WO2021079692A1 - 油脂の劣化予測装置、劣化予測システム、劣化予測方法、油脂交換システム及びフライヤーシステム - Google Patents

油脂の劣化予測装置、劣化予測システム、劣化予測方法、油脂交換システム及びフライヤーシステム Download PDF

Info

Publication number
WO2021079692A1
WO2021079692A1 PCT/JP2020/036682 JP2020036682W WO2021079692A1 WO 2021079692 A1 WO2021079692 A1 WO 2021079692A1 JP 2020036682 W JP2020036682 W JP 2020036682W WO 2021079692 A1 WO2021079692 A1 WO 2021079692A1
Authority
WO
WIPO (PCT)
Prior art keywords
oil
deterioration
unit
fat
acoustic data
Prior art date
Application number
PCT/JP2020/036682
Other languages
English (en)
French (fr)
Inventor
頼泰 廣末
隆司 山口
昌晴 橋本
伸介 小薗
Original Assignee
株式会社Ｊ－オイルミルズ
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社Ｊ－オイルミルズ filed Critical 株式会社Ｊ－オイルミルズ
Priority to CA3157541A priority Critical patent/CA3157541A1/en
Priority to US17/767,691 priority patent/US20240019400A1/en
Priority to JP2021554201A priority patent/JPWO2021079692A1/ja
Publication of WO2021079692A1 publication Critical patent/WO2021079692A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/02—Analysing fluids
    • G01N29/036—Analysing fluids by measuring frequency or resonance of acoustic waves
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47J—KITCHEN EQUIPMENT; COFFEE MILLS; SPICE MILLS; APPARATUS FOR MAKING BEVERAGES
    • A47J37/00—Baking; Roasting; Grilling; Frying
    • A47J37/12—Deep fat fryers, e.g. for frying fish or chips
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47J—KITCHEN EQUIPMENT; COFFEE MILLS; SPICE MILLS; APPARATUS FOR MAKING BEVERAGES
    • A47J37/00—Baking; Roasting; Grilling; Frying
    • A47J37/12—Deep fat fryers, e.g. for frying fish or chips
    • A47J37/1266—Control devices, e.g. to control temperature, level or quality of the frying liquid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food
    • G01N33/03—Edible oils or edible fats
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/022—Liquids
    • G01N2291/0226—Oils, e.g. engine oils

