本發(fā)明涉及一種用于檢測何時食物被烹飪完成的烹飪裝置和方法。

背景技術(shù)：

當前的烹飪裝置大多由用戶選擇的參數(shù)(諸如時間和溫度)控制。這些烹飪參數(shù)的自動選擇對于用戶來說將是方便的，并且還可以通過消除人為錯誤來改善烹飪結(jié)果。

為了準確地控制烹飪過程，有必要知道在烹飪期間食物的關(guān)鍵屬性。食物的一個關(guān)鍵屬性是核心溫度，其隨著食物被烹飪而變化。食物的核心溫度是烹飪完成的重要測量：對于某種類型的食物，應該高于一定值以殺死引起食源性疾病的有害細菌，但不應過高以避免過度烹飪。因此，為了確保安全，建議將食物在合適的時間段內(nèi)和適當?shù)膬?nèi)部溫度(范圍)下烹飪。

為了基于核心溫度來確定是否食物被烹飪，侵入性方法是可能的，但是當檢測核心溫度時，這些將導致對食物的損害。非侵入性方法例如紅外傳感具有有限的穿透能力，因此通常用于檢測表面溫度。

因此，需要一種非侵入性方式來檢測正被烹飪的物品的核心溫度。

EP0794387A1公開了一種估算待烹飪材料的內(nèi)部部分的溫度的方法和使用該方法的熱烹飪裝置。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種預測食物核心溫度的方法，以及一種烹飪裝置和烹飪方法，其基本上減輕或克服了上述問題。

本發(fā)明由獨立權(quán)利要求限定。從屬權(quán)利要求定義了有利的實施例。

根據(jù)本發(fā)明，提供一種烹飪裝置，包括：

-加熱室；

-用于加熱該加熱室中的烹飪介質(zhì)的加熱元件；

-溫度傳感器，用于隨時間監(jiān)測烹飪介質(zhì)的溫度；

-質(zhì)量傳感器，用于隨時間監(jiān)測在加熱室中待烹飪的食品的質(zhì)量；以及

-控制器，用于處理來自質(zhì)量傳感器和溫度傳感器的信息，以提供對食品核心溫度的預測，并且根據(jù)所預測的食品核心溫度控制烹飪過程。

本發(fā)明基于這樣的認識，即烹飪期間食品的核心溫度可以基于一組非侵入性參數(shù)來預測，這些非侵入性參數(shù)至少包括隨時間變化的溫度和在烹飪期間食品的質(zhì)量隨時間變化的烹飪?？梢栽诓恍枰c食品接觸的情況下獲得溫度和質(zhì)量信息，并且使能例如對于家用烹飪器具(諸如空氣炸鍋)的簡單實現(xiàn)。優(yōu)選地，控制器適于導出隨時間的質(zhì)量變化率和/或隨時間的溫度變化率。通過獲得變化率信息，可以制定用于預測食品核心溫度的更準確的模型。

本發(fā)明可以用于基于(固相)食物的核心溫度的預測的自動烹調(diào)控制方法中。該裝置可以是低成本的、足夠堅固的以控制烹飪過程，并且因此適于在家庭烹飪器具中使用。

該裝置優(yōu)選地對于不同的食物類型具有不同的設(shè)置，其中控制器對于不同的食物類型不同地處理來自質(zhì)量傳感器和溫度傳感器的信息。不同類型的食品將表現(xiàn)出不同的烹飪特性，使得控制器考慮食品的類型。這可以由用戶手動輸入。用戶還可以能夠輸入食品要被烹飪的程度的指示。這將隨后影響食品的目標核心溫度。

該裝置還可以包括用于確定初始食物溫度的傳感器，其中控制器適于對于不同的初始食物溫度不同地處理來自質(zhì)量傳感器和溫度傳感器的信息。

這使得烹飪裝置能夠例如區(qū)分新鮮食物與冷凍食物，而不需要用戶輸入該信息。初始食物溫度將影響核心溫度隨時間的演變，因而可以是預測核心溫度的模型的一部分。代替提供作為裝置的一部分的傳感器，用戶可以輸入初始溫度，例如基于已經(jīng)從其取得食物的已知冰箱或冷凍機溫度。

烹飪介質(zhì)可以是空氣或油。

可以使用烘箱或空氣炸鍋中的空氣溫度，或者可以使用油炸鍋中的油溫。該方法實際上可以用于任何非水烹飪介質(zhì)，其中質(zhì)量變化主要是由于食物的水損失。在任一情況下，質(zhì)量變化可以通過測量沒有食物的質(zhì)量，然后測量具有食物的質(zhì)量和隨后的烹飪過程來監(jiān)測。

