JPH0556862A - Cooker - Google Patents
CookerInfo
- Publication number
- JPH0556862A JPH0556862A JP21986891A JP21986891A JPH0556862A JP H0556862 A JPH0556862 A JP H0556862A JP 21986891 A JP21986891 A JP 21986891A JP 21986891 A JP21986891 A JP 21986891A JP H0556862 A JPH0556862 A JP H0556862A
- Authority
- JP
- Japan
- Prior art keywords
- temperature
- food
- cooking
- neural network
- heating chamber
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
Landscapes
- Control Of Resistance Heating (AREA)
- Baking, Grill, Roasting (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、電子レンジ、ガスオー
ブン、ロースターなどにおいて自動調理を行う調理器具
に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a cooking utensil for automatically cooking in a microwave oven, a gas oven, a roaster or the like.
【０００２】[0002]
【従来の技術】従来、この種の調理器具、たとえば電気
ロースターは図１１に示すように構成されていた。以
下、その構成について説明する。2. Description of the Related Art Conventionally, a cooking utensil of this kind, for example, an electric roaster has been constructed as shown in FIG. The configuration will be described below.
【０００３】図に示すように、加熱室１は調理物を入れ
て調理するもので、調理物を加熱する加熱供給手段（ヒ
ータ）２を設け、内部温度を検出するサーミスタなどか
らなる温度検出手段３を設けている。制御手段４は温度
検出手段３からの情報で加熱供給手段２を制御するもの
である。このような構成で自動調理するために、調理物
の重量、初期温度などを知る必要がある。そのために電
源投入時から数分間の温度検出手段３の出力電圧勾配を
測定し、勾配が急であれば調理物の重量が軽く、勾配が
緩やかであれば重量が重いと判断し、その電圧勾配にあ
る定数Ｋを乗じた時間を最適調理時間としていた。温度
検出手段３の出力電圧特性を図１２に示している。図１
２（ａ）は重量が軽いもの、図１２（ｂ）は重量が重い
ものである。そして非常に多くの調理実験をしてその定
数を決定していた。As shown in the figure, a heating chamber 1 is for cooking food by putting it in it. A heating supply means (heater) 2 for heating the food is provided and a temperature detecting means such as a thermistor for detecting the internal temperature. 3 is provided. The control means 4 controls the heating supply means 2 based on the information from the temperature detection means 3. In order to automatically cook with such a configuration, it is necessary to know the weight of the food and the initial temperature. Therefore, the output voltage gradient of the temperature detecting means 3 is measured for several minutes after the power is turned on, and if the gradient is steep, it is determined that the weight of the food is light, and if the gradient is gentle, the weight is heavy, and the voltage gradient is determined. The optimum cooking time was determined by multiplying the constant K by The output voltage characteristic of the temperature detecting means 3 is shown in FIG. Figure 1
2 (a) has a light weight, and FIG. 12 (b) has a heavy weight. And I did a lot of cooking experiments and decided the constant.
【０００４】[0004]
【発明が解決しようとする課題】このような従来の調理
器具（ここでは、ロースター）では、加熱室１内の雰囲
気温度の勾配を検出して、それをもとに調理物（たとえ
ば、魚焼き）の重量を判断し調理時間を決定していたた
め、調理の出来上りにかなりのばらつきがあった。たと
えば、加熱室１内の初期温度が常に低いとは限らず、調
理を終えた後ですぐに調理をした場合には、加熱室１内
の初期温度は非常に高いものとなる。この場合、重量の
重い調理物を調理した場合、温度検出手段３の出力電圧
特性は図１３のようになり、加熱室１内の温度は一瞬低
下する。これは、調理を開始しても加熱室１内の温度が
高いために、調理物に加熱室１内の熱が吸収されるため
である。このような場合、前記した方法では最適調理時
間を決定するのは困難であった。また、加熱供給手段２
はヒータで構成しているので、商用電源電圧の変動によ
り、調理の出来上がりにかなりの影響を与える。つま
り、調理を開始するときの環境（調理物の種類、加熱室
１の初期温度、調理物の初期温度、電源電圧など）によ
り、調理の出来上りがかなりばらつくという問題を有し
ていた。さらに、魚などの焼きばえという点に関して
は、表面の焼き上がり状態も重要であるが、魚内部の温
度上昇も６０〜７０℃が最もよいとされている。この点
を考慮して、表面の焼け具合いと内部の温度上昇の面か
ら調理の出来上りを検出するのは非常に困難であるとい
う課題を有していた。In such a conventional cooking utensil (here, a roaster), the gradient of the ambient temperature in the heating chamber 1 is detected, and the cooking product (for example, fish grill) is detected based on the gradient. The cooking time was decided by judging the weight of), so there was considerable variation in the completion of cooking. For example, the initial temperature in the heating chamber 1 is not always low, and when cooking is performed immediately after finishing the cooking, the initial temperature in the heating chamber 1 becomes very high. In this case, when a heavy food is cooked, the output voltage characteristic of the temperature detecting means 3 becomes as shown in FIG. 13, and the temperature in the heating chamber 1 drops for a moment. This is because even if cooking is started, the temperature in the heating chamber 1 is high, and thus the heat in the heating chamber 1 is absorbed by the food. In such a case, it was difficult to determine the optimum cooking time by the above method. Also, the heating supply means 2
Since is composed of a heater, fluctuations in commercial power supply voltage will have a considerable effect on the completion of cooking. In other words, there is a problem that the completion of cooking varies considerably depending on the environment at the time of starting cooking (type of food, initial temperature of heating chamber 1, initial temperature of food, power supply voltage, etc.). Further, in terms of the burning of fish and the like, the baked state of the surface is also important, but the temperature rise inside the fish is said to be best at 60 to 70 ° C. In consideration of this point, there is a problem that it is very difficult to detect the completion of cooking from the aspect of surface burning and temperature rise inside.
【０００５】本発明は上記課題を解決するもので、調理
物の温度を現実に計測・検出できる加熱室内の環境物理
量で実時間で推定し、調理物の出来上りを間接的に検出
し、調理の出来上り状態をよくすることを目的としてい
る。The present invention solves the above problems by estimating the temperature of cooked food in real time with the physical quantity of the environment in the heating chamber, which can actually measure and detect the cooked food, and indirectly detects the completion of the cooked food. The purpose is to improve the finished state.