Definitions

  • the present invention relates to a deterioration prediction device for predicting the degree of deterioration of fats and oils, a deterioration prediction system, a deterioration prediction method, a fats and oil exchange system, and a fryer system.
  • the edible oils and fats used when cooking fried foods deteriorate when the ingredients are cooked many times, so it is necessary to replace them at an appropriate time.
  • an apparatus is known that detects and determines the color tone, viscosity, odor, etc. of the fats and oils.
  • a sensor unit is attached to a ventilation fan above the oil tank.
  • This sensor unit has a sensitive film that adsorbs gas molecules that are the source of odors and a transducer that converts gas molecules adhering to the sensitive film into electrical signals, and detects odors generated from cooking oil.
  • the control unit of the detection device determines the degree of deterioration of the cooking oil based on the information on the odor detected by the sensor unit during deep-fried cooking and the type of food cooked using the cooking oil (paragraph). 0017, 0021, FIG. 1).
  • the present invention has been made in view of such circumstances, and an object of the present invention is to provide a deterioration prediction device capable of predicting deterioration of fats and oils easily and accurately.
  • the deterioration prediction device of the present invention is a deterioration prediction device that predicts the degree of deterioration of edible fats and oils, and includes an acoustic data acquisition unit that acquires acoustic data when cooking fried foods using the fats and oils contained in the oil tank. Based on the index extraction unit that extracts an index related to the deterioration of the fat and oil from the acoustic data acquired by the acoustic data acquisition unit and the index extracted by the index extraction unit, the degree of deterioration of the fat and oil is determined. It is characterized in that it includes a determination unit for determining.
  • the acoustic data acquisition unit of the deterioration prediction device acquires acoustic data of fats and oils when cooking fried foods such as tempura.
  • the index extraction unit extracts various acoustic components such as frequency average and frequency standard deviation from this acoustic data as indexes related to deterioration of fats and oils.
  • the determination unit determines the degree of deterioration of the fat or oil based on the index, that is, whether or not the deterioration has progressed due to use. As a result, the present device can easily and accurately predict the deterioration of fats and oils.
  • the deterioration prediction device of the present invention further includes a notification unit for notifying the degree of deterioration of the fat or oil or the timing of replacement of the fat or oil, and the notification unit is replaced by a determination unit based on the degree of deterioration of the fat or oil. When it is determined that the threshold value of is exceeded, it is preferable to perform the above notification.
  • the notification unit of the deterioration prediction device notifies the degree of deterioration of the fat and oil, so that the user can grasp the usage status of the fat and oil. Further, since the notification unit notifies the timing of oil / fat replacement from a predetermined threshold value based on the determination result of the determination unit, the user can exchange the oil / fat at an appropriate timing.
  • the "replacement timing" may be the timing at which the fat or oil is actually replaced, or may be the remaining usable time estimated from the current degree of deterioration of the fat or oil.
  • the indicators include frequency average, frequency standard deviation, frequency median value, frequency standard error, frequency most frequent value, frequency first quartile, frequency third quartile, and the like. It is preferably one or more selected from frequency quartile range, frequency center of gravity, frequency skewness, frequency crutsis, frequency spectrum flatness, frequency spectrum entropy, frequency spectrum accuracy, acoustic complexity index, acoustic entropy, and dominant frequency.
  • one or a plurality of the indicators having a high correlation with the deterioration of fats and oils are selected.
  • the present device can accurately predict the deterioration.
  • the deterioration prediction system of the present invention comprises a detection device and a machine learning device, and is a deterioration prediction system that predicts the degree of deterioration of edible fats and oils.
  • the acoustic data acquisition unit for acquiring acoustic data when cooking a storage unit for storing a learning model created by the machine learning device capable of determining deterioration of fats and oils, and the learning model
  • the machine learning device includes a determination unit for determining the degree of deterioration of the fat and oil from the data, and the machine learning device extracts an index related to the deterioration of the fat and oil from the acoustic data acquired by the acoustic data acquisition unit and obtains the index. It is characterized in that it includes a learning model creation unit that performs machine learning by linear regression using the above and creates the learning model.
  • the deterioration prediction system of the present invention is composed of a detection device and a machine learning device.
  • the acoustic data acquisition unit acquires acoustic data of fats and oils when cooking fried food
  • the determination unit determines the degree of deterioration of fats and oils using a learning model.
  • the learning model creation unit extracts the index related to the deterioration of fats and oils from the acquired acoustic data, and performs machine learning by linear regression. As a result, the learning model is updated, so that the system can easily and accurately predict the deterioration of fats and oils.
  • the linear regression is preferably one or more selected from simple regression, multiple regression, partial least squares (PLS) regression, or orthogonal projected partial least squares (OPLS) regression.
  • PLS partial least squares
  • OPLS orthogonal projected partial least squares
  • linear regression such as simple regression, multiple regression, partial least squares (PLS) regression, and orthogonal projected partial least squares (OPLS) regression to create the training model.
  • PLS partial least squares
  • OPLS orthogonal projected partial least squares
  • the detection device and the machine learning device are integrated.
  • the integrated deterioration prediction system of the present invention by installing the integrated deterioration prediction system of the present invention near the oil tank in a store or factory, the user can acquire the prediction result of the deterioration of fats and oils on the spot.
  • the detection device is installed near the oil tank of the store or factory, and the machine learning device is installed at a remote place away from the store or factory. Is preferable.
  • the detection device having an acoustic data acquisition unit or the like is installed near the oil tank of the store or factory, but the machine learning device may be installed at a remote location of the store. Since the machine learning device is a device separate from the detection device, the learning model created by the machine learning device can be acquired by communication or the like.
  • the detection device includes a first communication unit that transmits the acoustic data acquired by the acoustic data acquisition unit to the machine learning device, and the machine learning device includes the detection. It is preferable to include a second communication unit that receives the acoustic data from the device.
  • the detection device Since the detection device is equipped with the first communication unit, acoustic data is transmitted to the machine learning device. Further, since the machine learning device includes a second communication unit, it receives the acoustic data and performs machine learning. When the detection device and the machine learning device are separate devices, this system can send and receive data at each communication unit and share the necessary work.
  • the first communication unit and the second communication unit are capable of wireless communication.
  • the detection device can transmit acoustic data to the machine learning device by wireless communication by the first communication unit, the function of the detection device can be minimized and the size can be reduced.
  • the deterioration prediction method of the present invention is a deterioration prediction method for predicting the degree of deterioration of edible fats and oils, and includes an acoustic data acquisition step for acquiring acoustic data when cooking fried foods using the fats and oils, and the acoustic data.
  • An index extraction step for extracting an index related to the deterioration of the fat and oil from the acoustic data acquired in the acquisition step, a determination step for determining the degree of deterioration of the fat and oil based on the index extracted in the index extraction step, and a determination step. It is characterized by having.
  • the acoustic data acquisition step the acoustic data of fats and oils when cooking fried food such as tempura is acquired.
  • various acoustic components such as frequency average and frequency standard deviation are extracted from this acoustic data as indexes related to the deterioration of fats and oils.
  • the degree of deterioration of the fat or oil that is, whether or not the deterioration has progressed due to use is determined based on the index. As a result, this method can predict the deterioration of fats and oils easily and accurately.
  • the oil / fat exchange system of the present invention a) notifies the oil / fat distributor and orders a new oil / fat based on the notification information regarding the degree of deterioration of the oil / fat output from the above-mentioned deterioration prediction device, and b) manufactures the oil / fat. Notify the trader to formulate a production plan or sales plan for fats and oils, c) Notify the general headquarters of the store or factory, or the fats and oils manufacturer, and propose or instruct the supervising store or factory how to use fats and oils. , D) Notify the waste oil recovery company or oil / fat manufacturer to arrange the collection of waste oil, e) Notify the cleaning work operator and arrange the cleaning of the oil tank, which are characterized by performing one or more. And.
  • the oil / fat exchange system of the present invention for example, when the notification information is notified a predetermined number of times, the oil / fat dealer is notified and a new oil / fat is ordered based on the notification information regarding the degree of deterioration of the oil / fat.
  • the fats and oils manufacturer is notified to formulate a fats and oils production plan or a sales plan.
  • this system can establish a manufacturing and sales plan according to the pace of oil and fat exchange.
  • the general headquarters of the store or factory or the fat or oil manufacturer is notified based on the notification information, and the supervising store or factory is proposed or instructed on how to use the fat or oil.
  • the headquarters instruct each store to use oils and fats without waste and while replacing them as appropriate.
  • the waste oil recovery company is notified to arrange the collection of waste oil, and the cleaning operator is notified to arrange the cleaning of the oil tank. Therefore, this system quickly performs from the supply of oil and fat to the waste oil. be able to.
  • the fryer system of the present invention includes a valve control unit that controls a valve provided in the oil tank based on the notification information regarding the degree of deterioration of the oil and fat output from the deterioration prediction device described above, and the valve control unit is the valve control unit. It is characterized in that the oil and fat contained in the oil tank is automatically discharged.
  • the valve control unit controls the valve of the oil tank based on the notification information regarding the degree of deterioration of fats and oils. As a result, this system can automatically waste oil and fat in use.
  • valve control unit automatically supplies new oil to the oil tank.
  • the valve control unit controls the valve to automatically supply new oil to the oil tank.
  • this system can reduce a series of work load for the user to confirm the degree of deterioration of fats and oils and to supply waste oil and new oil.
  • deterioration of fats and oils can be predicted easily and accurately.
  • the functional block diagram of the deterioration prediction apparatus which concerns on 1st Embodiment. Flow chart of deterioration judgment of frying oil by deterioration prediction device.
  • the functional block diagram of the deterioration prediction apparatus (deterioration prediction system) which concerns on 2nd Embodiment.
  • FIG. 6A The figure which shows the relationship between the calibration curve obtained by machine learning (OPLS) and the heating time of a test data. List of predicted value average and standard deviation of FIG. 7A. The figure which shows the relationship between the calibration curve obtained by the machine learning (OPLS), and the acid value of the test data. A list of measured values, average predicted values, and standard deviations in FIG. 8A. The figure which shows the relationship between the calibration curve obtained by machine learning (PLS) and the color of a test data. A list of measured values, average predicted values, and standard deviations in FIG. 9A. The figure which shows the relationship between the calibration curve obtained by machine learning (PLS) and the viscosity increase rate of the test data. A list of measured values, average predicted values, and standard deviations in FIG. 10A. The figure explaining the oil-and-fat exchange system of 3rd Embodiment. The figure explaining the flyer system of 4th Embodiment.
  • the deterioration prediction device 1 is mainly composed of an acoustic data acquisition unit 2 (“acoustic data acquisition unit” of the present invention) and a processing unit 3.
  • the acoustic data acquisition unit 2 is, for example, a highly directional microphone, and uses the frying oil (“oil and fat” of the present invention) contained in the fryer 20 to produce the sound (foam bursting sound, etc.) when cooking fried food. get.
