어 시스템에 이용가능한 구성들의 수이고, y-축은 섭씨 온도 단위로 모든 세그먼트들에 걸친 RMS 에러들의 단위들이다. 도표화된 곡선은, 하나의 지역이 다른 모든 지역들 보다 20도 높은 요건을 갖는 12개의 관심 자역들이 존재하는 시뮬레이션으로부터 획득되었다. 이 경우 아이템은 마이크로파-투명 컨테이너에 저장된 액체의 풀들의 어레이다. 액체의 각각의 풀은 최적화 분석을 위한 세그먼트로서 처리되었다. 이 샘플에서, 원하는 구성들의 수는 대략 25개의 구성들이다. 그러나 챔버의 아이템의 일부가 나머지 보다 20도 더 뜨거워지도록 요구하는 것은 다소 일반적이지 않기 때문에 이는 까다로운 요건이다. 구성들의 수는 기본 케이스들에서, 하나일 수 있다. 우발적인 초기 발견 상태 및 동질적인 아이템의 경우에, 최적화 분석은 타겟 상태가 단일 발견 라운드 후에 획득될 수 있다고 결정하고 가열 작업의 지속기간 동안 단일 구성으로 전기 오븐을 유지할 수 있다. 그러나 아이템이 균일하지 않거나, 초기 조건들이 크게 변하거나, 또는 열이 분포되는 방식 측면에서 구성들이 매우 고르지 않다면, 요구되는 구성들의 수가 실질적으로 증가할 수 있다.
[0102] 이 섹션의 기법들을 사용하여 전개되는 계획들은 다른 섹션들에서 설명한 보다 복잡한 접근법들과 조합하여 사용될 수 있다. 이 섹션에서 설명된 최적화 분석들은 아래에 설명된 결정론적 계획자 제어 시스템에 대한 휴리스틱 또는 외삽 엔진으로서 사용될 수 있다. 예컨대, 도 3의 접근법은 아이템을 가열하는 제2 계획을 생성하는 것을 포함하도록 확장될 수 있으며, 여기서 제2 계획은 보다 계산 집약적이고(computationally intensive) 정확한 계획 프로세스에 의해 전개되었다. 제2 계획은 아래에서 설명된 바와 같이 결정론적 계획자를 사용하여 생성될 수 있고 결정론적 계획자는 제2 계획을 생성할 때 미래 계획 비용을 추정하기 위한 휴리스틱으로서 단계(304)에서 생성된 계획을 사용할 수 있다. 이 섹션에서 설명된 최적화 분석들은 또한 아래에서 설명된 강화 학습 접근법에 대한 정책일 수 있다. 예컨대, 제어 시스템은 강화 학습 시스템을 사용하여 타겟 상태를 향하여 챔버의 아이템을 자동적으로 가열할 수 있으며, 여기서, 단계(304)에서 생성된 계획은 강화 학습 시스템을 위한 정책으로 사용된다. 정책은 강화 학습 시스템의 주어진 노드에서 어떤 액션을 취할지에 관한 러프-컷 결정(rough-cut determination)을 내리는 데 사용될 수 있는 반면에, 시스템은 특징 공간을 탐색하는 대신 그리디 단계를 착수하도록 시도했다.
[0103] 평가 피드백-강화 학습 제어
[0104] 챔버 내의 아이템을 가열하기 위한 평가 피드백 및 강화 학습 트레이닝 시스템 둘 모두를 활용하는 한 세트의 예시적인 컴퓨터-구현 방법들은 도 8의 흐름도(800)를 참조하여 설명될 수 있다. 단계(801)에서, 가변적 분포로 아이템에 에너지가 인가된다. 가변적 분포는 챔버에 인가된 마이크로파 에너지 소스의 정상파 패턴에 의해 야기될 수 있다. 가변적 분포는 아이템에 대한 에너지의 타겟팅된 인가에 의해 또한 야기될 수 있다. 예시적인 가변적 분포(802)가 아이템(803)에 적용되는 것으로 예시된다. 가변적 분포(802)는 아이템(803)에 대한 상대적 포지션(805)을 갖는 극대점(804)을 포함한다. 이 예에서, 단계(801)에서 상대적 포지션은 제로의 값을 갖는다.
[0105] 단계(810)에서, 아이템에 대한 표면 온도 분포가 적외선 센서를 사용하여 감지된다. 적외선 센서는 아이템(803)으로부터의 적외선 방사선을 캡처하는 적외선 카메라(811)일 수 있다. 표면 온도 분포(812)는 상대적 포지션 값이 제로로 남아있는 동안 감지될 수 있다. 표면 온도 분포는 상태(S1)를 적어도 부분적으로 정의할 수 있다. 단계(810)는 또한 아이템으로의 에너지의 전달과 연관된 RF 파라미터들을 감지하는 것을 수반할 수 있다. 이 경우, 단계(810)의 일부 양상들은 단계(801)와 동시적으로 수행될 수 있다. 상태(S1)는 시스템의 특정 제어된 양상들의 순시 조건 및 아이템에 관한 정보의 집합에 의해 보다 완전하게 정의될 수 있다. 상태(S1)는 강화 학습 트레이닝 시스템의 액션 가치 함수에 대한 입력인 데이터의 유닛일 수 있다. 표면 온도 분포로부터의 데이터는, 데이터가 상태(S1)를 적어도 하나의 다른 상태와 구별하기 위해 다른 정보와 조합하여 또는 단독으로 사용될 수 있다는 점에서 부분적으로 상태를 정의한다.
[0106] 단계(820)에서, 제어 시스템은 최대 잠재적 보상 값을 제공하는 한 세트의 잠재적인 제2 상태들(S2', S2")에서 제2 상태(S2")를 결정하기 위한 입력으로서 제1 상태를 사용하여 액션 가치 함수(F(s,a))를 평가할 것이다. 이 단계(820)는 제1 상태 및 제1 상태로부터 취해질 수 있는 한 세트의 잠재적 액션들을 입력들로서 액션 가치 함수에 제공하고 액션 가치 함수의 크기를 최대화하는 액션을 선택하는 것을 수반할 수 있다. 예컨대, 액션 가치 함수에 대한 입력들은 현재 상태(S1) 및 아이템에 인가된 가변적 에너지 분포와 관련하여 가열되는 아이템의 상대적 포지션을 10cm만큼 변경한 액션일 수 있다. 이 이동은 액션(a2) 및 참조 번호(821)로 표시된 바와 같이 제로의 값으로부터 10cm로 상대적 포지션(805)의 실제 변경에 의해 도 8에서 예시된다.
[0107] 단계들(830 및 840)에서, 제어 시스템은, S2"가 이동하기에 최적의 상태인 것으로 판명한 단계(820)의 액션 가치 함수를 사용하여 행해지는 결정에 따라 작동할 것이다. 이는, 아이템을 이동시키는 것, 아이템을 정지 상태로 유지하면서 챔버에 대한 가변적 분포의 극대점의 위치를 이동시키는 것 또는 아이템과 극대점을 이동시키는 것의 조합을 수반할 수 있는 액션(a2)에 의해 달성될 수 있다. 위의 예에 따라, 단계(830)에서, 상대적 포지션(805)은 제어 시스템에 의해 제로로부터 10cm로 변경될 것이다. 단계(840)에서, 에너지는 가변적 분포를 통해 아이템에 인가될 것이다. 단계들(840 및 801)은 아이템으로의 에너지의 연속하는 인가의 컴포넌트 부분들일 수 있지만, 이러한 방법들의 동작을 이해하기 위한 목적으로 별개의 단계들로서 여전히 개념화될 수 있다. 아이템의(803)의 상대적 이동 및 가변적 분포(802)는 아이템의(803)의 표면을 따르는 것으로 예시되지만, 그것은 아이템(803)의 볼륨 내에서의 이동을 수반할 수 있다.
[0108] 단계(850)에서, 아이템에 대한 제2 표면 온도 분포는 단계(810)로부터 적외선 센서(811)와 같은 적외선 센서를 사용하여 감지된다. 적외선 센서는 제어 시스템에 의해 필요로 되는 것보다 빠른 레이트로 아이템에 대한 표면 온도 분포를 획득하고 특정 샘플들이 제어 시스템에 의해 요구될 때까지 버퍼 또는 디스크에 분포들을 저장할 수 있다. 대안으로, 적외선 센서는 제어 시스템에 의해 필요로 될 때 주기적인 분포들을 획득할 수 있다. 또한, 단계(850)는 아이템(803)의 상태와 연관된 다른 파라미터들, 예컨대, 리턴 손실 및 임피던스 매칭과 같은 RF 파라미터들을 감지하는 것을 수반할 수 있다.
[0109] 단계(850)와 관련하여 예시된 바와 같이, 극대점의 이동은 아이템에 걸쳐 더 균일한 열 분포(851)를 초래할 것이다. 그러나 이것이 항상 그런 것은 아니다. 이동은 더 균일한 열 분포를 초래하지 않을 수 있거나, 또는 단계(820)에서의 액션 가치 함수의 평가로부터 예상되는 만큼의 열 분포의 변동을 감소시키지 않을 수 있다. 그럼에도 불구하고, 단계(860)에서, 보상 값은 제2 표면 온도 분포를 사용하여 도출될 것이다. 이전에 논의된 바와 같이, 보상 값은 아이템의 표면 온도 분포의 변동에 비례할 수 있다. 단계(860)에서 보상 값의 도출은 표면 온도 분포와 조합하여 다수의 다른 팩터들의 사용을 수반할 수 있다. 도출은 대안적으로 리턴 손실 및 임피던스 매칭과 같이 아이템(803)의 가열과 연관된 RF 파라미터들의 평가를 수반할 수 있다.
[0110] 단계(870)에서, 액션 가치 함수는 단계(860)에서 도출된 보상 값에 기반하여 업데이트될 것이다. 임의의 트레이닝이 발생하기 전에, 액션 가치 함수는 랜덤하게 또는 함수의 적합한 값들에 대해 엔지니어링된 추측으로 초기화될 수 있다. 이로써, S1로부터의 특정 액션에 대한 최대 잠재적 보상 값을 결정하기 위해 단계(820)에서 수행된 평가는 불완전한 정보로 수행된다. 그러나, 단계(850)에서 수행된 측정 및 단계(860)에서의 보상 값들의 도출이 액션 가치 함수를 업데이트하는 데 사용될 수 있어서, 미래에 동일한 상태(S1)에 직면한다면, 어떤 액션이 취해져야 하는지에 관한 더 양호한 정보를 제어 시스템이 가질 것이다.
[0111] 제어 시스템은, 단계(820)에서 취해진 평가를, 액션 가치 함수가 최적의 액션으로서 표시한 것과 상이한 액션을 선택하는 탐색적 선택으로, 랜덤하게 교체하도록 구성될 수 있다. 이러한 방식으로, 제어 시스템은 잠재적 상태들의 공간을 탐색하고, 상이한 세트의 액션들이 더 양호한 결과를 초래할지를 결정할 수 있다. 단계들(860 및 870)은, 탐색적 단계가 수행된 상황들에서, 스킵될(skipped) 수 있다. 제어 시스템은 탐색적 선택들과 액션 가치 함수의 최대화에 의해 안내된 선택들(즉, 그리디 선택(greedy selection)들) 사이에서 확률적으로 변할 수 있다. 탐색적 선택을 할 확률은 트레이닝 에피소드의 과정 전반에 걸쳐 그리고 디바이스의 동작의 유효 수명 전반에 걸쳐 변경될 수 있다.
[0112] 강화 학습 트레이닝 시스템을 사용하여 제어 시스템을 트레이닝하기 위해 평가 피드백으로부터 수집된 정보를 활용하는 것은, 챔버에 배치된 임의적인 아이템들을 가열하는 데 사용되는 제어 시스템에 적용될 때 특정 이점들을 제공한다. 특히, 감독 학습 접근법(supervised learning approach)들에서와 같이 미리 결정된 트레이닝 데이터를 제공할 필요가 없다. 보상 시스템이, 트레이닝 시스템을 적절하게 안내하도록 구성되어 있는 한, 특정 액션 과정들의 메리트(merit)는, 이들이 심지어 인간 설계자에 의해 사전에 고려되었는지의 여부에 상관없이 평가될 수 있다. 챔버 내의 아이템들을 가열하는 것, 특히 음식 아이템들을 마이크로파로 가열하는 것은 다수의 음식 아이템들에 걸쳐 일반화될 수 있는 한 세트의 원리들에 의해 안내될 수 있기 때문에, 이러한 보상 시스템은 미래의 사용자에 의해 챔버 내에 배치될 수 있는 아이템들의 무수한 특징들 모두의 심층적 고려(in-depth consideration) 없이, 제어 시스템이 배치될 수 있는 잠재적 트레이닝 시나리오들에 대한 폭 넓은 적용가능성으로 용이하게 전개될 수 있다. 또 다른 이점은, 강화 학습이, 보상 신호가 잡음이 있고 지연되는 상황들에 유리하게 적용된다는 사실에 기인한다. 전기 오븐의 경우에, 전기 오븐에 의해 취해지는 특정 액션의 이점은, 액션이 취해질 때부터 많은 시간 단계들로 지연될 수 있다. 이는 또한, 가열되는 아이템을 통해 열이 확산되는 데 걸리는 시간의 아티팩트이다. 그러나, 강화 학습은 시간 기반 시스템이기 때문에, 미래에 많은 시간 단계들을 제공하는 보상들은 이 문제를 해결하기 위해 과거의 몇몇 시간 단계들의 결정들에 영향을 미치도록 피드백될 수 있다.
[0113] 본원에 개시된 접근법들 중 일부는 뉴럴 네트워크를 사용하여 액션 가치 함수를 근사화하는 트레이닝 시스템을 포함한다. 액션 가치 함수는 유리하게, 시스템이 합리적으로 자신을 찾아낼 수 있는 모든 각각의 잠재적 상태에 대한 한 세트의 값들을 포함할 것이다. 도 8을 참조로 설명된 제어 시스템들의 상태들이, 2차원 평면 상의 좌표들에 대응하는 온도 값들을 갖는 단순 매트릭스들인 상태들에 의해 안내된다면, 잠재적 상태들의 수는 상당할 것인데, 왜냐하면, 그들이 2차원 평면의 위치들 각각에서 각각의 잠재적 온도를 수반할 것이기 때문이다. 상태들이 시스템의 조건에 관한 훨씬 더 많은 정보를 포함할 수 있다고 가정하면, 상태들의 수가 어떻게 다루기 힘들어질 수 있는지 쉽게 알 수 있다. 함수 근사기는 함수에 대해 요구되는 상태들의 수를 감소시키는 데 사용될 수 있다. 요약하면, 제어 시스템 및 센서들로부터 도출되는 많은 상태들은 유사한 특징을 갖는 단일 상태로 맵핑될 것이다. 함수 근사기는 뉴럴 네트워크, 또는 임의의 역전파 회귀 모델일 수 있다.
[0114] 제어 시스템에 의해 활용되는 상태들에 대한 함수 근사기의 사용은 아이템의 표면 온도 분포에 의해 세팅된 상태들을 갖는 제어 시스템을 참조로 설명될 수 있다. 도 9는 제어 시스템(903)과 함께 3개의 표면 온도 분포들(900, 901, 및 902)을 예시한다. 제어 시스템(903)은 한 세트의 저장된 액션들(905)에 대한 액세스 및 뉴럴 네트워크(904)를 포함한다. 세트의 저장된 액션들은, 제어 시스템이 임의의 정해진 상태로부터 취할 수 있는 잠재적 액션들 모두를 포함한다. 뉴럴 네트워크(904)는 액션 가치 함수(F(s,a))에 대한 함수 근사기로서의 역할을 한다. 표면 온도 분포(900)는 시스템에 의해 가열되는 아이템의 검출된 현재 상태에 대응할 수 있다. 표면 온도 분포들(901 및 902)은 액션 가치 함수에 의해 사용되는 함수에 대한 유효 입력들인 저장된 상태들에 대응할 수 있다. 뉴럴 네트워크(904) 또는 임의의 역전파 회귀 모델 기반 시스템은 세트의 저장된 액션들(905)로부터의 잠재적 액션 및 표면 온도 분포(900)를 통해 검출된 상태를 나타내는 데이터를 취할 수 있고, 분포들(901 및 902)이 상태(900)에 대한 특정 세트의 값들을 저장할 필요 없이 제어 시스템(903)에 적용된다면, 제어 시스템(903)에 의해 제공되는 것과 유사한 잠재적 보상 값을 제공할 수 있다. 따라서, 함수 근사기는 강화 학습 트레이닝 시스템이 트레이닝될 필요가 있는 특정 상태들의 수를 크게 감소시킨다. 제어 시스템(903)은, 뉴럴 네트워크(904)를 활용하여, 단계(820)와 유사한 단계를 실행하고, 그리고 값들이 각각의 상태에 대해 독립적으로 저장되어야 하는 것보다 더 적은 자원 집약적 방식으로, 선택된 액션(906)을 출력할 수 있다.
[0115] 전체 트레이닝 시스템에 대해 함수 근사기로서 보조하는 데 사용되는 로직은 그 자체의 트레이닝을 요구할 수 있다. 예컨대, 트레이닝 시스템이 뉴럴 네트워크라면, 뉴럴 네트워크가 액션 가치 함수에 대한 정당한 근사치가 되도록, 네트워크의 특정 가중치들이 트레이닝될 필요가 있을 것이다. 뉴럴 네트워크들에 대한 트레이닝 시스템은 역전파 회귀 트레이닝 모델일 수 있다. 네트워크를 트레이닝하는 데 사용되는 데이터는, 위에서 설명된 바와 같이, 단계(870)에서 액션 가치 함수 자체를 업데이트하는 데 사용된 것과 동일한 데이터일 수 있다.
[0116] 본원에 개시된 접근법들 중 일부는, 과거 경험들의 랜덤 샘플들을 트레이닝 데이터로서 활용하는 뉴럴 네트워크 트레이닝 시스템을 포함한다. 뉴럴 네트워크를 통해 근사화된 액션 가치 함수를 사용하는 강화 학습 트레이닝 시스템의 특정 예에 따라, 트레이닝 시스템은, 실제 관찰들이 발생할 때, 한 세트의 경험 데이터 포인트들을 저장할 수 있다. 예컨대, 경험 데이터 포인트는, 단계(860)에서 도출된 보상 값, 단계(820)에서 사용된 제1 상태, 단계(850)에서 결정된 제2 상태, 및 단계(830)에서 제1 상태로부터 제2 상태로 전달하는 데 사용된 액션을 표현하는 데이터를 포함할 수 있다. 그런 다음, 이들 경험 데이터 포인트들은 랜덤하게 샘플링되어, 뉴럴 네트워크에 대한 한 세트의 트레이닝 데이터를 제공할 수 있다. 트레이닝 데이터는, 확률적 그래디언트 항의 평가(stochastic gradient dissent evaluation)에 따라 손실 함수들이 반복적으로 최소화되는 접근법들에 따라 뉴럴 네트워크를 트레이닝하는 데 사용될 수 있다. 이러한 접근법은, 뉴럴 네트워크의 트레이닝이, 함수 근사기가 제공되는 스피드를 증가시키기 위해 동일한 세트의 물리적 측정들로부터 다수의 세트들의 트레이닝 데이터를 수확(harvest)할 수 있다는 점에서 유리하다.
[0117] 평가 피드백-결정론적 계획자 제어
[0118] 전기 오븐의 제어 시스템은 또한, 전기 오븐의 챔버 내에 배치된 아이템을 가열하기 위한 계획을 생성하는 결정론적 계획자를 포함할 수 있다. 계획은 아이템이 가열되어야 하는 방법에 대해 사용자에 의해 제공된 명령들 및 아이템의 특징에 기반하여 생성될 수 있다. 결정론적 계획자는 사용자에 의해 제공된 명령들에 따라 특정 아이템을 가열하기 위해 액션들의 시퀀스를 선택할 수 있다. 시퀀스의 액션들은 전기 오븐 및 제어 시스템이 실행할 수 있는 한 세트의 액션들로부터 각각 선택될 수 있다. 세트의 액션들은 전기 오븐의 특징에 의존할 것이다. 예컨대, 회전 트레이를 갖는 전기 오븐은 자신의 액션들의 세트에서 "트레이를 시계방향으로 5도 회전" 및 "트레이를 반시계방향으로 5도 회전"을 포함할 수 있는 한편, 측방향으로 2차원으로 병진이동할 수 있는 트레이를 갖는 전기 오븐은 잠재적 액션들로서 "트레이를 좌측으로 5 cm 이동", "트레이를 우측으로 5cm 이동", "트레이를 뒤로 5 cm 이동" 및 "트레이를 앞으로 5 cm 이동"을 포함할 수 있다. 일반적으로, 액션들은, 챔버 내의 아이템과 관련하여 챔버 내의 에너지 분포의 상대적 포지션을 변경하는 것 및 챔버에 인가되는 에너지의 강도를 변경하는 것을 포함할 수 있다. 계획을 생성한 후에, 제어 시스템은 액션들의 시퀀스의 액션들 각각을 수행하여 챔버 내의 아이템을 가열함으로써 계획을 실행할 수 있다.
[0119] 결정론적 계획자를 활용하는 전기 오븐을 이용하여 챔버 내의 아이템을 가열하기 위한 한 세트의 방법들의 흐름도(1000)가 도 10에 예시된다. 흐름도(1000)는, 에너지 소스로부터의 에너지를 아이템이 인가하는 단계(1001)로 시작된다. 단계(1001)는 일반적으로, 도 8로부터의 단계(801)와 동일한 원리들에 따라 실행될 수 있다. 에너지 인가(1002)는 아이템(10003)을 균등하게 가열하지 않고, 아이템 상에 균등하지 않은 표면 온도 분포를 생성한다. 이 표면 온도는 선택적인 단계(1010)에서 감지될 수 있으며, 선택적인 단계(1010)는 일반적으로, 도 8의 단계(810)와 동일한 원리들에 따라 실행될 수 있다. 표면 온도 분포(1012)는 적외선 센서(10011)에 의해 감지될 수 있다. 그런 다음, 이 표면 온도 분포로부터 수집된 정보는 아래에서 설명되는 바와 같이 다양한 방식들로 제어 시스템에 의해 사용될 수 있다.