可以提供一個或多個附加傳感器以用于監(jiān)測濕度、食物水分水平和食物表面溫度中的一個或多個。

表征核心溫度函數(shù)的模型可以考慮其他參數(shù)，這些其他參數(shù)可以以非侵入方式被測量。這可以使得能夠?qū)С龈鼫蚀_的模型。

質(zhì)量傳感器可以包括壓力傳感器。

這提供了測量和監(jiān)測食品的質(zhì)量的簡單方法。可以通過壓力傳感器測量食品和已知的支撐托盤或網(wǎng)的質(zhì)量。在這種情況下，質(zhì)量傳感器在食物下面。質(zhì)量傳感器可以代替地懸掛食物。在這兩種情況下，質(zhì)量傳感器系基于測量重量，隨后當然可以將測量重量轉(zhuǎn)換為質(zhì)量。

控制器可以適于通過與基于例如在初始測試過程期間獲得的實驗數(shù)據(jù)的模型進行比較，而根據(jù)來自質(zhì)量傳感器和溫度傳感器的信息提供食品核心溫度的預測。

該模型可以使用理論等式與實際測試數(shù)據(jù)的組合來表征核心溫度隨時間的行為。例如，可以使用具有與特定類型的食物相關(guān)的參數(shù)的等式來預測核心溫度，并且可以基于實驗數(shù)據(jù)來選擇這些參數(shù)。

控制器可以適于通過與模型進行比較來根據(jù)來自質(zhì)量傳感器和溫度傳感器的信息提供對食物核心溫度的預測，其中該模型還提供對至少一個可測量屬性的預測，并且其中控制器適于基于對可測量參數(shù)的監(jiān)測來更新模型，以提供用于食品核心溫度的預測的更準確的模型。

通過使用模型來預測食品的不可測量的核心溫度和一個或多個可測量的屬性，可以測試模型的準確性，并且可以相應地更新模型。如果模型包括需要用來預測核心溫度和可測量屬性兩者的參數(shù)，則可測量屬性或多個可測量屬性可用作驗證模型中使用的參數(shù)的準確性的方式。

本發(fā)明還提供一種使用用于在加熱室中加熱烹飪介質(zhì)的加熱元件來預測在烹飪期間食品的核心溫度的方法，該方法包括：

-使用溫度傳感器隨時間監(jiān)測烹飪介質(zhì)的溫度的步驟；

-使用質(zhì)量傳感器隨時間監(jiān)測在加熱室中待烹飪的食品的質(zhì)量的步驟；以及

-處理來自質(zhì)量傳感器和溫度傳感器的信息以提供對食品核心溫度的預測從而能夠根據(jù)所預測的食品核心溫度來控制烹飪過程的步驟。

優(yōu)選地，獲得溫度和質(zhì)量信息而不與食品接觸。

該方法可以包括接收識別食物類型的用戶輸入，以及以取決于食物類型的方式處理質(zhì)量傳感器和溫度傳感器信息。傳感器可以用于確定初始食物溫度，其中控制器適于以取決于初始食物溫度的方式處理質(zhì)量傳感器和溫度傳感器信息。

可以通過與模型進行比較，根據(jù)來自質(zhì)量傳感器和溫度傳感器的信息來進行對食品核心溫度的預測，其中模型還提供對至少一個可測量屬性的預測，并且其中控制器適于基于對可測量屬性的監(jiān)測來更新模型，以提供用于預測食物核心溫度的更準確的模型。

通過使用模型來預測食品的不可測量的核心溫度和可測量屬性兩者，可以測試模型的準確性，并且可以相應地更新模型?？蓽y量屬性可以包括食品的質(zhì)量。因而，模型可以預測質(zhì)量隨時間演變的方式。由于這是作為烹飪過程的一部分被監(jiān)控的，因此可以測試模型準確度。可以替代地或附加地使用其他屬性，這些其他屬性可以使用相同模型進行預測。

本發(fā)明還提供一種烹飪方法，包括：

-在烹飪裝置的加熱室中開始烹飪食物的步驟；

-使用本發(fā)明的方法預測食品隨時間變化的核心溫度的步驟；以及

-根據(jù)所預測的核心溫度來控制烹飪裝置的步驟。

烹飪裝置的控制可以包括在烹飪完成時停止烹飪(例如基于食物要被烹調(diào)的程度的用戶設(shè)置)，和/或其可以涉及控制烹飪溫度，例如使得烹飪在預設(shè)時間完成。