【０００６】[0006]
【課題を解決するための手段】本発明は上記目的を達成
するために、調理するために調理物を格納する加熱室
と、前記調理物を加熱する加熱供給手段と、前記加熱室
内の環境を検出する環境物理量検出手段と、前記環境物
理量検出手段の出力に基づき前記調理部の表面温度、中
心温度、裏面温度の内、少なくともいずれか１つを推定
する温度推定手段と、前記温度推定手段の出力に基づき
前記加熱供給手段を制御する制御手段とを備え、温度推
定手段は、複数の神経素子より構成される神経回路網を
模した手法により獲得された調理物の温度を推定する固
定された神経回路網の複数の結合重み係数を内部に持つ
階層型の神経回路網模式手段を備えたことを課題解決手
段としている。In order to achieve the above-mentioned object, the present invention provides a heating chamber for storing food to be cooked, a heating supply means for heating the food, and an environment in the heating chamber. An environmental physical quantity detecting means for detecting; a temperature estimating means for estimating at least one of the surface temperature, the central temperature and the back surface temperature of the cooking section based on the output of the environmental physical quantity detecting means; The temperature estimation means comprises a control means for controlling the heating supply means based on the output, and the temperature estimation means estimates the temperature of the cooked food obtained by a method simulating a neural network composed of a plurality of neural elements. The problem solving means is provided with a hierarchical neural network schematic means having a plurality of connection weight coefficients of the neural network therein.
【０００７】[0007]
【作用】本発明は上記した課題解決手段により、環境物
理量検出手段からの加熱室内の環境情報を温度推定手段
に入力することにより、実際に調理される実調理環境を
すべて学習し、内部に固定された結合重み係数として持
つ神経回路網模式手段を有する温度推定手段は、調理物
の表面温度、中心温度、裏面温度の内、少なくともいず
れか１つを時々刻々推定していく。制御手段は温度推定
手段の出力に基づき加熱供給手段（電気ロースターでは
ヒータ）を制御し、調理物の温度上昇を間接的に検出し
ていくことにより、調理の最適な出来上りを確認でき
る。According to the present invention, by the above-mentioned means for solving the problems, by inputting the environmental information in the heating chamber from the environmental physical quantity detecting means to the temperature estimating means, all the actual cooking environments to be actually cooked are learned and fixed inside. The temperature estimation means having the neural network model means having the combined weighting coefficient is used to estimate at least one of the surface temperature, the center temperature, and the back surface temperature of the cooking product moment by moment. The control means controls the heating supply means (heater in the electric roaster) on the basis of the output of the temperature estimation means, and indirectly detects the temperature rise of the cooked food, thereby confirming the optimum cooking completion.
【０００８】[0008]
【実施例】以下、本発明の一実施例を電気ロースターに
ついて図１および図２を参照しながら説明する。なお、
従来例と同じ構成のものは同一符号を付して説明を省略
する。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS An electric roaster according to an embodiment of the present invention will be described below with reference to FIGS. In addition,
The same components as those of the conventional example are designated by the same reference numerals and the description thereof will be omitted.
【０００９】図に示すように、環境物理量検出手段５
は、加熱室１内の環境を検出するもので、本実施例で
は、サーミスタなどで構成して加熱室１内の雰囲気温度
を検出する。電圧レベル検出手段６は商用電源電圧の電
圧レベルを検出すのものである。計時手段７は電源投入
時よりの時間をカウントする。操作手段８は調理物のカ
テゴリーを選択するカテゴリー選択キー９と調理開始・
停止を行なう調理キー１０とで構成している。温度推定
手段１１は、環境物理量検出手段５、電圧レベル検出手
段６、計時手段７およびカテゴリー選択キー９の出力に
基づき調理物の表面温度、中心温度、裏面温度を推定す
るものであり、制御手段１２は、温度推定手段１１の出
力に基づき加熱供給手段２を制御する。表示手段１３は
蛍光表示管よりなり、調理の残り時間などを表示する。
また、Ａ／Ｄ変換手段１４，１５はそれぞれ環境物理量
検出手段５および電圧レベル検出手段６の出力をディジ
タル量に変換するものである。操作手段８と表示手段１
３は図２のように構成している。As shown in the figure, the environmental physical quantity detection means 5
Is for detecting the environment inside the heating chamber 1, and in the present embodiment, is constituted by a thermistor or the like to detect the ambient temperature inside the heating chamber 1. The voltage level detecting means 6 detects the voltage level of the commercial power supply voltage. The time counting means 7 counts the time elapsed since the power was turned on. The operation means 8 is a category selection key 9 for selecting a category of food and cooking start /
It is composed of a cooking key 10 for stopping. The temperature estimation means 11 estimates the surface temperature, center temperature, and back surface temperature of the cooked food based on the outputs of the environmental physical quantity detection means 5, the voltage level detection means 6, the timing means 7, and the category selection key 9, and the control means. Reference numeral 12 controls the heating supply means 2 based on the output of the temperature estimation means 11. The display means 13 comprises a fluorescent display tube and displays the remaining cooking time and the like.
Further, the A / D converting means 14 and 15 convert the outputs of the environmental physical quantity detecting means 5 and the voltage level detecting means 6, respectively, into digital quantities. Operation means 8 and display means 1
3 is configured as shown in FIG.
【００１０】温度推定手段１１を構成する手段は、従来
の制御手法に用いられている解決的な方法が適用できな
いため、多次元情報処理手法として最適な神経回路網を
模した方法で構成している。神経回路網を模した手法に
おいては、調理物の温度（表面温度、中心温度、裏面温
度）を推定する神経回路網の複数の結合重み係数を固定
されたテーブルとして用いる方法と、学習機能を残し環
境と使用者に適応できるようにする方法とがある。本実
施例は、神経回路網を模した手法によって獲得された調
理物の温度を推定する固定された結合重み係数を内部に
もつ神経回路網模式手段を有する温度推定手段１１を設
けている。Since the solving means used in the conventional control method cannot be applied to the means constituting the temperature estimating means 11, it is constructed by a method simulating an optimal neural network as a multidimensional information processing method. There is. In the method that imitates the neural network, a method of using a plurality of connection weight coefficients of the neural network for estimating the temperature (surface temperature, central temperature, back surface temperature) of the cooked food as a fixed table and leaving the learning function There are ways to adapt to the environment and users. The present embodiment is provided with a temperature estimating means 11 having a neural network model means having therein a fixed coupling weighting coefficient for estimating the temperature of a food item obtained by a method simulating a neural network.
【００１１】調理物の出来上りに影響を与える要因とし
ては、加熱室内の初期温度、調理物の初期温度、調理物
の種類（カテゴリー）、商用電源の電圧レベルなどがあ
る。それらの要因によって調理物の出来上りを大きく変
動する。Factors that affect the completion of the cooked food include the initial temperature in the heating chamber, the initial temperature of the cooked food, the type (category) of the cooked food, and the voltage level of the commercial power supply. Due to these factors, the finished product of the cooked food varies greatly.