  • the acquired sound (hereinafter referred to as sound data) is transmitted to the processing unit 3. Then, the feature amount is extracted by the processing unit 3, and the deterioration of the frying oil is analyzed from the feature amount.
  • the processing unit 3 includes a display unit 5, a control unit 10, and the like.
  • the fryer 20 has a box-shaped cabinet 21 and includes an oil tank 22 for storing frying oil inside.
  • the temperature of the frying oil contained in the oil tank 22 can be adjusted by the heater 23. For example, when cooking croquettes, the frying oil is adjusted to 180 ° C.
  • an oil drain pipe 25 is connected to the bottom surface of the oil tank 22 via a valve 24.
  • the bottom surface of the oil tank 22 has a funnel shape that is inclined downward to facilitate drainage of oil.
  • the deteriorated frying oil is discharged as waste oil by opening the valve 24.
  • the waste oil tank 26 is arranged in the lower part of the oil drain pipe 25 to store the waste oil.
  • the oil tank 22 is intended for large fryer used in restaurants, taverns, etc., but is not limited to this. That is, the oil tank 22 may be used for a smaller fryer, or may be a household fried food cooking utensil.
  • the acoustic data acquisition unit 2 is installed at a height of about 1 m (obliquely above the oil tank 22) from the fryer 20. Normally, oily smoke is generated by cooking, so a ventilation fan for discharging the oily smoke to the outside of the room is installed above the fryer 20 (not shown).
  • the acoustic data acquisition unit 2 may be attached to the side surface of the ventilation fan or the like. Further, the acoustic data acquisition unit 2 may be installed near the oil tank 22 such as the side surface or wall surface of the cabinet 21 or the ceiling.
  • FIG. 2 is a functional block diagram of the deterioration prediction device 1 according to the first embodiment.
  • the deterioration prediction device 1 is composed of an acoustic data acquisition unit 2 and a processing unit 3, and the processing unit 3 includes an input unit 4, a display unit 5, a storage unit 6, a notification unit 7, and a control unit 10. .
  • the acoustic data acquisition unit 2 acquires the acoustics when cooking croquettes, tempura, and the like.
  • the sound data acquisition unit 2 may use a microphone, or may record sound with a recording function of a video camera or a smartphone.
  • the acoustic data acquisition unit 2 acquires the acoustic data of the cooking time of the fried seeds, with the audio sample rate set to 48 kHz.
  • the work sound due to the loading and unloading of the fried seeds becomes noise, so the sound for 10 seconds after the start of recording and 10 seconds before the end of recording is cut.
  • the index extraction unit 11 of the control unit 10 extracts an index related to the deterioration of frying oil (hereinafter referred to as index data) from the acquired acoustic data, and the result reception unit 12 receives the index data.
  • frequency average As index data, the frequency of the sound during cooking is often characteristic, so frequency average (f_mean), frequency standard deviation (f_sd), median frequency (f_median), frequency standard error (f_sem), The most frequent frequency value (f_mode) was used.
  • index data include frequency first quadrant (f_Q25) located 25% from the minimum frequency, frequency third quadrant (f_Q75) located 75% from the minimum frequency, and frequency quadrant.
  • control unit 10 is a processor that controls and manages the entire deterioration prediction device 1, and is composed of a CPU (Central Processing Unit) that executes a program that defines a control procedure.
  • a program is stored, for example, in the storage unit 6 or another external storage medium device.
  • the control unit 10 executes each process of the deterioration prediction device 1 by controlling the entire processing unit 3. For example, the control unit 10 activates the deterioration prediction device 1 based on a predetermined input operation by the user (clerk).
  • the predetermined input operation is, for example, an operation of turning on the power of the deterioration prediction device 1, an operation of setting a cooking time and a temperature of frying oil.
  • the input unit 4 is various switches that receive input operations from the user, and is composed of, for example, operation buttons, operation keys, and the like.
  • the input unit 4 is not limited to this, and may be configured by a touch panel. Further, the input unit 4 receives a predetermined input operation from the user before executing the process by the deterioration prediction device 1, and transmits a signal based on the user's input operation to the control unit 10.
  • the display unit 5 displays various items for the user to perform an input operation. For example, when the user selects the type of food to be cooked, the display unit 5 displays the type of food based on the data regarding the type of food stored in the storage unit 6. Further, when the notification unit 7 notifies the user of the degree of deterioration of the frying oil, the display unit 5 displays that replacement is necessary as an auxiliary role of the notification.
  • the storage unit 6 is composed of a semiconductor memory, a magnetic memory, or the like, and stores various information and a program or the like for operating the deterioration prediction device 1.
  • the storage unit 6 stores the acquired acoustic data, the learning model, and data related to the food to be cooked.
  • the storage unit 6 stores correlation data showing the correlation between the acoustic data and the degree of deterioration of frying oil for each type of food to be handled.
  • the storage unit 6 stores threshold information for notification, which is different for each type of food.
  • the notification unit 7 When it is determined that the degree of deterioration of the frying oil exceeds a predetermined threshold value, the notification unit 7 notifies the user to that effect. In this way, the notification unit 7 notifies the user of the timing of changing the frying oil.
  • the "replacement timing” is the timing at which the frying oil is actually replaced (display such as "It is time to replace”).
  • the notification unit 7 can also notify the current degree of deterioration of the frying oil (display such as "the current degree of deterioration is 50%”), and the usable remaining time estimated from the degree of deterioration (the remaining usable time (display of "the current degree of deterioration is 50%”) It is also possible to notify (displays such as "You can use it for another 20 hours.”).
  • An example of the notification unit 7 is a speaker, which can be notified by an auditory method such as a voice guide or an alarm.
  • the notification unit 7 may perform notification by a visual method such as displaying images, characters, and colors, and emitting light.
  • the display unit 5 may be used to display an image or characters for notification, or a light emitting element such as an LED may be used for notification.
  • the notification by the notification unit 7 is not limited to a visual or auditory method, and may be any combination thereof or any method in which the user can objectively recognize the replacement time of the frying oil, for example, vibration.
  • the comparison determination unit 13 of the control unit 10 compares the acquired acoustic data with the correlation data according to the type of food cooked using the frying oil, and determines the degree of deterioration of the frying oil.
  • the sound generated during cooking of the frying oil contained in the oil tank 22 depends on the type of food to be cooked.
  • the optimal replacement time for frying oil also depends on the type of food being cooked.
  • Correlation data is stored in advance in the storage unit 6.
  • the comparison determination unit 13 acquires the correlation data from the storage unit 6 and determines the degree of deterioration of the frying oil.
  • the correlation data is created by the machine learning unit 14, it does not necessarily have to be created inside the deterioration prediction device 1, and the correlation data provided from the outside may be used.
  • the control unit 10 controls the notification unit 7 to notify when it is determined that the degree of deterioration of the frying oil exceeds a predetermined threshold value according to the type of food.
  • the threshold value is predetermined for each type of food.
  • the threshold value may be appropriately changed by the user. Further, a plurality of threshold values may be set.
  • FIG. 3 is a flowchart when a threshold value as a guide for replacing the frying oil is set in advance.
  • index data is created from the sound during cooking. Specifically, the acoustic data acquisition unit 2 acquires the sound (acoustic data) at the time of cooking and transmits it to the processing unit 3 to create index data such as frequency average (f_mean). After that, the process proceeds to STEP30.
  • correlation data is acquired from the storage unit. This correlation data is required when determining the degree of deterioration of frying oil in the next step. Then proceed to STEP40.
  • both data are compared to determine the degree of deterioration of frying oil.
  • the comparison determination unit 13 of the control unit 10 compares the acoustic data with the correlation data. Then proceed to STEP50.
  • StepP50 it is determined whether or not the degree of deterioration of the frying oil exceeds a predetermined threshold value (STEP50). This threshold value varies depending on the fried food, but if the threshold value is exceeded, the process proceeds to STEP 60, and if the threshold value is not exceeded, the process returns to STEP 20.
  • the notification unit 7 When the degree of deterioration of frying oil exceeds a predetermined threshold value (STEP50: YES), the user is notified to that effect (STEP60). Specifically, in order to encourage the user to change the frying oil, the notification unit 7 notifies the user. After that, a series of processes is completed.
  • the deterioration prediction system 100 is mainly composed of a detection device 30 and a machine learning device 40.
  • the detection device 30 and the machine learning device 40 are connected by a network NW, and various data can be transmitted and received to each other.
  • the detection device 30 includes an acoustic data acquisition unit 2, an input unit 4, a display unit 5, a storage unit 6, a notification unit 7, a communication unit 8, and a control unit 10. Further, the control unit 10 has a comparison determination unit 13. Since each configuration except the communication unit 8 is the same as the configuration of the processing unit 3 of the first embodiment, the description thereof will be omitted.
  • the detection device 30 compares the sound data acquired by the comparison determination unit 13 with the correlation data according to the type of food to be cooked. Then, the degree of deterioration of the frying oil is determined.
  • the communication unit 8 (“first communication unit” of the present invention) automatically transmits acoustic data to the machine learning device 40 via the network NW.
  • This communication may be wired or wireless communication such as Wi-Fi (registered trademark) or Bluetooth (registered trademark).
  • Wi-Fi registered trademark
  • Bluetooth registered trademark
  • the machine learning device 40 has a communication unit 48 (“second communication unit” of the present invention) and a learning model creation unit 50.
  • the acoustic data is automatically received by the communication unit 48 of the machine learning device 40.
  • the machine learning device 40 may be installed at a position away from the flyer 20.
  • the detection device 30 and the machine learning device 40 may be an integrated system.
  • the learning model creation unit 50 includes an index extraction unit 51, a storage unit 52, and a calibration curve creation unit 53.
  • the index extraction unit 51 extracts index data related to deterioration of frying oil from the received acoustic data, and the index data is stored in the storage unit 52.
  • the calibration curve creation unit 53 performs so-called supervised learning and creates a calibration curve (model formula) by linear regression analysis from the stored index data (explanatory variables).
  • linear regression analysis
  • PLS Partial Least Squares
  • OPLS orthogonal projected partial least squares
  • Simple regression is a method of predicting one objective variable with one explanatory variable
  • multiple regression is a method of predicting one objective variable with a plurality of explanatory variables.
  • the (orthogonal projection) partial least squares regression is performed on a small number of features, principal components (obtained by principal component analysis of only explanatory variables) and objective variables. 1601259771323_0 This is a method of extracting the main components so that Also, (orthogonal projection) partial least squares regression is a suitable technique when the number of explanatory variables is greater than the number of samples and when the correlation between the explanatory variables is high.
  • FIGS. 5A and 5B show the relationship between the calibration curve obtained by machine learning and the heating time (predicted value and measured value) of the test data.
  • the straight line M1 in FIG. 5A is a calibration curve (model formula) obtained by simple regression analysis by frequency mean (f_mean).
  • the horizontal axis is the predicted value of the heating time [h]
  • the vertical axis is the measured value of the heating time [h]
  • the “ ⁇ ” mark in the figure is a plot of the predicted value obtained from the frequency average (f_mean). Is.
  • FIG. 5B shows a list of the current heating time (measured value of the fly time), the average of the predicted values of 5 times, and the standard deviation.
  • the average predicted value with respect to the measured value 8 [h] of the heating time was 8.9 [h]
  • the standard deviation at this time was 1.4. Since the predicted value is approximately in the vicinity of the straight line M1 (see FIG. 5A) and the variation is relatively small, it was confirmed that the calibration curve obtained by the simple regression analysis has a certain accuracy.
  • FIGS. 6A and 6B show the relationship between the calibration curve obtained by machine learning and the acid value (predicted value and measured value) of the test data.
  • the straight line M2 in FIG. 6A is a calibration curve (model formula) obtained by multiple regression analysis based on the frequency average (f_mean) and the flatness (f_sfm) based on the frequency spectrum.