本發(fā)明還提供了一種計算機程序，其包括當在計算機上運行時執(zhí)行本發(fā)明的方法的步驟的代碼裝置。

附圖說明

現(xiàn)在將參照附圖詳細描述本發(fā)明的示例，其中：

圖1示出了根據(jù)本發(fā)明的示例的烹飪裝置；

圖2示出了用于實驗證明裝置和方法的有效性的肉樣品；

圖3顯示實驗結(jié)果；

圖4示出了如何可以更新參數(shù)以改進建模準確度；

圖5示出了基于故意不準確模型的實驗結(jié)果；

圖6示出了學習過程如何可以改進圖5的實驗結(jié)果；以及

圖7作為流程圖示出了根據(jù)本發(fā)明的實施例的方法的示例。

具體實施方式

本發(fā)明提供一種烹飪裝置，其中溫度傳感器隨時間監(jiān)測烹飪介質(zhì)(即，烤箱空氣或油)的溫度，并且質(zhì)量傳感器隨時間監(jiān)測待烹飪物品的質(zhì)量。來自質(zhì)量傳感器和溫度傳感器的信息用于提供對食品核心溫度的預測，并且根據(jù)經(jīng)預測的食品核心溫度控制烹飪過程。

圖1示出了根據(jù)本發(fā)明的實施例的裝置的示例。

烹飪裝置包括加熱室10和加熱元件12，待烹飪的食物放置在加熱室10中，加熱元件12用于加熱加熱室中的烹飪介質(zhì)(例如空氣)。

加熱室優(yōu)選地是烹飪裝置中的封閉空間，使得可以可靠地控制空間內(nèi)的溫度，并且因此在食品核心溫度預測中考慮該溫度。因而，封閉空間可以是具有可關(guān)閉門的烤箱，空氣炸鍋的封閉容積或油炸鍋的封閉容積。這種溫度控制在開放式加熱空間中將更加困難。

溫度傳感器14用于隨時間監(jiān)測烹飪介質(zhì)的溫度。質(zhì)量傳感器16用于隨時間監(jiān)測在加熱室中待烹飪的食物的質(zhì)量。該質(zhì)量傳感器可以測量包括待烹飪的食品的烹飪器本身的質(zhì)量，并且以這種方式，其可以在加熱室10外部，如圖1所示?；蛘?，其可以在加熱室內(nèi)部，例如形成其上放置食品的烹飪擱架的一部分。質(zhì)量傳感器可以被實現(xiàn)為壓力傳感器。

處理器18處理來自質(zhì)量傳感器和溫度傳感器的信息，以提供對食品核心溫度的預測，并根據(jù)所預測的食品核心溫度來控制烹飪過程。

傳感器用于向由處理器18運行的算法提供信息，從而提供核心溫度預測，特別是使用可以在烹飪系統(tǒng)中容易地獲得的參數(shù)。這些參數(shù)可以在沒有侵入或破壞食物的情況下被檢測、確定或估計。作為本發(fā)明的最低限度，它們包括烹飪介質(zhì)溫度、質(zhì)量和時間(其由處理器監(jiān)測)。

可能還有其他參數(shù)被監(jiān)測。例如，參數(shù)可以包括空氣或油溫度、空氣或油溫度變化率、食物的表面溫度、食物表面溫度的變化率、食物重量、食物的重量損失率、食物的水分含量、水分含量的變化率、周圍空氣的濕度、濕度變化率等的組合。

首先建立核心溫度與一組這些參數(shù)之間的關(guān)系，然后可以通過該關(guān)系預測核心溫度。然后可以使用所預測的核心溫度來判斷食物的烹飪狀態(tài)，并且因此可以用于控制該過程。

檢測器在烹飪過程期間被實時使用。

檢測器包括由處理器實現(xiàn)的計時器，可以是溫度計、熱電偶或紅外傳感器的溫度傳感器，以及可以是壓力傳感器的質(zhì)量傳感器。附加傳感器例如可以包括濕度傳感器和表面溫度探測器。要感測的參數(shù)的選擇可以在不同的烹飪器具之間變化。

處理器18包括數(shù)據(jù)記錄和處理模塊。該模塊記錄在烹飪期間所監(jiān)測的參數(shù)的檢測值，并且曲線例如可以在該模塊中被預處理，例如以應用數(shù)據(jù)平滑。