【００１２】調理物の温度を推定する神経回路網におい
て固定された結合重み係数は、実際に調理するときの環
境（前記した要因のいろいろ組み合わせた環境）におい
て調理した場合、調理物の表面温度、中心温度、裏面温
度と加熱室内の雰囲気温度がどのように変化するかとい
うデータを収集し、環境データと加熱室内の雰囲気温度
データと調理物の温度（表面、中心、裏面）データとの
相関を神経回路網模式手段に学習させることによって得
ることができる。用いるべき神経回路網模式手段として
は、文献１（Ｄ．Ｅ．ラメルハート他２名著、甘利俊一
監訳「ＰＤＰモデル」１９８９年）、文献２（中野馨他
７名著「ニューロコンピュータの基礎」（株）コロナ社
刊、Ｐ１０２、１９９０年）、特公昭６３−５５１０６
号公報などに示されたものがある。以下、文献１に記載
された最もよく知られた学習アルゴリズムとして誤差逆
伝搬法を用いた多層パーセプトロンを例にとり、具体的
な神経回路網模式手段の構成および動作について説明す
る。The fixed weighting coefficient fixed in the neural network for estimating the temperature of the cooked food is the surface temperature of the cooked food when cooked in the actual cooking environment (environment in which various factors described above are combined). Collect data on how the center temperature, backside temperature, and ambient temperature in the heating chamber change, and correlate environmental data, ambient temperature data in the heating chamber, and cooking product temperature (front, center, backside) data. It can be obtained by learning the neural network model means. As a neural network schematic means to be used, reference 1 (DE Ramelhart et al., 2 authors, "PDP model" translated by Shunichi Amari, 1989), reference 2 (Kaoru Nakano, 7 authors, "Basics of Neurocomputer") Published by Corona, P102, 1990), JP-B-63-55106
Some of them are disclosed in the official gazette. Hereinafter, the configuration and operation of a concrete neural network schematic means will be described by taking a multilayer perceptron using an error backpropagation method as the most well-known learning algorithm described in Document 1 as an example.
【００１３】図３は、神経回路網模式手段の構成単位と
なる神経素子の概念図である。図３において、２１〜２
Ｎは神経のシナプス結合を模擬する疑似シナプス結合変
換器であり、２ａは疑似シナプス結合変換器２１〜２Ｎ
からの出力を加算する加算器であり、２ｂは設定された
非線形関数、たとえば、しきい値をｈとするシグモイド
関数、 ｆ（ｙ，ｈ）＝１／（１＋ｅｘｐ（−ｙ＋ｈ）） （式１） によって加算器２ａの出力を非線型変換する非線形変換
器である。なお、図面が煩雑になるので省略したが、修
正手段からの修正信号を受ける入力線が疑似シナプス結
合変換器２１〜２Ｎと非線形変換器２ｂにつながってい
る。また、疑似シナプス結合変換器２１〜２Ｎが神経回
路網模式手段の結合重み係数となる。この神経素子に
は、信号処理モードと学習モードの２つの種類の動作モ
ードがある。FIG. 3 is a conceptual diagram of a neural element which is a constituent unit of the neural network model means. In FIG. 3, 21 to 2
N is a pseudo synapse coupling converter simulating synaptic coupling of nerves, and 2a is pseudo synapse coupling converters 21 to 2N.
2b is a set nonlinear function, for example, a sigmoid function whose threshold is h, f (y, h) = 1 / (1 + exp (-y + h)) (Equation 1 ) Is a non-linear converter for nonlinearly converting the output of the adder 2a. Although omitted because the drawing is complicated, an input line for receiving a correction signal from the correction means is connected to the pseudo synapse coupling converters 21 to 2N and the non-linear converter 2b. Further, the pseudo synapse coupling converters 21 to 2N serve as coupling weight coefficients of the neural network schematic means. This neural element has two types of operation modes, a signal processing mode and a learning mode.
【００１４】以下、図３に基づいて神経素子のそれぞれ
のモードの動作について説明する。まず、信号処理モー
ドの動作の説明をする。神経素子はＮ個の入力Ｘ１〜Ｘ
ｎを受けて１つの出力を出す。ｉ番目の入力信号Ｘｉ
は、四角で示されたｉ番目の疑似シナプス結合変換器２
ｉにおいてＷｉ・Ｘｉに変換される。疑似シナプス結合
変換器２１〜２Ｎで変換されたＮ個の信号Ｗ１・Ｘ１〜
Ｗｎ・Ｘｎは加算器２ａに入り、加算結果ｙが非線形変
換器２ｂに送られ、最終出力ｆ（ｙ，ｈ）となる。つぎ
に、学習モードの動作について説明する。学習モードで
は、疑似シナプス結合変換器２１〜２Ｎと非線形変換器
２ｂの変換パラメータＷ１〜Ｗｎとｈを、修正手段から
の変換パラメータの修正量△Ｗ１〜Ｗｎと△ｈを表す修
正信号を受けて、 Ｗｉ＋△Ｗｉ ； ｉ＝１，２，・・ ，Ｎ ｈ＋△ｈ （式２） と修正する。The operation of each mode of the neural element will be described below with reference to FIG. First, the operation of the signal processing mode will be described. Neural elements are N inputs X1 to X
It receives n and outputs one output. i-th input signal Xi
Is the i-th pseudo-synaptic coupling converter 2 shown by a square
i is converted to Wi · Xi. N signals W1 · X1 converted by the pseudo synapse coupling converters 21 to 2N
Wn · Xn enters the adder 2a, the addition result y is sent to the nonlinear converter 2b, and becomes the final output f (y, h). Next, the operation of the learning mode will be described. In the learning mode, the conversion parameters W1 to Wn and h of the pseudo synapse coupling converters 21 to 2N and the non-linear converter 2b are received by the correction signal indicating the correction amounts ΔW1 to Wn and Δh of the conversion parameters from the correction means. , Wi + ΔWi; i = 1, 2, ..., N h + Δh (formula 2).
【００１５】図４は上記神経素子を４つ並列についなで
構成した信号変換手段の概念図である。いうまでもな
く、以下の説明は、この信号変換手段を構成する神経素
子の個数を４個に特定するものではない。図４におい
て、２１１〜２４４は疑似シナプス結合変換器であり、
２０１〜２０４は、図３で説明した加算器２ａと非線形
変換器２ｂをまとめた加算非線形変換器である。図４に
おいて、図３と同様に図面が煩雑になるので省略した
が、修正手段からの修正信号を受ける入力線が疑似シナ
プス結合変換器２１１〜２４４と加算非線形変換器２０
１〜２０４につながっている。疑似シナプス結合変換器
２１１〜２４４も結合重み係数となる。この信号変換手
段の動作については、図３で説明した神経素子の動作が
並列してなされるものである。FIG. 4 is a conceptual diagram of a signal converting means constructed by connecting four neural elements in parallel. Needless to say, the following description does not specify that the number of neural elements constituting this signal converting means is four. In FIG. 4, 211 to 244 are pseudo synapse coupling converters,
201 to 204 are addition nonlinear converters that combine the adder 2a and the nonlinear converter 2b described in FIG. 4, the illustration is omitted because the drawing is complicated as in FIG. 3, but the input lines for receiving the correction signal from the correction means are pseudo synapse coupling converters 211 to 244 and an addition nonlinear converter 20.