  • the horizontal axis is the predicted value of the acid value
  • the vertical axis is the measured value of the acid value
  • the “ ⁇ ” mark in the figure is the prediction of the acid value obtained from the frequency average (f_mean) and flatness (f_sfm). It is a plot of values.
  • FIG. 6B shows a list of the current heating time, the measured value of the acid value, the average of the predicted values of 5 times, and the standard deviation.
  • the measured value of the acid value with respect to the measured value 8 [h] of the heating time was 0.16
  • the average predicted value was 0.11
  • the standard deviation at this time was 0.10. Since some of the predicted acid values exist on the straight line M2 (see FIG. 6A) and the variation is small, it was confirmed that the accuracy of the calibration curve obtained by the multiple regression analysis is high.
  • FIGS. 7A and 7B show the relationship between the calibration curve obtained by machine learning and the heating time (predicted value and measured value) of the test data.
  • the straight line M3 in FIG. 7A is a calibration curve (model formula) obtained by orthogonal projected partial least squares regression (OPLS) analysis.
  • OPLS orthogonal projected partial least squares regression
  • the horizontal axis is the predicted heating time [h]
  • the vertical axis is the measured heating time [h]
  • the “ ⁇ ” mark in the figure is the heating time obtained from the frequency average (f_mean). It is a plot of predicted values.
  • FIG. 7B shows a list of the current heating time (measured value of the fly time), the average of the predicted values of 5 times, and the standard deviation.
  • the average predicted value with respect to the measured value 8 [h] of the heating time was 9.0 [h]
  • the standard deviation at this time was 1.8. Since some of the predicted values exist on the straight line M3 (see FIG. 7A) and the variation is relatively small, a certain accuracy was also confirmed for the calibration curve obtained by the orthogonal projection partial least squares regression analysis.
  • FIGS. 8A and 8B show the relationship between the calibration curve obtained by machine learning and the acid value (predicted value and measured value) of the test data.
  • the "acid value” is a value measured by the reference fat analysis method 2.3.1-2013.
  • the straight line M4 in FIG. 8A is a calibration curve (model formula) obtained by orthogonal projected partial least squares regression (OPLS) analysis.
  • OPLS orthogonal projected partial least squares regression
  • the horizontal axis is the predicted value of the acid value
  • the vertical axis is the measured value of the acid value
  • the “ ⁇ ” mark in the figure is the predicted value of the acid value obtained from index data such as frequency average (f_mean). It is a plot of.
  • FIG. 8B shows a list of the current heating time, the measured value of the acid value, the average of the predicted values of 5 times, and the standard deviation.
  • the measured value of the acid value with respect to the measured value 8 [h] of the heating time was 0.16
  • the average predicted value was 0.13
  • the standard deviation at this time was 0.12. Since the predicted acid value has a small variation, it was confirmed that the accuracy of the calibration curve obtained by the orthogonal projection partial least squares regression analysis is high.
  • FIGS. 9A and 9B show the relationship between the calibration curve obtained by machine learning and the color (predicted value and measured value) of the test data.
  • the "color” referred to here is the color tone of frying oil, and indicates "Y + 10R" measured by the reference oil and fat analysis method 2.2.1.1-1996.
  • the straight line M5 in FIG. 9A is a calibration curve (model formula) obtained by partial least squares regression (PLS) analysis.
  • the horizontal axis is the predicted color value
  • the vertical axis is the measured color value
  • the “ ⁇ ” mark in the figure is a plot of the predicted color value obtained from index data such as frequency average (f_mean). is there.
  • FIG. 9B shows a list of the current heating time, the measured value of the color, the average of the predicted values of 5 times, and the standard deviation.
  • the measured value of the color with respect to the measured value 8 [h] of the heating time was 6.5
  • the average predicted value was 6.9
  • the standard deviation at this time was 1.6. Since the color prediction values have relatively small variations, it was confirmed that the calibration curve obtained by the partial least squares regression analysis has a certain degree of accuracy.
  • FIGS. 10A and 10B show the relationship between the calibration curve obtained by machine learning and the viscosity increase rate (predicted value and measured value) of the test data.
  • the "viscosity” here is a numerical value indicating the degree of stickiness (viscosity) of frying oil measured by a commercially available viscometer, for example, an E-type viscometer (TVE-25H: manufactured by Toki Sangyo Co., Ltd.). , The rate of increase in viscosity [%] with respect to the heating time was examined.
  • the straight line M6 in FIG. 10A is a calibration curve (model formula) obtained by partial least squares regression (PLS) analysis.
  • the horizontal axis is the predicted value [%] of the viscosity increase rate
  • the vertical axis is the measured value [%] of the viscosity increase rate
  • the “ ⁇ ” mark in the figure is obtained from index data such as frequency average (f_mean). It is a plot of the predicted value of the viscosity increase rate obtained.
  • FIG. 10B shows a list of the measured values of the heating time and the rate of increase in viscosity this time, the average of the predicted values of 5 times, and the standard deviation.
  • the measured value of the rate of increase in viscosity with respect to the measured value 8 [h] of the heating time was 3.52
  • the average predicted value was 3.87
  • the standard deviation at this time was 0.57. Since the predicted values of the plotted viscosity increase rate were small in variation, it was confirmed that the calibration curve obtained by the partial least squares regression analysis was highly accurate.
  • the calibration curve creation unit 53 creates a calibration curve from the index data by linear regression analysis, and the linear regression includes simple regression, multiple regression, partial least squares (PLS) regression, and orthogonal projected partial least squares (OPLS). ) Either regression may be used.
  • the calibration curve actually created has a high degree of accuracy in the degree of deterioration even in the results of evaluation based on the acid value, color, viscosity increase rate, etc. of the frying oil, which changes with the heating time. I was able to accurately predict and judge.
  • the machine learning device 40 may be installed in a remote location away from the store, the detection device 30 may be a detection server, and the machine learning device 40 may be a machine learning server.
  • the detection server on the store side communicates with at least an acoustic data acquisition unit that acquires acoustic data when cooking fried food and a machine learning server to send and receive various data (acoustic data, determination results, etc.). It is provided with a unit and a notification unit that notifies the degree of deterioration of frying oil, the timing of replacement, etc. based on the determination result.
  • the machine learning server in a remote location at least extracts an index related to the deterioration of frying oil from the communication unit that sends and receives various data to and from the detection server and the received acoustic data, and linearly uses the index.
  • a learning model creation unit that creates a learning model that can determine the deterioration of frying oil by performing machine learning by regression, a storage unit that stores the created learning model, and a storage unit that stores the created learning model, and determines the degree of deterioration of frying oil using the learning model. It is provided with a determination unit to perform.
  • the determination unit determines the degree of deterioration of the frying oil using the learning model, and transmits the determination result to the detection server side.
  • the timing of replacement of frying oil is notified based on the determination result received by the notification unit. In this way, the role can be divided such that the machine learning server side receives the acoustic data, performs the determination, and returns the determination result to the detection server.
  • the learning model is created by the machine learning server side, and is updated every time new acoustic data is acquired, for example. As a result, it is not necessary to send and receive a learning model having a relatively large data capacity, and the store side having the detection server can acquire the timing of frying oil replacement.
  • FIG. 11 is a schematic view of the oil / fat exchange system 200.
  • the oil / fat exchange system 200 manufactures frying oil used in stores A to C equipped with a deterioration prediction device 1 and a fryer 20', a general headquarters H that controls the stores A to C, and stores A to C. It is composed of a trader (oil and fat maker) X, a distributor (wholesale or dealer) Y, and a collector Z that collects waste oil. Since the oil and fat manufacturer may sell directly to the customer, the distributor Y is a concept including the oil and fat manufacturer.
  • the notification unit 7 of the deterioration prediction device 1 determines that the degree of deterioration of the frying oil exceeds a predetermined threshold value
  • the speaker, the display unit 5, etc. notify the user to that effect.
  • notification information regarding the degree of deterioration of frying oil is output.
  • the notification information may be content that the degree of deterioration of the frying oil exceeds the threshold value, but may be a notice that the degree of deterioration will soon exceed the threshold value.
  • the general headquarters H analyzes the number and frequency of receiving the notification information, and not only the store B but also as necessary. Propose or instruct store A (tempura shop) and store C (pork cutlet shop) whether the method of using frying oil is appropriate, whether it is replaced as appropriate, and whether there is any waste.
  • the headquarters H may be in a position to manage not only a plurality of stores but also a plurality of factories in which flyers are installed. Further, the control headquarters H may exist in a store or a factory and manage a plurality of flyers in the facility.
  • This notification information is also notified to the frying oil manufacturer X and the distributor Y.
  • Manufacturer X receives the notification information and formulates a production plan or a sales plan for frying oil.
  • the distributor Y receives the notification information, orders a new frying oil, and purchases the frying oil P from the manufacturer X. Then, the distributor Y procures new frying oil P from the store B (store A and store C as needed).
  • this notification information is notified to the frying oil recovery company Z (manufacturer X may be used).
  • the collection company Z receives the notification information and arranges the collection of the waste oil Q. For example, when the collection company Z receives the notification information a predetermined number of times, the collection company Z visits the store B and collects the waste oil Q from the oil tank 22 of the fryer 20'.
  • this notification information may be notified to the cleaning operator (not shown).
  • the cleaning operator visits the store B in response to the notification information and cleans the inside or the vicinity of the oil tank 22 of the fryer 20'.
  • FIG. 12 shows the deterioration prediction device 1 and the flyer 20'which constitute the flyer system 300 of the present embodiment.
  • the flyer 20' has the same reference numerals as those of the flyer 20 of the first embodiment, and the description thereof will be omitted.
  • valve control device 61 (“valve control unit” of the present invention) and a new oil tank 62 are installed in the vicinity of the fryer 20'. Unused frying oil is stored in the new oil tank 62, and the frying oil is supplied to the oil tank 22 via the oil supply pipe 63.
  • valve control device 61 When the valve control device 61 receives the notification information that the frying oil is to be replaced (exceeded the threshold value) from the deterioration prediction device 1, the valve control device 61 first transmits a control signal to the valve 24'to open the valve 24'. As a result, the waste oil is automatically discharged to the waste oil tank 26 via the oil drain pipe 25.
  • valve control device 61 again transmits a control signal to the valve 24'to close the valve 24'. After that, the valve control device 61 transmits a control signal to the valve 64 provided in the middle of the oil supply pipe 63 to open the valve 64. As a result, new oil is automatically supplied to the oil tank 22. The amount of new oil supplied may be detected by the water level sensor of the new oil tank 62, or the valve 64 may be opened for a predetermined time.
  • the valve control device 61 can automatically discharge the frying oil in use by controlling the valves 24'and 64 based on the notification information transmitted from the deterioration prediction device 1. Further, the valve control device 61 automatically controls the supply of new oil from the new oil tank 62, so that the user confirms the degree of deterioration of the frying oil, wastes the oil, and reduces the work load until the new oil is supplied. can do.
  • deterioration prediction device deterioration prediction system
  • oil / fat exchange system described above are merely examples of the embodiment of the present invention, and can be appropriately changed according to the application, purpose, and the like.
  • f_mean frequency mean
  • f_sfm flatness
  • dfnum dominant frequency
  • the deterioration prediction system 100 shown in FIG. 4 is separated into a detection device 30 and a machine learning device 40 as separate devices, but the acoustic data and the learning model have a large data capacity, and communication takes time and charges. Therefore, a detection device having a built-in machine learning unit may be instructed from a remote location, and a new control device may be provided that can receive notification information such as the degree of deterioration of frying oil from the detection device.