處理器在預測模塊中實現(xiàn)預測算法。該模塊存儲食品的核心溫度與監(jiān)測到的參數(shù)之間的關(guān)系。通過采用來自數(shù)據(jù)記錄和處理模塊的數(shù)據(jù)，實時地預測食品的核心溫度。

該關(guān)系可以通過分析質(zhì)量/熱傳遞以及對于目標烹飪系統(tǒng)應用質(zhì)量/熱平衡來獲得。

該系統(tǒng)具有烹飪控制器20，其使用預測的食品的核心溫度來控制烹飪過程。評估食品的預測核心溫度以確定其是否在期望的溫度范圍內(nèi)(例如，由某一熟度水平所需要的)，并且基于評估結(jié)果進行控制決策。

例如，小牛肉或羊肉牛排對“中等”熟度的核心溫度在65-69℃的范圍內(nèi)。在烹飪小牛肉或羊肉之前選擇該熟度水平。當烹飪開始時，檢測器開始實時測量參數(shù)并將數(shù)據(jù)傳送到數(shù)據(jù)存儲和處理模塊；預測模塊從數(shù)據(jù)存儲和處理模塊連續(xù)接收信息，并使用所存儲的算法來預測核心溫度。

預測的核心溫度隨后被發(fā)送到控制器20。如果預測的核心溫度低于上述的期望范圍，則烹飪過程將以給定的加熱程序(例如，以800W的功率加熱)繼續(xù)；然后，當預測的核心溫度落在該范圍內(nèi)時，烹飪過程將停止。

存儲在預測模塊中的算法主要是指核心溫度與所監(jiān)測參數(shù)(“MP”)之間建立的關(guān)系。該關(guān)系可以是如以下等式(1)中概括的直接函數(shù)，或者它可能需要求解如下面等式(2)中概括的微分等式，其中核心溫度的變化速率與基于烹飪系統(tǒng)的能量/質(zhì)量平衡的參數(shù)相關(guān)。

可以通過適當簡化烹飪系統(tǒng)以及食物形狀來獲得特定等式，諸如下面導出的等式(7)。

T_C＝f(MPs) (1)

干炸的過程用于更詳細地解釋本發(fā)明的工作原理。

選擇包括烹飪介質(zhì)(空氣、油等)的溫度、食物的質(zhì)量和質(zhì)量變化率的參數(shù)作為所監(jiān)測的參數(shù)。因而，傳感器包括用于空氣溫度測量的一個或多個溫度傳感器和用于質(zhì)量和質(zhì)量變化率的壓力傳感器(例如，天平)。

食物的初始溫度也由溫度計或其他方法確定。例如，在已知溫度下從冷凍機取出的食品的溫度將是已知的，而不需采取額外的測量。

傳感器以及食物初始溫度信息全部都被提供給處理器18。數(shù)據(jù)存儲和處理模塊從經(jīng)連接的傳感器接收數(shù)據(jù)，并將處理的信息發(fā)送到預測模塊，然后將預測的核心溫度發(fā)送到控制器20，并且烹飪控制決定是基于接收到的信息做出的。

該方法的使用涉及以下步驟：

(i)將食物放在食物容器中。食物的類型由來自用戶的手動輸入提供。還根據(jù)用戶的個人偏好手動選擇熟度水平。如果沒有選擇，則自動選擇默認中等熟度水平。

(ii)食物的初始溫度被記錄并存儲在數(shù)據(jù)存儲和處理模塊中。這可能已經(jīng)由用戶輸入或者其可以由烹飪器具檢測到。例如，預測模型也可以用于確定初始食物溫度。對模型的輸入可以包括在給定烹飪時間的食物的重量損失。其背后的原理是，在給定的烹飪持續(xù)時間之后，冷凍食品具有比新鮮食品的水蒸發(fā)更少的水蒸發(fā)，因為前者需要額外的熱量以用于水相變化，即從固體變?yōu)橐后w。該方法可用于將食物分類為冷凍或非冷凍。還可以定義一個或多個中間類別。

食物溫度的檢測不是必需的。用戶輸入諸如凍結(jié)溫度、冰箱溫度或室溫之類的類別可能是足夠的。

(iii)開始烹飪過程并且通過溫度傳感器實時檢測烹飪器具中的烹飪介質(zhì)的溫度。還可以記錄加熱導體的溫度T_hc。還監(jiān)測烹飪時間，使得可以獲得溫度-時間曲線并將其存儲在數(shù)據(jù)存儲和處理模塊中。溫度-時間曲線被預處理(例如，平滑)。