It is connected to 1-204. The pseudo synapse coupling converters 211 to 244 also serve as coupling weight coefficients. Regarding the operation of this signal conversion means, the operation of the neural element described in FIG. 3 is performed in parallel.
【００１６】図５は、学習アルゴリズムとして誤差逆伝
搬法を採用した場合の信号処理手段の構成を示したブロ
ック図で、３１は上述の信号変換手段である。ただし、
ここではＮ個の入力を受ける神経素子がＭ個並列に並べ
られたものである。３２は学習モードにおける信号変換
手段３１の修正量を算出する修正手段である。以下、図
５に基づいて信号処理手段の学習を行う場合の動作につ
いて説明する。信号変換手段３１はＮ個の入力Ｓ
in（Ｘ）を受け、Ｍ個の出力Ｓout （Ｘ）を出力する。
修正手段３２は、入力信号Ｓin（Ｘ）と出力信号Ｓout
（Ｘ）とを受け、誤差計算手段または後段の信号変換手
段からのＭ個の誤差信号δi （Ｘ）の入力があるまで待
機する。誤差信号δi （Ｘ）が入力され修正量を △Ｗij＝δi （Ｘ）・Ｓiout（Ｘ）・（１−Ｓiout（Ｘ））・Ｓjin （Ｘ） （ｉ＝１〜Ｎ，ｊ＝１〜Ｍ） （式３） と計算し、修正信号を信号変換手段３１に送る。信号変
換手段３１は、内部の神経素子の変換パラメータを上で
説明した学習モードにしたがって修正する。FIG. 5 is a block diagram showing the configuration of the signal processing means when the error back-propagation method is adopted as the learning algorithm, and 31 is the above-mentioned signal converting means. However,
Here, M neural elements for receiving N inputs are arranged in parallel. Reference numeral 32 is a correction means for calculating the correction amount of the signal conversion means 31 in the learning mode. Hereinafter, the operation when learning the signal processing means will be described with reference to FIG. The signal converting means 31 has N inputs S
Upon receiving in (X), it outputs M outputs S out (X).
The correction means 32 includes an input signal S in (X) and an output signal S out.
Upon receiving (X), the process waits until M error signals δ i (X) are input from the error calculating means or the signal converting means in the subsequent stage. The error signal δ i (X) is input and the correction amount is ΔW ij = δ i (X) · S iout (X) · (1−S iout (X)) · S jin (X) (i = 1 to N , J = 1 to M) (formula 3) is calculated, and the correction signal is sent to the signal conversion means 31. The signal conversion means 31 modifies the conversion parameters of the internal neural elements according to the learning mode described above.
【００１７】図６は、神経回路網模式手段を用いた多層
パーセプトロンの構成を示すブロック図であり、３１
Ｘ，３１Ｙ，３１ＺはそれぞれＫ個，Ｌ個，Ｍ個の神経
素子からなる信号変換手段であり、３２Ｘ，３２Ｙ，３
２Ｚは修正手段であり、３３は誤差計算手段である。以
上のように構成された多層パーセプトロンについて、図
６を参照しながらその動作を説明する。信号処理手段３
４Ｘにおいて、信号変換手段３１Ｘは、入力Ｓ
iin （Ｘ）（ｉ＝１〜Ｎ）を受け、出力Ｓjout（Ｘ）
（ｊ＝１〜Ｋ）を出力する。修正手段３２Ｘは、信号Ｓ
iin （Ｘ）と信号Ｓjout（Ｘ）を受け、誤差信号δ
j （Ｘ）（ｊ＝１〜Ｋ）が入力されるまで待機する。以
下同様の処理が、信号処理手段３４Ｙ，３４Ｚにおいて
行なわれ、信号変換手段３１Ｚより最終出力Ｓ
hout（Ｚ）（ｈ＝１〜Ｍ）が出力される。最終出力Ｓ
hout（Ｚ）は、誤差計算手段３３にも送られる。誤差計
算手段３３においては、２乗誤差の評価関数ＣＯＳＴ
（式４）に基づいて理想的な出力Ｔ（Ｔ１，・・・・
・，ＴＭ）との誤差が計算され、誤算信号δh （Ｚ）が
修正手段３２Ｚに送られる。FIG. 6 is a block diagram showing the structure of a multilayer perceptron using a neural network model.
X, 31Y, and 31Z are signal conversion means composed of K, L, and M neural elements, respectively, and 32X, 32Y, and 3 are provided.
2Z is a correction means, and 33 is an error calculation means. The operation of the multi-layer perceptron configured as described above will be described with reference to FIG. Signal processing means 3
In 4X, the signal conversion means 31X receives the input S
Receives iin (X) (i = 1 to N) and outputs S jout (X)
(J = 1 to K) is output. The correction means 32X uses the signal S
The error signal δ is received by receiving iin (X) and the signal S jout (X).
Wait until j (X) (j = 1 to K) is input. Thereafter, the same processing is performed in the signal processing means 34Y and 34Z, and the final output S from the signal converting means 31Z.
hout (Z) (h = 1 to M) is output. Final output S
hout (Z) is also sent to the error calculation means 33. In the error calculating means 33, the square error evaluation function COST
Based on (Equation 4), the ideal output T (T1, ...
, TM) is calculated, and the miscalculated signal δ h (Z) is sent to the correction means 32Z.
【００１８】[0018]
【数１】 [Equation 1]
【００１９】ただし、ηは多層パーセプトロンの学習速
度を定めるパラメータである。つぎに、評価関数を２乗
誤差とした場合には誤差信号は δｈ（Ｚ）＝−η・（Ｓhout（Ｚ）−Ｔh ） （式５） となる。修正手段３２Ｚは、上で説明した手続きにした
がって、信号変換手段３１Ｚの変換パラメータの修正量
△Ｗ（Ｚ）を計算し、修正手段３２Ｙに送る誤差信号を
（式６）に基づき計算し、修正信号△Ｗ（Ｚ）を信号変
換手段３１Ｚに送り、誤差信号δ（Ｙ）を修正手段３２
Ｙに送る。信号変換手段３１Ｚは、修正信号△Ｗ（Ｚ）
に基づいて内部のパラメータを修正する。なお、誤差信
号δ（Ｙ）は（式６）で与えられる。However, η is a parameter that determines the learning speed of the multilayer perceptron. Next, when the evaluation function is a squared error, the error signal is δh (Z) = − η · (S hout (Z) −T h ) (Equation 5). According to the procedure described above, the correction means 32Z calculates the correction amount ΔW (Z) of the conversion parameter of the signal conversion means 31Z, calculates the error signal to be sent to the correction means 32Y based on (Equation 6), and corrects it. The signal ΔW (Z) is sent to the signal converting means 31Z, and the error signal δ (Y) is corrected by the correcting means 32.