[0120] 흐름도(1000)는, 제1 함수 출력을 생성하기 위해 함수가 평가되는 단계(1020)로 계속된다. 함수를 평가하기 위해 제1 잠재적 액션이 사용된다. 함수는 비용 함수(F(n))일 수 있고, 함수 출력은 노드(n)와 관련하여 계산된 계획 비용일 수 있다. 노드 "n"은, 실행될 수 있는 모든 잠재적 계획들의 그래프를 트래버싱할 때 액세스되는 노드일 수 있다. 그래프는, 하나의 노드로부터 다른 노드로의 이동이, 그래프를 트래버싱하도록 계획을 생성할 때 선택될 수 있는 모든 잠재적 액션들에 의해 세팅되는 하이퍼 차원 그래프일 수 있다. 예컨대, 4개의 잠재적 액션들(열을 1도 상승, 열을 1도 낮춤, 트레이를 좌측으로 회전, 트레이를 우측으로 회전)을 갖는 전기 오븐에서, 각각의 노드는 순방향으로 4개의 바로 이웃들과 연관되고 그리고 역방향으로 단일의 바로 이웃과 연관될 것이다. 각각의 노드는 초기화된 상태 및 초기화된 상태로부터 실행되는 액션들의 시퀀스에 의해 완전히 정의될 수 있다. 계획 비용은 최대 노드 "n"까지 계획을 실행하는 비용일 수 있다. 그러나, 계획 비용은 또한, 추정되는 총 계획 비용(즉, 시작부터 종료까지 노드 "n"을 포함하는 계획을 실행하는 것의 예상되는 총 비용)일 수 있다. 작업을 완료하는 데 걸리는 시간에만 연관된 계획 프로세스의 경우, 계획의 비용은 최종 상태에 도달하는 데 필요한 단계들의 수만큼 기본적일 수 있거나, 또는 비용은 아래에서 설명되는 바와 같이 더 복잡할 수 있다.
[0121] 단계(1020)는 두 번의 함수의 평가 ―노드(n2')에 대해 한번 그리고 노드(n2)에 대해 한번― 에 의해 예시된다. 예시된 바와 같이, 함수는 먼저, 노드(n2)에 대한 비용을 생성하기 위해 제1 잠재적 액션(a1)으로 평가되고, 그런 다음, 노드(n2')에 대한 비용을 생성하기 위해 제2 잠재적 액션(a2)으로 평가된다. 액션들(a1 및 a2)은 각각, 상호 독점적 계획들의 멤버들일 수 있다. 예시된 경우에서, 노드(n2)는 하위 계획 비용과 연관된다. 이로써, 적어도 이 평가에 따르면, 전체 계획의 실행 비용을 최소화하기 위한 최상의 옵션은 액션(a2) 대신에 액션(a1) 다음에 실행하는 것일 것이다.
[0122] 액션은 다양한 방식들로 함수를 평가하는 데 사용될 수 있다. 예컨대, 아이템의 상태는, 액션(a1)에 대한 지식, 아이템이 특정 액션들에 대해 어떻게 응답하는지에 대한 지식, 및 상태(n1)와 연관된 아이템의 상태에 관한 정보를 갖는 외삽 엔진을 사용하여 외삽될 수 있다. 외삽 엔진에 대한 상이한 접근법들은 아래에서 논의된다. 그러나, 초기 설명의 목적들을 위한 외삽 엔진의 기본 예는 물리적 시뮬레이터이다. 물리적 시뮬레이터는 전기 오븐에 의해 취해질 수 있는 특정 액션들에 대한 아이템의 응답을 시뮬레이팅할 수 있다. 물리적 시뮬레이터는, 전기 오븐의 차원들, 에너지 소스의 특징, 및 정해진 액션에 대한 응답을 시뮬레이팅하기 위한 아이템의 차원들 및 특징을 취하는 열역학적 모델링 툴일 수 있으며, 따라서, 액션에 대한 응답으로 아이템의 상태를 외삽한다.
[0123] 다양한 노드들에 대한 비용 함수를 평가하는 것은, 결정론적 계획자가 원하는 방식으로 아이템을 가열하는 계획이 생성되게 허용한다. 이로써, 흐름도(1000)는, 아이템을 가열하기 위한 계획이 생성되는 단계(1030)로 계속된다. 계획은 단계(1020)에서 평가된 함수의 출력을 사용하여 생성될 수 있다. 위에서 제공된 기본 예에 따라, 액션(a1)이 액션(a2) 대신에 계획을 포함하는 액션들의 시퀀스에 대해 선택되기 때문에, 계획을 생성하기 위해, F(n2)의 출력이 사용되었다. 이 예에서, 계획을 선택하기 위해, 비용 함수로부터의 2개의 출력들이 사용되었다. 더 복잡한 상황들의 경우, 계획을 생성하기 위해, 많은 수의 함수 평가들이 사용될 수 있다. 비용 함수는 또한, 임의의 정해진 노드에 대해 계산된 계획 비용이 계획에 대한 액션들을 선택하는 데 사용되거나 또는 추가의 함수 평가들을 통해 추가로 조사되어야 하는 노드들을 선택하는 데 사용될 수 있도록, 반복적 또는 재귀적 방식으로 평가될 수 있다.
[0124] 단계(1040)에서, 계획을 포함하는 액션들의 시퀀스에서 액션들을 통해 스테핑(stepping)함으로써 계획이 실행된다. 예시된 경우에서, 액션(a1)은 선택되었고 아이템(1003) 상의 표면 온도 분포가 더 균일하도록 거리(1041) 만큼 챔버(1002)의 에너지 분포의 상대적 포지션의 조정을 초래한다. 계획은 임의의 수의 액션들을 포함할 수 있고, 아이템(1003)이 원하는 양으로 가열되는 것으로 나타날 때 종결될 수 있다. 대안적으로, 계획은 전체 가열 프로세스에서의 과정 수정들을 허용하도록 특정 주기적인 인터벌들에서 종결될 수 있다. 특히, 가열될 때 아이템의 실제 온도는 외삽 엔진의 수행의 결함들로 인해 시간에 걸쳐 외삽된 상태로부터 벗어나는 경향이 있을 것이다. 그러므로, 결정론적 계획자는 제한된 지속기간의 계획들을 생성한 다음 이전 계획이 실행될 때 전개되는 부가적인 계획들을 생성하도록 설계될 수 있다. 계획의 실행 동안 선택되고 활용될 수 있는 액션들은 아래에서 별개의 섹션으로 더 상세히 설명된다.
[0125] 비용 함수는 트래버싱된 계획 비용 및 미래 계획 비용을 포함할 수 있다. 다른 말로, 비용 함수는 특정 노드에 도달하는데 초래되는 비용, 및 그 노드로부터 원하는 최종 상태까지 계속함으로써 초래될 비용을 표현하는 컴포넌트를 포함할 수 있다. 트래버싱된 계획 비용은 이 명세서의 다른 곳에서 설명되는 외삽 엔진을 사용하여 계산될 수 있다. 미래 계획 비용은 이 명세서의 다른 곳에서 설명되는 휴리스틱을 사용하여 계산될 수 있다. 외삽 엔진은 재귀 함수 평가들 및 평가시 정해진 노드에 대응하는 아이템의 상태의 비교적 정확한 추정에 기반하여 정해진 노드에 도달하기 위한 비교적 정확한 비용 값을 제공할 수 있다.
[0126] 트래버싱된 계획 비용의 값은 휴리스틱에 의해 도출된 미래 계획 비용의 정확도와 비교할 때 "비교적" 정확한 것으로 지칭된다. 휴리스틱은 정해진 노드로부터 원하는 최종 상태까지 계속되는 비용의 추정을 제공할 수 있다. 휴리스틱은 일반적으로 외삽 엔진만큼 계산 집약적이지 않고 제어 시스템이 정해진 노드로부터 최종 상태로 이동되게 허용할 수 있는 모든 각각의 단일 액션을 알 필요가 없을 것이다. 이것은 트래버싱된 계획 비용을 제공하기 위해 현재 노드에 도달하도록 트래버싱될 필요가 있는 각각의 노드를 알아야 하는 외삽 엔진과 대조적이다. 특정 포인트에 도달하기 위해 익숙하지 않은 도시를 내비게이팅하는 운전자 없는 차의 비유를 사용하기 위해, 외삽 엔진은, 도시 거리들을 통해 다수의 턴들(액션들) 이후 구동기가 얼마나 멀리 이동하였는지(트래버싱된 계획 비용)의 정확한 설명을 결정할 것이지만, 휴리스틱은 원하는 종료 위치로부터 현재 위치까지 크로우(crow)-파일 거리 측정(휴리스틱에 의해 추정된 미래 계획 비용)만을 취할 것이다. 현재 애플리케이션에서, 외삽 엔진은 위에서 설명된 바와 같이 물리적 시뮬레이터일 수 있지만 휴릭스틱은 미래 비용의 대략적 근사치를 만들었다. 휴리스틱은 가열될 아이템의 표면 온도 분포에 대한 포인트들의 샘플의 델타를 아이템의 원하는 종료 표면 온도 분포에 대해 취할 수 있다. 그런 다음, 휴리스틱은 델타들 모두를 합산하고, 이를, 계획을 완료하는데 드는 비용의 대략적 추정으로서 스케일링 팩터에 의해 곱셈할 수 있다. 상이한 접근법들에서, 휴리스틱 또는 외삽 엔진은 도 3-도 5를 참조로 위에서 설명된 최적화 분석에 따라 동작할 수 있다.
[0127] 이전 논의에 따라, 정해진 노드와 연관된 총 계획 비용을 획득하기 위한 함수를 평가하는 것은 다수의 서브-단계들을 포함할 수 있다. 평가는 휴리스틱을 사용하여 미래 계획 비용을 추정하는 것 및 외삽 엔진에 의해 도출된 상태 또는 상태들의 세트를 사용하여 트래버싱된 계획 비용을 계산하는 것을 포함할 수 있다. 그런 다음, 정해진 노드에 대한 총 계획 비용은 미래 계획 비용 및 트래버싱된 계획 비용을 합산함으로써 계산될 것이다.
[0128] 결정론적 계획자들을 활용하는 접근법들은, 아이템의 아이덴티티가 전기 오븐에 의해 결정되는 접근법들과 결합될 수 있다. 이들 접근법들은 전기 오븐이 계획 생성 및 실행 프로세스의 다양한 양상들을 아이템에 특정하게 맞추게 허용한다. 예컨대, 외삽 엔진, 비용 함수 및 휴리스틱은 아이템의 아이덴티티에 기반하여 모두 수정될 수 있다.
[0129] 결정론적 계획자-상태 및 비용 도출
[0130] 전기 오븐의 제어 시스템이 결정론적 계획자를 활용하는 접근법들에서, 제어 시스템은 아이템을 가열하기 위한 계획을 생성하기 위해 특정 액션들 및 전체 계획들에 대한 비용 값들을 생성할 필요가 있을 수 있다. 비용 값은, 아이템이 얼마나 가열되어야 하는지에 관련된 다수의 팩터들에 기반하여 계산될 수 있다. 비용 값은, 더 긴 가열 시간들이 더 높은 비용들과 연관되는 경우 아이템이 가열되는데 걸리는 시간에 관련될 수 있다. 이 목적에 따른 간단한 접근법은 액션들 각각이 2초 같은 세팅된 단위 시간을 소비하도록 설계된 전기 오븐에 의해 취해지게 할 것이고, 평가 시 원점에서 현재 노드까지 그래프 공간을 트래버싱하기 위해 취해진 다수의 단계들을 간단히 합산하는 계획의 비용을 평가하는 것일 것이다. 그러나, 비용은 또한 복잡할 수 있고 하나보다 많은 팩터에 의존할 수 있다. 일부 상황들에서, 정해진 노드에서 아이템의 상태는 정해진 계획의 비용을 결정하기 위해 외삽될 필요가 있을 수 있다. 예컨대, 아이템은, 아이템의 특정 포인트에서, 아이템을 굽거나 또는 새까맣게 태우는 것을 초래할 허용가능하지 않게 높은 온도로 그 아이템의 특정 포인트를 가열하는 액션들의 시퀀스를 통해 평균 온도에 도달하도록 매우 빠르게 가열될 수 있다. 비용 함수는 이런 종류의 상황들을 회피하도록 적응될 수 있고, 그리고 일반적으로, 아이템의 상태가 비용 함수의 평가의 일부로서 외삽되면, 아이템을 가열하는데 더 미묘한 접근법(more nuanced approach)을 제공한다.
[0131] 비용 함수를 사용하는 결정론적 계획자가 활용되는 접근법들에서, 이 프로세스는 비용 함수를 평가하는 것의 일부로서 수행될 수 있다. 아이템의 상태는 외삽 엔진을 사용하여 도출될 수 있다. 외삽 엔진은 아이템에 대한 특정 액션들의 효과를 시뮬레이팅하고 아이템에 대한 다음 상태를 자동적으로 생성할 수 있는 열역학적 물리적 시뮬레이터일 수 있다. 전기 오븐들이 고도로 제어되는 환경들에 있는 경향이 있기 때문에, 시뮬레이터는 한 세트의 액션들에 대한 응답으로 아이템의 상태의 최근 정확한 추정을 제공할 수 있다. 아이템의 아이덴티티는, 시뮬레이터가 아이템의 상태를 정확하게 시뮬레이팅하고 외삽하기 위해 아이템의 특징들을 알 필요가 있기 때문에 이 정보를 획득하는데 의존할 수 있다. 외삽 엔진은 아이템의 아이덴티티 및 그 아이덴티티를 가진 아이템들이 어떻게 열에 반응하는지의 모델을 사용하여 아이템의 상태를 외삽할 수 있다. 모델은 일반화된 열역학적 물리적 시뮬레이터에 의존하는 대신 그 아이덴티티를 갖는 아이템들에 대해 특정하게 전개될 수 있다. 외삽 엔진은 또한, 하나의 액션에 대한 응답으로 관찰된 제1 표면 온도 분포가 추가 액션들의 시퀀스에 대한 응답으로 아이템의 상태를 외삽하는 데 사용될 수 있다는 점에서 바로 아래에서 설명되는 바와 같이 도 11에 따라 동작할 수 있다.
[0132] 도 11은, 외삽 엔진이 아이템의 상태를 외삽하기 위해 아이템의 표면 온도 분포를 어떻게 활용할 수 있는지에 대한 개념 다이어그램(1100)이다. 아이템의 상태는, 아이템에 대해 계획된 표면 온도 분포(즉, 결정론적 계획자가 액션들의 시퀀스의 수행 이후 볼 것으로 예상되는 표면 온도 분포)를 포함할 수 있다. 아이템(1101)은 4개의 세그먼트들(1102, 1103, 1104 및 1105)로 예시된다. 제1 액션(a1), 이를테면 챔버에 에너지의 인가에 대한 응답으로, 아이템(1101)은, 세그먼트(1102)가 가열되고, 그리고 세그먼트들(1103, 1104 및 1105)이 가열되지 않은 제1 표면 온도 분포를 나타낸다. 액션(a1)은 가열 프로세스의 발견 페이즈 동안 실행될 수 있고 그리고 아이템(1101)이 열에 어떻게 응답하는지를 탐색하는 데 사용되는 특정하게 맞추어진 에너지의 인가의 애플리케이션을 수반할 수 있다. 발견 페이즈는 실제로 아이템을 가열하려는 임의의 시도 이전에 수행될 수 있고 아이템의 아이덴티티 및 정보가 결정론적 계획자에 의해 활용되도록 정보를 획득하는 것을 수반할 수 있다. 이로써, 발견 페이즈는, 임의의 계획이 제어 시스템에 의해 생성되기 전에 수행될 수 있다. 그러나, 액션(a1)은 또한 단지 전기 오븐 동작의 보통의 과정 동안 전기 오븐에 의해 실행되는 임의의 에너지 인가 또는 커맨드일 수 있다. 이에 상관없이, 표면 온도 분포로부터 수집된 정보(1106)는 다양한 액션들의 시퀀스들에 대한 응답으로 아이템(1101)의 미래 상태들을 외삽하는 목적들을 위해 외삽 엔진(1107)에 전달될 수 있다.
[0133] 외삽 엔진은, 전기 오븐이 다양한 방식들로 아이템(1101)의 미래 상태들을 외삽하기 위해 선정할 수 있는 세트의 잠재적 액션들의 정보(1106) 및 지식을 활용할 수 있다. 예컨대, 외삽 엔진은, 아이템의 열 응답이 액션(a1)에 의해 전달된 에너지의 강도와 비교할 때 챔버에 인가된 에너지의 강도에 비례하게 변한다는 것을 가정할 수 있다. 이런 비례(proportionality)에 대한 스케일링 팩터는 본 개시내용의 다른 곳에서 언급된 바와 같이 개별적으로 결정되는 외삽된 아이템의 아이덴티티에 기반하여 수정될 수 있다. 다른 예로서, 외삽 엔진은, 아이템에 대한 열 응답이 챔버 내 전자기 에너지의 패턴의 상대적 분포의 동일한 변동과 대칭적으로 아이템에 걸쳐 병진 이동할 것이라는 것을 가정할 수 있다. 이런 특정 예는 도 11에 의해 예시되고 다음 단락에서 설명된다. 다른 예로서, 외삽 엔진은 일반적 아이템으로부터 시간에 걸친 방사 및 대류 열 손실의 기본 모델을 가질 수 있고 시간에 걸친 액션들의 시퀀스의 효과를 외삽할 때 열의 손실을 포함할 수 있다. 이 모델은 아이템의 아이덴티티에 기반하여 변경될 수 있다.
[0134] 다이어그램(1100)에서, 외삽 엔진(1107)은 액션(a1)에 의해 야기되는 아이템(1101)의 표면 온도 분포에 관한 정보(1106)를 수신한다. 그런 다음, 외삽 엔진은 각각 액션(a2) 및 액션(a3)으로부터 초래될 상태들(1108 및 1109)을 외삽하기 위해 그 정보를 사용한다. 예시된 경우에서, 액션(a2)은 아이템의 하나의 세그먼트만큼 챔버 내 에너지 분포의 좌향 시프트에 대응하고, 액션(a3)은 아이템의 하나의 세그먼트만큼 챔버 내 에너지 분포의 우향 시프트에 대응한다. 외삽 엔진은, 세그먼트(1102)가 액션(a1)에 의해 가열된 것과 동일한 정도로 세그먼트(1103)가 액션(a2)에 의해 가열되고, 그리고 세그먼트(1102)가 액션(a1)에 의해 가열된 것과 동일한 정도로 세그먼트(1104)가 액션(a3)에 의해 가열되도록, 표면 온도 분포가 에너지 분포의 시프트와 대칭적으로 효과적으로 병진이동할 것이라는 것을 가정한다.
[0135] 도 11에 사용된 예는, 외삽 엔진(1107)이 어떻게 작동할 수 있는지의 일반 원리를 예시하는 데 사용된 간략화된 예이다. a1으로부터 초래된 표면 온도 분포는 실제로 일반적으로 도 11의 예보다 더 복잡하고 덜 균일할 것이다. 그러나, 오븐이 이용가능한 액션들의 수를 증가시킴으로써(예컨대, 강도 또는 포지션 변동들을 더 세분화시킴으로써) 그리고 외삽 엔진(1107)의 컴퓨테이셔널 복잡성(computational complexity)을 증가시킴으로써, 고도로 복잡한 표면 온도 분포들이 외삽 엔진에 의해 활용될 때에도 충분한 성과가 달성될 수 있다. 오븐에 의해 수행될 수 있는 액션들의 타입들은 아래에서 보다 상세히 논의된다.
[0136] 그런 다음, 이전에 논의된 바와 같이, 외삽 엔진에 의해 외삽된 아이템의 상태는 단계(1020)에서와 같은 함수를 평가하는 데 사용될 수 있다. 구체적으로, 아이템의 계획된 표면 온도 분포는 비용 함수를 평가하고 제어 시스템에 대한 트래버싱된 계획 비용을 생성하는 데 사용될 수 있다. 도 11의 예를 다시 참조하면, 외삽 엔진(1107)에 의해 외삽된 바와 같은 상태들(1108 및 1109)은 액션들(a2 및 a3)과 연관된 비용, 및 이들 액션들을 포함할 전체 계획들의 비용을 결정하는 데 사용될 수 있다. 상태들(1108 및 1109)의 경우에, 외삽된 상태들은, 동일한 %의 아이템이 각각의 단계 이후 가열된 것을 드러낸다. 각각의 단계를 수행하기 위해 동일한 양의 시간이 주어지면, 기본 비용 함수는, 각각의 액션의 비용이 동일하였다는 것을 발견할 수 있다. 그러나, 비용 함수는 많은 다른 팩터들, 이를테면 아직 가열되어야 하는 영역들이, 액션(a2)이 바람직하도록 비용에 팩터링될 수 있는 상태(1108)와 비교할 때 상태(1109)에서 더 확산된다는 사실을 고려할 수 있다. 또한, 비용 함수가 미래 계획 비용을 포함하면, 상태(n2')로부터 단지 3개 더 많은 액션들과 비교할 때 4개 더 많은 액션들이 전체 아이템을 가열하는데 필요할 것이기 때문에 노드(n2")로부터 가열 패턴을 완료하는 것이 더 비싸다는 것이 결정될 수 있다.
[0137] 일부 접근법들에서, 정해진 노드와 연관된 비용은 아이템의 상태를 도출하지 않고 계산될 수 있지만, 더 미묘한 접근법들은 결정론적 계획자에 더 큰 제어를 제공하기 위해 아이템의 외삽된 상태를 활용할 수 있다. 하나의 상황에서, 비용은 간단히 계획을 완료하는데 요구되는 단계들의 수이다. 이에 의해, 비용 함수는 계획 지속기간과 함께 증가하는 제1 항목(term)에 의해 적어도 부분적으로 정의될 것이다. 그러나, 결정론적 계획자가 정해진 계획을 실행하는데 실제로 얼마나 많은 단계들이 요구되는지를 어느 정도의 정확도로 결정할 수 있을 것이기 때문에, 이 접근법에서도 아이템의 외삽된 상태로부터 이점을 얻을 수 있다.
[0138] 임의의 정해진 계획 또는 액션의 비용은 무수한 다른 팩터들을 포함할 수 있다. 예컨대, 아이템에 걸친 온도 분포가 바람직하지 않은 정도로 증가하였다면 비용이 증가할 수 있으며, 이러한 발생을 검출하기 위해 상태 외삽이 사용될 수 있다. 다른 예로서, 외삽된 상태의 아이템의 특정 부분이 세팅된 온도를 초과하였다면, 비용이 급증할 수 있다. 그런 다음, 함수는, 계획된 표면 온도 분포의 표면 온도 값이 임계치 온도를 초과하였을 때 증가하는 항목(term)에 의해 적어도 부분적으로 정의된다. 또 다른 예로서, 비용은, 아이템에 걸친 온도 분포의 엔트로피가 바람직하지 않은 정도로 증가하였다면, 증가할 수 있으며, 온도 분포의 엔트로피에 비례하여 증가할 수 있다. 이러한 접근법들은, 그것이 일반적으로 효과가 없기 때문에 유익할 수 있으며, 원하는 정도로 이미 가열된 영역들에 대해 다시 열 적용을 스위핑하는 데 유해할 수 있다. 비용 함수에 의해 활용되는 다양한 팩터들은 비용에 대해 선형 또는 비-선형 관계를 각각 가질 수 있다. 예컨대, 특정 아이템들에 대한 천정 온도의 경우에, 관계는 임계값을 초과하는 연관된 팩터에 기반하는 비용의 비-선형 증가일 수 있다.