(iv)將當前時間之前的處理的溫度-時間曲線和食物的初始溫度發(fā)送到預測模塊，其中通過核心溫度與監(jiān)測的參數(shù)之間建立的關(guān)系來預測核心溫度。

(v)將預測的核心溫度發(fā)送到控制器20，并做出控制決定。如果預測的溫度未達到該溫度或不落入由初始選擇的熟度水平所需的溫度范圍內(nèi)，則根據(jù)特定的加熱程序繼續(xù)烹飪過程。重復步驟(iii)至(v)，直到預測的溫度達到該溫度，或落在初始選擇的熟度水平所需的范圍內(nèi)。

(vi)烹調(diào)結(jié)束過程開始。該結(jié)束過程可以是在一定功率下保持加熱一段時間，或者立即停止加熱，或者在其他加熱程序之后。

為了預測實際烹飪過程中的核心溫度，與所監(jiān)測的參數(shù)的相關(guān)性必須被建立并被存儲在預測模塊中?？紤]到從空氣傳遞到食物的熱量等于由食物獲得的熱量，熱平衡可以由等式(3)描述：

Cp_F*d(m_F*T_F)/dt＝k*S_F*(T_A-T_S) (3)

Cp_F是食物的熱容，假定為常數(shù)；m_F是食物的質(zhì)量；T_F是食物的平均溫度；T_S是食物的表面溫度；k是從空氣到食物的傳熱指數(shù)；S_F是食物的表面積；T_A是空氣溫度。

然后可以基于從等式(3)導出的等式(4)來計算食物的平均溫度T_F：

P是集總參數(shù)。

食物的核心溫度T_C與T_S、T_F之間的關(guān)系隨著諸如食物形狀、表面積、結(jié)構(gòu)/組成等因素而變化。為了簡化，假定食物是具有有效半徑R'的球體。對于某種類型的食物，并且在一定的烹飪條件下，T_S與T_C之間以及T_F與T_C之間的關(guān)系可以表示為：

T_S＝αT_C (5)

α是描述表面與核心的溫度比的參數(shù)，其主要由食物的有效半徑R'確定，以下進一步解釋。

結(jié)果，等式(4)變?yōu)椋?/p>

可以看出，為了僅在T_C中創(chuàng)建微分方程，需要監(jiān)測的可變參數(shù)是食物質(zhì)量、食物質(zhì)量的變化速率和空氣溫度。

核心溫度的預測遵循以下步驟：

(i)從數(shù)據(jù)存儲和處理模塊接收數(shù)據(jù)。數(shù)據(jù)包括烹飪介質(zhì)(例如空氣)溫度、食物的初始溫度、食物的質(zhì)量和食物的質(zhì)量變化率。

(ii)食物的有效半徑R'基于如下所述的食物尺寸、結(jié)構(gòu)等信息確定。

(iii)計算α的值。

(iv)用接收到的數(shù)據(jù)求解微分方程。預測核心溫度-時間曲線，并獲得當前時刻的核心溫度。

該過程需要確定P和α。

對于某種類型的食物，α首先與食物的質(zhì)量相關(guān)。

α＝Α*e^B*R′/(A+R)′ (8)

其中，

ρ是食物的密度，單位為kg/m³。

然后可以通過用足夠的測試數(shù)據(jù)訓練來獲得等式(8)中涉及的P和參數(shù)的值。參數(shù)的訓練可以基于最小化預測的和實際測量的核心溫度之間的預測誤差的平方和。在實驗訓練中采用具有不同食物量的樣品，并且實時記錄核心溫度和重量以用于訓練。

核心溫度被用于熟度控制。然而，也可以預測表面或體積溫度。對于一些食物類型，控制表面溫度可能對控制烹飪是所關(guān)注的。核心溫度對于具有相對大尺寸的食物所特別關(guān)注，因為在核心與表面之間將存在明顯的溫度差。

如上所述，T_S與T_C之間以及T_F與T_C之間的關(guān)系對于不同類型的食物而變化。作為一個示例，使用球形食物來證明α與m_F之間的關(guān)系的建立。

這種類型的食物接近球形，平均直徑為R'。直徑可以由食物的質(zhì)量通過式(10)估計：

ρ是食物的密度，單位為kg/m³，m_F是食物的初始質(zhì)量，單位為kg。

假設(shè)表面溫度與核心溫度的比率對于做熟前的大部分烹飪時間是恒定的，

T_S＝αT_C (11)