Send to Y. The signal converting means 31Z uses the correction signal ΔW (Z).
Modify internal parameters based on. The error signal δ (Y) is given by (Equation 6).
【００２０】[0020]
【数２】 [Equation 2]
【００２１】ここで、。Ｗij（Ｚ）は信号変換手段３１
Ｚの疑似シナプス結合変換器の変換パラメータである。
以下、同様の処理が信号処理手段３４Ｘ，３４Ｙにおい
て行われる。学習と呼ばれる以上の手続きを繰り返し行
うことにより、多層パーセプトロンは入力が与えられる
と理想出力Ｔをよく近似する出力を出すようになる。な
お、上記の説明においては、３段の多層パーセプトロン
を用いたが、これは何段であってもよい。また、文献１
にある信号変換手段のなかの非線形変換手段の変換パラ
メータｈの修正法についてと慣性項として知られる学習
高速化の方法については、説明の簡略化のため省略した
が、この省略は以下に述べる本発明を拘束するものでは
ない。Where: W ij (Z) is the signal conversion means 31
It is a conversion parameter of the pseudo synapse coupling converter of Z.
Hereinafter, similar processing is performed in the signal processing means 34X and 34Y. By repeating the above procedure called learning, the multi-layer perceptron produces an output that closely approximates the ideal output T when given an input. In the above description, the three-stage multi-layer perceptron is used, but this may be any number of stages. In addition, reference 1
The modification method of the conversion parameter h of the non-linear conversion means in the signal conversion means and the method of accelerating learning known as the inertia term are omitted for simplification of the description, but this omission is described below. It does not bind the invention.
【００２２】こうして、神経回路網模式手段は調理をす
るときの環境データ（加熱室内の初期温度、調理物の初
期温度、商用電源電圧レベル、調理物の種類など）と加
熱室内の雰囲気温度データと調理物の温度（表面、中
心、裏面温度）データとの関係を学習し、簡単なルール
で記述することが容易でない制御の仕方を自然な形で表
現することができる。本実施例は、こうして得られた情
報を組み込んで、温度推定手段１１を構成するものであ
る。具体的には、十分学習を終えた後の多層パーセプト
ロンの信号変換手段３１Ｘ，３１Ｙ，３１Ｚのみを神経
回路網模式手段として用いて、温度推定手段１１を構成
する。実際に学習させたデータについて説明する。In this way, the neural network model means uses the environmental data (the initial temperature in the heating chamber, the initial temperature of the cooking product, the commercial power supply voltage level, the type of the cooking product, etc.) when cooking and the ambient temperature data in the heating chamber. By learning the relationship with the temperature (front surface, center, back surface temperature) data of the food, it is possible to express in a natural way the control method that is not easy to describe with simple rules. In this embodiment, the temperature estimation means 11 is configured by incorporating the information thus obtained. Specifically, the temperature estimating means 11 is configured by using only the signal converting means 31X, 31Y, 31Z of the multilayer perceptron after sufficiently learning as the neural network schematic means. The data actually learned will be described.
【００２３】図７は、加熱室１の初期温度が低く、商用
電源電圧１００Ｖ、調理物の種類は鰺１匹、調理物の初
期温度は約１０℃の場合に調理をしたときの特性を示し
たものである。図７（ａ）は環境物理量検出手段５（加
熱室１内の雰囲気温度）の変化を示し、図７（ｂ）は調
理物の表面温度、図７（ｃ）は調理物の中心温度、図７
（ｄ）は調理物の裏面温度の変化を示している。調理物
温度は熱電対などにより測定したものである。図８は、
加熱室１の初期温度が高く、商用電源電圧１００Ｖ、調
理物の種類は鰺１匹、調理物の初期温度は約１０℃の場
合に調理をしたときの特性を示したものである。図９
は、加熱室１の初期温度が低く、商用電源電圧１００
Ｖ、調理物の種類は鰺４匹、調理物の初期温度は約１０
℃の場合に調理をしたときの特性を示したものである。
図１０は、加熱室１の初期温度が高く、商用電源電圧１
００Ｖ、調理物の種類は鰺４匹、調理物の初期温度は約
１０℃の場合に調理をしたときの特性を示したものであ
る。FIG. 7 shows characteristics when cooking is performed when the initial temperature of the heating chamber 1 is low, the commercial power supply voltage is 100 V, the type of food is one eel, and the initial temperature of the food is about 10 ° C. It is a thing. FIG. 7A shows changes in the environmental physical quantity detection means 5 (ambient temperature in the heating chamber 1), FIG. 7B shows the surface temperature of the cooked food, FIG. 7C shows the central temperature of the cooked food, and FIG. 7
(D) has shown the change of the back surface temperature of a cooked material. The cooking temperature is measured with a thermocouple or the like. Figure 8
It shows the characteristics when cooking when the initial temperature of the heating chamber 1 is high, the commercial power supply voltage is 100 V, the type of food is one shark, and the initial temperature of the food is approximately 10 ° C. Figure 9
Indicates that the initial temperature of the heating chamber 1 is low and the commercial power supply voltage is 100
V, the type of food is 4 eels, the initial temperature of the food is about 10
It shows the characteristics when cooked at ℃.
FIG. 10 shows that the heating chamber 1 has a high initial temperature and the commercial power supply voltage 1
00V, the type of cooked food is four eels, and the initial temperature of the cooked food is about 10 ° C., which shows the characteristics when cooking.
【００２４】図８（ａ）〜図８（ｄ）、図９（ａ）〜図
９（ｄ）、図１０（ａ）〜図１０（ｄ）は、図７（ａ）
〜図７（ｄ）にそれぞれ対応している。加熱室１内の初
期温度、調理物の量により環境物理量検出手段５の出力
電圧変化（加熱室１内の雰囲気温度）が異なるのがわか
る。同様に、電源電圧を変化させた場合、調理物の種類
を変えた場合でも、また違った出力の変化をする。この
ような実験を実際調理するときのすべての環境の組み合
せについて同様に行なった。そして、その実験データを
神経回路網模式手段に入力し学習をさせた。つまり、神
経回路網模式手段へは環境物理量検出手段５の加熱室１
内の雰囲気温度情報と、雰囲気温度勾配情報として現時
点より１分前の雰囲気温度情報と、電圧レベル検出手段
６の商用電源電圧レベル情報と、計時手段７より得られ
る電源投入時からの経過時間情報と、カテゴリー選択キ
ー９より得られるカテゴリー情報の５情報と、理想出力
として調理物の表面温度情報、中心温度情報、裏面温度
情報の３情報を入力し学習させ、神経回路網模式手段の
中の信号変換手段３１Ｘ，３１Ｙ，３１Ｚを確立し、そ
れらを神経回路網模式手段として表面温度推定手段１１
に組み込んでいる。FIGS. 8 (a) to 8 (d), 9 (a) to 9 (d), and 10 (a) to 10 (d) are shown in FIG. 7 (a).