[0139] 다른 곳에서 설명되는 바와 같이, 비용 함수는 이러한 경우 아이템의 아이덴티티에 의존할 수 있다. 예컨대, 특정 아이템이 특정 가열 레벨들에서 타거나 또는 구워지는 경향이 있는 경우, 그러한 열 레벨들이 아이템의 외삽된 또는 관측된 상태에서 검출된다면, 비용 함수가 급증할 수 있다. 또 다른 예로서, 특정 아이템들은 일련의 페이즈들에 따라 가열될 필요가 있을 수 있다(즉, 아이템이 조리되기 이전에 해동될 필요가 있음). 비용 함수는, 이를테면, 해동 페이즈 동안 높은 온도의 적용에 불리하게 하지만 조리 페이즈 동안에는 그렇지 않음으로써, 이러한 상이한 요건들을 고려하기에 충분히 복잡할 수 있다.
[0140] 외삽 엔진은, 이를테면, 전용 프로세서 및 하드 코딩된 ROM을 통해, 제어 시스템 상에 하드웨어로서 구현될 수 있다. 그러나, 외삽 엔진은 또한, 제어 시스템 상의 펌웨어에 저장되거나 또는 제어 시스템으로 소프트웨어로서 로딩되는 소프트웨어 루틴으로서 구현될 수 있다. 휴리스틱은 또한, 이러한 접근법들의 조합을 수반할 수 있으며, 펌웨어를 통해 또는 소프트웨어로서 로딩된 추가 소프트웨어 루틴들을 통해 업데이트들을 수신할 수 있다. 마지막으로, 외삽 엔진은 실제로 물리적으로 전기 오븐에 존재하는 제어 시스템 상에 부분적으로 그리고 전기 오븐과 통신하는 서버 상에 부분적으로 구현될 수 있다. 예컨대, 아이템의 엔티티 및 표면 온도 분포에 관한 데이터는 전기 오븐에 의해 획득되고 로컬로 사전 프로세싱될 수 있지만, 상태들의 실제 외삽은 서버 상에서 실행되었다.
[0141] 결정론적 계획자 - 휴리스틱
[0142] 미래 계획 비용을 갖는 비용 함수를 활용하는 특정 접근법들에서, 미래 계획 비용은 휴리스틱에 의해 제공될 수 있다. 휴리스틱은 본질적으로, 원하는 상태에 도달하는 데 필요한 개별적인 액션들 각각을 실제로 고려하지 않고 그 원하는 상태에 도달하는 비용의 추정을 제공할 수 있다. 휴리스틱은 외삽 엔진보다 덜 계산 집약적일 수 있다. 휴리스틱은 또한, 현재 노드로부터 원하는 최종 목적까지 취해질 것인 모든 각각의 액션을 알 필요가 없다. 대신에, 휴리스틱은 현재 노드가 시작 포인트로서 정해진 계획을 종료하는 비용에 대한 추정을 제공할 수 있다. 휴리스틱은 전기 오븐의 센서들로부터의 데이터를 사용하여 이러한 추정을 제공할 수 있다. 예컨대, 휴리스틱은 적외선 센서에 의해 획득되는, 아이템의 표면 온도 분포로부터 도출되는 정보를 활용할 수 있다. 그러나, 휴리스틱은 또한, 외삽 엔진에 의해 생성된 표면 온도 분포로부터 도출되는 정보를 활용할 수 있다. 휴리스틱이 자신의 입력들에 기반하여 출력 미래 계획 비용을 계산하게 하는 방식은, 챔버의 아이템의 아이덴티티에 기반하여 수정될 수 있다.
[0143] 아이템의 최종 표면 온도 분포가 정해진 계획의 최종 목적이라면, 임의의 정해진 노드로부터의 계획을 완료하기 위해 추가 비용에 대한 대략적 근사치는 최종 표면 온도 분포를 현재 표면 온도 분포와 비교함으로써 추정될 수 있다. 이를 위해, 휴리스틱은 아이템의 표면 온도 분포로부터 한 세트의 온도 값들을 획득할 수 있다. 표면 온도 분포는 외삽 엔진을 사용하여 외삽되거나 또는 센서를 사용하여 감지될 수 있다. 그런 다음, 휴리스틱은 각각의 델타 값이 세트의 온도 값들 내의 온도 값 및 원하는 최종 표면 온도 분포로부터의 원하는 온도 값에 대응하는 한 세트의 델타 값들을 획득할 수 있다. 그런 다음, 델타 값들은 추정되는 미래 계획 비용을 획득하기 위해 합산될 수 있다. 예컨대, 온도 차가 비용 함수에 대해 적절하게 스케일링되도록 델타 값들을 합산하고 이들에 비례 상수(proportionality constant)를 곱합으로써, 추정되는 미래 계획 비용이 획득될 수 있다. 휴리스틱은 또한, 미래 계획 비용을 결정할 때, 다른 센서들로부터의 정보 및 표면 온도 분포의 다양한 양상들을 고려할 수 있다.
[0144] 휴리스틱은, 이를테면, 전용 프로세서, 및 ROM으로 하드 코딩된 명령들을 통해, 제어 시스템 상에 하드웨어로서 구현될 수 있다. 그러나, 외삽 엔진은 또한, 제어 시스템 상의 펌웨어에 저장되거나 또는 제어 시스템으로 소프트웨어로서 로딩되는 소프트웨어 루틴으로서 구현될 수 있다. 휴리스틱은 또한, 이러한 접근법들의 조합을 수반할 수 있으며, 펌웨어를 통해 또는 소프트웨어로서 로딩된 추가 소프트웨어 루틴들을 통해 업데이트들을 수신할 수 있다.
[0145] 결정론적 계획자 - 계획 발견
[0146] 충분히 작은 세트의 잠재적 액션들 및 기본 가열 작업의 경우, 외삽 엔진이, 전기 오븐이 취할 것인 모든 각각의 가능한 액션 시퀀스를 시뮬레이팅할 수 있는 것이 가능할 수 있고, 그에 의해, 모든 각각의 잠재적인 계획에 대한 비용 함수가 그래프 공간을 트래버싱하도록 허용된다. 그러나, 전기 오븐에 배치된 임의적인 아이템들 및 많은 수의 잠재적 액션들을 수반하는 애플리케이션들의 경우, 조사되는 그래프의 노드들의 수를 제한하기 위해 어느 정도의 프루닝(pruning)이 수행될 수 있다. 예컨대, 외삽 엔진은 초기 상태로부터 시작하여, 최종 상태까지의 다수의 경로들이 검출되고 그러한 다수의 경로들로부터의 최저 비용을 갖는 경로가 선택될 때까지 액션 시퀀스들을 랜덤하게 확장할 수 있다. 다른 예로서, 초기 상태로부터의 확장은 미래 계획 값의 휴리스틱 추정, 현재 노드에서의 트래버싱된 계획 비용의 계산, 또는 그러한 값들의 일부 조합을 사용하여 바이어싱(biasing)될 수 있다. 본원에서 사용되는 바와 같이, 노드를 확장하는 것은 그 노드에서 시작하는 하나 또는 그 초과의 액션들을 취함으로써 발생할 상태에 대한 정보를 외삽하는 것을 나타낸다.
[0147] 도 5의 예를 다시 참조하면, 비용 함수의 평가는 추가 계산을 통해 어떤 액션 시퀀스가 확장될지를 선택하는 데 사용될 수 있다. 이전에 설명된 바와 같이, 표면 온도 분포 및 액션이 n2'와 연관된 계획 비용을 결정하는 함수를 평가하는 데 사용되고, 그런 다음, 동일한 표면 온도 분포 및 제2 액션이 노드(n2")와 연관된 계획 비용을 결정하는 함수를 평가하는 데 사용된다. 그런 다음, 노드(n2')에 대해 계산된 계획 비용이 노드(n2")에 대해 계산된 계획 비용보다 낮기 때문에, 계획 조사 프로세스는, 단지 노드(n2')로부터의 다른 노드들을 외삽하는 것으로 계속 진행할 수 있다. 노드들이 선택되게 하는 실제 방법은, 다수의 노드들이 이용가능하며 아직 탐색되지 않았고, 탐색된 노드들로부터 단지 하나의 액션만이 제거된 경우에 더 복잡할 수 있다. 이 노드들의 세트는 결정론적 계획자의 경계로서 지칭될 수 있다. 예컨대, 발견 프로세스는 경계 상의 모든 노드들을 이들의 계획 비용에 의해 랭크하고, 최하부 X%를 폐기하고, 최상부 1-X%를 확장할 수 있다. 대안적으로, 발견 프로세스는 노드들을 랜덤하게 확장하거나, 또는 노드들이 랜덤하게 확장된 접근법으로 주기적으로 스위칭할 수 있다.
[0148] 위에서 설명된 많은 경우들에서, 제1 계획 비용의 제2 계획 비용과의 비교는 그래프 공간을 통해 다양한 액션 시퀀스들을 어떻게 확장할지를 결정하는 데 사용될 것이다. 이로써, 비용 함수 및 발견 프로세스를 안내하는 로직은 공통점을 많이 공유할 수 있다. 예컨대, 발견 프로세스는 온도 분포에서 격리된 최대치 또는 최소치를 최소화하는 아이템 또는 노드들에 걸친 온도의 변동을 줄이는 노드들을 선호할 수 있다. 그러나, 비용 함수 및 발견 프로세스를 안내하는 로직이 특정 차들을 포함하는 접근법들에 대한 이점들이 누적된다. 특히, 발견 프로세스를 안내하는 로직에 랜덤성을 도입하는 것은, 발견 프로세스가 글로벌 최소 비용을 생성하는 것으로 보이는 그래프 공간을 통하는 경로를 통해 이동하는 것으로 속임을 당하지 않지만 실제로 단지 로컬화된 최소치가 되는 것을 보증할 것이다. 또한, 발견 프로세스에 대한 로직이 분기하도록 권장되게 하는 정도는, 특정 아이템들이 그래프 공간에서 로컬화된 최소치가 되기 더 쉬우면 아이템의 아이덴티티에 기반하여 변화할 수 있다. 예컨대, 발견 프로세스가 경계를 랜덤하게 확장하도록 지향되는 시간들의 비율은 전기 오븐에서 인식되는 것과 같은 아이템들에 대한 열 저항률의 알려진 정도에 비례하여 세팅될 수 있다.
[0149] 결정론적 계획자 - 편차 검출기
[0150] 결정론적 계획자들을 갖는 전기 오븐들은 또한, 자신이 실행하는 계획의 성과를 모니터링할 수 있고, 예상되는 성과로부터의 너무 큰 편차가 검출되면, 새로운 계획을 생성하려고 시도할 수 있다. 편차 검출기는 또한, 도 3-도 5를 참조하여 설명되는 최적화 분석을 사용하여 접근법들에 사용될 수 있다. 모니터링 프로세스는, 아이템을 가열하는 계획이 실행될 때 연속적으로 수행될 수 있다. 그 비교는, 전기 오븐의 제어 시스템이 이용가능한 임의의 센서 데이터를 사용할 수 있으며, 계획의 실행의 과정을 통해 아이템의 외삽된 특징 중 임의의 것에 기반하여 비교를 활용할 수 있다.
[0151] 아이템의 외삽된 특징은 계획 발견 프로세스 동안 또는 실제 계획 생성 프로세스 동안 획득될 수 있다. 하나의 접근법에서, 그래프 공간 내의 각각의 노드에 대응하는 아이템의 외삽된 상태들은, 그 노드가 선택된 계획에서 트래버싱을 위해 선택되었을 때 저장될 수 있다. 그런 다음, 계획이 원래 생성되었을 때 아이템의 실제 결과 상태가 외삽된 것으로 계획된 상태와 매칭하는지를 알기 위해 계획의 실행의 각각의 단계에서 비교가 발생할 수 있다.
[0152] 도 12는 계획의 성과가 어떻게 모니터링될 수 있는지에 대한 개념 다이어그램(1200)이다. 아이템(1201)은 챔버에 배치된 실제 물리적 아이템을 표현하며, 아이템에 어떠한 열도 아직 적용되지 않았음을 표시하기 위해 빈 표면 온도 분포를 갖는 것으로 예시된다. 그런 다음, 외삽 엔진(1202)은 계획 생성 페이즈 동안 아이템에 대한 상태(1203)를 외삽할 수 있다. 상태(1203)는 전기 오븐에 대한 제어 시스템의 메모리에 표현된 아이템(1201)의 상태이다. 상태(1203)는 그래프 공간 내의 특정 노드 및 저장된 계획에서의 대응하는 액션 시퀀스와 연관될 수 있다. 아이템(1204)은 아이템 상에 표면 온도 분포를 생성하기 위해 챔버 내의 아이템에 열이 적용된 것을 제외하고는, 아이템(1201)과 동일한 실제 물리적 아이템을 표현한다. 아이템의 표면 온도 분포는 적외선 센서(1205)에 의해 감지될 수 있다. 적외선 센서에 의해 측정된 표면 온도 분포는 제어 시스템 내의 별개의 메모리 공간(1206)에 구현된 비교기(1207)에 의해 상태(1203)와 연관된 계획된 표면 온도 분포와 비교될 수 있다.
[0153] 계획의 성과를 모니터링하는 방법은 비교 단계 동안 변동을 검출하는 것으로 계속될 수 있다. 아이템에 대한 계획된 상태와 계획의 실제 실행 동안의 아이템에 대한 관측된 상태 간의 변동이 다양한 방식들로 측정될 수 있다. 기본 예에서, 아이템(1204) 및 상태(1203)에 대한 것과 같은 2개의 표면 온도 분포들로부터 샘플링된 값들의 단순한 델타가 취해지고 허용불가능한 변동으로 고려될 것에 대한 정해진 임계치와 비교될 수 있다. 다른 경우들에서, 다양한 팩터들이 허용불가능한 변동으로 고려될 수 있다. 예컨대, 로컬화된 및 계획되지 않은 핫 스팟(1208)의 외관은, 표면 온도 분포의 대부분이 계획의 외삽된 성과에 따르는 경우에도, 허용불가능한 변동으로 고려될 수 있다. 게다가, 계획 생성 페이즈 동안 비용 함수에 현격하게 불리하게 하는 데 사용될 수 있는 팩터들 중 임의의 것이 허용불가능한 변동을 검출하는 데 사용될 수 있다. 이러한 팩터들이, 계획이 조정될 필요가 있을 때를 결정하기 위한 양호한 프록시들일지라도, 계획으로부터의 엄격한 변동은, 어느 리스크 조건들의 발생에 상관없이, 그 자체가 중요한데, 그 이유는 계획으로부터의 편차들이 예상되는 것으로 응답하고 있지 않은 관측불가능한 내부와 같이 더 큰 심각성의 검출불가능한 조건들을 경험하고 있는 아이템 또는 챔버 내의 아이템의 오식별과 같은 더 긴급한 기본 결함들을 표시할 수 있기 때문이다.
[0154] 계획된 상태와 실제 관측된 상태의 비교 동안 변동이 검출되면, 제어 시스템은 몇몇의 응답적 액션들을 취할 수 있다. 먼저, 결정론적 계획자는 변동을 검출하는 것에 대한 응답으로 아이템을 가열하는 제2 계획을 생성할 수 있다. 제어 시스템은 대안적으로, 전력을 셧 다운하거나, 또는 챔버의 열에 기반하여 자동적인 셧 오프로 시한의 가열하는 루틴과 같은 디폴트 가열하는 모드로 스위칭할 수 있다. 제2 계획은 제1 계획이 생성된 것과 동일한 방식으로 생성될 수 있다. 대안적으로, 제2 계획은 예상되는 성과로부터의 변동에 관한 정보를 외삽 엔진에 제공함으로써 생성될 수 있다. 그런 다음, 실제 관측된 성과 또는 예상되었던 것에 대한 그 성과의 델타는 미래 가열 작업들에서 외삽 엔진의 성과를 개선하는 데 차례로 사용될 수 있다. 제어 시스템은 또한, 예상되는 조건의 편차에 대한 경고를 사용자에게 송출하고, 가열 프로세스에 대한 수동 제어를 가하도록 사용자에게 요청할 수 있다.
[0155] 제어 시스템은 또한, 계획된 성과로부터의 어떤 변동에 대한 참조 없이, 주기적으로 다른 계획 페이즈를 실행할 수 있다. 예컨대, 제어 시스템은 매 5 분마다 계획 프로세스를 리턴할 수 있다. 그런 다음, 계획은 오리지널 계획으로부터 새로운 계획으로 즉시 스위칭될 수 있다. 대안적으로, 허용불가능한 변동이 제어 시스템에 의해 검출되었다면, 새로운 계획은 예비로 유지되며 배치될 준비가 될 수 있다. 예비로 유지되는 계획의 이러한 사용은, 예비된 계획과 연관된 저장된 상태들이 계획의 실제 현재 성과에 대한 수용가능한 매치라는 것에 입각될 수 있다.
[0156] 제어 및 트레이닝 시스템
[0157] 본 개시내용에 따른 전기 오븐들은 본원에서 개시되는 방법들을 실행하기 위한 제어 시스템들을 포함할 수 있다. 제어 시스템은 위에서 설명된 평가 피드백 및 강화 학습 시스템들을 인스턴스화하는 데 사용될 수 있다. 예컨대, 제어 시스템들은 위에서 설명된 제어 시스템(903)의 특징들을 드러낼 수 있다. 제어 시스템들은 또한, 위에서 설명된 최적화 분석들을 인스턴스화하는 데 사용될 수 있다. 제어 시스템은 또한, 임의의 연관된 외삽 엔진 또는 휴리스틱을 포함하는, 위에서 논의된 결정론적 계획자를 인스턴스화하는 데 사용될 수 있다. 제어 시스템은 프로세서, ASIC, 또는 임베디드 시스템 코어에 의해 인스턴스화될 수 있다. 제어 시스템은 또한, 본원에서 설명된 방법들을 실행하기 위해 명령들을 저장하기 위한 비휘발성 메모리, 이를테면, 플래시에 대한 액세스를 가질 수 있다. 제어 시스템은 또한, 프로세서와 조합하여 그러한 명령들을 실행하기 위해 작업 메모리에 대한 액세스를 가질 수 있다. 제어 시스템을 인스턴스화하기 위한 하드웨어는 전기 오븐, 이를테면, 전기 오븐(110) 내에 하우징된 인쇄 회로 보드 또는 다른 기판 상에 위치될 수 있다. 제어 시스템은 또한, 네트워크를 통해 전기 오븐(110)과 통신하는 서버 상에 부분적으로 구현될 수 있다. 제어 시스템의 개별적인 블록들은 동일한 물리적 디바이스 상에 인스턴스화될 필요가 없다. 개별적인 블록들은 별개의 데이터 저장소 또는 물리적 프로세싱 디바이스들에 의해 인스턴스화될 수 있다.
[0158] 도 13은 본원에 개시된 접근법들 중 일부에 따라 제어 시스템(1301)의 동작의 예시를 제공하는 데이터 흐름 다이어그램(1300)이다. 특히, 제어 시스템(1301)은 본원에 개시된 평가 피드백 및 강화 학습 접근법들을 이용한 활용을 가능하게 한다. 제어 시스템(1301)은 평가 피드백을 사용하여 전기 오븐(110)을 제어할 수 있다. 제어 시스템(1301)은 제어 정보를 생성하고, 전기 오븐(110) 또는 전기 오븐(110) 내의 아이템의 상태에 관한 상태 정보를 수신하며, 그 상태 정보의 평가에 기반하여 제어 정보를 조정할 수 있다. 예시된 바와 같이, 제어 시스템(1301)은 특정 액션들을 구현하기 위하여 전기 오븐(110)의 다른 컴포넌트들에 제어 정보(1302)를 제공할 수 있다. 제어 시스템(1301)은 전기 오븐(110) 또는 전기 오븐(110) 내의 아이템의 동작 상태를 결정하기 위하여 전기 오븐(110)의 다른 컴포넌트들, 이를테면, 센서들로부터 상태 데이터(1303)를 수신할 수 있다.
[0159] 제어 시스템(1301)은 강화 학습 트레이닝 시스템을 활용할 수 있다. 트레이닝 시스템은, 출력으로서 취하기 위한 최적의 액션(1305)을 결정하기 위해 입력들로서 한 세트의 잠재적 액션들 및 감지된 상태를 이용하여 평가되는 저장된 액션 가치 함수(1304)를 포함할 수 있다. 그런 다음, 제어 시스템(1301)은 최적의 액션(1305)을 구현하기 위해 필요한 제어 정보(1302)를 생성할 것이다. 액션 가치 함수 자체 및 이 함수를 평가하는 시스템은, 전기 오븐(110) 상의 프로세서 및 메모리에 의해 인스턴스화될 수 있거나, 또는 네트워크 액세스가능 서버 상에 완전히 또는 부분적으로 인스턴스화될 수 있다. 액션 가치 함수에 대한 값들, 그리고 특정 상태들 및 액션들에 대한 이 값들의 상관이 메모리(1306)에 저장될 수 있다. 세트의 잠재적 액션들이 메모리(1307)에 저장될 수 있다. 메모리(1307 및 1306)는 전기 오븐(110) 상의 로컬 메모리들 또는 네트워크 액세스가능 서버 상의 네트워크 액세스가능 메모리들일 수 있다. 감지된 상태는, 상태 데이터(1303)를 사용하여 상태 도출 시스템(1308)에 의해 도출될 수 있다. 감지된 상태는 또한, 제어 정보(1302)를 사용하여 도출될 수 있다.
[0100] 제어 정보(1302)에 의해 정의된 액션이 수행된 이후에, 제어 시스템(1301)은 새로운 세트의 상태 데이터(1303)를 수신하며, 보상 도출 시스템(1309)을 사용하여 그 상태로부터 보상 값을 도출할 수 있다. 그런 다음, 보상은 저장된 액션 가치 함수(1304)를 업데이트하는 데 사용될 수 있다. 보상 도출 시스템은, 전기 오븐(110) 상의 프로세서 및 메모리에 의해 인스턴스화될 수 있거나, 또는 네트워크 액세스가능 서버 상에 완전히 또는 부분적으로 인스턴스화될 수 있다. 보상 도출 시스템(1309)의 동작은 아래에서 보다 상세히 설명된다.