球形食物的溫度分布函數(shù)為：

x是從任意點到食物核心的距離；假定溫度沿半徑線性變化。

食物的平均溫度可以通過等式(13)計算：

從等式11、12和13：

結(jié)果，等式(4)變?yōu)椋?/p>

α與R'之間的關(guān)系假定如下，

α＝Α*e^B*R′/(A+R′) (15)

在等式(15)中，A和B是常數(shù)，它們與食物的大小有關(guān)。R'可以從等式(9)獲得。A和B可以通過用測試數(shù)據(jù)訓練而獲得。

其他形狀的食物，諸如立方體、桿等，也可以按照上述方式處理。有效半徑也可以由等式(9)計算。注意，即使對于相同類型的食物，等式(15)中的A和B的值也將不同。

核心溫度預測的有效性已經(jīng)通過使用飛利浦空氣炸鍋進行的實驗證明。

如圖1所示，將天平放置在炸鍋下方，以測量烹飪時間期間的質(zhì)量(m_F)。兩個溫度計放置在空氣炸鍋中以檢測食物周圍的空氣溫度(T_A)。食物的初始溫度通過溫度計預先測量。

來自天平的質(zhì)量數(shù)據(jù)序列被平滑，并且求得導數(shù)以獲得質(zhì)量變化率(dm_F/dt)。

由兩個溫度計檢測的空氣溫度被平均以減小測量誤差。在實驗期間，炸溫選擇為200℃，并且通過直接將探針插入中心，由幾個溫度計來測量食物的參考核心溫度。在使用前測量的核心溫度被平均。

實驗中使用的食物是牛排肉。使用具有相似形狀的三塊牛排肉，三個測試樣品的質(zhì)量分別為212g、215g和184g。圖2顯示了所使用的牛排肉之一的尺寸。該牛排具有大約8cm×6cm×3.5cm的大致長方體形狀，并且質(zhì)量為212g。

如上所述，基于食物的初始質(zhì)量計算有效半徑R'的值。實驗結(jié)果用于訓練等式(4)中的參數(shù)P。通過考慮α與R'之間的假定關(guān)系，(等式(8))，A和B的值也被擬合。

兩個參數(shù)A和B對于某種類型的食物是特定的，其形狀/尺寸在一定程度內(nèi)。P的值是包含諸如k(從空氣到食物的傳熱指數(shù))、S_F(食物的表面積)和Cp_F(食物的熱容量)之類的其他參數(shù)的集總參數(shù)，其可以全部隨著烹飪時間而改變。因此，對于訓練優(yōu)選的是逐級進行，以便盡可能地保證訓練值接近實際值。兩個階段被考慮。

針對本示例中的參數(shù)的訓練值為：

P＝3.8894e-5(T_C<15℃)；1.1679e-4(T_C>15℃)

A＝138.3564

B＝6.2867

圖3中示出了隨時間的與測量的核心溫度相比核心溫度的預測。y軸繪制了核心溫度(℃)并且x軸繪制了時間(s)。

繪圖30是184g樣品的預測核心溫度，繪圖32是測量到的核心溫度。

繪圖34是212g樣品的預測核心溫度，繪圖36是測量到的核心溫度。

繪圖38是215g樣品的預測核心溫度，繪圖40是測量到的核心溫度。

可以看出，預測值與實際值一致。RMS誤差為1.2℃，并且最大誤差(絕對值)為3.2℃。

上述預測方法涉及具有預訓練參數(shù)的模型。

可以調(diào)整參數(shù)以提高準確度。通過在各種條件下的訓練實驗來確定預訓練值，但是在某些烹飪條件下預測準確度是不可接受的情況下，可能仍然存在一些例外。下面將實時自適應預測方法描述為對上述基本方法的增強，以便使模型魯棒性更佳。這使得能夠基于烹飪狀態(tài)的實時反饋進行更可靠的預測，并且因而能夠更加精確地控制烹飪過程。

通過預測與烹飪過程相關(guān)的至少一個其他變量(除了核心溫度)來增強上述預測模塊。

特別地，預測模型還提供至少一個可測量屬性的預測，并且其中控制器適于基于對可測量參數(shù)的監(jiān)測來更新模型，以提供用于食物核心溫度的預測的更準確的模型。

與烹飪過程相關(guān)的附加變量可以是食物質(zhì)量、食物周圍空氣的溫度、食物周圍空氣的濕度等。調(diào)節(jié)的內(nèi)部/核心溫度基于相同的模型被預測，但是該模型具有利用附加變量的實際監(jiān)控的調(diào)整的參數(shù)。因而，從自適應模塊導出調(diào)整的參數(shù)值。