Landscapes

  • Engineering & Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Medicinal Chemistry (AREA)
  • Signal Processing (AREA)
  • Frying-Pans Or Fryers (AREA)

Abstract

 簡易かつ精度良く食用の油脂の劣化を予測することができる劣化予測装置を提供する。  本発明の劣化予測装置１は、フライ油を用いて揚げ物を調理するときの音響データを取得する音響データ取得部２と、取得された音響データからフライ油の劣化に関係する指標を抽出する処理部３（制御部１０）内の指標抽出部１１と、指標抽出部１１によって抽出された指標に基づいて、油脂の劣化度合いを判定する比較判定部１３と、を備えている。

Description

油脂の劣化予測装置、劣化予測システム、劣化予測方法、油脂交換システム及びフライヤーシステム
　本発明は、油脂の劣化度合いを予測する劣化予測装置、劣化予測システム、劣化予測方法、油脂交換システム及びフライヤーシステムに関する。
　揚げ物を調理するときに用いる食用の油脂は、食材を何度も調理すると劣化してくるため、適切な時期に交換する必要がある。このような油脂の交換時期を客観的に判断するため、油脂の色調や粘度、におい等を検出して判定する装置が知られている。
　例えば、下記の特許文献１の検知装置は、油槽上方の換気扇にセンサ部が取り付けられている。このセンサ部は、においの元となるガス分子を吸着する感応膜と、感応膜に付着したガス分子を電気信号に変換するトランスデューサとを有しており、食用油から発生するにおいを検出する。そして、検知装置の制御部は、揚げ調理中にセンサ部によって検出されたにおいに関する情報と、食用油を用いて調理する食品の種類とに基づいて、食用油の劣化の度合いを判定する（段落００１７、００２１、図１）。
特許第６４４８８１１号
　しかしながら、特許文献１の検知装置の場合、調理する食材以外にも調理場内に様々なにおい（揚げ物以外から発せられる香ばしいにおい、焦げたにおい等）が存在しているため、においのみから食用油の劣化を精度良く予測することは困難であった。
 本発明は、このような事情に鑑みてなされたものであり、簡易かつ精度良く油脂の劣化を予測することができる劣化予測装置を提供することを目的とする。
　本発明の劣化予測装置は、食用の油脂の劣化度合いを予測する劣化予測装置であって、油槽に収容された前記油脂を用いて揚げ物を調理するときの音響データを取得する音響データ取得部と、前記音響データ取得部によって取得された前記音響データから前記油脂の劣化に関係する指標を抽出する指標抽出部と、前記指標抽出部によって抽出された前記指標に基づいて、前記油脂の劣化度合いを判定する判定部と、を備えていることを特徴とする。
　劣化予測装置の音響データ取得部は、天ぷら等の揚げ物を調理するとき、油脂の音響データを取得する。指標抽出部は、この音響データから周波数平均、周波数標準偏差等の様々な音響成分を、油脂の劣化に関係する指標として抽出する。そして、判定部が当該指標に基づいて油脂の劣化度合い、すなわち使用により劣化が進んだか否かを判定する。これにより、本装置は、油脂の劣化を簡易かつ精度良く予測することができる。
　本発明の劣化予測装置において、前記油脂の劣化度合い又は前記油脂の交換のタイミングを報知する報知部をさらに備え、前記報知部は、前記判定部によって前記油脂の劣化度合いに基づいて予め定めた交換の閾値を超えたと判定された場合に、前記報知を行うことが好ましい。
　この構成によれば、劣化予測装置の報知部が油脂の劣化度合いを報知するので、ユーザは、油脂の使用状況を把握することができる。また、報知部は、判定部の判定結果に基づいて予め定めた閾値から油脂の交換のタイミングを報知するので、ユーザが適切なタイミングで油脂の交換を行うことができる。ここで、「交換のタイミング」とは、実際に油脂を交換するタイミングでもよいし、現在の油脂の劣化度合いから推定される使用可能な残り時間であってもよい。
　また、本発明の劣化予測装置において、前記指標は、周波数平均、周波数標準偏差、周波数中央値、周波数標準誤差、周波数最頻値、周波数第一四分位数、周波数第三四分位数、周波数四分位範囲、周波数重心、周波数スキューネス、周波数クルトシス、周波数スペクトル平坦性、周波数スペクトルエントロピー、周波数スペクトル精度、音響複雑度指数、音響エントロピー、優位周波数から選ばれる１種以上であることが好ましい。
　この構成によれば、前記指標は油脂の劣化と相関が高いものを１つ又は複数選択する。これにより、本装置は、その劣化を精度良く予測することができる。
　本発明の劣化予測システムは、検出装置と機械学習装置とからなり、食用の油脂の劣化度合いを予測する劣化予測システムであって、前記検出装置は、油槽に収容された前記油脂を用いて揚げ物を調理するときの音響データを取得する音響データ取得部と、前記機械学習装置が作成した、前記油脂の劣化を判定可能な学習モデルを記憶する記憶部と、前記学習モデルを用いて、前記音響データから前記油脂の劣化度合いを判定する判定部と、を備え、前記機械学習装置は、前記音響データ取得部によって取得された前記音響データから前記油脂の劣化に関係する指標を抽出し、前記指標を用いて線形回帰による機械学習を行い、前記学習モデルを作成する学習モデル作成部と、を備えていることを特徴とする。
　本発明の劣化予測システムは、検出装置と機械学習装置とで構成されている。検出装置は、音響データ取得部が揚げ物を調理するときの油脂の音響データを取得し、判定部が学習モデルを用いて油脂の劣化度合いを判定する。
　そして、学習モデル作成部は、取得した音響データから油脂の劣化に関係する指標を抽出し、線形回帰による機械学習を行う。これにより、学習モデルが更新されるため、本システムは、油脂の劣化を簡易かつ精度良く予測することができる。
　本発明の劣化予測システムにおいて、前記線形回帰は、単回帰、重回帰、部分最小二乗（ＰＬＳ）回帰、又は直交射影部分最小二乗（ＯＰＬＳ）回帰から選ばれる１種以上であることが好ましい。
　学習モデルの作成に、単回帰、重回帰、部分最小二乗（ＰＬＳ）回帰、直交射影部分最小二乗（ＯＰＬＳ）回帰等の線形回帰を用いる。これにより、本システムは、油脂の劣化を精度良く判定可能な学習モデルを作成することができる。
　また、本発明の劣化予測システムにおいて、前記検出装置と前記機械学習装置とが一体となっていることが好ましい。
　例えば、店舗又は工場内の油槽の付近に、本発明の一体型の劣化予測システムを設置することで、ユーザは、その場で油脂の劣化の予測結果を取得することができる。
　また、本発明の劣化予測システムにおいて、前記検出装置は、店舗又は工場の前記油槽の付近に設置され、前記機械学習装置は、前記店舗又は前記工場とは離れた遠隔地に設置されていることが好ましい。
　音響データ取得部等を有する検出装置は、店舗又は工場の油槽の付近に設置されるが、機械学習装置は店舗の遠隔地に設置されていてもよい。機械学習装置は、検出装置とは別個の装置であるので、機械学習装置が作成する学習モデルについては通信等により取得することができる。
　また、本発明の劣化予測システムにおいて、前記検出装置は、前記音響データ取得部によって取得された前記音響データを前記機械学習装置に送信する第１通信部を備え、前記機械学習装置は、前記検出装置から前記音響データを受信する第２通信部を備えていることが好ましい。
　検出装置は第１通信部を備えているので、音響データを機械学習装置に送信する。また、機械学習装置は第２通信部を備えているので、当該音響データを受信して、機械学習を行う。検出装置と機械学習装置が別個の装置の場合には、本システムは、各通信部でデータの送受信を行って、必要な作業を分担することができる。
　また、本発明の劣化予測システムにおいて、前記第１通信部及び前記第２通信部は、無線通信が可能であることが好ましい。
　検出装置は、機械学習装置に対し第１通信部により無線通信で音響データを送信することができるので、検出装置の機能を最小限にして小型化することができる。
　本発明の劣化予測方法は、食用の油脂の劣化度合いを予測する劣化予測方法であって、前記油脂を用いて、揚げ物を調理するときの音響データを取得する音響データ取得ステップと、前記音響データ取得ステップで取得した前記音響データから前記油脂の劣化に関係する指標を抽出する指標抽出ステップと、前記指標抽出ステップで抽出した前記指標に基づいて、前記油脂の劣化度合いを判定する判定ステップと、を備えていることを特徴とする。
　本発明の劣化予測方法では、音響データ取得ステップにおいて、天ぷら等の揚げ物を調理するときの油脂の音響データを取得する。そして、指標抽出ステップにおいて、この音響データから周波数平均、周波数標準偏差等の様々な音響成分を、油脂の劣化に関係する指標として抽出する。さらに、判定ステップにおいて、当該指標に基づいて、油脂の劣化度合い、すなわち使用により劣化が進んだか否かを判定する。これにより、本方法は、油脂の劣化を簡易かつ精度良く予測することができる。
　本発明の油脂交換システムは、上述の劣化予測装置から出力される前記油脂の劣化度合いに関する報知情報に基づいて、ａ）油脂販売業者に通知して、新たな油脂を発注する、ｂ）油脂製造業者に通知して、油脂の製造計画又は販売計画を立案する、ｃ）店舗若しくは工場の統括本部、又は油脂製造業者に通知して、統括する店舗又は工場へ油脂の使用方法を提案又は指導する、ｄ）廃油回収業者又は油脂製造業者に通知して、廃油の回収を手配する、ｅ）清掃作業業者に通知して、油槽の清掃を手配する、のうち１又は２以上を行うことを特徴とする。
　本発明の油脂交換システムでは、油脂の劣化度合いに関する報知情報に基づき、例えば、当該報知情報が所定回数に報知されたとき、油脂販売業者に通知して新たな油脂を発注する。また、当該報知情報に基づき油脂製造業者に通知して、油脂の製造計画又は販売計画を立案する。これにより、本システムは、油脂の交換ペースに応じた製造、販売計画を確立することができる。
　また、油脂交換システムでは、当該報知情報に基づき店舗若しくは工場の統括本部、又は油脂製造業者に通知して、統括する店舗又は工場に油脂の使用方法を提案又は指導する。例えば、統括本部が各店舗に対して、油脂を無駄なく、適宜交換しながら使用するよう指導をする。さらに、当該報知情報に基づき廃油回収業者に通知して廃油の回収を手配し、清掃作業業者に通知して油槽の清掃を手配するので、本システムは、油脂の供給から廃油までを迅速に行うことができる。
　本発明のフライヤーシステムは、上述の劣化予測装置から出力される前記油脂の劣化度合いに関する報知情報に基づいて、油槽に設けられたバルブを制御するバルブ制御部を備え、前記バルブ制御部は、前記油槽に収容された前記油脂を自動で廃油することを特徴とする。
　本発明のフライヤーシステムでは、バルブ制御部が油脂の劣化度合いに関する報知情報に基づき、油槽のバルブを制御する。これにより、本システムは、使用中の油脂を自動で廃油することができる。
　本発明のフライヤーシステムにおいて、前記バルブ制御部は、前記油槽に新油を自動で供給することが好ましい。
　この構成によれば、バルブ制御部は、油槽に自動で新油を供給するためにバルブの制御を行う。これにより、本システムは、ユーザが油脂の劣化度合いの確認及び廃油、新油の供給までの一連の作業負担を軽減することができる。
　本発明によれば、油脂の劣化を簡易かつ精度良く予測することができる。
第１実施形態に係る劣化予測装置及びフライヤーの概要を説明する図。 第１実施形態に係る劣化予測装置の機能ブロック図。 劣化予測装置によるフライ油の劣化判定のフローチャート。 第２実施形態に係る劣化予測装置（劣化予測システム）の機能ブロック図。 機械学習（単回帰）により得られた検量線とテストデータの加熱時間との関係を示す図。 図５Ａの予測値平均、標準偏差の一覧表。 機械学習（重回帰）により得られた検量線とテストデータの酸価との関係を示す図。 図６Ａの実測値、予測値平均、標準偏差の一覧表。 機械学習（ＯＰＬＳ）により得られた検量線とテストデータの加熱時間との関係を示す図。 図７Ａの予測値平均、標準偏差の一覧表。 機械学習（ＯＰＬＳ）により得られた検量線とテストデータの酸価との関係を示す図。 図８Ａの実測値、予測値平均、標準偏差の一覧表。 機械学習（ＰＬＳ）により得られた検量線とテストデータの色との関係を示す図。 図９Ａの実測値、予測値平均、標準偏差の一覧表。 機械学習（ＰＬＳ）により得られた検量線とテストデータの粘度上昇率との関係を示す図。 図１０Ａの実測値、予測値平均、標準偏差の一覧表。 第３実施形態の油脂交換システムを説明する図。 第４実施形態のフライヤーシステムを説明する図。
　以下、図面を参照して、本発明に係る劣化予測装置の一実施形態について説明する。
　［第１実施形態］
　まず、図１を参照して、本発明の第１実施形態に係る劣化予測装置１及びフライヤー２０の概要を説明する。図示するように、劣化予測装置１は、主に音響データ取得部２（本発明の「音響データ取得部」）と、処理部３とで構成されている。音響データ取得部２は、例えば、指向性の高いマイクロフォンであり、フライヤー２０に収容されたフライ油（本発明の「油脂」）により、揚げ物を調理するときの音響（泡の破裂音等）を取得する。