[0101] 특정 접근법들에서, 액션 가치 함수(1304)는, 액션 가치 함수로서의 역할을 할 함수 근사기, 이를테면, 뉴럴 네트워크 또는 다른 역전파 회귀 모델일 것이다. 제어 시스템은 또한, 함수 근사기에 대한 트레이닝 시스템을 포함할 수 있다. 예컨대, 트레이닝 시스템이 뉴럴 네트워크라면, 뉴럴 네트워크가 액션 가치 함수에 대한 정당한 근사치가 되도록, 네트워크의 특정 가중치들이 트레이닝될 필요가 있을 것이다. 그런 다음, 이들 가중치들은 메모리(1306)에 저장될 수 있다. 뉴럴 네트워크들에 대한 트레이닝 시스템은 역전파 회귀 트레이닝 모델일 수 있다. 네트워크를 트레이닝하는 데 사용되는 데이터는 전기 오븐에 의해 감지되고 액션 가치 함수를 업데이트하기 위해 제어 시스템에 의해 사용되는 동일한 데이터일 수 있다.
[0102] 본원에 개시된 접근법들 중 일부는, 트레이닝 데이터로서 과거 경험들의 랜덤 샘플들을 활용하는 뉴럴 네트워크 트레이닝 시스템을 포함한다. 이들 접근법들에서, 액션 가치 함수(1304)를 업데이트하는 데 사용되는 데이터는 더 긴 시간 기간 동안 저장될 필요가 있다. 데이터는 전기 오븐(110) 상의 메모리 또는 디스크에 저장될 수 있다. 그러나, 데이터는 또한, 네트워크(1311)를 통해 액세스가능한 네트워크 액세스가능 서버(1310) 상에 저장될 수 있다.
[0103] 뉴럴 네트워크를 트레이닝하는 데 사용되는 데이터는 액션 가치 함수를 업데이트하는 데 사용되는 데이터보다 더 비쌀 수 있다. 특히, 데이터는 한 세트의 경험 데이터 포인트들을 포함할 수 있다. 경험 데이터 포인트는 보상 도출 시스템(1309)에 의해 도출된 보상 값을 표현하기 위한 데이터, 최적의 액션(1305)을 선택하는 데 사용되는 제1 상태, 상태 도출 시스템(1308)에 의해 도출된 제2 상태, 및 제1 상태로부터 제2 상태로 전달하는 데 사용된 액션(1305)을 포함할 수 있다. 그런 다음, 이들 경험 데이터 포인트들은 뉴럴 네트워크에 대한 한 세트의 트레이닝 데이터를 제공하기 위해 랜덤하게 샘플링될 수 있다. 트레이닝 데이터는, 손실 함수들이 확률적 그래디언트 항의 평가에 따라 반복적으로 최소화되는 접근법들에 따라 뉴럴 네트워크를 트레이닝하는 데 사용될 수 있다. 이 접근법은, 함수 근사기가 제공되는 스피드를 증가시키기 위해 뉴럴 네트워크의 트레이닝이 동일한 세트의 물리적 측정들로부터 다수의 세트들의 트레이닝 데이터를 획득할 수 있다는 점에서 유리하다.
[0104] 네트워크 액세스가능 서버(1310)는 다수의 전기 오븐들로부터 수집된 경험 데이터 포인트들을 포함할 수 있으며, 이러한 경험 데이터 포인트들은 결국, 다수의 전기 오븐들에 대한 함수 근사기를 트레이닝하는 데 사용될 수 있다. 경험 데이터 포인트들은, 서버 측에서 트레이닝 절차를 실행하도록, 네트워킹된 전기 오븐들 각각으로부터 서버로 푸시 업될 수 있다. 그러나, 트레이닝 데이터는 또한, 로컬로 트레이닝 절차를 실행하도록, 서버로부터 개별적인 오븐들로 푸시 다운될 수 있다. 전기 오븐들의 네트워크에 의해 수행되는 각각의 트레이닝 에피소드로부터의 트레이닝 데이터의 이러한 풀링은, 최적의 성과를 위해 전기 오븐들의 네트워크가 트레이닝된 스피드를 크게 증가시킬 수 있다.
[0160] 도 14는 본원에 개시된 접근법들 중 일부에 따라 제어 시스템(1401)의 동작의 예시를 제공하는 데이터 흐름 다이어그램(1400)이다. 특히, 제어 시스템(1401)은 본원에 개시된 결정론적 계획자 접근법들을 이용한 활용을 가능하게 한다. 제어 시스템(1401)은, 계획을 생성하며 그 계획에 따라 전기 오븐에 커맨드들을 전달함으로써, 전기 오븐(110)을 제어할 수 있다. 계획의 성과가 또한 모니터링될 수 있다. 제어 시스템(1401)은 제어 정보를 생성하고, 전기 오븐(110) 또는 전기 오븐(110) 내의 아이템의 상태에 관한 상태 정보를 수신하며, 그 상태 정보에 기반하여 계획의 성과를 조정 및 결정할 수 있다. 예시된 바와 같이, 제어 시스템(1401)은 생성된 계획(1405)에 따라 특정 액션들을 구현하기 위하여 전기 오븐(110)의 다른 컴포넌트들에 제어 정보(1402)를 제공할 수 있다. 제어 시스템(1401)은 전기 오븐(110) 또는 전기 오븐(110) 내의 아이템의 동작 상태를 결정하기 위하여 전기 오븐(110)의 다른 컴포넌트들, 이를테면, 센서들로부터 상태 데이터(1403)를 수신할 수 있다.
[0161] 제어 시스템(1401)은 챔버 내의 아이템을 가열하기 위한 계획을 생성하기 위해 결정론적 계획 시스템을 활용할 수 있다. 결정론적 계획 시스템은, 상태 데이터(1403)를 사용하여 평가되는 저장된 비용 함수(1404)를 포함할 수 있다. 시스템은 또한, 외삽 엔진(1407) 및 휴리스틱(1406)을 사용하여, 비용 함수(1404)를 평가할 수 있다. 비용 함수의 특정 노드들이 평가를 위해 선택되며, 후속하여, 외삽 엔진(1407) 또는 휴리스틱(1406)을 사용하여 평가될 수 있다. 제어 시스템은 이들 평가들에 기반하여 계획(1405)을 생성하며, 계획(1405)을 구현하기 위해 필요한 제어 정보(1402)를 생성할 것이다. 비용 함수 자체 및 이 함수를 평가하는 시스템은, 전기 오븐(110) 상의 프로세서 및 메모리에 의해 인스턴스화될 수 있거나, 또는 네트워크 액세스가능 서버 상에 완전히 또는 부분적으로 인스턴스화될 수 있다. 비용 함수, 휴리스틱, 외삽 엔진, 및 전기 오븐이 실행할 수 있는 잠재적 액션들에 대한 값들은 메모리(1409)에 저장될 수 있다. 메모리(1409)는 전기 오븐(110) 상의 로컬 메모리 또는 네트워크 액세스가능 서버 상의 네트워크 액세스가능 메모리들일 수 있다. 감지된 상태는, 상태 데이터(1403)를 사용하여 상태 도출 시스템(1408)에 의해 도출될 수 있다. 감지된 상태는 또한, 제어 정보(1402)를 사용하여 도출될 수 있다.
[0105] 제어 정보(1402)에 의해 정의된 액션이 수행된 이후에, 제어 시스템(1401)은 새로운 세트의 상태 데이터(1403)를 수신하며, 편차 검출기(1410)를 사용하여, 계획의 예상되는 성능과 계획의 실제 성과를 비교할 수 있다. 편차 검출기는 외삽 엔진(1407)으로부터 외삽된 상태를 수신하며, 외삽된 상태에 대응하는 계획 내의 포인트에서 아이템에 의해 도달된 실제 상태와, 이 외삽된 상태를 비교할 수 있다. 외삽 엔진은 전용 프로세서로서 구현될 수 있거나, 또는 비용 함수(1404)를 평가하는 시스템을 인스턴스화하는 데 사용되는 것과 동일한 프로세서 상에서 실행되는 소프트웨어 또는 펌웨어일 수 있다. 계획이 부분적으로 실행된 것과 연관된, 제어 시스템에 이용가능한 추가 정보가 정해지면, 편차 검출기는 비용 함수의 다른 평가를 트리거링하도록 구성될 수 있다.
[0106] 제어 시스템의 동작에 필요한 데이터는 전기 오븐(110) 상의 메모리 또는 디스크 상에 저장될 수 있다. 그러나, 데이터는 또한, 네트워크(1411)를 통해 액세스가능한 네트워크 액세스가능 서버(1410) 상에 저장될 수 있다. 예컨대, 전기 오븐에 배치된 아이템의 아이덴티티에 기반하여 비용 함수, 외삽 엔진 또는 휴리스틱을 초기화하는 데 사용되는 값들은 원격으로 저장되며, 시스템이 더 많은 데이터를 획득할 때 업데이트될 수 있다. 마찬가지로, 전기 오븐에 의해 수집된 데이터는, 다른 전기 오븐들에 의한 사용을 위해 서버(1410)에 업로딩될 수 있다. 특히, 계획이 예상되는 외삽된 상태로 이어지지 않았다고 편차 검출기가 결정한 인스턴스들은, 다른 전기 오븐들에 의한 사용을 위해 네트워크 액세스가능 서버(1410)에서 외삽 엔진을 초기화하는 저장된 값들을 정제하는 데 사용될 수 있다.
[0162] 상태 및 보상 도출
[0163] 위에서 설명된 평가 피드백 접근법들 중 임의의 평가 피드백 접근법에서 시스템으로부터 피드백을 획득하는 데 상태 도출 시스템이 활용된다. 예컨대, 상태 도출 시스템은 상태 도출 시스템(508 또는 1408)일 수 있다. 강화 학습 접근법에서 액션 가치 함수를 업데이트하는 데 보상 도출 시스템, 이를테면, 보상 도출 시스템(509)이 활용된다. 본원에서 사용되는 바와 같이, 상태란 용어는 아이템, 전기 오븐, 또는 전체 시스템의 실제 물리적 상태를 지칭할 수 있다. 그러나, 이 용어는 또한, 메모리에 저장된 그러한 상태들의 표현을 지칭할 수 있다. 일부 접근법들에서, 실제 물리적 상태들의 수는 메모리에 저장된 상태들의 수를 훨씬 초과한다.
[0164] 메모리에 상태를 정의하기 위한 프로세스는 일반적으로, 센서들, 제어 시스템, 또는 네트워크 연결로부터의 데이터를 수반할 것이다. 아이템의 실제 물리적 상태는, 상태 감지 정보, 이를테면, 1303 및 1403를 획득하는, 도 1을 참조로 위에서 설명된 센서들에 의해 감지된다. 메모리에 저장된 상태들은 센서들로부터 획득된 데이터에 의해 정의될 수 있다. 예컨대, 상태들은 아이템에 걸친 온도 분포에 관한 데이터, 2 차원 가시 광 데이터, 3 차원 가시 광 데이터, 레이저 모니터링 온도 측정들, 가중치 데이터, 습도 데이터, 온도 데이터, 미립자 농도 데이터, 리턴 손실 데이터, 임피던스 매칭 데이터, 인가된 에너지 데이터, 및 일반적으로 아이템, 챔버, 에너지 소스, 또는 전기 오븐의 물리적 상태에 관한 다른 파라미터들에 의해 정의될 수 있다. 메모리에 저장된 상태들은 또한, 제어 정보에 의해 정의될 수 있다.
[0165] 제어 시스템에 의해 사용되는 상태는, 센서들의 사용을 통해 측정되는 팩터들(이를테면, 상태 감지 정보(1303))뿐만 아니라 제어 정보(이를테면, 제어 정보(1302)) 둘 모두에 의해 정의될 수 있다. 특히, 특정 액션의 운동량에 관한 정보의 형태인 제어 정보가 상태를 정의하는 데 사용될 수 있다. 일반적으로, 상태를 정의하기 위해, 시간과 관련한 그의 거동이 포지티브 및 네거티브 도함수 둘 모두를 갖거나 지향성 항목(term)을 포함하는 제어 시스템에 의해 시행되는 임의의 액션이 시스템에 의해 유리하게 사용될 수 있다.
[0166] 특정 접근법들에서, 센서들은 제어 정보를 획득하는 것을 필요로 하지 않을 것인데, 그 이유는, 그러한 정보가 제어 시스템에 의해 생성된 커맨드들 그 자체로부터 도출가능할 것이기 때문이다. 예컨대, 상태는 챔버 내의 모드 스터러의 각운동량에 대한 값을 포함할 수 있지만, 각운동량은 챔버로부터 감지될 필요가 없을 것이고, 대신, 그 각운동량을 조정하는 것을 담당하는 제어 시스템의 부분으로부터 액션 가치 함수를 평가 및 업데이트하는 것을 담당하는 제어 시스템의 부분으로 직접 전달될 수 있다. 이는, 도 13에서 1308과 1302 간의 연결에 의해 예시된다. 인가된 전력에 대한 응답으로의 모드 스터러의 거동이 평가되어 제조자에 의해 잘 모델링될 수 있으므로, 이러한 모델은, 모드 스터러를 제어하는 데 사용되는 커맨드들로부터 운동량이 도출될 수 있도록 제어 시스템에 내장될 수 있다.
[0167] 네트워킹 인터페이스가 또한 아이템의 상태를 결정하는 데 사용될 수 있는 정보를 제공할 수 있다. 예컨대, 전기 오븐에 대한 위치 데이터가 오븐의 연결성에 의해 도출될 수 있고, 아이템의 상태를 정의하는 데 사용될 수 있는 오븐에 대한 고도를 도출하는 데 사용될 수 있다. 또한, 특정 영역들에서 더 높은 빈도들로 소비되는 특정 아이템들을 더 잘 식별하거나, 특정 로컬 선호도들에 따라 아이템들을 조리하기 위해, 위치 기반 정보가 또한 제어 시스템을 초기화하기 위한 외부 채널로서의 역할을 할 수 있다. 로컬 선호도들 및 지리적 소비 패턴들이 또한 전기 오븐들 그 자체의 초기 요소로서 획득될 수 있다.
[0168] 특정 예에서, 아이템(111)에 대한 표면 온도 분포는, 개구(114)를 통해 아이템의 뷰를 갖는 적외선 센서를 사용하여 감지될 수 있다. 그런 다음, 표면 온도 분포는, 메모리의 상태를 식별하는 데 사용될 수 있다. 다수의 센서들로부터의 데이터, 또는 센서들과 제어 정보의 조합으로부터의 데이터가 상태를 식별하기 위해 조합되어 사용될 수 있다. 예컨대, 아이템의 뷰를 갖는 적외선 및 가시 광 센서들을 사용하여 아이템의 표면 온도 분포 및 3차원 이미지 둘 모두가 캡처될 수 있으며, 분포 및 이미지 둘 모두가 상태를 식별하는 데 사용될 수 있다. 다른 예에서, 트레이에 대한 모터를 제어하는 데 사용되는 제어 정보를 사용하여 계산되는 바와 같은, 아이템을 유지하는 이동식 트레이의 운동량, 및 표면 온도 분포 둘 모두가 상태를 식별하는 데 활용될 수 있다. 다른 예로서, 인가된 에너지의 현재 위치 및 인가된 전력에 대한 임피던스 매칭 특성 둘 모두가 상태를 식별하는 데 활용될 수 있다.
[0169] 센서들로부터 원시 데이터(raw data)를 취하여 프로세싱된 데이터를 제어 시스템에 전달하는 도출 절차를 통해 상태들이 정의될 수 있다. 이러한 단계는, 특정 경우들에서는 데이터가 제어 시스템에 직접 전달될 수 있으므로 선택적이다. 예컨대, 적외선 센서는, 센서의 각각의 픽셀에 의해 감지되는 IR 강도에 대한 값들의 매트릭스를 제어 시스템에 직접 전달할 수 있다. 그러나, 원시 픽셀 값들은 또한 전략적으로 다운-샘플링(down-sample)되어 제어 시스템에 가해지는 컴퓨테이셔널 제약들을 경감시킬 수 있다. 원시 데이터는 또한, 아이템의 표면 영역이 3차원 형상으로부터 2차원 평면으로 평탄화된 것처럼 그 표면 영역에 직접 대응하는 IR 강도 값들의 매트릭스를 제어 시스템이 수신하도록 프로세싱될 수 있다. 상태들이 정의될 수 있는 최적의 정보(optimum degree of information)를 제어 시스템에 제공하기 위해 더 복잡한 도출 절차들이 적용될 수 있다.
[0170] 도 15는, 메모리의 상태들을 정의하기 위해 아이템에 관한 원시 센서 데이터를 프로세싱하는 데 사용될 수 있는 더 복잡한 도출 절차의 예시를 제공한다. 도 15는, 2개의 상이한 시간들에서 동일한 시스템에 대응하는 이미지들(1500 및 1501)의 2개의 세트들을 포함하며, 여기서, 이미지(1500)는 t=0에 대응하고 그리고 이미지(1501)는 t=1에 대응한다. 이미지들 둘 모두에서, 적외선 센서(1502)는 표면 온도 분포를 획득한다. 표면 온도 분포(1503)는 t=0에서 획득된다. 표면 온도 분포(1504)는 t=1에서 획득된다. 표면 온도 분포들 둘 모두는 챔버 내의 동일한 아이템에 대응한다. 이러한 경우에, 아이템은 이동식 트레이(1507) 상의 아이템들(1505 및 1506)의 세트이다. 예시된 바와 같이, 트레이(1507)는 t=0에서 t=1로 90°회전되었다.
[0171] 강화 학습 시스템은, 챔버 내의 아이템들(1505 및 1506)의 상대적인 이동에 관계없이 시스템의 상태로서 표면 온도 분포들(1503 및 1504)을 처리할 수 있다. 그러나, 특정 접근법들에서, 아이템들의 포지션 및 표면 온도 분포에 관한 정보를 사용하여 상태들을 정의함으로써 제어 시스템에 대한 이러한 복잡도를 완화시키는 것이 유리할 수 있다. 이는 다양한 방식들로 이루어질 수 있고, 다음의 예들은, 모든 인스턴스들에서 제어 시스템에 정보가 제공되는 방식에 대한 제한으로서가 아니라 더 복잡한 도출들이 제어 시스템에 대한 부담(strain)을 완화시킬 수 있는 방식을 설명하려는 목적들을 위해 제공된다.
[0172] 일 예에서, 적외선 센서(1502)는 또한 아이템들(1505 및 1506)의 가시 광 이미지들을 획득할 수 있다. 이러한 데이터는, 상태 감지 데이터, 이를테면 상태 감지 데이터(1303)의 일부로서의 역할을 할 것이다. 그런 다음, 정보는, 상태 도출 시스템, 이를테면 상태 도출 시스템(1308)에 의해 사용되어, 표면 온도 분포들을 그들의 원시 값들로부터 아이템들(1505 및 1506) 그 자체에 대한 분포들로 맵핑할 수 있다.
[0173] 다른 예로서, 제어 시스템은 제어 정보를 제공할 수 있으며, 이 제어 정보로부터, 트레이(1507)의 포지션이 도출될 수 있다. 이러한 정보는, 제어 정보, 이를테면 제어 정보(1302)로서의 역할을 할 수 있다. 그런 다음, 정보는, 표면 온도 분포들이 액션 가치 함수(1304) 또는 비용 함수(1404)에 의해 활용되는 바와 같이, 제어 시스템에 대한 상태들을 정의하는 데 표면 온도 분포들이 사용되기 전에, 상태 도출 시스템, 이를테면 상태 도출 시스템(1308)에서의 트레이의 이동의 효과를 상쇄시키도록 표면 온도 분포들을 전치(transpose)시키는 데 사용될 수 있다.
[0174] 다른 더 복잡한 도출들이 다수의 데이터 스트림들의 조합을 통해 가능하다. 예컨대, 상태는, 일반적으로 마이크로파에 배치되는 저장된 아이템들의 라이브러리에 대하여 실제로 오븐 내의 특정 아이템을 식별하는 분류기를 포함할 수 있다. 상태는, 마이크로파에 배치될 수 있는 다수의 아이템들에 대한 플레이스홀더(placeholder)들을 포함할 수 있고 그리고 각각의 아이템의 개별적인 특징들을 별개로 추적할 수 있다.
[0175] 마이크로파에 배치되는 아이템의 실제 물리적 상태는 제어 시스템에 의해 정의되는 바와 같은 상태로부터 변할 수 있다. 이러한 발생은, 숨겨진 상태 문제로 지칭될 수 있다. 특정 접근법들에서, 상태는, 아이템의 표면에 관련된 측정으로부터 정의될 수 있으며, 아이템 내부의 온도는 간접적으로만 알려질 것이다. 그러나, 동일한 표면 측정이 상이한 내부 상태들을 표시하도록 외관(outward appearance)이 일정하게 유지되는 동안, 아이템의 내부 특성들은 변할 수 있다. 표면 온도만이 모니터링되는 접근법들에서, 이는 숨겨진 상태 문제점을 유발할 수 있다.
[0176] 위에서 설명된 강화 학습 접근법은 숨겨진 상태 문제점과 관련한 특정 이점들을 제공하는데, 그 이유는, 그러한 접근법이 잡음이 있고 지연되는 보상 신호들 상에서 동작할 수 있기 때문이다. 최종적으로, 아이템의 내부 상태가 결정될 것이다. 다양한 접근법들에서, 내부 상태는, 내부 상태가 열의 확산을 통해 궁극적으로는 그 표면 상에서 표현될 때, 또는 아이템이 챔버로부터 제거되어 평가될 때 결정될 것이다. 그에 상관없이, 이전 상태들에 대한 액션 가치 함수의 업데이트는 이러한 정보를 제어 시스템에 다시 통합하기 위한 신속한 방법을 제공하며, 제어 시스템이 숨겨진 상태들을 인지하고 그들의 효과들을 완화시키기 위한 옵션들을 탐색하는 것을 허용한다.