該自適應模塊基于烹飪狀態(tài)的實時反饋來調(diào)整模型的(多個)參數(shù)。通過考慮與烹飪過程相關(guān)的(多個)變量的測量值和模型生成值之間的差異，根據(jù)某種自適應算法來調(diào)整模型的(多個)參數(shù)。然后將調(diào)整的(多個)參數(shù)傳送到預測模塊以給出經(jīng)調(diào)整的預測內(nèi)部/核心溫度。通過自適應模塊可以采用梯度下降算法：

k是要調(diào)整的參數(shù)，并且μ是確定自適應速率的正值常數(shù)。方程(16)中的μ的值可以在模型參數(shù)的預訓練期間被確定。通常，通過考慮模型參數(shù)隨著烹飪時間以及在參數(shù)訓練過程期間在各種烹飪條件下的可能變化來確定。確定的值應當維持模型的預測穩(wěn)定性。

E是表示預測誤差的函數(shù)，其應當反映測量值與預測值之間的“絕對差”。例如，它可以是測量值與預測值之間的差異的偶次冪(2、4、6……)或者差異的絕對值的函數(shù)。

是E相對于k的偏導數(shù)。

為了說明自適應模型的結(jié)構(gòu)，提出了用于烹飪系統(tǒng)的簡化的經(jīng)驗模型作為示例。兩個狀態(tài)變量可以通過模型預測，如上所述的核心溫度，以及食物的質(zhì)量，如等式(17)和(18)說明的。

T_C＝T_C0*e^{k(t^2)} (17)

k和a是模型參數(shù)(常數(shù))，k是核心溫度和質(zhì)量預測等式的共用參數(shù)。T_C是食物的核心溫度；t是烹飪時間；T_C0是初始核心溫度；m_F是食物質(zhì)量；m_F0是食物的初始質(zhì)量。

自適應算法通過使“額外”狀態(tài)變量的預測誤差最小化來調(diào)整一個或多個模型參數(shù)，在這種情況下，該額外狀態(tài)變量是質(zhì)量。

對于上面建立的簡化模型，參數(shù)調(diào)整方法是最小化以下構(gòu)造的預測誤差函數(shù)E

E＝1/2*(m_FP–m_FE)² (19)

m_FP是食物的預測質(zhì)量，并且m_FE是食物的實際測量的質(zhì)量。最小化可以通過使用如等式(16)中所示的梯度下降算法來實現(xiàn)。

基于等式(17)和(18)，

其中，

e＝m_FP–m_FE (21)

對應的處理流程在圖4中示出。圖4示出了如何實現(xiàn)等式16、20和21。在離散時間中，等式16中的k'變?yōu)閗_t+1，k變?yōu)閗_t。

具體地，將等式20和21代入等式16中得到：

k'＝k-1/2a*μ*t(m_FP–m_FE))/m_FP (22)

圖4是該等式的離散時間實現(xiàn)。

下面給出一個示例，以示出基于上述模型的自適應原理。

系統(tǒng)以與上述相同的方式操作，添加自適應處理模塊，在該示例中，自適應處理模塊接收實時質(zhì)量測量。使用該模型進行核心溫度和質(zhì)量的預測，使得可以比較預測質(zhì)量和實時測量的質(zhì)量。該差異用于調(diào)整在預測模塊中使用的模型的一個或多個參數(shù)。然后將調(diào)整的一個或多個參數(shù)發(fā)送到預測模塊以更新模型。

基于更新的模型預測核心溫度，并獲得新的值。

應當注意，模型的形式可以是依賴食物類型的，這意味著對于不同類型的食物，模型可以是除了上述等式中所示的格式。例如，炸薯條的核心溫度在變熟之前將達到約100℃的溫度平臺，這與肉丸的情況不同：在變熟之前，核心溫度從初始溫度連續(xù)地增加到約70℃。此外，將被預測的狀態(tài)變量也可以根據(jù)為對應類型的食物建立的不同模型而不同。

如果模型的參數(shù)已經(jīng)通過合適的實驗訓練，一般訓練的模型可以在大多數(shù)情況下以足夠的精度預測食物的核心溫度。然而，仍然可能存在模型的預測偏離實驗的情況。該適應改進了用于實際食物和加熱系統(tǒng)的預訓練模型，從而提供魯棒性更佳的烹飪控制。