　取得した音響（以下、音響データ）は、処理部３に送信される。そして、処理部３により特徴量が抽出され、当該特徴量からフライ油の劣化が分析される。詳細は後述するが、処理部３は、表示部５、制御部１０等を有する。
　フライヤー２０は箱状のキャビネット２１を有し、内部にフライ油を収容するための油槽２２を備える。油槽２２に収容されたフライ油は、ヒーター２３により温度の調整が可能となっている。例えば、コロッケを調理する場合、フライ油を１８０℃に調整する。
　また、油槽２２の底面には、バルブ２４を介して排油管２５が接続されている。油槽２２の底面は、排油をし易くするため下方に向けて傾斜した、漏斗状となっている。劣化したフライ油は、バルブ２４を開放することにより廃油として排出される。廃油タンク２６は、廃油を収容するため、排油管２５の下部に配置される。
　油槽２２は、レストラン、居酒屋等で使用される大型フライヤー用を想定しているが、これに限られない。すなわち、油槽２２は、より小型のフライヤーに用いられるものでもよいし、家庭用の揚げ物調理具であってもよい。
　本実施形態では、音響データ取得部２は、フライヤー２０から約１ｍの高さ（油槽２２の斜め上方）に設置する。通常、調理により油煙が発生するため、フライヤー２０の上方には、油煙を室外へ排出するための換気扇が設置されている（図示省略）。音響データ取得部２は、換気扇の側面等に取り付けてもよい。また、音響データ取得部２は、キャビネット２１の側面若しくは壁面、天井等の油槽２２の付近に設置されていればよい。
　図２は、第１実施形態に係る劣化予測装置１の機能ブロック図である。
　劣化予測装置１は音響データ取得部２と処理部３とで構成され、処理部３は、入力部４と、表示部５と、記憶部６と、報知部７と、制御部１０とを有する。まず、音響データ取得部２は、コロッケ、天ぷら等を調理する際の音響を取得する。
　音響データ取得部２は、マイクロフォンを用いてもよいし、ビデオカメラやスマートフォンの録画機能で音響を録音してもよい。例えば、音響データ取得部２は、オーディオサンプルレートを４８ｋＨｚとして、揚げ種の調理時間の音響データを取得する。なお、音響データにおいて、揚げ種の投入や取り出しによる作業音はノイズとなるため、録音開始後の１０秒間、終了前の１０秒間の音響はカットする。
　フライ油が劣化すると、フライ油に含まれる脂肪酸が分解され、調理時の音響が徐々に変化する。制御部１０の指標抽出部１１は、取得された音響データからフライ油の劣化に関係する指標（以下、指標データ）を抽出し、結果受付部１２で当該指標データを受け付ける。
　指標データとしては、調理時の音響の周波数（frequency）に特徴が表れることが多いため、周波数平均（f_mean）、周波数標準偏差（f_sd）、周波数中央値（f_median）、周波数標準誤差（f_sem）、周波数最頻値（f_mode）を用いた。
　その他の指標データとしては、最小周波数から２５％の位置にある周波数第一四分位数（f_Q25）、最小周波数から７５％の位置にある周波数第三四分位数（f_Q75）、周波数四分位範囲（f_IQR）、周波数重心（f_cent）、周波数歪度（f_skewness）、周波数尖度（f_kurtosis）、周波数スペクトル平坦性（f_sfm）、周波数スペクトルエントロピー（f_sh）、周波数スペクトル精度（prec）、音響複雑度指数（d.ACI）、音響エントロピー（d.H）、優位周波数（dfnum）が挙げられる。なお、音響の解析には、seewave(Sound Analysis and Synthesis)、ropls(PCA,PLS(-DA) and OPLS(-DA) for multivariate analysis)を用いた。
　制御部１０は、具体的には、劣化予測装置１の全体を制御及び管理するプロセッサであり、制御手順を規定したプログラムを実行するＣＰＵ（Central Processing Unit）で構成される。このようなプログラムは、例えば、記憶部６又は他の外部記憶媒装置に記憶される。
　制御部１０は、処理部３の全体を制御することにより、劣化予測装置１の各処理を実行する。例えば、制御部１０は、ユーザ（店員）による所定の入力操作に基づいて、劣化予測装置１を起動する。所定の入力操作とは、例えば、劣化予測装置１の電源を投入する操作、調理する時間やフライ油の温度を設定する操作である。
　入力部４は、ユーザからの入力操作を受け付ける各種スイッチであり、例えば、操作ボタン、操作キー等で構成される。入力部４は、これに限られず、タッチパネルにより構成されるものでもよい。また、入力部４は、劣化予測装置１による処理の実行前にユーザからの所定の入力操作を受け付け、ユーザの入力操作に基づく信号を制御部１０に送信する。
　表示部５は、ユーザが入力操作を行うための様々な項目を表示する。例えば、ユーザが調理する食品の種類を選択する場合、表示部５において、記憶部６に格納された食品の種類に関するデータに基づいて食品の種類を表示する。また、表示部５において、報知部７がフライ油の劣化度合いをユーザに報知する際、報知の補助的な役割として、交換が必要である旨を表示する。
　記憶部６は、半導体メモリ又は磁気メモリ等で構成され、各種情報及び劣化予測装置１を動作させるためのプログラム等を記憶する。記憶部６は、取得した音響データ、学習モデルの他、調理する食品に関するデータを記憶する。例えば、記憶部６は、取り扱う食品の種類毎に、音響データとフライ油の劣化度合いとの相関を示す相関データを記憶する。また、記憶部６は、食品の種類毎に異なる、報知のための閾値情報を記憶する。
　報知部７は、フライ油の劣化度合いが所定の閾値を超えたと判定された場合、その旨をユーザに報知する。このように、報知部７は、フライ油の交換のタイミングをユーザに報知する。ここで、「交換のタイミング」とは、実際にフライ油を交換するタイミング（「交換時期になりました。」等の表示）である。また、報知部７は、現在のフライ油の劣化度合い（「現在の劣化度合いは５０％です。」等の表示）の報知も可能であるし、劣化度合いから推定される使用可能な残り時間（「あと２０時間使えます。」等の表示）の報知も可能である。
　報知部７の例としてはスピーカがあり、音声ガイド、アラーム等の聴覚的な方法により報知を行うことができる。また、報知部７は、画像、文字、色彩の表示、発光等による視覚的な方法で報知を行ってもよい。例えば、表示部５を使用して、画像又は文字を表示して報知してもよいし、ＬＥＤ等の発光素子により報知してもよい。報知部７による報知は視覚的又は聴覚的な方法に限られず、それらの組み合わせやユーザがフライ油の交換時期を客観的に認識可能な任意の方法、例えば、振動等であってもよい。
　制御部１０の比較判定部１３は、取得した音響データとフライ油を用いて調理する食品の種類に応じた相関データとを比較し、フライ油の劣化度合いを判定する。油槽２２に収容されたフライ油の調理中に発生する音響は、調理する食品の種類に依存する。フライ油の最適な交換時期についても、調理する食品の種類毎に異なる。
　相関データは、記憶部６に予め記憶されている。比較判定部１３は、比較の際に、記憶部６から当該相関データを取得し、フライ油の劣化度合いを判定する。なお、相関データは機械学習部１４で作成されるが、必ずしも劣化予測装置１の内部で作成する必要はなく、外部から提供された相関データを利用してもよい。
　制御部１０は、フライ油の劣化度合いが食品の種類に応じた所定の閾値を超えたと判定した場合、報知を行うため報知部７を制御する。当該閾値は、食品の種類毎に予め定められている。当該閾値は、ユーザによって適宜変更可能なものであってもよい。また、閾値を複数設定してもよい。
　次に、図３を参照して、劣化予測装置１によるフライ油の劣化判定のフローチャートを説明する。なお、図３は、フライ油を交換する目安となる閾値を予め設定した場合のフローチャートである。
　まず、ユーザが調理する食品に関する情報を取得し、必要な設定を行う（ＳＴＥＰ１０）。調理時の音響は、揚げ種の食品がコロッケか、天ぷらかによって異なるため、劣化予測装置１を揚げ種に応じた設定とする。その後、ＳＴＥＰ２０に進む。
　ＳＴＥＰ２０では、調理時の音響から指標データを作成する。具体的には、音響データ取得部２により調理時の音響（音響データ）を取得して処理部３に送信し、周波数平均（f_mean）等の指標データを作成する。その後、ＳＴＥＰ３０に進む。
　ＳＴＥＰ３０では、記憶部より相関データを取得する。この相関データは、次ステップのフライ油の劣化度合いの判定の際、必要となる。その後、ＳＴＥＰ４０に進む。
　ＳＴＥＰ４０では、両データを比較し、フライ油の劣化度合いを判定する。具体的には、制御部１０の比較判定部１３が、音響データと相関データとを比較する。その後、ＳＴＥＰ５０に進む。
　次に、フライ油の劣化度合いが所定の閾値を超えたか否かを判定する（ＳＴＥＰ５０）。この閾値は揚げ種の食品に応じて異なるが、閾値を超えた場合にはＳＴＥＰ６０に進み、閾値を超えていない場合にはＳＴＥＰ２０にリターンする。
　フライ油の劣化度合が所定の閾値を超えた場合（ＳＴＥＰ５０：ＹＥＳ）、その旨をユーザに報知する（ＳＴＥＰ６０）。具体的には、ユーザにフライ油の交換を促すため、報知部７により報知する。その後、一連の処理を終了する。
　［第２実施形態］
　次に、図４を参照して、本発明の第２実施形態に係る劣化予測システム１００の概要を説明する。劣化予測システム１００は、主に検出装置３０と、機械学習装置４０とで構成されている。検出装置３０と機械学習装置４０とはネットワークＮＷで接続され、互いに各種データを送受信することができる。
　検出装置３０は、音響データ取得部２と、入力部４と、表示部５と、記憶部６と、報知部７と、通信部８と、制御部１０とを有する。また、制御部１０は、比較判定部１３を有する。なお、通信部８を除く各構成は、第１実施形態の処理部３の構成と同じであるため、説明は省略する。
　検出装置３０では、音響データ取得部２にコロッケ、天ぷら等を調理する際の音響が取得されると、比較判定部１３が取得した音響データと調理する食品の種類に応じた相関データとを比較し、フライ油の劣化度合いを判定する。
　また、通信部８（本発明の「第１通信部」）は、ネットワークＮＷを介して音響データを機械学習装置４０に自動送信する。この通信は有線でもよいし、Wi-Fi（登録商標）、Bluetooth（登録商標）等の無線通信でもよい。劣化予測システム１００では、店舗又は工場内（油槽２２付近）に検出装置３０のみがあればよいため、装置を小型化することができる。
　機械学習装置４０は、通信部４８（本発明の「第２通信部」）と、学習モデル作成部５０とを有する。音響データは、機械学習装置４０の通信部４８で自動受信される。機械学習装置４０は、フライヤー２０とは離れた位置に設置されていてもよい。もちろん、検出装置３０と機械学習装置４０とが一体型のシステムであってもよい。
　学習モデル作成部５０は、指標抽出部５１と、記憶部５２と、検量線作成部５３とを有する。指標抽出部５１は、受信した音響データからフライ油の劣化に関係する指標データを抽出し、当該指標データが記憶部５２に記憶される。検量線作成部５３は、いわゆる教師あり学習を行って、記憶された指標データ（説明変数）から線形回帰分析により検量線（モデル式）を作成する。
　線形回帰（分析）の種別は、単回帰、重回帰、部分最小二乗（ＰＬＳ：Partial Least Squares）回帰、直交射影部分最小二乗（ＯＰＬＳ：Orthogonal Partial Least Squares）回帰等があるが、これらから選ばれる１種以上を利用することができる。
　単回帰は、１つの目的変数を１つの説明変数で予測する手法であり、重回帰は、１つの目的変数を複数の説明変数で予測する手法である。また、（直交射影）部分最小二乗回帰は、少数の特徴量である主成分（説明変数のみの主成分分析で得られる）と目的変数の
1601259771323_0
が最大になるように主成分を抽出する手法である。また、（直交射影）部分最小二乗回帰は、説明変数の数がサンプルの数よりも多いとき、そして、説明変数の間の相関が高いときに適した手法である。
　図５Ａ、図５Ｂは、機械学習により得られた検量線と、テストデータの加熱時間（予測値及び実測値）との関係を示している。
　図５Ａ中の直線Ｍ１は、周波数平均（f_mean）による単回帰分析により得られた検量線（モデル式）である。グラフは、横軸が加熱時間の予測値［ｈ］、縦軸が加熱時間の実測値［ｈ］であり、図中の「○」印が周波数平均（f_mean）から得られた予測値のプロットである。
　図５Ｂは、今回の加熱時間（フライ時間の実測値）、５回の予測値平均及び標準偏差の一覧を示している。例えば、加熱時間の実測値８［ｈ］に対する予測値平均は８．９［ｈ］であり、このときの標準偏差が１．４であった。予測値はおおよそ直線Ｍ１付近にあり（図５Ａ参照）、バラツキも比較的小さいことから、単回帰分析により得られた検量線は一定の精度があることが確認された。
　図６Ａ、図６Ｂは、機械学習により得られた検量線とテストデータの酸価（予測値及び実測値）の関係を示している。