[0177] 액션 가치 함수를 평가하는 데 사용되는 것 외에도, 아이템의 상태와 관련하여 획득된 정보는 또한 액션 가치 함수를 업데이트하기 위한 보상을 도출하는 데 사용될 수 있다. 이러한 액션은, 보상 도출 시스템, 이를테면 보상 도출 시스템(509)에 의해 수행될 수 있다. 실제로, 아이템의 상태와 관련하여 시스템에 의해 수집된 임의의 정보는 보상을 도출하는 데 사용될 수 있다. 보상들은 포지티브 또는 네거티브일 수 있다. 특정 예에서, 포지티브 보상은 조리 결정의 균등성에 기반하여 각각의 상태에 대해 도출될 수 있다. 결정은, 아이템에 대한 표면 온도 분포를 평가하는 것, 및 분포에 걸친 온도 값들의 변동을 평가하는 것을 수반할 수 있다. 보상들은, 분포 내의 얼마나 많은 포인트들을 시그모이드(sigmoid) 함수에 비교하는지로부터 도출될 수 있으며, 여기서, 포지티브 보상들은 시그모이드 상의 낮은 크기 포인트들에 대해 제공된다. 다른 예로서, 네거티브 보상들은, 가시 광 검출기가 엎질러짐이 발생했음을 식별할 때 제공될 수 있다. 큰 네거티브 보상들은 챔버에서 연기가 검출될 때 도출될 수 있다.
[0178] 아이템의 상태를 정의하는 데 사용되는 데이터 외에도, 보상들은 많은 다른 데이터 소스들로부터 도출될 수 있다. 예컨대, 보상들은, 아이템을 원하는 정도로 가열하는 데 소요되는 시간으로부터 도출될 수 있으며, 여기서, 급속 가열은 포지티브 보상들과 연관된다. 보상들은 또한, 아이템이 조리된 이후에 사용자 피드백을 통해 제공될 수 있다. 예컨대, 가열이 얼마나 잘 수행되었는지에 대해 보고하도록 사용자를 프롬프팅하기 위해, 프롬프트가 디스플레이 상에 나타날 수 있거나 디바이스 상의 스피커에 의해 전달될 수 있다. 다른 예로서, 프롬프트는, 사용자의 모바일 폰에 전송되어 아이템이 얼마나 잘 가열되었는지에 관한 응답을 요청할 수 있다. 그런 다음, 사용자의 응답에 기반하여 보상이 도출될 수 있다.
[0107] 액션들
[0108] 도 1을 참조하여 설명된 예시적인 전기 오븐들은, 평가 피드백을 획득하는 프로세스의 일부로서 또는 아이템을 가열하기 위한 계획을 생성하는 것의 일부로서, 다양한 액션들을 수행할 수 있다. 강화 학습 트레이닝 시스템을 트레이닝하기 위해 평가 피드백이 사용되는 접근법들에서, 이러한 액션들은 트레이닝 시스템의 액션 가치 함수에 대한 입력들일 수 있다. 결정론적 계획자를 사용하는 접근법들에서, 이러한 액션들은, 계획을 구성하고 계획 공간의 그래프를 트래버싱하는 액션들일 수 있다. 위에서 논의된 최적화 분석들을 사용하는 접근법들에서, 이러한 액션들은, 정해진 조건으로 아이템을 배치하고 그 응답을 모니터링하는 데 사용되는 전기 오븐의 구성의 변경들 및 에너지 인가들일 수 있다.
[0109] 일반적으로, 위에서 설명된 바와 같이, 한 세트의 액션들은, 에너지 소스에 의해 챔버에 전달되는 가변적 에너지 분포에 의해 생성되는 극대점과 관련하여 제1 포지션 값으로부터 제2 포지션 값으로 아이템의 상대적인 포지션을 변경하는 능력을 포함한다. 이를 위해, 트레이(118)는 하나 또는 그 초과의 축들을 중심으로 회전가능할 수 있다. 트레이(118)는 또한, 챔버(112)의 최하부를 따라 2차원들로 선형으로 이동가능할 수 있다. 트레이(118)는 실제로 챔버(112)의 경계들보다 클 수 있으며, 더 큰 영역을 통해 아이템(111)을 이동시키기 위해 이동하는 경우 챔버의 벽들 아래를 지날 수 있다. 트레이(118)는 또한, 챔버(112)의 베이스에 대해 z-방향으로 위 및 아래로 이동가능할 수 있다. 대안으로, 또는 이와 조합하여, 소스(113)에 의해 제공되는 가변적 에너지 분포는 아래에서 보다 상세히 설명되는 바와 같이 이동가능할 수 있다.
[0110] 예시적인 제어 시스템에 의해 실행될 수 있는 다른 액션들은, 이를테면, 에너지 소스(113)에 인가되는 전력을 온 및 오프로 사이클링(cycling)시키기나 최대 레벨과 최소 레벨 사이의 등급화된 단계들로 인가되는 전력을 조정함으로써, 챔버에 제공되는 에너지의 특징들을 조정하는 것을 포함한다. 다른 접근법들에서, 챔버(112)에 인가되는 에너지의 주파수가 수정될 수 있다. 다른 접근법들에서, 에너지 소스(113)에 의해 인가되는 에너지와 조합하여, 또는 그 대안으로, 추가 열 소스들이 챔버에 적용될 수 있다. 또한, 아이템(111) 상으로 챔버(112)에 도입되는 에너지의 효과를 변경하기 위해 챔버에 워터 또는 다른 재료들이 간헐적으로 도입될 수 있다. 다른 예로서, 더 높은 온도 반응들을 생성하기 위해 챔버에 서셉터가 주기적으로 도입될 수 있다. 서셉터는 챔버 내에서 이동가능할 수 있으며, Maillard 반응들 또는 높은 온도들에서만 달성가능한 다른 효과들을 야기하기 위해, 때때로 특정 아이템들에 매우 근접하게 배치될 수 있다. 예시적인 제어 시스템에 의해 실행될 수 있는 다른 액션들은, 가열 동안 아이템의 포지션 및 조성을 조절하도록 구성되는 챔버 내의 스터러 또는 다른 아지테이터(agitator)를 이동시키는 것을 포함한다. 아지테이터는 아이템 내에 배치될 수 있다. 특정 접근법들에서, 아지테이터는 마이크로파 에너지에 대해 투명한 재료를 포함할 것이다. 다른 접근법들에서, 아지테이터는 위에 언급된 서셉터일 것이다.
[0111] 제어 시스템이 실행할 수 있는 다른 액션은 에너지 소스(113)에 의해 제공되는 가변적 분포를 챔버(112) 자체에 대해 이동시키는 것이다. 이러한 액션은 다양한 방식들로 달성될 수 있다. 가변적 분포의 포지션이 어떻게 변경될 수 있는지에 대한 예는, 2016년 3월 30일 출원된 미국 가특허 출원 번호 제62/315,175호, 2016년 6월 13일 출원된 미국 가특허 출원 번호 제62/349,367호, 및 2016년 12월 14일 출원된 미국 가특허 출원 번호 제62/434,179호에서 제공되며, 이들 모두는 모든 목적들을 위해 그 전체가 인용에 의해 본원에 통합된다. 예컨대, 가변적 분포는, 한 세트의 가변적 반사율 엘리먼트들, 이를테면 도 2의 가변적 반사율 엘리먼트(200)의 물리적 구성을 조정함으로써, 아이템에 대해 챔버 내에서 변경될 수 있다.
[0112] 제어 시스템이 챔버에 대해 가변적 분포를 이동시키는 액션을 어떻게 실행할 수 있는지에 대한 다른 예는, 에너지 소스들 또는 안테나들의 어레이를 활용함으로써 이루어진다. 어레이 내의 개별적인 엘리먼트들에는, 상이한 포인트들에서 가간섭하고(cohere) 간섭하는 파들을 형성함으로써 전달되는 에너지의 특징을 변경하기 위해, 순간적으로 가변적 레벨들의 에너지가 공급될 수 있다.
[0113] 제어 시스템에 의해 수행될 수 있는 다른 액션은, 챔버 자체에 대한 에너지 분포의 패턴을 변경하고 또한 공급되는 에너지의 양을 변경하는 것의 조합을 수반한다. 아이템 상의 또는 아이템 내의 특정 위치를 타겟팅하고 리턴 손실 및 임피던스 매칭과 같은 RF 파라미터들을 모니터링함으로써, 전달되는 에너지에 대한 아이템의 해당 부분의 반응이 모니터링될 수 있다. 이들 특징들은, 아이템이 열에 어떻게 반응하는지에 대한 지식과 결합하여, 가열 프로세스가 어떻게 진행중인지를 측정하는 데 활용될 수 있다.
[0114] 위에서 논의된 액션들 중 임의의 액션은, 아이템을 가열하기 위한 계획을 생성할 때 결정론적 계획자에 의한 선택을 위해 제어 시스템에 의해 저장될 수 있다. 계획자가 선택할 수 있는 잠재적인 아이템들은 전기 오븐의 액션 세트로 지칭될 수 있다. 결정론적 계획자를 위한 액션들은, 이들의 개별적인 지속기간들 또는 물리적 범위들의 측면에서 다양한 세팅 정도(degree)들을 포함할 수 있다. 예컨대, 액션 세트는 각각의 액션이 동일한 양의 실행 시간이 걸리도록 정의될 수 있다(예컨대, 트레이를 π/8 라디안 회전시키거나 에너지 소스의 강도를 10% 만큼 증가시키는 것과 연관된 액션들이 액션 세트에 대해 선택될 수 있는데, 왜냐하면 이들은 동일한 양의 시간이 걸리기 때문이다). 이들 접근법들은 비용 함수에 대한 하나의 제약을 완화시킬 것인데, 왜냐하면 비용 함수는 취해진 액션들의 수를 단순히 더함으로써 총 계획 시간을 계산하는 것을 가능하게 할 것이기 때문이다. 하지만, 비용 함수는 또한, 임의의 정해진 액션을 실행하는 데 걸리는 시간을 고려하도록 정의될 수 있다. 대안적으로, 액션들은, 이들이 액션 세트 내의 다양한 액션들 간에 어느 정도의 대칭성을 유지하는 것과 관계없이 고정된 지속기간들 또는 강도들을 갖도록 정의될 수 있다. 이들 접근법들은 또한, 결정론적 계획자의 컴퓨테이션 복잡성을 전반적으로 완화시킬 것인데, 왜냐하면 이들은 탐색되고 외삽될 필요가 있을 잠재적인 액션들의 세트를 제한할 것이기 때문이다. 액션들이 다양한 지속기간들 또는 강도들을 갖는 대안적인 접근법이 가능하며, 이는 계획자에게 부여되는 플렉서빌러티의 측면에서는 특정 이점들을 제공할 수 있지만, 외삽 엔진의 복잡성을 또한 증가시킬 것이다.
[0115] 제어 시스템 초기화
[0116] 제어 시스템은 챔버에 배치되는 아이템의 아이덴티티에 기반하여 초기화될 수 있다. 아이템은, 시각적 광 센서로부터 획득된 시각적 광 센서 데이터뿐만 아니라 적외선 데이터를 사용하여 에너지 인가에 대한 아이템의 응답을 분석함으로써 식별될 수 있다. 제어 시스템은 특정 카테고리와 매칭하는 아이템의 카테고리에 기반하여 초기화될 수 있거나, 또는 특정 아이템에 기반하여 초기화될 수 있다. 예컨대, 아이템은 비-점성의 동질(homogeneous)의 액체로서 식별될 수 있거나, 또는 찻잔(cup of tea)으로서 식별될 수 있다. 그런 다음, 제어 시스템은 이러한 식별에 기반하여 초기화될 수 있다. 아이템이 식별되지 않는다면, 제어 시스템은 디폴트 구성을 포함할 수 있다. 제어 시스템은 또한, 아이템의 특징에 대한 특이성의 상이한 레벨들에 기반하여 상이한 구성들을 가질 수 있다. 예컨대, 제어 시스템은 찻잔 구성(cup-of-tea configuration) 및 비-점성의 동질의 액체 구성 둘 모두를 가질 수 있고, 차의 식별이 적절히 수행되지 않았다면, 보다 일반적인 구성으로 돌아갈 수 있다.
[0117] 도 16은 외부 채널들로부터의 데이터를 사용한 제어 시스템의 초기화를 예시하는 데이터 흐름 다이어그램이다. 외부 채널들로부터의 데이터는, 위에 논의된 결정론적 계획자들, 강화 학습 접근법들, 및 최적화 분석과 연관된 것들을 포함하여 본원에서 개시되는 제어 시스템들 중 임의의 제어 시스템을 초기화하는 데 사용될 수 있다. 하지만, 설명의 목적들로, 도 16은 도 13을 참조로 개시된 바와 같은 강화 학습 접근법에 대한 제어 시스템의 초기화를 예시한다.
[0118] 외부 채널들로부터의 데이터는 가열 또는 트레이닝 에피소드를 위해 제어 시스템(1301)을 초기화하기 위한 정보를 제공할 수 있다. 이들 채널들은 또한, 아이템의 아이덴티티에 기반하여 구성가능한 것으로서 본 문헌의 다른 곳에서 설명된 제어 시스템의 양상들 중 임의의 양상을 초기화하는 데 활용될 수 있다. 외부 채널들은 패키지(1601) 상의 QR 코드, 음성 커맨드(1602), 터치 입력(1603) 및 네트워크 데이터(1604)로서 예시된다. 외부 채널들로부터의 데이터는 가열될 아이템의 패키징 상의 UPC 또는 QR 코드를 판독하는 데 사용되는 스캐너를 통해 송신되는 데이터, 전통적인 키패드에 입력되는 키패드 커맨드, 터치 스크린의 사용자 인터페이스에 입력되는 커맨드, 이미지 인식 분류기와 결합된 카메라, 또는 전기 오븐의 마이크로폰에 입력되는 음성 커맨드를 포함할 수 있다. 일반적으로, 데이터 채널들은 커맨드들 또는 정보를 외부 소스로부터 전기 오븐(110)에 입력하기 위한 임의의 방법을 포함할 수 있다. 네트워크 데이터(1604)는, 로컬 네트워크 또는 인터넷을 통해 간접적으로 제어 정보를 제공하고 있는 전기 오븐(110)의 사용자로부터 또는 전기 오븐(110)의 제조자로부터 제공되는 정보를 포함할 수 있다. 정보는, 터치 스크린, 마이크로폰 및 카메라를 구비한 모바일 폰과 같은, 제어 패널(119)을 참조로 위에서 설명된 다양한 입력 채널들을 갖는 디바이스에 의해 네트워크를 통해 제공될 수 있다.
[0119] 데이터가 수신되면, 이는 제어 시스템(1301)의 특정 양상들을 초기화하기 위해 전기 오븐(110)에 의해 사용된다. 예컨대, 액션 가치 함수 자체는 메모리(1306)에 저장된 값들 및 상관관계(correlation)들의 세트를 변경함으로써 초기화될 수 있다. 이는, 메모리(1306)에 저장된 액션 가치 함수에 대한 뉴럴 네트워크 함수 근사기의 가중치들 및 전체 특징을 세팅하는 것을 수반할 수 있다. 상태 도출 시스템(1308) 및 보상 도출 시스템(1309)의 거동은 또한, 수신된 데이터에 의해 초기화되거나 변경될 수 있다. 제어 시스템(1301)에 의해 사용되는 상태들 그 자체는, 이를테면, 챔버 내의 아이템의 개별적인 컴포넌트들의 상태를 독립적으로 추적하도록 이들을 조정함으로써, 변경될 수 있다. 특정 예에서, 외부 채널은, 조리를 필요로 하는 치킨과 재가열을 필요로 하는 라이스의 조합으로서 아이템들을 식별할 수 있다. 결과적으로, 제어 시스템(1301) 및 상태 도출 시스템(1308)에 의해 사용되는 상태들은 2개의 별개의 컴포넌트들을 추적하도록 초기화될 수 있다. 상태를 표현하는 데 사용되는 데이터는 각각의 컴포넌트에 대한 2개의 별개의 벡터들을 포함하도록 변경될 수 있다. 보상 절차는, 치킨의 점진적인 느린 가열과 라이스의 약한 가열을 보상하도록 변경될 수 있다.
[0120] 일반적으로, 강화 학습 트레이닝 시스템 또는 함수 근사기를 트레이닝하는 데 사용되는 트레이닝 시스템의 특징들을 포함하는 제어 시스템(1301)의 임의의 양상은 외부 채널들로부터의 데이터를 통해 초기화될 수 있다. 예컨대, 강화 학습 트레이닝 시스템은, 이를테면, 탐색적 액션과 대조적으로 액션-가치 최대화 액션을 취할 확률을 조정하는 외부 채널로부터의 데이터에 기반하여 초기화될 수 있다.
[0121] 정보를 위한 다른 외부 채널은 챔버 내의 아이템을 분석하는 데 사용되는 미리프로그래밍된 교정 절차일 수 있다. 교정 절차는 본원의 다른 곳에서 설명되는 결정론적 계획자 및 최적화 분석들의 발견 페이즈에서 사용되는 것과 동일한 프로세스일 수 있다. 전기 오븐은, 아이템을 신속하게 가열하거나 챔버에 워터를 적용하고 그리고 제어 시스템을 초기화하는 데 사용될 수 있는 정보를 획득하기 위한 해당 자극(stimulus)에 대한 아이템의 반응을 연구하도록 구성될 수 있다. 예컨대, 아이템은 전자기 방사선의 인가에 의해 가열될 수 있고, 표면 온도 분포의 변화는 아이템의 열 저항률을 결정하도록 짧은 시간 기간에 걸쳐 분석될 수 있다. 열 저항률이 높았다고 결정하는 것에 대한 응답으로, 결정론적 계획자 또는 강화 학습 접근법을 위한 제어 시스템은, 그러한 아이템들에 대한 잠재적 숨겨진 상태 문제들을 해결하기 위해 탐색적 단계들을 취할 높은 확률로 초기화될 수 있다. 실제로, 위에서 언급된 자극들에 대한 아이템의 응답은, 제어 시스템에 대한 아이템을 식별하기 위해 이들 자극들에 대한 상이한 재료들의 응답들에 관한 정보의 자료(corpus)에 액세스하는 임의의 분류 시스템에 의해 사용될 수 있다. 특정 예로서, 상이한 음식들은 열 적용에 대한 응답으로 상이한 냉각 곡선들을 나타낼 수 있고, 정해진 자극에 대한 응답으로 시간이 지남에 따라 챔버 내의 아이템의 온도 변화를 모니터링하는 것은 트레이닝된 분류기가 아이템을 인지할 수 있게 하는 충분한 정보를 제공할 수 있다. 유사한 예에서, 에너지 인가를 받은 이후의 표면 온도 분포의 변화를 분석하여, 다양한 잠재적 액션들에 대한 응답으로 결정론적 계획자에 대해 아이템의 상태를 정확하게 외삽하기 위해 아이템이 어떻게 가열되고 그리고 이후 냉각되었는지에 대한 정보를 결정론적 계획자 접근법을 위한 외삽 엔진에 제공할 수 있다.
[0122] 외부 채널들로부터의 데이터를 활용하는 특정 예들이 위에서 제공되었지만, 대부분의 접근법들에서, 제어 시스템(1301)과 같은 제어 시스템은 외부 채널들로부터의 매우 적은 데이터로 동작할 수 있다. 위에서 설명된 많은 데이터는 사실상, 제어 시스템(1301) 자체의 동작에 의해 발견되거나 또는 그에 통합될 수 있다. 예컨대, 외부 채널이, 재가열을 필요로 하는 조리된 치킨 또는 해동 및 완전히 조리될 것을 필요로 하게 될 냉동된 치킨으로서 아이템을 식별할 수 있지만, 제어 시스템(1301)은 또한, 아이템들을 식별하고 적절한 가열 절차를 수행하여, 외부 입력없이 아이템들 둘 모두를 원하는 상태가 되게 하는 것을 학습할 수 있다. 동일한 액션 가치 함수 및 상태들의 세트가, 해동 및 조리 작업 및 재가열 작업 둘 모두에 대해 활용될 수 있다. 외부 데이터를 제공하지 않는 접근법의 상태들의 수 및 컴퓨테이셔널 복잡성이 더 커지기는 하지만, 외부 데이터의 프로비저닝이 반드시 필요한 것은 아니다.
[0123] 본 명세서가 본 발명의 특정 실시예들과 관련하여 상세히 설명되었지만, 전술한 내용을 이해할 때, 당업자들이 이들 실시예들에 대한 변경들, 이들 실시예들의 변동들, 및 이들 실시예들에 대한 등가물들을 쉽게 생각할 수 있다는 것이 인지될 것이다. 위에서 논의된 방법 단계들 중 임의의 방법 단계는 이들 방법 단계들에 대한 명령들을 저장하는 컴퓨터-판독가능 비-일시적 매체로 동작하는 프로세서에 의해 수행될 수 있다. 컴퓨터-판독가능 매체는 네트워크 액세스가능 메모리 또는 전기 오븐 내의 메모리일 수 있다. 본 개시내용의 예들은 전자기 에너지의 인가를 통한 아이템들의 가열을 포함하지만, 임의의 다른 형태의 가열이 조합하여 또는 대안으로 사용될 수 있다. "아이템"이라는 용어는 단일의 동질 엘리먼트로 제한되서는 안되며, 가열되어야 하는 물질의 임의의 집합을 포함하는 것으로 해석되어야 한다. 본 발명에 대한 이들 및 다른 수정들 및 변동들이, 첨부된 청구항들에서 보다 구체적으로 설명되는 본 발명의 범위를 벗어나지 않으면서, 당업자에 의해 실시될 수 있다.
[0124] 개시된 발명의 실시예들에 대한 참조가 상세하게 이루어졌으며, 그 하나 또는 그 초과의 예들이 첨부 도면들에 예시된다. 각각의 예는, 본 기술의 제한이 아닌, 본 기술의 설명으로 제공되었다. 사실상, 본 발명의 범위를 벗어나지 않으면서 본 기술에 대한 수정들 및 변동들이 이루어질 수 있음이 당업자에게 자명할 것이다. 예컨대, 일 실시예의 일부로서 예시되거나 설명된 피처들은 또 다른 실시예를 산출하기 위해 다른 실시예와 함께 사용될 수 있다. 따라서, 본 청구대상은 첨부된 청구항들 및 이들의 등가물들의 범위 내에서 그러한 모든 수정들 및 변동들을 커버하는 것으로 의도된다.