~ Corresponds to Fig. 7 (d). It can be seen that the output voltage change (ambient temperature in the heating chamber 1) of the environmental physical quantity detection means 5 varies depending on the initial temperature in the heating chamber 1 and the amount of food. Similarly, when the power supply voltage is changed, or when the type of food is changed, the output changes differently. Such an experiment was carried out in the same manner for all combinations of actual cooking environments. Then, the experimental data was input to the neural network model means for learning. That is, the heating chamber 1 of the environmental physical quantity detection means 5 is connected to the neural network schematic means.
Atmosphere temperature information inside, atmosphere temperature information 1 minute before the present time as atmosphere temperature gradient information, commercial power supply voltage level information of the voltage level detection means 6, and elapsed time information from the time of power-on obtained from the timekeeping means 7. And 5 pieces of category information obtained from the category selection key 9 and 3 pieces of information of the surface temperature, the central temperature information and the back surface temperature of the cooking product as ideal outputs are input and learned, and the neural network model means The signal temperature conversion means 31X, 31Y and 31Z are established, and the surface temperature estimation means 11 is used as the neural network schematic means.
Is incorporated into.
【００２５】つぎに、図１に示したシステム構成図に基
づき動作を説明する。まず、調理物を加熱室１内に入
れ、操作手段８の内、カテゴリー選択キー９により調理
カテゴリーを選択する。そして調理キー１０により調理
を開始する。カテゴリー情報は、制御手段１２を介して
温度推定手段１１に入力される。制御手段１２は計時手
段７に計時開始の信号を出力するとともに、加熱供給手
段２を発熱させるように加熱開始信号を出力する。計時
手段７の計時情報は温度推定手段１１に入力されてい
る。そして、加熱室１内の環境物理量情報（雰囲気温度
情報）は環境物理量検出手段５の出力がＡ／Ｄ変換手段
１４でディジタル変換され、時々刻々温度推定手段１１
に入力している。また、電圧レベル検出手段６からの商
用電源電圧の電圧レベル情報は、Ａ／Ｄ変換手段１５で
ディジタル変換され温度推定手段１１に入力されてい
る。温度推定手段１１は、これらの入力された信号・情
報をもとに調理物の表面温度、中心温度、裏面温度を時
々刻々推定し、その情報を制御手段１２に出力してい
る。制御手段１２は、この推定温度情報に基づき加熱供
給手段２を制御する。Next, the operation will be described based on the system configuration diagram shown in FIG. First, the food to be cooked is placed in the heating chamber 1, and the cooking category is selected by the category selection key 9 of the operation means 8. Then, cooking is started with the cooking key 10. The category information is input to the temperature estimation means 11 via the control means 12. The control means 12 outputs a signal to start timing to the timing means 7 and also outputs a heating start signal to cause the heating supply means 2 to generate heat. The timing information of the timing means 7 is input to the temperature estimation means 11. Then, the environmental physical quantity information (atmosphere temperature information) in the heating chamber 1 is digitally converted from the output of the environmental physical quantity detection means 5 by the A / D conversion means 14, and the temperature estimation means 11 is added every moment.
Are typing in. Further, the voltage level information of the commercial power supply voltage from the voltage level detecting means 6 is digitally converted by the A / D converting means 15 and input to the temperature estimating means 11. The temperature estimating means 11 estimates the surface temperature, the center temperature, and the back surface temperature of the food item on the basis of these input signals and information momentarily, and outputs the information to the control means 12. The control means 12 controls the heating supply means 2 based on this estimated temperature information.
【００２６】また、計時手段７、温度推定手段１１、制
御手段１２は、すべて４ビットマイクロコンピュータで
構成したが、これらは１つのマイクロコンピュータで構
成することはもちろん可能である。なお、温度推定手段
１１には、環境物理量検出手段５の温度勾配情報（現時
点と１分前の２情報）と、電圧レベル検出手段６より得
られる商用電源電圧の電圧レベル情報と、計時手段７よ
り得られる電源投入時からの経過時間情報、カテゴリー
選択キー９より得られる調理物のカテゴリー情報の５情
報を入力しているが、この限定は本発明を拘束するもの
ではない。また、環境物理量情報として雰囲気温度情報
を用いたが、煙情報、焦げ目の色情報、湿度情報、蒸気
情報など、またはこれらの組み合せでも適用できること
はいうまでもない。また、本実施例では、調理器具とし
て電気ロースターを用いたが、電子レンジ、ガスオーブ
ンなどでもよく、特に、電子レンジにおいては、調理物
の解凍調理をするときには最適である。つまり、調理物
の温度が推定できるので、固体（氷）から液体（水）へ
の相転移が生じる近辺（０℃付近）で調理を終了させれ
ばよいのである。このときの環境物量理情報としては、
雰囲気温度でもよく、調理物の電波の吸収量（電界強
度）情報が最適である。Further, the clocking means 7, the temperature estimating means 11, and the control means 12 are all constructed by a 4-bit microcomputer, but it is of course possible to construct them by one microcomputer. It should be noted that the temperature estimation means 11 includes temperature gradient information of the environmental physical quantity detection means 5 (two pieces of information at the present time and one minute ago), voltage level information of the commercial power supply voltage obtained from the voltage level detection means 6, and the time counting means 7. Five pieces of information, namely, elapsed time information after turning on the power source and category information of the cooking product obtained from the category selection key 9 are input, but this limitation does not restrict the present invention. Further, although the ambient temperature information is used as the environmental physical quantity information, it goes without saying that smoke information, burn color information, humidity information, steam information, or a combination thereof can also be applied. Further, in the present embodiment, the electric roaster is used as the cooking utensil, but a microwave oven, a gas oven or the like may be used. Particularly, in the microwave oven, it is most suitable when the food is thawed. In other words, since the temperature of the cooked product can be estimated, it suffices to finish the cooking in the vicinity of the phase transition from solid (ice) to liquid (water) (around 0 ° C.). At this time, as the environmental physical quantity information,
The ambient temperature may be sufficient, and the information on the absorption amount of electric waves (electric field strength) of the food is optimal.