　図６Ａ中の直線Ｍ２は、周波数平均（f_mean）と周波数スペクトルによる平坦性（f_sfm）による重回帰分析により得られた検量線（モデル式）である。グラフは、横軸が酸価の予測値、縦軸が酸価の実測値であり、図の「○」印は、周波数平均（f_mean）及び平坦性（f_sfm）から得られた酸価の予測値のプロットである。
　図６Ｂは、今回の加熱時間、酸価の実測値、５回の予測値平均及び標準偏差の一覧を示している。例えば、加熱時間の実測値８［ｈ］に対する酸価の実測値が０．１６、予測値平均が０．１１であり、このときの標準偏差が０．１０であった。酸価の予測値は直線Ｍ２上に存在するものもあり（図６Ａ参照）、バラツキが小さいことから、重回帰分析により得られた検量線の精度が高いことが確認された。
　図７Ａ、図７Ｂは、機械学習により得られた検量線とテストデータの加熱時間（予測値及び実測値）の関係を示している。
　図７Ａの直線Ｍ３は、直交射影部分最小二乗回帰（ＯＰＬＳ）分析により得られた検量線（モデル式）である。グラフは、横軸が加熱時間の予測値［ｈ］、縦軸が加熱時間の実測値［ｈ］であり、図中の「○」印は、周波数平均（f_mean）から得られた加熱時間の予測値のプロットである。
　図７Ｂは、今回の加熱時間（フライ時間の実測値）、５回の予測値平均及び標準偏差の一覧を示している。例えば、加熱時間の実測値８［ｈ］に対する予測値平均が９．０［ｈ］であり、このときの標準偏差が１．８であった。予測値は直線Ｍ３上に存在するものもあり（図７Ａ参照）、バラツキも比較的小さいことから、直交射影部分最小二乗回帰分析により得られた検量線についても、一定の精度が認められた。
　図８Ａ、図８Ｂは、機械学習により得られた検量線とテストデータの酸価（予測値及び実測値）の関係を示している。ここで、「酸価」は、基準油脂分析法２．３．１－２０１３で測定される値である。
　図８Ａの直線Ｍ４は、直交射影部分最小二乗回帰（ＯＰＬＳ）分析により得られた検量線（モデル式）である。グラフは、横軸が酸価の予測値、縦軸が酸価の実測値であり、図中の「○」印は、周波数平均（f_mean）等の指標データから得られた酸価の予測値のプロットである。
　図８Ｂは、今回の加熱時間、酸価の実測値、５回の予測値平均及び標準偏差の一覧を示している。例えば、加熱時間の実測値８［ｈ］に対する酸価の実測値が０．１６、予測値平均が０．１３であり、このときの標準偏差が０．１２であった。酸価の予測値はバラツキが小さいことから、直交射影部分最小二乗回帰分析により得られた検量線の精度が高いことが確認された。
　図９Ａ、図９Ｂは、機械学習により得られた検量線とテストデータの色（予測値及び実測値）の関係を示している。ここでいう「色」とは、フライ油の色調であり、基準油脂分析法２．２．１．１－１９９６で測定される「Ｙ＋１０Ｒ」を示している。
　図９Ａの直線Ｍ５は、部分最小二乗回帰（ＰＬＳ）分析により得られた検量線（モデル式）である。グラフは、横軸が色の予測値、縦軸が色の実測値であり、図中の「○」印は、周波数平均（f_mean）等の指標データから得られた色の予測値のプロットである。
　図９Ｂは、今回の加熱時間、色の実測値、５回の予測値平均及び標準偏差の一覧を示している。例えば、加熱時間の実測値８［ｈ］に対する色の実測値が６．５、予測値平均が６．９であり、このときの標準偏差が１．６であった。色の予測値はバラツキが比較的小さいことから、部分最小二乗回帰分析により得られた検量線は、一定の精度があることが確認された。
　図１０Ａ、図１０Ｂは、機械学習により得られた検量線とテストデータの粘度上昇率（予測値及び実測値）の関係を示している。ここでいう「粘度」とは、市販の粘度計、例えば、Ｅ型粘度計（ＴＶＥ－２５Ｈ：東機産業社製）で測定されるフライ油の粘り度合い（粘性）を示す数値であり、今回、加熱時間に対する粘度上昇率［％］を調べた。
　フライ油を初めて使用するときの粘度（使用開始時の粘度）の測定値をＶｓとすると、当該フライ油を使用して揚げ物を繰り返し揚げていくにつれて劣化が進行し、当該フライ油の粘度が上昇していく。使用開始してからの粘度の測定値をＶｔとすると、「粘度上昇率」は、Ｖｓに対する粘度の上昇量（＝Ｖｔ－Ｖｓ）の比率として定義される。
　図１０Ａの直線Ｍ６は、部分最小二乗回帰（ＰＬＳ）分析により得られた検量線（モデル式）である。また、横軸が粘度上昇率の予測値［％］、縦軸が粘度上昇率の実測値［％］であり、図中の「○」印は、周波数平均（f_mean）等の指標データから得られた粘度上昇率の予測値のプロットである。
　図１０Ｂは、今回の加熱時間、粘度上昇率の実測値、５回の予測値平均及び標準偏差の一覧を示している。例えば、加熱時間の実測値８［ｈ］に対する粘度上昇率の実測値が３．５２、予測値平均が３．８７であり、このときの標準偏差が０．５７であった。プロットした粘度上昇率の予測値はバラツキが小さいことから、部分最小二乗回帰分析により得られた検量線は精度が高いことが確認された。
　以上のように、検量線作成部５３は指標データから線形回帰分析により検量線を作成するが、線形回帰としては単回帰、重回帰、部分最小二乗（ＰＬＳ）回帰、直交射影部分最小二乗（ＯＰＬＳ）回帰の何れを利用してもよい。実際に作成された検量線は、加熱時間により変化するフライ油の酸価、色、粘度上昇率等で評価した結果においても、劣化度合いの精度が高く、音響に関する指標データからフライ油の劣化を正確に予測、判定することができた。
　図４の劣化予測システム１００において、機械学習装置４０が店舗とは離れた遠隔地に設置され、検出装置３０が検出用サーバ、機械学習装置４０が機械学習用サーバの関係であってもよい。
　この場合、店舗側の検出用サーバは、少なくとも、揚げ物を調理するときの音響データを取得する音響データ取得部と、機械学習用サーバと各種データ（音響データ、判定結果等）の送受信を行う通信部と、判定結果に基づいてフライ油の劣化度合い、交換のタイミング等を報知する報知部とを備える。
　また、遠隔地の機械学習用サーバは、少なくとも、検出用サーバと各種データの送受信を行う通信部と、受信した音響データからフライ油の劣化に関係する指標を抽出し、当該指標を用いて線形回帰による機械学習を行い、フライ油の劣化を判定可能な学習モデルを作成する学習モデル作成部と、作成した学習モデルを記憶する記憶部と、当該学習モデルを用いてフライ油の劣化度合いを判定する判定部とを備える。
　この構成によれば、機械学習用サーバ側では、学習モデル作成部が受信した音響データにより機械学習を行い、学習モデルを作成する。そして、判定部が学習モデルを用いてフライ油の劣化度合いを判定し、判定結果を検出用サーバ側に送信する。検出用サーバ側では、報知部が受信した当該判定結果に基づいて、フライ油の交換のタイミングを報知する。このように、機械学習用サーバ側で音響データを受信して判定まで行い、判定結果を検出用サーバに返すというように役割を分担することができる。
　学習モデルについては、機械学習用サーバ側が作成し、例えば、新たな音響データを取得する度に更新する。これにより、データ容量が比較的大きい学習モデルを送受信する必要がなく、検出用サーバを有する店舗側が、フライ油の交換のタイミングを取得することができる。
　［第３実施形態］
　次に、図１１を参照して、本発明の第３実施形態に係る油脂交換システム２００の概要を説明する。
　図１１は、油脂交換システム２００の概略図である。図示するように、油脂交換システム２００は、劣化予測装置１及びフライヤー２０’を備える店舗Ａ～Ｃ、当該店舗Ａ～Ｃを統括する統括本部Ｈ、当該店舗Ａ～Ｃで使用するフライ油の製造業者（油脂メーカー）Ｘ、販売業者（問屋又は販売店）Ｙ、廃油を回収する回収業者Ｚで構成される。なお、油脂メーカーが顧客に直接販売することもあるので、販売業者Ｙは油脂メーカーを含む概念である。
　第１実施形態において、劣化予測装置１の報知部７は、フライ油の劣化度合いが所定の閾値を超えたと判定された場合に、スピーカ、表示部５等でユーザにその旨を報知したが、本実施形態においては、そのような報知に加えて、フライ油の劣化度合いに関する報知情報を出力する。報知情報は、フライ油の劣化度合いが当該閾値を超えたという内容でもよいが、劣化度合いが間もなく当該閾値を超えるという予告でもよい。
　図示するように、店舗Ｂ（居酒屋）から報知情報が統括本部Ｈに通知された場合、統括本部Ｈは、報知情報を受信した回数や頻度等を分析し、店舗Ｂのみならず、必要に応じて店舗Ａ（天ぷら屋）及び店舗Ｃ（とんかつ屋）に対しても、フライ油の使用方法が適切か、適宜交換しているか、無駄がないか等を提案又は指導する。
　統括本部Ｈは、複数の店舗のみならず、フライヤーが設置された複数の工場を管理する立場であってもよい。また、統括本部Ｈは、店舗又は工場内に存在し、施設内の複数のフライヤーを管理してもよい。
　この報知情報は、フライ油の製造業者Ｘ及び販売業者Ｙにも通知される。製造業者Ｘは、当該報知情報を受けて、フライ油の製造計画又は販売計画を立案する。また、販売業者Ｙは、当該報知情報を受けて新たなフライ油を発注し、製造業者Ｘからフライ油Ｐを仕入れる。そして、販売業者Ｙは、店舗Ｂ（必要に応じて店舗Ａ及び店舗Ｃ）に新たなフライ油Ｐを調達する。
　さらに、この報知情報は、フライ油の回収業者Ｚ（製造業者Ｘでもよい）に通知される。回収業者Ｚは、当該報知情報を受けて、廃油Ｑの回収を手配する。例えば、回収業者Ｚは、所定回数の当該報知情報を受信したとき、店舗Ｂを訪問してフライヤー２０’の油槽２２から廃油Ｑを回収する。
　さらに、この報知情報は、清掃作業業者（図示省略）に通知されるようにしてもよい。清掃作業業者は、当該報知情報を受けて店舗Ｂを訪問し、フライヤー２０’の油槽２２の内部又はその付近の清掃を行う。これにより、油脂交換システム２００では、店舗Ａ～Ｃに対するフライ油の供給から廃油、清掃までが迅速に行われるようになる。
　また、この報知内容に基づいて、店舗内でのフライ油の交換を自動化すると、ユーザ（店員）の負担がより軽減される。フライ油の劣化度合いが閾値を超えたという内容の報知情報が出力されると、フライ油の交換が自動的に開始する。
　［第４実施形態］
　最後に、図１２を参照して、本発明の第４実施形態に係るフライヤーシステム３００の概要を説明する。
　図１２は、本実施形態のフライヤーシステム３００を構成する劣化予測装置１及びフライヤー２０’を示している。なお、フライヤー２０’について、第１実施形態のフライヤー２０と同じ構成については同じ符号を付し、説明は省略する。
　図示するように、フライヤー２０’の付近には、バルブ制御装置６１（本発明の「バルブ制御部」）と、新油タンク６２とが設置されている。新油タンク６２には未使用のフライ油が収容され、給油管６３を介して油槽２２にフライ油が供給される。
　バルブ制御装置６１は、劣化予測装置１からフライ油を交換する（閾値以上となった）旨の報知情報を受信すると、まず、バルブ２４’に制御信号を送信してバルブ２４’を開放する。これにより、自動で廃油が排油管２５を介して廃油タンク２６に排出される。
　十分時間が経過した後、バルブ制御装置６１は、再度、バルブ２４’に制御信号を送信してバルブ２４’を閉鎖する。その後、バルブ制御装置６１は、給油管６３の途中に設けられたバルブ６４に制御信号を送信してバルブ６４を開放する。これにより、自動で新油が油槽２２に供給される。なお、新油の給油量は、新油タンク６２の水位センサで検出してもよいし、所定時間だけバルブ６４を開放するようにしてもよい。
　本実施形態によれば、バルブ制御装置６１は、劣化予測装置１から送信される報知情報に基づきバルブ２４’，６４を制御することで、使用中のフライ油を自動で排出することができる。さらに、バルブ制御装置６１は、新油タンク６２から自動で新油を供給する制御を行うことで、ユーザがフライ油の劣化度合いを確認して廃油とし、新油を供給するまで作業負担を軽減することができる。
　上述した劣化予測装置、劣化予測システム、油脂交換システムは、本発明の実施形態の一例に過ぎず、用途、目的等に応じて適宜変更することができる。今回、音響データから周波数平均（f_mean）と周波数スペクトルによる平坦性（f_sfm）を抽出して回帰分析を行う例を示したが、周波数標準偏差（f_sd）、優位周波数（dfnum）等もフライ油の劣化予測に適用可能である。
　また、劣化予測システムにおいて、各構成装置が行う役割を変更することもできる。図４で示した劣化予測システム１００は、検出装置３０と機械学習装置４０とで別装置として分離されていたが、音響データや学習モデルはデータ容量が大きく、通信に時間及び料金がかかる。このため、機械学習部を内蔵した検出装置を遠隔地から指示し、検出装置からフライ油の劣化度合い等の報知情報の受信可能な制御装置を新たに設けてもよい。
　１…劣化予測装置、２…音響データ取得部、３…処理部、４…入力部、５…表示部、６…記憶部、７…報知部、８…通信部（第１通信部）、１０…制御部、１１，５１…指標抽出部、１２…結果受付部、１３…比較判定部、１４…機械学習部、２０，２０’…フライヤー、２１…キャビネット、２２…油槽、２３…ヒーター、２４，２４’，６４…バルブ、２５…排油管、２６…廃油タンク、３０…検出装置、４０…機械学習装置、４８…通信部（第２通信部）、５０…学習モデル作成部、５２…記憶部、５３…検量線作成部、６１…バルブ制御装置、６２…新油タンク、６３…給油管、１００…劣化予測システム、２００…油脂交換システム、３００…フライヤーシステム。