Claims (71)
- 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법으로서,
상기 전기 오븐이 개개의 세트의 물리적 구성들에 있는 동안 상기 챔버에 대한 한 세트의 에너지 인가들로 상기 아이템을 가열하는 단계;
적외선 센서를 사용하여, 상기 세트의 에너지 인가들에 대한 상기 아이템에 의한 개개의 세트의 응답들을 정의하는 센서 데이터를 감지하는 단계; 및
상기 챔버 내의 상기 아이템을 가열하기 위한 계획을 생성하는 단계
를 포함하며, 상기 생성하는 단계는 상기 전기 오븐의 제어 시스템에 의해 수행되며, 상기 생성하는 단계는 상기 센서 데이터를 사용하며,
상기 세트의 에너지 인가들 및 개개의 세트의 물리적 구성들은, 상기 챔버에서의 개개의 세트의 가변적 에너지 분포들을 정의하며,
상기 세트의 에너지 인가들의 각각의 에너지 인가 동안, 상기 개개의 세트의 물리적 구성들의 개개의 물리적 구성은 적어도 0.5초 동안 유지되며,
상기 개개의 세트의 물리적 구성들은 적어도 5개의 별개의 물리적 구성들을 포함하는, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제1 항에 있어서,
상기 생성하는 단계는,
최적화 출력을 생성하기 위해 최적화 분석을 수행하는 단계; 및
상기 최적화 출력을 사용하여 커맨드들의 시퀀스를 컴파일링하는 단계
를 포함하며,
상기 최적화 분석은, (i) 컨벡스 최적화 솔버(convex optimization solver); (ii) 상기 타겟 상태를 표현하는 데이터; 및 (iii) 상기 개개의 세트의 응답들을 표현하는 데이터를 사용하며,
상기 전기 오븐은 상기 타겟 상태를 향하여 상기 아이템을 가열하기 위해 상기 커맨드들의 시퀀스를 실행하는, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제2 항에 있어서,
상기 최적화 출력은 에러 값 및 지속기간 벡터를 포함하며,
상기 지속기간 벡터는, 상기 전기 오븐이 상기 개개의 세트의 물리적 구성들의 물리적 구성들 각각에 있을 한 세트의 지속기간들을 포함하며,
상기 에러 값은 상기 타겟 상태와 외삽된 최종 상태(extrapolated end state) 간의 차를 정량화하며,
상기 컨백스 최적화 솔버는 상기 에러 값을 최소화하도록 상기 지속기간 벡터를 세팅하는, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제3 항에 있어서,
상기 아이템을 한 세트의 세그먼트들로 세그먼트화하는 단계를 더 포함하며,
상기 컨벡스 최적화 솔버는 비음수 최소 자승 솔버(non-negative least squares solver)이며,
상기 타겟 상태를 표현하는 데이터는 타겟 상태 벡터이며,
상기 타겟 상태 벡터는 상기 세트의 세그먼트들에 대응하는 한 세트의 타겟 온도 값들을 포함하며,
상기 개개의 세트의 응답들을 표현하는 데이터는 한 세트의 응답 벡터들이며,
상기 세트의 응답 벡터들의 각각의 응답 벡터는 상기 세트의 세그먼트들에 대응하는 한 세트의 온도 도함수들(temperature derivatives)인, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제4 항에 있어서,
상기 세트의 응답 벡터들 및 분류기를 사용하여 상기 아이템을 식별하는 단계를 더 포함하는, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제3 항에 있어서,
상기 개개의 세트의 물리적 구성들 사이에서 상기 전기 오븐을 전환하는 것(transition);
상기 에너지 인가들을 적용하는 것; 및
상기 지속기간 벡터의 개개의 엘리먼트에 비례하는 지속기간 동안, 상기 전기 오븐이 상기 개개의 세트의 물리적 구성들의 각각에 있는 것을 보증하는 것의 상기 커맨드들의 시퀀스는,
상기 컴파일링 동안, 상기 아이템의 표면에 걸친 최대 온도 변동(variation)을 최소화하도록 시퀀싱되는, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제2 항에 있어서,
상기 커맨드들의 시퀀스의 커맨드를 실행하는 단계 ―상기 커맨드는 상기 전기 오븐을 상기 개개의 세트의 물리적 구성들의 물리적 구성으로 리턴시킴―;
상기 커맨드들의 시퀀스의 제2 커맨드를 실행하는 단계 ―상기 커맨드는, 상기 전기 오븐이 상기 물리적 구성에 있는 동안, 상기 챔버에 에너지 인가를 적용함―;
상기 적외선 센서를 사용하여, 상기 에너지 인가에 대한 상기 아이템에 의한 응답을 정의하는 추가 센서 데이터를 감지하는 단계;
제2 최적화 출력을 생성하기 위해 제2 최적화 분석을 수행하는 단계; 및
상기 제2 최적화 출력을 사용하여 액션들의 제2 시퀀스를 컴파일링하는 단계
를 더 포함하며, 상기 제2 최적화 분석은, (i) 컨벡스 최적화 솔버; (ii) 상기 타겟 상태를 표현하는 데이터; 및 (iii) 상기 추가 센서 데이터를 사용하는, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제3 항에 있어서,
상기 에러 값이 허용가능한 에러 값을 초과한다는 것을 결정하는 단계;
상기 전기 오븐이 추가 물리적 구성에 있는 동안, 에너지 인가로 상기 아이템을 가열하는 단계 ―상기 에러 값이 상기 허용가능한 에러 값을 초과한다는 것을 결정할 때, 상기 추가 물리적 구성이 선택됨―;
상기 적외선 센서를 사용하여, 상기 에너지 인가에 대한 상기 아이템에 의한 개개의 응답을 정의하는 센서 데이터를 감지하는 단계;
제2 최적화 출력을 생성하기 위해 제2 최적화 분석을 수행하는 단계; 및
상기 제2 최적화 출력을 사용하여 액션들의 제2 시퀀스를 컴파일링하는 단계
를 더 포함하며, 상기 제2 최적화 분석은, (i) 컨벡스 최적화 솔버; (ii) 상기 타겟 상태를 표현하는 데이터; (iii) 상기 개개의 세트의 응답들을 표현하는 데이터; 및 (iv) 상기 개개의 응답을 표현하는 데이터를 사용하는, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제2 항에 있어서,
상기 아이템이 상기 타겟 상태를 향하여 가열되고 있는 동안, 상기 최적화 분석의 추가 반복(additional iteration)들을 주기적으로 수행하는 단계를 더 포함하며,
상기 추가 반복들 간의 기간은 3초를 초과하며 15초 미만인, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제2 항에 있어서,
상기 챔버 내의 상기 아이템을 가열하기 위한 제2 계획을 생성하는 단계를 더 포함하며, 상기 제2 계획을 생성하는 단계는 상기 전기 오븐의 제어 시스템에 의해 수행되고, 상기 제2 계획을 생성하는 단계는 결정론적 계획자(deterministic planner)를 사용하며,
상기 결정론적 계획자의 비용 함수는 상기 제2 계획에 대한 미래 계획 비용(future plan cost)을 추정하기 위한 휴리스틱(heuristic)으로서 상기 계획을 사용하는, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제10 항에 있어서,
강화 학습 시스템(reinforcement learning system)을 사용하여, 상기 챔버 내의 상기 아이템을 상기 타겟 상태를 향하여 자동적으로 가열하는 단계를 더 포함하며,
상기 제2 계획은 상기 강화 학습 시스템에 대한 정책(policy)으로서 사용되는, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제2 항에 있어서,
상기 개개의 세트의 물리적 구성들의 제1 물리적 구성과 제2 물리적 구성 사이에서의 전환을 위해, 한 세트의 반사성 엘리먼트들의 반사성 엘리먼트를 변경하는 단계를 더 포함하며,
상기 챔버는 각각의 에너지 인가 동안 완전히 부동(motionless)이며,
상기 세트의 반사성 엘리먼트들은 적어도 3개의 반사성 엘리먼트들을 포함하며,
상기 제어 시스템은, 상기 세트의 반사성 엘리먼트들의 반사성 엘리먼트들을 독립적으로 변경하는 커맨드들을 생성하는, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제12 항에 있어서,
상기 세트의 에너지 인가들로부터 상기 챔버에 대한 에너지 인가는 상기 챔버에 대한 편파된 전자기파(polarized electromagnetic wave)를 도입하며,
상기 반사성 엘리먼트를 변경하는 단계는, 제1 배향으로부터 제2 배향으로 상기 반사성 엘리먼트의 배향을 변경하며,
상기 편파된 전자기파의 주된 편파(dominant polarization)는 상기 제1 배향에 대해 수직이며,
상기 편파된 전자기파의 주된 편파는 상기 제2 배향에 대해 평행한, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제2 항에 있어서,
상기 적외선 센서로부터의 데이터를 사용하여 상기 아이템을 한 세트의 세그먼트들로 세그먼트화하는 단계를 더 포함하며,
상기 컨벡스 최적화 솔버는 비음수 최소 자승 솔버이며,
상기 타겟 상태를 표현하는 데이터는 타겟 상태 벡터이며,
상기 타겟 상태 벡터는 상기 세트의 세그먼트들에 대응하는 한 세트의 타겟 온도 값들을 포함하며,
상기 개개의 세트의 응답들을 표현하는 데이터는 한 세트의 응답 벡터들이며,
상기 세트의 응답 벡터들의 각각의 응답 벡터는 상기 세트의 세그먼트들에 대응하는, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제14 항에 있어서,
상기 세트의 세그먼트들은 적어도 10개의 엘리먼트들을 포함하며,
상기 개개의 세트의 물리적 구성들은 적어도 10개의 별개의 물리적 구성들을 포함하는, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법을 실행하기 위한 명령들을 저장하는 비일시적 컴퓨터-판독가능 매체로서,
상기 컴퓨터-구현 방법은,
상기 전기 오븐이 제1 물리적 구성에 있는 동안 상기 챔버에 인가되는 제1 에너지 인가로 상기 아이템을 가열하는 단계;
적외선 센서를 사용하여, 상기 제1 에너지 인가에 대한 상기 아이템에 의한 제1 응답을 감지하는 단계 ―상기 감지하는 단계는 상기 제1 응답에 대응하는 제1 세트의 센서 데이터를 획득함―;
상기 제1 물리적 구성으로부터 제2 물리적 구성으로 상기 전기 오븐을 전환하기 위해 상기 전기 오븐의 물리적 특성을 변경하는 단계;
상기 전기 오븐이 상기 제2 물리적 구성에 있는 동안, 상기 챔버에 인가되는 제2 에너지 인가로 상기 아이템을 가열하는 단계;
상기 적외선 센서를 사용하여, 상기 제2 에너지 인가에 대한 상기 아이템에 의한 제2 응답을 감지하는 단계 ―상기 감지하는 단계는 상기 제2 응답에 대응하는 제2 세트의 센서 데이터를 획득함―; 및
상기 챔버 내의 상기 아이템을 가열하기 위한 계획을 생성하는 단계
를 포함하며, 상기 생성하는 단계는 상기 전기 오븐의 제어 시스템에 의해 수행되며, 상기 생성하는 단계는 상기 제1 세트의 센서 데이터 및 상기 제2 세트의 센서 데이터를 사용하며,
상기 전기 오븐의 챔버는 상기 제1 물리적 구성 및 상기 제2 물리적 구성 둘 모두에서 부동이며,
상기 제1 에너지 인가 및 상기 제2 에너지 인가는 각각 지속기간이 0.5초보다 긴, 비일시적 컴퓨터-판독가능 매체. - 제16 항에 있어서,
상기 생성하는 단계는,
상기 전기 오븐의 제어 시스템을 사용하여 최적화 출력을 생성하기 위해 최적화 분석을 수행하는 단계; 및
상기 최적화 출력을 사용하여 액션들의 시퀀스를 컴파일링하는 단계
를 포함하며, 상기 최적화 분석은, (i) 컨벡스 최적화 솔버; (ii) 상기 타겟 상태를 표현하는 데이터; (iii) 상기 제1 세트의 센서 데이터; 및 (iv) 상기 제2 세트의 센서 데이터를 사용하는, 비일시적 컴퓨터-판독가능 매체. - 제17 항에 있어서,
상기 컴퓨터-구현 방법은, 상기 아이템을 한 세트의 세그먼트들로 세그먼트화하는 단계를 더 포함하며,
상기 컨벡스 최적화 솔버는 비음수 최소 자승 솔버이며,
상기 타겟 상태는 타겟 상태 매트릭스에 의해 정량화되며, 상기 타겟 상태 매트릭스는 상기 세트의 세그먼트들에 대응하는 한 세트의 타겟 온도 값들을 포함하며,
상기 제1 세트의 센서 데이터는 상기 세트의 세그먼트들에 대응하는 제1 세트의 온도 도함수들이며,
상기 제2 세트의 센서 데이터는 상기 세트의 세그먼트들에 대응하는 제2 세트의 온도 도함수들인, 비일시적 컴퓨터-판독가능 매체. - 제17 항에 있어서,
상기 최적화 출력은 에러 값 및 지속기간 벡터를 포함하며, 상기 지속기간 벡터는 상기 전기 오븐이 상기 제1 물리적 구성에 있을 제1 지속기간 및 상기 전기 오븐이 상기 제2 물리적 구성에 있을 제2 지속기간을 정량화하며,
상기 에러 값은 상기 타겟 상태와 예상된 최종 상태 간의 차를 정량화하며,
상기 컨벡스 최적화 솔버는 상기 지속기간 벡터를 선택할 때 상기 에러 값을 최소화하는, 비일시적 컴퓨터-판독가능 매체. - 제17 항에 있어서,
상기 컴퓨터-구현 방법은, 상기 아이템이 상기 타겟 상태를 향하여 가열되고 있는 동안, 상기 최적화 분석을 주기적으로 수행하는 단계를 더 포함하며,
상기 최적화 분석의 주기적 수행을 위한 기간은 3초를 초과하며 15초 미만인, 비일시적 컴퓨터-판독가능 매체. - 전기 오븐으로서,
아이템을 가열하기 위한 챔버;
상기 챔버의 주입 포트에 커플링된 마이크로파 에너지 소스;
적외선 센서;
한 세트의 물리적 구성들 사이에서 상기 전기 오븐을 전환하기 위한 그리고 상기 전기 오븐이 상기 세트의 물리적 구성들에 있을 때 상기 마이크로파 에너지 소스를 사용하여 상기 챔버에 한 세트의 에너지 인가들을 적용하기 위한 커맨드들을 생성하는 제어 시스템; 및
명령들을 저장하는 메모리
를 포함하며,
상기 명령들은,
상기 전기 오븐이 상기 세트의 물리적 구성들에 있는 동안, 상기 챔버에 대한 상기 세트의 에너지 인가들로 상기 챔버 내의 상기 아이템을 가열하고,
상기 적외선 센서를 사용하여, 상기 세트의 에너지 인가들에 대한 상기 챔버 내의 아이템에 의한 개개의 세트의 응답들을 정의하는 센서 데이터를 감지하고,
상기 센서 데이터를 사용하여, 상기 챔버 내의 상기 아이템을 가열하기 위한 계획을 생성하기 위한 것이며,
상기 세트의 에너지 인가들 및 개개의 세트의 물리적 구성들은, 상기 챔버에서의 개개의 세트의 가변적 에너지 분포들을 정의하며,
상기 세트의 에너지 인가들의 각각의 에너지 인가 동안, 상기 세트의 물리적 구성들의 물리적 구성은 적어도 0.5초 동안 유지되며,
상기 세트의 물리적 구성들은 적어도 5개의 별개의 물리적 구성들을 포함하는, 전기 오븐. - 제21 항에 있어서,
상기 계획은,
최적화 출력을 생성하기 위해 최적화 분석을 수행하는 것; 및
상기 최적화 출력을 사용하여 커맨드들의 시퀀스를 컴파일링하는 것
에 의해 생성되며, 상기 최적화 분석은, (i) 컨벡스 최적화 솔버; (ii) 상기 아이템의 타겟 상태를 표현하는 데이터; 및 (iii) 상기 개개의 세트의 응답들을 표현하는 데이터를 사용하며,
상기 전기 오븐은 상기 타겟 상태를 향하여 상기 아이템을 가열하기 위해 상기 커맨드들의 시퀀스를 실행하는, 전기 오븐. - 제22 항에 있어서,
상기 메모리는 추가로, 상기 아이템이 상기 타겟 상태를 향하여 가열되고 있는 동안, 상기 최적화 분석의 추가 반복들을 주기적으로 수행하기 위한 명령들을 저장하며,
상기 추가 반복들 간의 기간은 3초를 초과하며 15초 미만인, 전기 오븐. - 제22 항에 있어서,
상기 챔버 내의 한 세트의 반사성 엘리먼트들을 더 포함하며,
상기 커맨드들의 시퀀스는 상기 세트의 반사성 엘리먼트의 배향을 변경하며,
상기 챔버는 각각의 에너지 인가 동안 완전히 부동이며,
상기 세트의 반사성 엘리먼트들은 적어도 3개의 반사성 엘리먼트들을 포함하며,
상기 제어 시스템은 상기 세트의 반사성 엘리먼트의 반사성 엘리먼트들을 독립적으로 변경하는 커맨드들을 생성하는, 전기 오븐. - 제24 항에 있어서,
상기 챔버의 외부 벽을 통해 연장되는 한 세트의 유전체 액슬들(dielectric axles); 및
상기 세트의 반사성 엘리먼트들을, 상기 유전체 액슬들을 통해 개별적으로 회전시키는 한 세트의 모터들
을 더 포함하며, 상기 세트의 물리적 구성들 사이에서 상기 전기 오븐을 전환하는 커맨드들은 상기 세트의 유전체 액슬들의 적어도 하나의 유전체 액슬을 회전시키는, 전기 오븐. - 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법으로서,
상기 전기 오븐이 개개의 세트의 구성들에 있는 동안 상기 챔버에 대한 한 세트의 에너지 인가들로 상기 아이템을 가열하는 단계;
적외선 센서를 사용하여, 상기 세트의 에너지 인가들에 대한 상기 아이템에 의한 개개의 세트의 응답들을 정의하는 센서 데이터를 감지하는 단계; 및
상기 챔버 내의 상기 아이템을 가열하기 위한 계획을 생성하는 단계
를 포함하며, 상기 생성하는 단계는, (i) 상기 전기 오븐의 제어 시스템에 의해 수행되며, (ii) 상기 센서 데이터를 사용하며, (iii) 최적화 출력을 생성하기 위해 최적화 분석을 수행하는 단계를 포함하며, (iv) 상기 최적화 출력을 사용하여 커맨드들의 시퀀스를 컴파일링하는 단계를 포함하며,
상기 최적화 분석은, (i) 컨벡스 최적화 솔버; (ii) 상기 타겟 상태를 표현하는 데이터; 및 (iii) 상기 개개의 세트의 응답들을 표현하는 데이터를 사용하며,
상기 전기 오븐은 상기 타겟 상태를 향하여 상기 아이템을 가열하기 위해 상기 커맨드들의 시퀀스를 실행하는, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제26 항에 있어서,
상기 개개의 세트의 구성들은 적어도 5개의 별개의 물리적 구성들을 포함하며,
각각의 에너지 인가는 지속기간이 적어도 0.5초이며,
상기 세트의 에너지 인가들 및 개개의 세트의 구성들은, 상기 챔버에서의 개개의 세트의 가변적 에너지 분포들을 정의하는, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제26 항에 있어서,
상기 최적화 출력은 에러 값 및 지속기간 벡터를 포함하며,
상기 지속기간 벡터는, 상기 전기 오븐이 상기 개개의 세트의 구성들의 구성들 각각에 있을 한 세트의 지속기간들을 포함하며,
상기 에러 값은 상기 타겟 상태와 외삽된 최종 상태 간의 차를 정량화하며,
상기 컨백스 최적화 솔버는 상기 에러 값을 최소화하도록 상기 지속기간 벡터를 세팅하는, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제26 항에 있어서,
상기 아이템을 한 세트의 세그먼트들로 세그먼트화하는 단계를 더 포함하며,
상기 컨벡스 최적화 솔버는 비음수 최소 자승 솔버이며,
상기 타겟 상태를 표현하는 데이터는 타겟 상태 벡터이며,
상기 타겟 상태 벡터는 상기 세트의 세그먼트들에 대응하는 한 세트의 타겟 온도 값들을 포함하며,
상기 개개의 세트의 응답들을 표현하는 데이터는 한 세트의 응답 벡터들이며,
상기 세트의 응답 벡터들의 각각의 응답 벡터는 상기 세트의 세그먼트들에 대응하는 한 세트의 온도 도함수들인, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 제26 항에 있어서,
상기 아이템이 상기 타겟 상태를 향하여 가열되고 있는 동안, 상기 최적화 분석을 주기적으로 수행하는 단계를 더 포함하며,
상기 최적화 분석의 주기적 수행을 위한 기간은 3초를 초과하며 15초 미만인, 전기 오븐의 챔버 내의 아이템을 타겟 상태를 향하여 가열하기 위한 컴퓨터-구현 방법. - 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법으로서,
가변적 분포를 사용하여 상기 아이템에 에너지를 인가하는 단계 ―상기 가변적 분포의 극대점(local maxima) 및 상기 아이템은 상대적 포지션을 가지며, 상기 에너지는 상기 상대적 포지션이 제1 포지션 값을 가질 때 인가됨―;
상기 상대적 포지션이 상기 제1 포지션 값을 가질 때, 적외선 센서를 사용하여, 상기 아이템에 대한 제1 표면 온도 분포를 감지하는 단계 ―이로써, 상기 제1 표면 온도 분포는 메모리에서 제1 상태를 식별하는 데 사용됨―;
상기 상대적 포지션을 상기 제1 포지션 값으로부터 제2 포지션 값으로 변경하는 단계;
상기 상대적 포지션이 상기 제2 포지션 값을 가질 때, 상기 가변적 분포를 통해 상기 아이템에 에너지를 인가하는 단계;
상기 상대적 포지션이 상기 제2 포지션 값을 가질 때, 상기 적외선 센서를 사용하여, 상기 아이템에 대한 제2 표면 온도 분포를 감지하는 단계 ―이로써, 상기 제2 표면 온도 분포는 상기 메모리에서 제2 상태를 식별하는 데 사용됨―;
상기 메모리에서, 상기 제2 표면 온도 분포를 사용하여 보상 값(reward value)을 도출하는 단계; 및
상기 보상 값에 기반하여 상기 제1 상태와 연관된 액션 가치 함수(action-value function) 값을 업데이트하는 단계
를 포함하는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제31 항에 있어서,
상기 액션 가치 함수를 근사화하기 위해 뉴럴 네트워크(neural network)를 트레이닝하는 단계;
한 세트의 경험 데이터 포인트들을 저장하는 단계 ―상기 보상 값, 상기 제1 상태, 상기 제2 상태, 그리고 상기 제1 포지션 값으로부터 상기 제2 포지션 값으로의 상대적 포지션의 변화로부터 경험 데이터 포인트가 도출됨―; 및