【００２７】以上のように本実施例によれば、実際に調
理する加熱室内の環境下で既に学習された神経回路網の
複数の固定結合重み係数を有する神経回路網模式手段を
組み込んだ温度推定手段を備えた構成としているので、
調理物の出来上り状態が表面温度、中心温度、裏面温度
で検出することができ、従来例に比べて調理状態をよく
することができ、最適な自動調理が実現できる。As described above, according to the present embodiment, the temperature estimation incorporating the neural network model means having a plurality of fixed coupling weight coefficients of the neural network already learned in the environment of the heating chamber where the cooking is actually performed Since it is configured with means,
The finished state of the cooked food can be detected by the surface temperature, the center temperature, and the backside temperature, and the cooked state can be improved as compared with the conventional example, and optimal automatic cooking can be realized.
【００２８】[0028]
【発明の効果】以上の実施例から明らかなように本発明
によれば、調理するために調理物を格納する加熱室と、
前記調理物を加熱する加熱供給手段と、前記加熱室内の
環境を検出する環境物理量検出手段と、前記環境物理量
検出手段の出力に基づき前記調理物の温度を推定する温
度推定手段と、前記温度推定の出力に基づき前記加熱供
給手段を制御する制御手段とを備えたから、調理物の出
来上り状態を認識できる調理物の実温度を間接的に検出
でき、従来行われていた雰囲気温度などの勾配より最適
調理時間を決定していたものに比べ、調理の出来上り状
態をよくすることができる。As is apparent from the above embodiments, according to the present invention, there is provided a heating chamber for storing food to be cooked,
Heating supply means for heating the cooked food, environmental physical quantity detection means for detecting the environment in the heating chamber, temperature estimation means for estimating the temperature of the cooked food based on the output of the environmental physical quantity detection means, and the temperature estimation Since it has a control means for controlling the heating supply means based on the output of the above, it is possible to indirectly detect the actual temperature of the cooked food that can recognize the finished state of the cooked food, and it is more suitable than the conventional gradient such as the ambient temperature. Compared to the one that decided the cooking time, the finished state of cooking can be improved.
【００２９】また、温度推定手段は、調理物の表面温
度、中心温度、裏面温度の内、少なくともいずれか１つ
を推定するようにしたから、調理物の表面から内部まで
全体の出来上り状態がわかる。Further, since the temperature estimating means estimates at least one of the surface temperature, the central temperature and the back surface temperature of the cooked food, the whole finished state of the cooked food from the surface to the inside can be known. ..
【００３０】さらに、温度推定手段は、複数の神経素子
より構成される神経回路網を模した手法により獲得され
た調理物の温度（表面温度、中心温度、裏面温度）を推
定する固定された神経回路網の複数の結合重み係数を内
部に持つ神経回路網模式手段を備え、または、複数の神
経素子より構成される層が多層組み合わされて構築され
る階層型の神経回路網模式手段を備えたから、加熱室内
の初期温度、調理物の初期温度、調理物の量などにかか
わらず調理物の温度推定ができ、自動調理が可能とな
る。Further, the temperature estimation means is a fixed nerve for estimating the temperature (surface temperature, central temperature, back surface temperature) of the food obtained by a method simulating a neural network composed of a plurality of neural elements. Since the neural network model means having a plurality of coupling weight coefficients of the network therein is provided, or the hierarchical neural network model means constructed by combining layers composed of a plurality of neural elements in multiple layers is provided. The temperature of the cooked food can be estimated regardless of the initial temperature in the heating chamber, the initial temperature of the cooked food, the amount of the cooked food, etc., and automatic cooking is possible.
【００３１】また、環境物理量検出手段は、加熱室内の
雰囲気温度を検出する温度検出手段を備え、その温度検
出手段では間接的に調理物の温度を推定するので、調理
物の温度を実際に検出センサ（たとえば、調理物の表面
温度を非接触で測定する焦電型赤外線センサや、調理物
に直接接触させる温度センサ）を用いる必要がなく、コ
スト低減ができる。Further, the environmental physical quantity detecting means is provided with a temperature detecting means for detecting the ambient temperature in the heating chamber. Since the temperature detecting means indirectly estimates the temperature of the cooked food, the temperature of the cooked food is actually detected. Since it is not necessary to use a sensor (for example, a pyroelectric infrared sensor that measures the surface temperature of a food product in a non-contact manner or a temperature sensor that directly contacts the food product), the cost can be reduced.
【図１】本発明の一実施例の調理器具のシステム構成図FIG. 1 is a system configuration diagram of a cookware according to an embodiment of the present invention.
【図２】同調理器具の操作部と表示部の正面図FIG. 2 is a front view of an operation unit and a display unit of the cooking utensil.
【図３】同調理器具に用いた神経回路網模式手段の構成
単位となる神経素子の概念図FIG. 3 is a conceptual diagram of a neural element that is a constituent unit of a neural network schematic means used in the cooking utensil.
【図４】同調理器具に用いた神経素子で構成した信号変
換信号手段の概念図FIG. 4 is a conceptual diagram of a signal conversion signal means composed of neural elements used in the cooking utensil.
【図５】同調理器具に用いた学習アルゴリズムとして誤
差逆伝搬法を採用した信号処理手段のブロック図FIG. 5 is a block diagram of a signal processing unit that employs an error backpropagation method as a learning algorithm used for the cooking utensil.
【図６】同調理器具に用いた神経回路網模式手段を用い
た多層パーセプトロンの構成を示すブロック図FIG. 6 is a block diagram showing a configuration of a multilayer perceptron using a neural network schematic means used in the cooking utensil.
【図７】（ａ）〜（ｄ） 同調理器具の実験データの一
例を示す図7A to 7D are diagrams showing an example of experimental data of the cooking utensil.
【図８】（ａ）〜（ｄ） 同調理器具の実験データの他
の例を示す図8A to 8D are views showing another example of the experimental data of the cooking utensil.
【図９】（ａ）〜（ｄ） 同調理器具の実験データの他
の例を示す図9A to 9D are diagrams showing another example of experimental data of the cooking utensil.
【図１０】（ａ）〜（ｄ） 同調理器具の実験データの
他の例を示す図FIG. 10 (a) to (d) are views showing another example of experimental data of the cooking utensil.
【図１１】従来の調理器具のシステム構成図FIG. 11 is a system configuration diagram of a conventional cooking utensil.
【図１２】（ａ），（ｄ） 同調理器具の実験データの
一例を示す図FIG. 12 (a) and (d) are views showing an example of experimental data of the cooking appliance.
【図１３】同調理器具の実験データの他の例を示す図FIG. 13 is a diagram showing another example of experimental data of the cooking utensil.
１ 加熱室 ２ 加熱供給手段 ５ 環境物理量検出手段 １１ 温度推定手段 １２ 制御手段 DESCRIPTION OF SYMBOLS 1 Heating chamber 2 Heating supply means 5 Environmental physical quantity detection means 11 Temperature estimation means 12 Control means
───────────────────────────────────────────────────── フロントページの続き (72)発明者 中 基孫 神奈川県川崎市多摩区東三田３丁目10番１ 号 松下技研株式会社内 ─────────────────────────────────────────────────── ─── Continuation of the front page (72) Inventor Nakason Son 10-1 Higashisanda, Tama-ku, Kawasaki-shi, Kanagawa Matsushita Giken Co., Ltd.
Claims (5)
と、前記調理物を加熱する加熱供給手段と、前記加熱室
内の環境を検出する環境物理量検出手段と、前記環境物
理量検出手段の出力に基づき前記調理物の温度を推定す
る温度推定手段と、前記温度推定手段の出力に基づき前
記加熱供給手段を制御する制御手段とを備えた調理器
具。1. A heating chamber for storing food for cooking, a heating supply means for heating the food, an environmental physical quantity detecting means for detecting an environment in the heating chamber, and an output of the environmental physical quantity detecting means. A cooking utensil comprising a temperature estimating means for estimating the temperature of the cooked food based on the above, and a control means for controlling the heating and supplying means based on the output of the temperature estimating means.
温度、裏面温度の内、少なくともいずれか１つを推定す
るようにした請求項１記載の調理器具。2. The cooking utensil according to claim 1, wherein the temperature estimating means estimates at least one of a surface temperature, a center temperature and a back surface temperature of the food.
される神経回路網を模した手法により獲得された調理物
の温度を推定する固定された神経回路網の複数の結合重
み係数を内部に持つ神経回路網模式手段を備えた請求項
１記載の調理器具。3. The temperature estimating means internally includes a plurality of coupling weight coefficients of a fixed neural network for estimating a temperature of a food obtained by a method simulating a neural network composed of a plurality of neural elements. 2. The cooking utensil according to claim 1, further comprising a neural network model means included in.
される層が多層組み合わされて構築される階層型の神経
回路網模式手段を備えた請求項１記載の調理器具。4. The cooking utensil according to claim 1, wherein the temperature estimation means comprises a hierarchical neural network schematic means constructed by combining layers composed of a plurality of neural elements in multiple layers.
温度を検出する温度検出手段を備えた請求項１記載の調
理器具。5. The cooking utensil according to claim 1, wherein the environmental physical quantity detecting means includes a temperature detecting means for detecting an ambient temperature in the heating chamber.
Priority Applications (7)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP03219868A JP3088506B2 (en) | 1991-08-30 | 1991-08-30 | kitchenware |
| CA002077018A CA2077018C (en) | 1991-08-30 | 1992-08-27 | Cooking appliance |
| KR1019920015583A KR0150799B1 (en) | 1991-08-30 | 1992-08-28 | Cooking appliance |
| AU21357/92A AU647956B2 (en) | 1991-08-30 | 1992-08-28 | Cooking appliance |
| EP92114696A EP0529644B1 (en) | 1991-08-30 | 1992-08-28 | Cooking appliance |
| DE69221043T DE69221043T2 (en) | 1991-08-30 | 1992-08-28 | Cooking utensil |
| US07/937,102 US5389764A (en) | 1991-08-30 | 1992-08-31 | Automatic cooking appliance employing a neural network for cooking control |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP03219868A JP3088506B2 (en) | 1991-08-30 | 1991-08-30 | kitchenware |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0556862A true JPH0556862A (en) | 1993-03-09 |
| JP3088506B2 JP3088506B2 (en) | 2000-09-18 |
Family
ID=16742317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP03219868A Expired - Fee Related JP3088506B2 (en) | 1991-08-30 | 1991-08-30 | kitchenware |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3088506B2 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150123779A (en) | 2014-02-25 | 2015-11-04 | 제이엑스 닛코 닛세키 킨조쿠 가부시키가이샤 | Method for manufacturing power device |
| JP2020183839A (en) * | 2019-05-09 | 2020-11-12 | 東京瓦斯株式会社 | Cooking management method, system, program and apparatus |
| JP2020186862A (en) * | 2019-05-15 | 2020-11-19 | 東京瓦斯株式会社 | Cooking management method, system, program and device |
-
1991
- 1991-08-30 JP JP03219868A patent/JP3088506B2/en not_active Expired - Fee Related
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150123779A (en) | 2014-02-25 | 2015-11-04 | 제이엑스 닛코 닛세키 킨조쿠 가부시키가이샤 | Method for manufacturing power device |
| JP2020183839A (en) * | 2019-05-09 | 2020-11-12 | 東京瓦斯株式会社 | Cooking management method, system, program and apparatus |
| JP2020186862A (en) * | 2019-05-15 | 2020-11-19 | 東京瓦斯株式会社 | Cooking management method, system, program and device |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3088506B2 (en) | 2000-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU647956B2 (en) | Cooking appliance | |
| JPH06241463A (en) | Cooking appliance | |
| JP2548320B2 (en) | microwave | |
| JPH0556862A (en) | Cooker | |
| JP2936838B2 (en) | kitchenware | |
| JP2936839B2 (en) | kitchenware | |
| JP2855901B2 (en) | kitchenware | |
| JP2855902B2 (en) | kitchenware | |
| JP3110505B2 (en) | kitchenware | |
| JPH0556860A (en) | Cooker | |
| JP2943467B2 (en) | kitchenware | |
| JP2936853B2 (en) | kitchenware | |
| JP2917675B2 (en) | kitchenware | |
| JP2943468B2 (en) | kitchenware | |
| JP2943504B2 (en) | kitchenware | |
| JP2861636B2 (en) | kitchenware | |
| JPH05312328A (en) | Cooker | |
| JPH05113221A (en) | Cooking equipment | |
| JPH05172334A (en) | Cooking implement | |
| JPH05158562A (en) | Heating cooker | |
| CN110007699A (en) | A kind of the intelligent recognition cooking system and method for oven | |
| JPH05288353A (en) | Cooking utensils | |
| JP3072928B2 (en) | Cooking device | |
| JP3232582B2 (en) | Electric carpet | |
| JP2711766B2 (en) | Electric carpet control |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20070714 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Year of fee payment: 8 Free format text: PAYMENT UNTIL: 20080714 |
|
| FPAY | Renewal fee payment (prs date is renewal date of database) |
Year of fee payment: 9 Free format text: PAYMENT UNTIL: 20090714 |
|
| LAPS | Cancellation because of no payment of annual fees |