在下面的示例中，初始核心溫度為12.8℃、初始質(zhì)量為273.2g的肉丸(每個肉丸的質(zhì)量為約27.3g)在飛利浦空氣炸鍋中加熱。炸溫被選擇為200℃。如等式(17)和(18)建立的模型用于預測核心溫度。模型的參數(shù)是通過在空氣炸鍋中炸肉球來預訓練的，

k＝7.3880e-6

a＝4.6247e4

為了引入模型與實際系統(tǒng)之間的差異，將一定誤差δ添加到參數(shù)k(增加20％)。

如預測和測量的肉球的核心溫度和質(zhì)量在圖5中示出。

圖5繪制了左側(cè)y軸上的核心溫度(度℃)和右側(cè)y軸上的質(zhì)量(g)和x軸上的時間。

繪圖50是預測的質(zhì)量，繪圖52是實際的質(zhì)量，繪圖54是預測的核心溫度，并且繪圖56是實際的核心溫度。

該故意的誤差意味著預測與實際的核心溫度之間的差非常大。

為了糾正這種情況，采用了上述自適應預測方法。參數(shù)k根據(jù)等式(16)進行調(diào)整，其中因子μ取為6.5e-12。

具有k的調(diào)整值的預測的核心溫度在圖6中示出。

圖6還繪制了左側(cè)y軸上的核心溫度(度℃)和右側(cè)y軸上的質(zhì)量(g)和x軸上的時間。

繪圖60是預測的質(zhì)量，繪圖62是實際的質(zhì)量，繪圖64是預測的核心溫度，并且繪圖66是實際的核心溫度。

核心溫度的預測準確度大為提高(自適應預測之前的均方根誤差：5.9℃，自適應預測后的均方根誤差：2.3℃)。

圖7示出了本發(fā)明的烹飪方法，包括確定食物核心溫度的方法。

在步驟70中，用戶將食物類型以及期望的熟度水平輸入到烹飪裝置的用戶界面。

在步驟72中，用戶輸入食物的起始溫度，或者烹飪裝置可以確定初始食物溫度，假定其始終是恒定的。

在步驟74中，用戶將食物放入烹飪裝置中并開始烹飪周期。

在步驟76中隨時間監(jiān)測質(zhì)量和溫度，可選地以及任何附加參數(shù)，例如用于自適應算法學習過程。

在步驟78中，如果使用自適應算法，則預測附加參數(shù)(其可以是質(zhì)量)，并且測量該附加參數(shù)。如果需要，則更新模型。

在步驟80中，基于模型或更新的模型(如果使用自適應算法)來預測核心溫度。

在步驟82中，確定是否達到目標核心溫度。若不是，則烹飪過程繼續(xù)(步驟76、78、80)，若是，則在步驟84中結(jié)束烹飪序列。

本發(fā)明用于預測核心溫度。然而，其還可以用于烹飪控制的食物表面和體積溫度預測。特別關(guān)注的是使用干加熱的烹飪器具，例如烤箱和空氣炸鍋，盡管其也可以用于油炸鍋。

上面的等式僅為算法提供了一個可能的基礎(chǔ)，并且其他近似和簡化可以導致其他代數(shù)解。這些不會改變基本的發(fā)明概念。

系統(tǒng)利用用于實現(xiàn)定義算法的模型(在上面的示例中示為處理器)和用于控制烹飪周期的控制器?？捎糜诳刂破鞯牟考ǖ幌抻诔Ｒ?guī)微處理器、專用集成電路(ASIC)和現(xiàn)場可編程門陣列(FPGA)。

在各種實施方式中，處理器或控制器可以與一個或多個存儲介質(zhì)相關(guān)聯(lián)，諸如易失性和非易失性計算機存儲器，如RAM、PROM、EPROM和EEPROM。存儲介質(zhì)可以用一個或多個程序編碼，當在一個或多個處理器和/或控制器上執(zhí)行時，以所需功能執(zhí)行。各種存儲介質(zhì)可以固定在處理器或控制器內(nèi)，或者可以是可傳輸?shù)?，使得存儲在其上的一個或多個程序可以被加載到處理器或控制器中。

通過研究附圖、公開內(nèi)容和所附權(quán)利要求，本領(lǐng)域技術(shù)人員在實踐要求保護的本發(fā)明時可以理解和實現(xiàn)所公開的實施例的其他變型。在權(quán)利要求中，詞語“包括”不排除其他元件或步驟，并且不定冠詞“一”或“一個”不排除多個。在相互不同的從屬權(quán)利要求中陳述某些措施的事實并不表示不能有利地使用這些措施的組合。權(quán)利要求中的任何附圖標記不應被解釋為限制范圍。