한 세트의 트레이닝 데이터를 획득하기 위해 상기 세트의 경험 데이터 포인트들을 랜덤하게 샘플링하는 단계
를 더 포함하며, 상기 트레이닝하는 단계는 상기 세트의 트레이닝 데이터로 수행되는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제31 항에 있어서,
최대 잠재적 보상 값을 제공하는 액션을 결정하기 위해, 상기 제1 상태를 갖는 상기 액션 가치 함수를 입력으로서 평가하는 단계를 더 포함하며,
상기 액션은 상기 상대적 포지션을 상기 제1 포지션 값으로부터 제2 포지션 값으로 변경하는 것을 포함하는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제33 항에 있어서,
상기 액션 가치 함수를 근사화하기 위해 뉴럴 네트워크를 트레이닝하는 단계를 더 포함하며,
상기 평가하는 단계는 상기 뉴럴 네트워크를 사용하여 수행되는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제34 항에 있어서,
한 세트의 경험 데이터 포인트들을 저장하는 단계 ―상기 보상 값, 상기 제1 상태, 상기 제2 상태, 그리고 상기 제1 포지션 값으로부터 상기 제2 포지션 값으로의 상대적 포지션의 변화로부터 경험 데이터 포인트가 도출됨―; 및
한 세트의 트레이닝 데이터를 획득하기 위해 상기 세트의 경험 데이터 포인트들을 랜덤하게 샘플링하는 단계
를 더 포함하며, 상기 트레이닝하는 단계는 상기 세트의 트레이닝 데이터로 수행되는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제31 항에 있어서,
포지션을 변경하는 단계는, 제1 각도로부터 제2 각도로 모드 스터러(mode stirrer)의 각도 포지션(angular position)을 변화시키는 단계를 포함하며,
상기 모드 스터러는 상기 아이템과 에너지 소스 간의 경로에 위치되며,
상기 에너지 소스는 상기 챔버에서의 가변적 분포를 산출하는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제31 항에 있어서,
상기 제1 표면 온도 분포를 저장하는 단계;
상기 아이템에 대한 제2 상대적 포지션을 저장하는 단계 ― 상기 아이템 및 상기 챔버는 서로에 대한 상기 제2 상대적 포지션을 가짐― ; 및
상기 제2 상대적 포지션과 상기 제1 표면 온도 분포를 조합해서 사용하여 상기 제1 상태를 식별하는 단계
를 더 포함하는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제31 항에 있어서,
외부 채널로부터의 데이터를 사용하여 상기 액션 가치 함수를 초기화하는 단계를 더 포함하며,
대안적 채널(alternative channel)은, (i) 상기 전기 오븐 상의 카메라로부터의 QR 코드; (ii) 상기 전기 오븐 상의 키패드로부터의 키패드 커맨드; 또는 (iii) 상기 전기 오븐 상의 마이크로폰으로부터의 음성 커맨드 중 하나인, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법으로서,
가변적 분포를 사용하여 상기 아이템에 에너지를 인가하는 단계 ―상기 가변적 분포의 극대점 및 상기 아이템은 상대적 포지션을 가지며, 상기 에너지는 상기 상대적 포지션이 제1 포지션 값을 가질 때 인가됨―;
상기 상대적 포지션이 상기 제1 포지션 값을 가질 때, 적외선 센서를 사용하여, 상기 아이템에 대한 제1 표면 온도 분포를 감지하는 단계―이로써, 상기 제1 표면 온도 분포는 메모리에서 제1 상태를 식별하는 데 사용됨―;
최대 잠재적 보상 값을 제공하는 액션을 결정하기 위해, 상기 제1 상태를 갖는 액션 가치 함수를 입력으로서 평가하는 단계 ―상기 액션은 상기 상대적 포지션을 상기 제1 포지션 값으로부터 제2 포지션 값으로 변경하는 것을 포함함―;
상기 상대적 포지션을 상기 제1 포지션 값으로부터 상기 제2 포지션 값으로 변경하는 단계; 및
상기 상대적 포지션이 상기 제2 포지션 값을 가질 때, 상기 가변적 분포를 통해 상기 아이템에 에너지를 인가하는 단계
를 포함하는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제39 항에 있어서,
상기 액션 가치 함수를 근사화하기 위해 뉴럴 네트워크를 트레이닝하는 단계를 더 포함하며,
상기 평가하는 단계는 상기 뉴럴 네트워크를 사용하여 수행되는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제40 항에 있어서,
한 세트의 경험 데이터 포인트들을 저장하는 단계 ―상기 보상 값, 상기 제1 상태, 제2 상태, 그리고 상기 제1 포지션 값으로부터 상기 제2 포지션 값으로의 상대적 포지션의 변화로부터 경험 데이터 포인트가 도출됨―; 및
한 세트의 트레이닝 데이터를 획득하기 위해 상기 세트의 경험 데이터 포인트들을 랜덤하게 샘플링하는 단계
를 더 포함하며, 상기 트레이닝하는 단계는 상기 세트의 트레이닝 데이터로 수행되는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제39 항에 있어서,
상기 상대적 포지션을 변경하는 단계는 제1 각도로부터 제2 각도로 모드 스터러의 각도 포지션을 변화시키는 단계를 포함하며,
상기 모드 스터러는 상기 아이템과 에너지 소스 간의 경로에 위치되며,
상기 에너지 소스는 상기 챔버에서의 가변적 분포를 산출하는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제39 항에 있어서,
상기 제1 표면 온도 분포를 저장하는 단계;
상기 아이템에 대한 제2 상대적 포지션을 저장하는 단계 ― 상기 아이템 및 상기 챔버는 서로에 대한 상기 제2 상대적 포지션을 가짐― ; 및
상기 제2 상대적 포지션과 제1 표면 온도 분포를 조합해서 사용하여 상기 제1 상태를 식별하는 단계
를 더 포함하는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제39 항에 있어서,
외부 채널로부터의 데이터를 사용하여 상기 액션 가치 함수를 초기화하는 단계를 더 포함하며,
대안적 채널은, (i) 상기 전기 오븐 상의 카메라로부터의 QR 코드; (ii) 상기 전기 오븐 상의 키패드로부터의 키패드 커맨드; 또는 (iii) 상기 전기 오븐 상의 마이크로폰으로부터의 음성 커맨드 중 하나인, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법으로서,
상기 아이템의 상태를 결정하는 단계 ― 상기 상태는 적어도 부분적으로, 상기 아이템에 걸친 온도 분포에 의해 정의됨―;
최적의 액션을 결정하기 위해, 상기 상태를 입력으로서 사용하여 함수를 평가하는 단계 ― 상기 최적의 액션은, (i) 상기 챔버내에서 상기 아이템의 포지션을 변경하는 것; 또는 (ii) 상기 챔버에 적용되는 열 분포를 변경하는 것 중 하나임―;
상기 최적의 액션을 수행하는 단계;
상기 최적의 액션을 수행한 후, 상기 아이템의 제2 상태를 감지하는 단계; 및
상기 제2 상태에 기반하여 상기 함수를 업데이트하는 단계
를 포함하며, 상기 함수는 미래 세트의 보상들(future set of rewards)에 대한 추정을 제공하며,
상기 미래 세트의 보상들은 적어도 부분적으로, 상기 아이템에 걸친 상기 온도 분포의 변동(variance)에 기반하는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제45 항에 있어서,
상기 함수를 근사화하기 위해 뉴럴 네트워크를 트레이닝하는 단계를 더 포함하며,
상기 평가하는 단계는 상기 뉴럴 네트워크를 사용하여 수행되는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제46 항에 있어서,
상기 제2 상태로부터 보상 값을 도출하는 단계;
한 세트의 경험 데이터 포인트들을 저장하는 단계 ― 상기 보상 값, 제1 상태, 상기 제2 상태, 및 상기 최적의 액션으로부터 상기 경험 데이터 포인트들이 도출됨― ; 및
한 세트의 트레이닝 데이터를 획득하기 위해 상기 세트의 경험 데이터 포인트들을 랜덤하게 샘플링하는 단계
를 더 포함하며, 상기 트레이닝하는 단계는 상기 세트의 트레이닝 데이터로 수행되는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제45 항에 있어서,
상기 최적의 액션은, 제1 각도로부터 제2 각도로 모드 스터러의 각도 포지션을 변화시키는 것을 포함하며,
상기 모드 스터러는 상기 아이템과 에너지 소스 간의 경로에 위치되며,
상기 에너지 소스는 상기 아이템에 걸친 온도 분포를 산출하는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제45 항에 있어서,
상기 온도 분포를 저장하는 단계;
상기 아이템에 대한 상대적 포지션을 저장하는 단계
를 더 포함하며, 상기 아이템 및 상기 챔버는 서로에 대한 상기 상대적 포지션을 가지며,
상기 상태는 상기 상대적 포지션과 상기 온도 분포를 조합해서 사용하여 결정되는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제45 항에 있어서,
외부 채널로부터의 데이터를 사용하여 상기 함수를 초기화하는 단계를 더 포함하며,
상기 외부 채널은, (i) 상기 전기 오븐 상의 카메라에 의해 스캔되는 QR 코드; (ii) 상기 전기 오븐 상의 키패드 상에 입력되는 키패드 커맨드; 또는 (iii) 상기 전기 오븐 상의 마이크로폰 상에 입력되는 음성 커맨드 중 하나를 통해 송신되는 데이터를 수반하는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 전기 오븐의 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법으로서,
제1 액션을 취하는 단계 ―상기 액션은 마이크로파 에너지 소스로부터 상기 챔버 내의 에너지 분포의 강도 및 상대적 포지션 중 적어도 하나를 변경함―;
적외선 센서를 사용하여, 상기 아이템에 대한 제1 표면 온도 분포를 감지하는 단계;
함수 출력을 생성하기 위해 함수를 평가하는 단계 ―상기 함수를 평가하기 위해, 적어도 하나의 잠재적 액션 및 상기 제1 표면 온도 분포로부터 도출되는 정보가 사용됨―; 및
제2 액션을 취하는 단계
를 포함하며, 상기 제2 액션은 상기 마이크로파 에너지 소스로부터 상기 챔버 내의 에너지 분포의 강도 및 상대적 포지션 중 적어도 하나를 변경하며, 상기 제2 액션은 상기 함수 출력에 기반하여 한 세트의 잠재적 제2 액션들로부터 선택되는, 전기 오븐의 챔버내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제51 항에 있어서,
상기 적외선 센서를 사용하여, 상기 아이템에 대한 제2 표면 온도 분포를 감지하는 단계; 및
상기 제2 표면 온도 분포에 기반하여 상기 함수 출력을 제2 함수 출력으로 변경하기 위해 상기 함수를 업데이트하는 단계
를 더 포함하며, 상기 함수 출력은 보상 값이며,
상기 함수는 액션 가치 함수인, 전기 오븐의 챔버내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제51 항에 있어서,
상기 함수 출력을 사용하여, 상기 챔버 내의 상기 아이템을 가열하기 위한 계획을 도출하는 단계 ―상기 계획은 액션들의 시퀀스임―; 및
상기 챔버 내의 상기 아이템을 가열하기 위해 상기 계획을 적어도 부분적으로 실행하는 단계
를 더 포함하며, 상기 함수는 비용 함수이며,
상기 함수 출력은 계획 비용이며,
상기 제2 액션은 상기 액션들의 시퀀스로 이루어지는, 전기 오븐의 챔버내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제53 항에 있어서,
상기 제1 표면 온도 분포 및 테스트 세트의 액션들을 사용하여, 계획된 표면 온도 분포를 외삽하는 단계를 더 포함하며,
상기 계획된 표면 온도 분포는 상기 함수를 평가하는 데 사용되는 상기 제1 표면 온도 분포로부터 도출되는 정보인, 전기 오븐의 챔버내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제53 항에 있어서,
상기 적외선 센서를 사용하여, 상기 아이템에 대한 제2 표면 온도 분포를 감지하는 단계;
상기 제2 표면 온도 분포를 계획된 제2 표면 온도 분포와 비교하는 단계;
상기 비교하는 단계 동안 변동을 검출하는 단계;
상기 변동을 검출하는 것에 대한 응답으로 제2 함수 출력을 생성하기 위해 상기 함수를 재평가하는(reevaluating) 단계;
상기 제2 함수 출력을 사용하여, 상기 챔버 내의 상기 아이템을 가열하기 위한 제2 계획을 도출하는 단계; 및
상기 챔버 내의 상기 아이템을 가열하기 위해 상기 제2 계획을 적어도 부분적으로 실행하는 단계
를 더 포함하는, 전기 오븐의 챔버내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법으로서,
마이크로파 에너지 소스로부터 상기 아이템에 에너지를 인가하는 단계;
제1 함수 출력을 생성하기 위해 함수를 평가하는 단계 ―상기 함수를 평가하기 위해 제1 잠재적 액션이 사용됨―;
상기 제1 함수 출력을 사용하여, 상기 챔버 내의 상기 아이템을 가열하기 위한 계획을 생성하는 단계 ―상기 계획은 액션들의 시퀀스임―; 및
상기 챔버 내의 상기 아이템을 가열하기 위해 상기 계획을 실행하는 단계
를 포함하며, 상기 함수는 비용 함수이며,
상기 함수 출력은 계획 비용이며,
상기 제1 잠재적 액션은, (i) 상기 마이크로파 에너지 소스로부터 상기 챔버 내의 에너지 분포의 상대적 포지션을 변경하는 것; 및 (ii) 상기 마이크로파 에너지 소스로부터 상기 챔버 내의 에너지 분포의 강도를 변경하는 것 중 하나인, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제56 항에 있어서,
제2 함수 출력을 생성하기 위해 상기 함수를 평가하는 단계―상기 함수를 평가하기 위해 제2 잠재적 액션이 사용되며, 상기 제2 잠재적 액션 및 상기 제1 잠재적 액션은 각각 상호 독점적 계획들의 멤버들임―; 및
제1 계획 비용 및 제2 계획 비용의 비교에 기반하여, 추가 평가를 위해 상기 계획을 선택하는 단계
를 더 포함하며, 상기 제2 함수 출력은 제2 계획 비용이며,
상기 제2 함수는 또한, 상기 계획을 생성하는 데 사용되는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제56 항에 있어서,
상기 함수를 평가하는 단계는,
휴리스틱을 사용하여 미래 계획 비용을 추정하는 단계;
트래버싱된 계획 비용(traversed plan cost)을 계산하는 단계; 및
상기 미래 계획 비용 및 상기 트래버싱된 계획 비용을 합산하는 단계
를 더 포함하는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제58 항에 있어서,
상기 휴리스틱을 사용하는 것은,
상기 아이템의 표면 온도 분포로부터 한 세트의 온도 값들을 획득하는 것;
한 세트의 델타 값들을 획득하는 것 ―각각의 델타 값은 원하는 온도 값 및 상기 세트의 온도 값들의 온도 값에 대응함―; 및
추정되는 미래 계획 비용을 획득하기 위해 상기 세트의 델타 값들을 합산하는 것
을 포함하는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제56 항에 있어서,
상기 적외선 센서를 사용하여, 상기 아이템에 대한 제1 표면 온도 분포를 감지하는 단계;
상기 제2 표면 온도 분포를 계획된 표면 온도 분포와 비교하는 단계;
상기 비교하는 단계 동안 변동을 검출하는 단계;
상기 변동을 검출하는 것에 대한 응답으로, 상기 아이템을 가열하기 위한 제2 계획을 도출하는 단계; 및
상기 챔버 내의 상기 아이템을 가열하기 위해 상기 제2 계획을 적어도 부분적으로 실행하는 단계
를 더 포함하며, 상기 계획된 표면 온도 분포는 상기 챔버 내의 상기 아이템을 가열하기 위한 상기 계획을 이용하여 생성되는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제56 항에 있어서,
적외선 센서를 사용하여, 상기 아이템에 대한 제1 표면 온도 분포를 감지하는 단계; 및
상기 제1 표면 온도 분포를 사용하여, 계획된 표면 온도 분포를 외삽하는 단계
를 더 포함하며, 상기 계획된 표면 온도 분포는 또한, 상기 함수를 평가하기 위해 그리고 상기 제1 함수 출력을 생성하는 데 사용되는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제61 항에 있어서,
상기 함수는 적어도 부분적으로, 계획 지속기간에 따라 증가하는 제1 항목(term)에 의해 정의되며,
상기 함수는 적어도 부분적으로, 상기 계획된 표면 온도 분포에서의 표면 온도 값이 임계치 온도를 초과할 때 증가하는 제2 항목(term)에 의해 정의되는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 제61 항에 있어서,
상기 적외선 센서 및 시각적 광 센서 중 적어도 하나를 사용하여 상기 아이템과 연관된 카테고리를 식별하는 단계; 및
상기 카테고리를 사용하여 외삽 엔진을 초기화하는 단계
를 더 포함하며, 상기 계획된 표면 온도 분포를 외삽하는 단계는 상기 외삽 엔진을 사용하여 수행되는, 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법. - 챔버 내의 아이템을 가열하기 위한 컴퓨터-구현 방법을 실행하기 위한 명령들을 저장하는 비일시적 컴퓨터-판독가능 매체로서,
상기 컴퓨터-구현 방법은,
마이크로파 에너지 소스로부터 상기 아이템에 에너지를 인가하는 단계;
제1 함수 출력을 생성하기 위해 함수를 평가하는 단계 ―상기 함수를 평가하기 위해 제1 잠재적 액션이 사용됨―;
상기 제1 함수 출력을 사용하여, 상기 챔버 내의 상기 아이템을 가열하기 위한 계획을 생성하는 단계 ―상기 계획은 액션들의 시퀀스임―; 및
상기 챔버 내의 상기 아이템을 가열하기 위해 상기 계획을 실행하는 단계
를 포함하며, 상기 함수는 비용 함수이며,
상기 함수 출력은 계획 비용이며,
상기 제1 잠재적 액션은, (i) 상기 마이크로파 에너지 소스로부터 상기 챔버 내의 에너지 분포의 상대적 포지션을 변경하는 것; 및 (ii) 상기 마이크로파 에너지 소스로부터 상기 챔버 내의 에너지 분포의 강도를 변경하는 것 중 하나인, 비일시적 컴퓨터-판독가능 매체. - 제64 항에 있어서,
상기 컴퓨터-구현 방법은,
제2 함수 출력을 생성하기 위해 상기 함수를 평가하는 단계 ―상기 함수를 평가하기 위해 제2 잠재적 액션이 사용되며, 상기 제2 잠재적 액션 및 상기 제1 잠재적 액션은 각각 상호 독점적 계획들의 멤버들임―; 및
제1 계획 비용 및 제2 계획 비용의 비교에 기반하여, 추가 평가를 위해 상기 계획을 선택하는 단계
를 더 포함하며, 상기 제2 함수 출력은 제2 계획 비용이며,
상기 제2 함수는 또한, 상기 계획을 생성하는 데 사용되는, 비일시적 컴퓨터-판독가능 매체. - 제64 항에 있어서,
상기 함수를 평가하는 단계는,
휴리스틱을 사용하여 미래 계획 비용을 추정하는 단계;
트래버싱된 계획 비용을 계산하는 단계; 및
상기 미래 계획 비용 및 상기 트래버싱된 계획 비용을 합산하는 단계
를 더 포함하는, 비일시적 컴퓨터-판독가능 매체. - 제66 항에 있어서,
상기 휴리스틱을 사용하는 것은,
상기 아이템의 표면 온도 분포로부터 한 세트의 온도 값들을 획득하는 것;
한 세트의 델타 값들을 획득하는 것 ―각각의 델타 값은 원하는 온도 값 및 상기 세트의 온도 값들의 온도 값에 대응함―; 및
추정되는 미래 계획 비용을 획득하기 위해 상기 세트의 델타 값들을 합산하는 것
을 포함하는, 비일시적 컴퓨터-판독가능 매체. - 제64 항에 있어서,
상기 컴퓨터-구현 방법은,
상기 적외선 센서를 사용하여, 상기 아이템에 대한 제1 표면 온도 분포를 감지하는 단계;
제2 표면 온도 분포를 계획된 표면 온도 분포와 비교하는 단계;
상기 비교하는 단계 동안 변동을 검출하는 단계;
상기 변동을 검출하는 것에 대한 응답으로, 상기 아이템을 가열하기 위한 제2 계획을 도출하는 단계; 및
상기 챔버 내의 상기 아이템을 가열하기 위해 상기 제2 계획을 적어도 부분적으로 실행하는 단계
를 더 포함하며, 상기 계획된 표면 온도 분포는 상기 챔버 내의 상기 아이템을 가열하기 위한 상기 계획을 이용하여 생성되는, 비일시적 컴퓨터-판독가능 매체. - 제64 항에 있어서,
상기 컴퓨터-구현 방법은,
적외선 센서를 사용하여, 상기 아이템에 대한 제1 표면 온도 분포를 감지하는 단계;
상기 제1 표면 온도 분포를 사용하여, 계획된 표면 온도 분포를 외삽하는 단계
를 더 포함하며, 상기 계획된 표면 온도 분포는 또한, 상기 함수를 평가하기 위해 그리고 상기 제1 함수 출력을 생성하는 데 사용되는, 비일시적 컴퓨터-판독가능 매체. - 제69 항에 있어서,
상기 함수는 적어도 부분적으로, 계획 지속기간에 따라 증가하는 제1 항목에 의해 정의되며,
상기 함수는 적어도 부분적으로, 상기 계획된 표면 온도 분포에서의 표면 온도 값이 임계치 온도를 초과할 때 증가하는 제2 항목에 의해 정의되는, 비일시적 컴퓨터-판독가능 매체. - 제69 항에 있어서,
상기 컴퓨터-구현 방법은,
상기 적외선 센서 및 시각적 광 센서 중 적어도 하나를 사용하여 상기 아이템과 연관된 카테고리를 식별하는 단계; 및
상기 카테고리를 사용하여 외삽 엔진을 초기화하는 단계
를 더 포함하며, 상기 계획된 표면 온도 분포를 외삽하는 단계는 외삽 엔진을 사용하여 수행되는, 비일시적 컴퓨터-판독가능 매체.