Claims (13)

  1. 　食用の油脂の劣化度合いを予測する劣化予測装置であって、
    　油槽に収容された前記油脂を用いて揚げ物を調理するときの音響データを取得する音響データ取得部と、
    　前記音響データ取得部によって取得された前記音響データから前記油脂の劣化に関係する指標を抽出する指標抽出部と、
    　前記指標抽出部によって抽出された前記指標に基づいて、前記油脂の劣化度合いを判定する判定部と、
    を備えていることを特徴とする劣化予測装置。
  2. 　前記油脂の劣化度合い又は前記油脂の交換のタイミングを報知する報知部をさらに備え、
    　前記報知部は、前記判定部によって前記油脂の劣化度合いに基づいて予め定めた交換の閾値を超えたと判定された場合に、前記報知を行うことを特徴とする請求項１に記載の劣化予測装置。
  3. 　前記指標は、周波数平均、周波数標準偏差、周波数中央値、周波数標準誤差、周波数最頻値、周波数第一四分位数、周波数第三四分位数、周波数四分位範囲、周波数重心、周波数スキューネス、周波数クルトシス、周波数スペクトル平坦性、周波数スペクトルエントロピー、周波数スペクトル精度、音響複雑度指数、音響エントロピー、優位周波数から選ばれる１種以上であることを特徴とする請求項１又は２に記載の劣化予測装置。
  4. 　検出装置と機械学習装置とからなり、食用の油脂の劣化度合いを予測する劣化予測システムであって、
    　前記検出装置は、
    　油槽に収容された前記油脂を用いて揚げ物を調理するときの音響データを取得する音響データ取得部と、
    　前記機械学習装置が作成した、前記油脂の劣化を判定可能な学習モデルを記憶する記憶部と、
    　前記学習モデルを用いて、前記音響データから前記油脂の劣化度合いを判定する判定部と、を備え、
    　前記機械学習装置は、
    　前記音響データ取得部によって取得された前記音響データから前記油脂の劣化に関係する指標を抽出し、前記指標を用いて線形回帰による機械学習を行い、前記学習モデルを作成する学習モデル作成部と、
    を備えていることを特徴とする劣化予測システム。
  5. 　前記線形回帰は、単回帰、重回帰、部分最小二乗（ＰＬＳ）回帰、又は直交射影部分最小二乗（ＯＰＬＳ）回帰から選ばれる１種以上であることを特徴とする請求項４に記載の劣化予測システム。
  6. 　前記検出装置と前記機械学習装置とが一体となっていることを特徴とする請求項４又は５に記載の劣化予測システム。
  7. 　前記検出装置は、店舗又は工場の前記油槽の付近に設置され、前記機械学習装置は、前記店舗又は前記工場とは離れた遠隔地に設置されていることを特徴とする請求項４又は５に記載の劣化予測システム。
  8. 　前記検出装置は、前記音響データ取得部によって取得された前記音響データを前記機械学習装置に送信する第１通信部を備え、
    　前記機械学習装置は、前記検出装置から前記音響データを受信する第２通信部を備えていることを特徴とする請求項４、５又は７の何れか１項に記載の劣化予測システム。
  9. 　前記第１通信部及び前記第２通信部は、無線通信が可能であることを特徴とする請求項８に記載の劣化予測システム。
  10. 　食用の油脂の劣化度合いを予測する劣化予測方法であって、
    　前記油脂を用いて、揚げ物を調理するときの音響データを取得する音響データ取得ステップと、
    　前記音響データ取得ステップで取得した前記音響データから前記油脂の劣化に関係する指標を抽出する指標抽出ステップと、
    　前記指標抽出ステップで抽出した前記指標に基づいて、前記油脂の劣化度合いを判定する判定ステップと、
    を備えていることを特徴とする劣化予測方法。
  11. 　請求項１～３の何れか１項に記載の劣化予測装置から出力される前記油脂の劣化度合いに関する報知情報に基づいて、下記ａ）～ｅ）の１又は２以上を行うことを特徴とする油脂交換システム。
    　ａ）油脂販売業者に通知して、新たな油脂を発注する
    　ｂ）油脂製造業者に通知して、油脂の製造計画又は販売計画を立案する
    　ｃ）店舗若しくは工場の統括本部、又は油脂製造業者に通知して、統括する店舗又は工場へ油脂の使用方法を提案又は指導する
    　ｄ）廃油回収業者又は油脂製造業者に通知して、廃油の回収を手配する
    　ｅ）清掃作業業者に通知して、油槽の清掃を手配する
  12. 　請求項１～３の何れか１項に記載の劣化予測装置から出力される前記油脂の劣化度合いに関する報知情報に基づいて、油槽に設けられたバルブを制御するバルブ制御部を備え、
    　前記バルブ制御部は、前記油槽に収容された前記油脂を自動で廃油することを特徴とするフライヤーシステム。
  13. 　前記バルブ制御部は、前記油槽に新油を自動で供給することを特徴とする請求項１２に記載のフライヤーシステム。
PCT/JP2020/036682 2019-10-24 2020-09-28 油脂の劣化予測装置、劣化予測システム、劣化予測方法、油脂交換システム及びフライヤーシステム WO2021079692A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CA3157541A CA3157541A1 (en) 2019-10-24 2020-09-28 Oil and fat deterioration prediction device, deterioration prediction system, deterioration prediction method, oil and fat replacement system, and fryer system
US17/767,691 US20240019400A1 (en) 2019-10-24 2020-09-28 Oil and fat deterioration prediction device, deterioration prediction system, deterioration prediction method, oil and fat replacement system, and fryer system
JP2021554201A JPWO2021079692A1 (ja) 2019-10-24 2020-09-28

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019193843 2019-10-24
JP2019-193843 2019-10-24

Publications (1)

Publication Number Publication Date
WO2021079692A1 true WO2021079692A1 (ja) 2021-04-29

Family

ID=75619348

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/036682 WO2021079692A1 (ja) 2019-10-24 2020-09-28 油脂の劣化予測装置、劣化予測システム、劣化予測方法、油脂交換システム及びフライヤーシステム

Country Status (4)

Country Link
US (1) US20240019400A1 (ja)
JP (1) JPWO2021079692A1 (ja)
CA (1) CA3157541A1 (ja)
WO (1) WO2021079692A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022163435A1 (ja) * 2021-02-01 2022-08-04 株式会社Ｊ－オイルミルズ 学習装置、予測装置、学習方法、プログラム、及び、学習システム
EP4321854A1 (en) * 2022-08-12 2024-02-14 Tata Consultancy Services Limited Methods and systems for monitoring lubricant oil condition using photoacoustic modelling

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06178731A (ja) * 1992-12-14 1994-06-28 Hoshizaki Electric Co Ltd 食用油脂の劣化検出装置及び同装置付きフライヤ
JPH0799887A (ja) * 1993-09-30 1995-04-18 Hokueiken Corp:Kk 食用油用添加剤
US5586486A (en) * 1994-02-01 1996-12-24 Vend-It Corporation Automated deep fryer
JP2003083951A (ja) * 2001-09-10 2003-03-19 Nisshin Oillio Ltd 油ちょう食品美味しさ評価方法、油ちょう食品美味しさ評価方法をコンピュータに実行させるプログラム、及び油ちょう食品美味しさ評価装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06178731A (ja) * 1992-12-14 1994-06-28 Hoshizaki Electric Co Ltd 食用油脂の劣化検出装置及び同装置付きフライヤ
JPH0799887A (ja) * 1993-09-30 1995-04-18 Hokueiken Corp:Kk 食用油用添加剤
US5586486A (en) * 1994-02-01 1996-12-24 Vend-It Corporation Automated deep fryer
JP2003083951A (ja) * 2001-09-10 2003-03-19 Nisshin Oillio Ltd 油ちょう食品美味しさ評価方法、油ちょう食品美味しさ評価方法をコンピュータに実行させるプログラム、及び油ちょう食品美味しさ評価装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NTT RESONANT INCORPORATED, OSHIETE, 3 June 2005 (2005-06-03), Retrieved from the Internet <URL:https://oshiete.goo.ne.jp/qa/1424984.html> [retrieved on 20201125] *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022163435A1 (ja) * 2021-02-01 2022-08-04 株式会社Ｊ－オイルミルズ 学習装置、予測装置、学習方法、プログラム、及び、学習システム
EP4321854A1 (en) * 2022-08-12 2024-02-14 Tata Consultancy Services Limited Methods and systems for monitoring lubricant oil condition using photoacoustic modelling

Also Published As

Publication number Publication date
US20240019400A1 (en) 2024-01-18
CA3157541A1 (en) 2021-04-29
TW202133780A (zh) 2021-09-16
JPWO2021079692A1 (ja) 2021-04-29

Similar Documents

Publication Publication Date Title
WO2021079692A1 (ja) 油脂の劣化予測装置、劣化予測システム、劣化予測方法、油脂交換システム及びフライヤーシステム
CN107110530B (zh) 监测空气质量和可能影响空气质量的事件并采取补救行动的系统和方法
CN109195491B (zh) 用于运行电动厨房多用机的方法
US11449810B2 (en) Food safety management system
CN107835963A (zh) 空气处理系统和方法
KR101511870B1 (ko) 튀김유의 실시간 산가 측정 및 산가 정보 제공 시스템 및 방법
US20230140684A1 (en) Edible oil deterioration level determination device, edible oil deterioration level determination system, edible oil deterioration level determination method, edible oil deterioration level determination program, edible oil deterioration level learning device, learned model for use in edible oil deterioration level determination, and edible oil exchange system
US10859553B2 (en) Identification apparatus and identification system
KR101286688B1 (ko) 식품위생 관리 시스템
CN101449218B (zh) 用于确定由烹调器具制备的食品的种类和量的方法和设备
JP2007157018A (ja) 家電機器管理システムおよびそのプログラム
JP6829347B1 (ja) フライ油劣化判定装置及びフライ油劣化判定方法
WO2022202409A1 (ja) 判定装置、学習装置、判定システム、判定方法、学習方法、及び、プログラム
CN110597090A (zh) 一种清洁提示方法及家用电器
KR100528314B1 (ko) Ｈａｃｃｐ 기반 주방기기 위생 관리 시스템
WO2021053992A1 (ja) フライ油劣化判定装置及びフライ油劣化判定方法
EP4359897A1 (en) Immersive reality method and system for a household appliance
JP6431098B2 (ja) 検知装置及び検知システム
JP6240297B1 (ja) 生活空間メンテナンス装置、生活空間メンテナンス方法及びプログラム
WO2023054100A1 (ja) 食用油の劣化度判定装置、食用油の劣化度判定システム、食用油の劣化度判定方法、食用油の劣化度学習装置、および食用油の劣化度判定に用いられる学習済モデル
WO2022163435A1 (ja) 学習装置、予測装置、学習方法、プログラム、及び、学習システム
US20230008256A1 (en) Food safety management system
US20230230573A1 (en) Management apparatus, management system, management method, and recording medium
CN114010064B (zh) 烹饪设备、烹饪设备控制方法和存储介质
US20230190035A1 (en) Method for operating a food processing apparatus

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20879442

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 3157541

Country of ref document: CA

WWE Wipo information: entry into national phase

Ref document number: 17767691

Country of ref document: US

ENP Entry into the national phase

Ref document number: 2021554201

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20879442

Country of ref document: EP

Kind code of ref document: A1