Applications Claiming Priority (11)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201662315175P | 2016-03-30 | 2016-03-30 | |
| US62/315,175 | 2016-03-30 | ||
| US201662349367P | 2016-06-13 | 2016-06-13 | |
| US62/349,367 | 2016-06-13 | ||
| US201662434179P | 2016-12-14 | 2016-12-14 | |
| US62/434,179 | 2016-12-14 | ||
| US201762445628P | 2017-01-12 | 2017-01-12 | |
| US62/445,628 | 2017-01-12 | ||
| US15/467,975 | 2017-03-23 | ||
| US15/467,975 US10009957B2 (en) | 2016-03-30 | 2017-03-23 | Electronic oven with infrared evaluative control |
| PCT/US2017/024155 WO2017172539A1 (en) | 2016-03-30 | 2017-03-24 | Electronic oven with infrared evaluative control |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180091935A true KR20180091935A (ko) | 2018-08-16 |
| KR101983304B1 KR101983304B1 (ko) | 2019-05-29 |
Family
ID=59961369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020187022060A KR101983304B1 (ko) | 2016-03-30 | 2017-03-24 | 적외선 평가 제어를 갖는 전기 오븐 |
Country Status (9)
| Country | Link |
|---|---|
| US (3) | US10009957B2 (ko) |
| EP (1) | EP3380790B1 (ko) |
| JP (1) | JP6535824B1 (ko) |
| KR (1) | KR101983304B1 (ko) |
| CN (1) | CN108700307B (ko) |
| AU (2) | AU2017241445B2 (ko) |
| BR (1) | BR112017024420A2 (ko) |
| CA (1) | CA3007593A1 (ko) |
| WO (1) | WO2017172539A1 (ko) |
Families Citing this family (42)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10009957B2 (en) * | 2016-03-30 | 2018-06-26 | The Markov Corporation | Electronic oven with infrared evaluative control |
| US10004115B2 (en) | 2016-06-13 | 2018-06-19 | The Markov Corporation | Electronic oven with reflective energy steering |
| US20190187636A1 (en) * | 2017-12-15 | 2019-06-20 | Jeffrey Fong | Smart kitchen system and method |
| CN110013174A (zh) * | 2018-01-10 | 2019-07-16 | 财团法人食品工业发展研究所 | 智能型多功能烹调设备 |
| US10980088B2 (en) * | 2018-01-22 | 2021-04-13 | Markov Llc | Energy absorption monitoring for an intelligent electronic oven with energy steering |
| US11568236B2 (en) | 2018-01-25 | 2023-01-31 | The Research Foundation For The State University Of New York | Framework and methods of diverse exploration for fast and safe policy improvement |
| US10598401B2 (en) | 2018-02-27 | 2020-03-24 | Distech Controls Inc. | Controller, method and computer program product using a neural network for adaptively controlling an environmental condition in a building |
| US10852026B2 (en) * | 2018-02-27 | 2020-12-01 | Distech Controls Inc. | Controller, method and computer program product for controlling an environmental condition in a building |
| US11042145B2 (en) * | 2018-06-13 | 2021-06-22 | Hitachi, Ltd. | Automatic health indicator learning using reinforcement learning for predictive maintenance |
| RU2695054C1 (ru) * | 2018-06-18 | 2019-07-18 | Общество с ограниченной ответственностью "Аби Продакшн" | Детектирование баркодов на изображениях |
| US20190042979A1 (en) * | 2018-06-28 | 2019-02-07 | Intel Corporation | Thermal self-learning with reinforcement learning agent |
| US20220036223A1 (en) * | 2018-09-27 | 2022-02-03 | Nec Corporation | Processing apparatus, processing method, and non-transitory storage medium |
| US10990386B2 (en) * | 2018-10-08 | 2021-04-27 | Honeywell International Inc. | Localized executable functions platform for execution of diagnostic, operational, and other computational algorithms |
| DE102018219086A1 (de) * | 2018-11-08 | 2020-05-14 | BSH Hausgeräte GmbH | Verfahren zum Betreiben eines Haushalts-Gargeräts und Haushalts-Gargerät |
| DE102018221329A1 (de) | 2018-12-10 | 2020-06-10 | BSH Hausgeräte GmbH | Verfahren zum Betreiben eines Haushalts-Gargeräts und Haushalts-Gargerät |
| CN109602289A (zh) * | 2018-12-27 | 2019-04-12 | 广东美的厨房电器制造有限公司 | 烹饪器具及其控制方法和装置 |
| CN109581899B (zh) * | 2018-12-29 | 2021-01-08 | 珠海优特智厨科技有限公司 | 一种烹饪任务执行方法、装置及储存介质 |
| CN109754009B (zh) * | 2018-12-29 | 2021-07-13 | 北京沃东天骏信息技术有限公司 | 物品识别方法、装置、售货系统和存储介质 |
| DE102019101695A1 (de) * | 2019-01-24 | 2020-07-30 | Miele & Cie. Kg | Verfahren zum Garen von Gargut und Garsystem |
| CN109739103A (zh) * | 2019-01-30 | 2019-05-10 | 珠海金慧科技有限公司 | 基于人工智能的全环节无人化厨房系统 |
| DE102019201330A1 (de) | 2019-02-01 | 2020-08-06 | BSH Hausgeräte GmbH | Mikrowellengerät und Verfahren zum Betreiben eines Mikrowellengeräts |
| DE102019201332A1 (de) | 2019-02-01 | 2020-08-06 | BSH Hausgeräte GmbH | Haushalts-Gargerät und Verfahren zum Betreiben eines Haushalts-Gargeräts |
| KR20190104488A (ko) * | 2019-08-21 | 2019-09-10 | 엘지전자 주식회사 | 인공 지능을 이용하여, 오브젝트의 이동을 관리하는 인공 지능 로봇 및 그의 동작 방법 |
| US10819905B1 (en) * | 2019-09-13 | 2020-10-27 | Guangdong Media Kitchen Appliance Manufacturing Co., Ltd. | System and method for temperature sensing in cooking appliance with data fusion |
| DE102019127019B4 (de) * | 2019-10-08 | 2021-06-10 | Miele & Cie. Kg | Gargerät sowie Verfahren zu dessen Betrieb |
| KR20210074648A (ko) * | 2019-12-12 | 2021-06-22 | 엘지전자 주식회사 | 조리장치 및 조리장치 제어방법 |
| US11770882B2 (en) | 2020-03-31 | 2023-09-26 | Midea Group Co., Ltd. | Microwave cooking appliance with user interface display |
| US11849526B2 (en) | 2020-03-31 | 2023-12-19 | Midea Group Co., Ltd. | Microwave cooking appliance with increased visibility into the cavity |
| US11765796B2 (en) | 2020-03-31 | 2023-09-19 | Midea Group Co., Ltd. | Microwave cooking appliance with leak detection |
| EP3920103B1 (en) * | 2020-06-05 | 2024-08-07 | Robert Bosch GmbH | Device and method for planning an operation of a technical system |
| US20210392725A1 (en) * | 2020-06-10 | 2021-12-16 | Yizhou LIN | Heating apparatus and methods for heating |
| CN112181009B (zh) * | 2020-09-14 | 2022-07-05 | 科华恒盛股份有限公司 | 热点追踪控制方法、装置及终端设备 |
| EP3975665A1 (en) | 2020-09-25 | 2022-03-30 | Percyroc AB | Method and arrangement for controlling material treatment |
| DE102020215681A1 (de) | 2020-12-10 | 2022-06-15 | BSH Hausgeräte GmbH | Betreiben eines Haushalts-Mikrowellengeräts |
| CN112947174B (zh) * | 2021-02-03 | 2023-04-07 | 昆明理工大学 | 一种可拓展多微波源协同输出的智能微波反应器系统 |
| CN115128971A (zh) * | 2021-03-25 | 2022-09-30 | 博西华电器（江苏）有限公司 | 烹饪设备及其控制方法、计算机可读存储介质 |
| CN113177074B (zh) * | 2021-04-02 | 2023-09-29 | 北京科技大学 | 一种提升环境自适应性的光学性能监测系统及方法 |
| US11882956B2 (en) | 2021-05-28 | 2024-01-30 | Whirlpool Corporation | Cooking adjustment system |
| WO2023283437A1 (en) * | 2021-07-08 | 2023-01-12 | Ohio State Innovation Foundation | Monitoring microwave oven leakage to estimate food temperature and food composition |
| GB202202984D0 (en) * | 2022-03-03 | 2022-04-20 | Afe Group Ltd | Apparatus and method for determining food characteristics |
| KR20240050886A (ko) * | 2022-10-12 | 2024-04-19 | 삼성전자주식회사 | 카메라를 포함하는 레인지 후드 및 그 제어 방법 |
| WO2024170437A1 (en) * | 2023-02-16 | 2024-08-22 | Asml Netherlands B.V. | System and method for position control |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10238785A (ja) * | 1997-02-28 | 1998-09-08 | Sharp Corp | 電子レンジ |
| JP2008066292A (ja) * | 2006-08-08 | 2008-03-21 | Matsushita Electric Ind Co Ltd | マイクロ波処理装置 |
| US20100121609A1 (en) * | 2008-11-10 | 2010-05-13 | Mitek Analytics Llc | Method and system for diagnostics of apparatus |
| WO2014198637A1 (en) * | 2013-06-14 | 2014-12-18 | Gea Food Solutions Bakel B.V. | Temperature detection device and heat treatment device |
Family Cites Families (66)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US2704802A (en) | 1952-05-22 | 1955-03-22 | Raytheon Mfg Co | Microwave ovens |
| US3182166A (en) | 1961-09-04 | 1965-05-04 | Miwag Mikrowellen Ag | Microwave ovens |
| US3189722A (en) | 1962-09-21 | 1965-06-15 | Miwag Mikrowellen Ag | Microwave oven apparatus |
| US3364332A (en) | 1964-03-20 | 1968-01-16 | Philips Corp | Arrangement in microwave stoves |
| US3370145A (en) | 1964-04-07 | 1968-02-20 | Philips Corp | Arrangement in microwave stoves |
| US3431381A (en) | 1966-03-29 | 1969-03-04 | Tappan Co The | Dual stirrer assembly |
| US3461260A (en) | 1966-05-16 | 1969-08-12 | Gen Motors Corp | Microwave oven |
| DE1565763A1 (de) | 1966-11-02 | 1970-02-12 | Philips Patentverwaltung | Hochfrequenzerwaermungsgeraet mit Hohlleiter |
| US3521019A (en) | 1968-02-19 | 1970-07-21 | Varian Associates | Microwave heating cavity with a venetian blind mode stirrer |
| US4342896A (en) | 1976-12-23 | 1982-08-03 | Raytheon Company | Radiating mode stirrer heating system |
| US4171382A (en) | 1977-08-30 | 1979-10-16 | Litton Systems, Inc. | Method of cooking meats in a microwave oven |
| US4336434A (en) | 1980-08-15 | 1982-06-22 | General Electric Company | Microwave oven cavity excitation system employing circularly polarized beam steering for uniformity of energy distribution and improved impedance matching |
| US4629849A (en) * | 1984-06-28 | 1986-12-16 | Ngk Insulators Ltd. | Microwave heating device having a rotary reflector means in a heating chamber |
| US4539454A (en) | 1984-09-21 | 1985-09-03 | Roger Yangas | Method and means for improving microwave cooking |
| GB8511049D0 (en) | 1985-05-01 | 1985-06-12 | Shell Int Research | Apparatus for uniform microwave bulk heating |
| US5107086A (en) | 1987-02-26 | 1992-04-21 | Louis P. Yangas | Multiuse microwave collector and accelerator system |
| KR900002206B1 (ko) | 1987-10-13 | 1990-04-04 | 주식회사 금성사 | 전자레인지의 자동 요리방법 |
| JPH01162117A (ja) | 1987-12-18 | 1989-06-26 | Sanyo Electric Co Ltd | 加熱調理器 |
| US4992638A (en) | 1988-06-22 | 1991-02-12 | Alcan International Limited | Microwave heating device with microwave distribution modifying means |
| IT1227210B (it) | 1988-09-23 | 1991-03-27 | Eurodomestici Ind Riunite | Metodo e dispositivo per rilevare lo scongelamento di un alimento in un forno a microonde |
| US5519195A (en) | 1989-02-09 | 1996-05-21 | Beckett Technologies Corp. | Methods and devices used in the microwave heating of foods and other materials |
| KR930001675B1 (ko) | 1989-04-14 | 1993-03-08 | 가부시끼가이샤 히다찌세이사꾸쇼 | 비디오카메라의 화이트밸런스 조정장치 |
| JPH03221727A (ja) | 1990-01-29 | 1991-09-30 | Brother Ind Ltd | オーブンレンジによる皮付き生ポテト類の調理方法ならびにその装置 |
| KR930011809B1 (ko) | 1990-12-18 | 1993-12-21 | 주식회사 금성사 | 전자레인지의 자동요리방법 및 그 장치 |
| FR2674005B1 (fr) | 1991-03-11 | 1998-03-06 | Jdc Ingenierie | Dispositif de controle d'un appareil de chauffage |
| JPH0828273B2 (ja) * | 1991-04-26 | 1996-03-21 | 松下電器産業株式会社 | 加熱調理器 |
| KR0129239B1 (ko) | 1994-06-11 | 1998-04-09 | 구자홍 | 마이크로웨이브 오븐의 조리상태 검출장치 |
| JP3066283B2 (ja) | 1995-03-13 | 2000-07-17 | 三洋電機株式会社 | 電子レンジ |
| JP3179329B2 (ja) | 1996-02-23 | 2001-06-25 | シャープ株式会社 | 高周波加熱調理装置 |
| KR970075466A (ko) | 1996-05-03 | 1997-12-10 | 박병재 | 차량용 케이블의 진동 및 소음 저감장치 |
| US6013907A (en) * | 1997-06-09 | 2000-01-11 | Lg Electronics Inc. | Microwave oven equipped with thermopile sensor and thawing method using the same |
| KR100631192B1 (ko) | 1999-08-19 | 2006-10-04 | 삼성전자주식회사 | 전자렌지 및 그 제어방법 |
| KR100549518B1 (ko) | 2000-04-03 | 2006-02-03 | 야마하 가부시키가이샤 | 휴대기기, 그 휴대기기의 음량보상방법, 및 기억매체 |
| EP1186209A1 (en) | 2000-04-17 | 2002-03-13 | Matsushita Electric Industrial Co., Ltd. | High-frequency heating apparatus |
| KR100396662B1 (ko) * | 2000-11-30 | 2003-09-02 | 엘지전자 주식회사 | 전자레인지의 해동 제어방법 |
| US6674056B2 (en) | 2001-02-05 | 2004-01-06 | Young Hee Lee | Apparatus for uniforming microwave and heating system using the same |
| JP2003028430A (ja) * | 2001-07-12 | 2003-01-29 | Hitachi Hometec Ltd | 高周波加熱装置 |
| JP2003090540A (ja) | 2001-09-18 | 2003-03-28 | Mitsubishi Electric Corp | 電子レンジ |
| JP3761167B2 (ja) * | 2002-06-05 | 2006-03-29 | 松下電器産業株式会社 | 高周波加熱装置の加熱制御方法、及び高周波加熱装置 |
| US6849831B2 (en) * | 2002-03-29 | 2005-02-01 | Mattson Technology, Inc. | Pulsed processing semiconductor heating methods using combinations of heating sources |
| JP3879042B2 (ja) | 2002-07-09 | 2007-02-07 | 三菱電機株式会社 | 高周波加熱調理器 |
| JP2004108697A (ja) * | 2002-09-19 | 2004-04-08 | Sanyo Electric Co Ltd | 電子レンジ |
| KR100509038B1 (ko) | 2002-12-31 | 2005-08-19 | 엘지전자 주식회사 | 전자레인지의 감지회로 |
| CN100414273C (zh) | 2004-04-08 | 2008-08-27 | 电子科技大学 | 一种微波炉炉腔内场分布的测试方法 |
| US20050265423A1 (en) * | 2004-05-26 | 2005-12-01 | Mahowald Peter H | Monitoring system for cooking station |
| CN2741050Y (zh) | 2004-09-17 | 2005-11-16 | 上海新仪微波化学科技有限公司 | 带有摄像、显示装置的微波化学仪器 |
| JP4572700B2 (ja) * | 2005-02-24 | 2010-11-04 | パナソニック株式会社 | 加熱調理器 |
| WO2008102334A1 (en) * | 2007-02-21 | 2008-08-28 | Rf Dynamics Ltd. | Rf controlled freezing |
| US20090011101A1 (en) * | 2006-03-08 | 2009-01-08 | Premark Feg L.L.C. | Cooking methods for a combi oven |
| JP2007322512A (ja) | 2006-05-30 | 2007-12-13 | Toshiba Corp | スタンドおよびディスプレイ装置 |
| JP5273930B2 (ja) | 2007-03-07 | 2013-08-28 | パナソニック株式会社 | マイクロ波加熱装置 |
| US8901470B2 (en) | 2008-09-17 | 2014-12-02 | Panasonic Corporation | Microwave heating apparatus |
| US9277601B2 (en) * | 2009-02-26 | 2016-03-01 | International Business Machines Corporation | Operating an appliance based on cooking instructions embedded in an RFID product tag |
| EP2648479B1 (en) | 2010-11-29 | 2017-10-25 | Panasonic Corporation | Microwave heater |
| US20130041938A1 (en) * | 2011-08-11 | 2013-02-14 | Jie Lin | Dynamic Mobile Interaction Using Customized Interfaces |
| US10584881B2 (en) * | 2011-10-17 | 2020-03-10 | Illinois Tool Works, Inc. | Browning control for an oven |
| EP2816462B1 (en) | 2012-02-14 | 2018-12-19 | Panasonic Corporation | Electronic device |
| US9271338B2 (en) | 2012-03-14 | 2016-02-23 | Microwave Materials Technologies, Inc. | Pressurized heating system with enhanced pressure locks |
| BE1020505A3 (nl) | 2012-05-10 | 2013-11-05 | Halm Bvba | Microgolfoven met optische sturing. |
| EP2773163A1 (en) | 2013-03-01 | 2014-09-03 | Lekué, SL | Microwave oven and method to control automatically the heating and/or cooking of food in said microwave oven |
| JP6385658B2 (ja) | 2013-09-09 | 2018-09-05 | 日清食品ホールディングス株式会社 | 電子レンジ及びプログラム |
| US20150136760A1 (en) | 2013-11-15 | 2015-05-21 | Stmicroelectronics (Canada), Inc. | Microwave oven using solid state amplifiers and antenna array |
| CN203560960U (zh) | 2013-11-25 | 2014-04-23 | 上海电机学院 | 一种基于传感器控制的微波炉 |
| US20150289324A1 (en) | 2014-04-07 | 2015-10-08 | Mark Braxton Rober | Microwave oven with thermal imaging temperature display and control |
| CN205026746U (zh) | 2015-08-22 | 2016-02-10 | 天津有序环境科技发展有限公司 | 视频监控遥控微波炉 |
| US10009957B2 (en) * | 2016-03-30 | 2018-06-26 | The Markov Corporation | Electronic oven with infrared evaluative control |
-
2017
- 2017-03-23 US US15/467,975 patent/US10009957B2/en active Active
- 2017-03-24 KR KR1020187022060A patent/KR101983304B1/ko active IP Right Grant
- 2017-03-24 CN CN201780011391.9A patent/CN108700307B/zh active Active
- 2017-03-24 EP EP17717281.4A patent/EP3380790B1/en active Active
- 2017-03-24 BR BR112017024420-9A patent/BR112017024420A2/pt not_active Application Discontinuation
- 2017-03-24 AU AU2017241445A patent/AU2017241445B2/en not_active Ceased
- 2017-03-24 JP JP2018552028A patent/JP6535824B1/ja active Active
- 2017-03-24 WO PCT/US2017/024155 patent/WO2017172539A1/en active Application Filing
- 2017-03-24 CA CA3007593A patent/CA3007593A1/en active Pending
- 2017-12-06 US US15/833,086 patent/US10681776B2/en active Active
-
2018
- 2018-11-09 AU AU2018260976A patent/AU2018260976B2/en not_active Ceased
-
2020
- 2020-04-28 US US16/860,978 patent/US11632826B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10238785A (ja) * | 1997-02-28 | 1998-09-08 | Sharp Corp | 電子レンジ |
| JP2008066292A (ja) * | 2006-08-08 | 2008-03-21 | Matsushita Electric Ind Co Ltd | マイクロ波処理装置 |
| US20100121609A1 (en) * | 2008-11-10 | 2010-05-13 | Mitek Analytics Llc | Method and system for diagnostics of apparatus |
| WO2014198637A1 (en) * | 2013-06-14 | 2014-12-18 | Gea Food Solutions Bakel B.V. | Temperature detection device and heat treatment device |
Also Published As
| Publication number | Publication date |
|---|---|
| US20180098381A1 (en) | 2018-04-05 |
| CA3007593A1 (en) | 2017-10-05 |
| BR112017024420A2 (pt) | 2018-07-24 |
| US20200260529A1 (en) | 2020-08-13 |
| EP3380790B1 (en) | 2023-09-20 |
| AU2018260976B2 (en) | 2019-08-29 |
| JP6535824B1 (ja) | 2019-06-26 |
| CN108700307A (zh) | 2018-10-23 |
| AU2017241445B2 (en) | 2018-08-09 |
| WO2017172539A1 (en) | 2017-10-05 |
| EP3380790A1 (en) | 2018-10-03 |
| AU2018260976A1 (en) | 2018-11-29 |
| CN108700307B (zh) | 2020-06-16 |
| US10681776B2 (en) | 2020-06-09 |
| US20170290095A1 (en) | 2017-10-05 |
| US11632826B2 (en) | 2023-04-18 |
| AU2017241445A1 (en) | 2018-07-05 |
| US10009957B2 (en) | 2018-06-26 |
| JP2019519744A (ja) | 2019-07-11 |
| KR101983304B1 (ko) | 2019-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101983304B1 (ko) | 적외선 평가 제어를 갖는 전기 오븐 | |
| US11828658B2 (en) | In-oven camera and computer vision systems and methods | |
| US9872344B2 (en) | Methods and devices for applying RF energy according to energy application schedules | |
| US10760794B2 (en) | In-oven camera | |
| CN111148944B (zh) | 自动烹饪设备和方法 | |
| AU2013354500B2 (en) | Heat treatment monitoring system | |
| US20160309548A1 (en) | Interface for controlling energy application apparatus | |
| JP6087358B2 (ja) | Ｒｆ放射を使用した対象物の処理状態の検知 | |
| EP2742774A2 (en) | Controlling rf application in absence of feedback | |
| CN110192429A (zh) | 具有基于机器学习的算法选择策略的烤箱 | |
| US20220283135A1 (en) | Method for operating a cooking appliance, and cooking appliance | |
| CN113167477B (zh) | 用于运行家用烹饪器具的方法和家用烹饪器具 | |
| US12120804B2 (en) | Method for operating a domestic cooking appliance and domestic cooking appliance | |
| KR20210066452A (ko) | 조리장치 및 조리장치 제어방법 | |
| CN108700306B (zh) | 用于制作至少一种食物的系统以及运行相关系统的方法 | |
| CN114494440A (zh) | 烹饪设备的控制方法及烹饪设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| A302 | Request for accelerated examination | ||
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |