基于预测食物核心温度的烹饪食品的烹饪装置和方法与流程

本发明涉及一种用于检测何时食物被烹饪完成的烹饪装置和方法。

背景技术：

当前的烹饪装置大多由用户选择的参数(诸如时间和温度)控制。这些烹饪参数的自动选择对于用户来说将是方便的，并且还可以通过消除人为错误来改善烹饪结果。

为了准确地控制烹饪过程，有必要知道在烹饪期间食物的关键属性。食物的一个关键属性是核心温度，其随着食物被烹饪而变化。食物的核心温度是烹饪完成的重要测量：对于某种类型的食物，应该高于一定值以杀死引起食源性疾病的有害细菌，但不应过高以避免过度烹饪。因此，为了确保安全，建议将食物在合适的时间段内和适当的内部温度(范围)下烹饪。

为了基于核心温度来确定是否食物被烹饪，侵入性方法是可能的，但是当检测核心温度时，这些将导致对食物的损害。非侵入性方法例如红外传感具有有限的穿透能力，因此通常用于检测表面温度。

因此，需要一种非侵入性方式来检测正被烹饪的物品的核心温度。

EP0794387A1公开了一种估算待烹饪材料的内部部分的温度的方法和使用该方法的热烹饪装置。

技术实现要素：

本发明的目的是提供一种预测食物核心温度的方法，以及一种烹饪装置和烹饪方法，其基本上减轻或克服了上述问题。

本发明由独立权利要求限定。从属权利要求定义了有利的实施例。

根据本发明，提供一种烹饪装置，包括：

-加热室；

-用于加热该加热室中的烹饪介质的加热元件；

-温度传感器，用于随时间监测烹饪介质的温度；

-质量传感器，用于随时间监测在加热室中待烹饪的食品的质量；以及

-控制器，用于处理来自质量传感器和温度传感器的信息，以提供对食品核心温度的预测，并且根据所预测的食品核心温度控制烹饪过程。

本发明基于这样的认识，即烹饪期间食品的核心温度可以基于一组非侵入性参数来预测，这些非侵入性参数至少包括随时间变化的温度和在烹饪期间食品的质量随时间变化的烹饪。可以在不需要与食品接触的情况下获得温度和质量信息，并且使能例如对于家用烹饪器具(诸如空气炸锅)的简单实现。优选地，控制器适于导出随时间的质量变化率和/或随时间的温度变化率。通过获得变化率信息，可以制定用于预测食品核心温度的更准确的模型。

本发明可以用于基于(固相)食物的核心温度的预测的自动烹调控制方法中。该装置可以是低成本的、足够坚固的以控制烹饪过程，并且因此适于在家庭烹饪器具中使用。

该装置优选地对于不同的食物类型具有不同的设置，其中控制器对于不同的食物类型不同地处理来自质量传感器和温度传感器的信息。不同类型的食品将表现出不同的烹饪特性，使得控制器考虑食品的类型。这可以由用户手动输入。用户还可以能够输入食品要被烹饪的程度的指示。这将随后影响食品的目标核心温度。

该装置还可以包括用于确定初始食物温度的传感器，其中控制器适于对于不同的初始食物温度不同地处理来自质量传感器和温度传感器的信息。

这使得烹饪装置能够例如区分新鲜食物与冷冻食物，而不需要用户输入该信息。初始食物温度将影响核心温度随时间的演变，因而可以是预测核心温度的模型的一部分。代替提供作为装置的一部分的传感器，用户可以输入初始温度，例如基于已经从其取得食物的已知冰箱或冷冻机温度。

烹饪介质可以是空气或油。

可以使用烘箱或空气炸锅中的空气温度，或者可以使用油炸锅中的油温。该方法实际上可以用于任何非水烹饪介质，其中质量变化主要是由于食物的水损失。在任一情况下，质量变化可以通过测量没有食物的质量，然后测量具有食物的质量和随后的烹饪过程来监测。

可以提供一个或多个附加传感器以用于监测湿度、食物水分水平和食物表面温度中的一个或多个。

表征核心温度函数的模型可以考虑其他参数，这些其他参数可以以非侵入方式被测量。这可以使得能够导出更准确的模型。

质量传感器可以包括压力传感器。

这提供了测量和监测食品的质量的简单方法。可以通过压力传感器测量食品和已知的支撑托盘或网的质量。在这种情况下，质量传感器在食物下面。质量传感器可以代替地悬挂食物。在这两种情况下，质量传感器系基于测量重量，随后当然可以将测量重量转换为质量。

控制器可以适于通过与基于例如在初始测试过程期间获得的实验数据的模型进行比较，而根据来自质量传感器和温度传感器的信息提供食品核心温度的预测。

该模型可以使用理论等式与实际测试数据的组合来表征核心温度随时间的行为。例如，可以使用具有与特定类型的食物相关的参数的等式来预测核心温度，并且可以基于实验数据来选择这些参数。

控制器可以适于通过与模型进行比较来根据来自质量传感器和温度传感器的信息提供对食物核心温度的预测，其中该模型还提供对至少一个可测量属性的预测，并且其中控制器适于基于对可测量参数的监测来更新模型，以提供用于食品核心温度的预测的更准确的模型。

通过使用模型来预测食品的不可测量的核心温度和一个或多个可测量的属性，可以测试模型的准确性，并且可以相应地更新模型。如果模型包括需要用来预测核心温度和可测量属性两者的参数，则可测量属性或多个可测量属性可用作验证模型中使用的参数的准确性的方式。

本发明还提供一种使用用于在加热室中加热烹饪介质的加热元件来预测在烹饪期间食品的核心温度的方法，该方法包括：

-使用温度传感器随时间监测烹饪介质的温度的步骤；

-使用质量传感器随时间监测在加热室中待烹饪的食品的质量的步骤；以及

-处理来自质量传感器和温度传感器的信息以提供对食品核心温度的预测从而能够根据所预测的食品核心温度来控制烹饪过程的步骤。

优选地，获得温度和质量信息而不与食品接触。

该方法可以包括接收识别食物类型的用户输入，以及以取决于食物类型的方式处理质量传感器和温度传感器信息。传感器可以用于确定初始食物温度，其中控制器适于以取决于初始食物温度的方式处理质量传感器和温度传感器信息。

可以通过与模型进行比较，根据来自质量传感器和温度传感器的信息来进行对食品核心温度的预测，其中模型还提供对至少一个可测量属性的预测，并且其中控制器适于基于对可测量属性的监测来更新模型，以提供用于预测食物核心温度的更准确的模型。

通过使用模型来预测食品的不可测量的核心温度和可测量属性两者，可以测试模型的准确性，并且可以相应地更新模型。可测量属性可以包括食品的质量。因而，模型可以预测质量随时间演变的方式。由于这是作为烹饪过程的一部分被监控的，因此可以测试模型准确度。可以替代地或附加地使用其他属性，这些其他属性可以使用相同模型进行预测。

本发明还提供一种烹饪方法，包括：

-在烹饪装置的加热室中开始烹饪食物的步骤；

-使用本发明的方法预测食品随时间变化的核心温度的步骤；以及

-根据所预测的核心温度来控制烹饪装置的步骤。

烹饪装置的控制可以包括在烹饪完成时停止烹饪(例如基于食物要被烹调的程度的用户设置)，和/或其可以涉及控制烹饪温度，例如使得烹饪在预设时间完成。

本发明还提供了一种计算机程序，其包括当在计算机上运行时执行本发明的方法的步骤的代码装置。

附图说明

现在将参照附图详细描述本发明的示例，其中：

图1示出了根据本发明的示例的烹饪装置；

图2示出了用于实验证明装置和方法的有效性的肉样品；

图3显示实验结果；

图4示出了如何可以更新参数以改进建模准确度；

图5示出了基于故意不准确模型的实验结果；

图6示出了学习过程如何可以改进图5的实验结果；以及

图7作为流程图示出了根据本发明的实施例的方法的示例。

具体实施方式

本发明提供一种烹饪装置，其中温度传感器随时间监测烹饪介质(即，烤箱空气或油)的温度，并且质量传感器随时间监测待烹饪物品的质量。来自质量传感器和温度传感器的信息用于提供对食品核心温度的预测，并且根据经预测的食品核心温度控制烹饪过程。

图1示出了根据本发明的实施例的装置的示例。

烹饪装置包括加热室10和加热元件12，待烹饪的食物放置在加热室10中，加热元件12用于加热加热室中的烹饪介质(例如空气)。

加热室优选地是烹饪装置中的封闭空间，使得可以可靠地控制空间内的温度，并且因此在食品核心温度预测中考虑该温度。因而，封闭空间可以是具有可关闭门的烤箱，空气炸锅的封闭容积或油炸锅的封闭容积。这种温度控制在开放式加热空间中将更加困难。

温度传感器14用于随时间监测烹饪介质的温度。质量传感器16用于随时间监测在加热室中待烹饪的食物的质量。该质量传感器可以测量包括待烹饪的食品的烹饪器本身的质量，并且以这种方式，其可以在加热室10外部，如图1所示。或者，其可以在加热室内部，例如形成其上放置食品的烹饪搁架的一部分。质量传感器可以被实现为压力传感器。

处理器18处理来自质量传感器和温度传感器的信息，以提供对食品核心温度的预测，并根据所预测的食品核心温度来控制烹饪过程。

传感器用于向由处理器18运行的算法提供信息，从而提供核心温度预测，特别是使用可以在烹饪系统中容易地获得的参数。这些参数可以在没有侵入或破坏食物的情况下被检测、确定或估计。作为本发明的最低限度，它们包括烹饪介质温度、质量和时间(其由处理器监测)。

可能还有其他参数被监测。例如，参数可以包括空气或油温度、空气或油温度变化率、食物的表面温度、食物表面温度的变化率、食物重量、食物的重量损失率、食物的水分含量、水分含量的变化率、周围空气的湿度、湿度变化率等的组合。

首先建立核心温度与一组这些参数之间的关系，然后可以通过该关系预测核心温度。然后可以使用所预测的核心温度来判断食物的烹饪状态，并且因此可以用于控制该过程。

检测器在烹饪过程期间被实时使用。

检测器包括由处理器实现的计时器，可以是温度计、热电偶或红外传感器的温度传感器，以及可以是压力传感器的质量传感器。附加传感器例如可以包括湿度传感器和表面温度探测器。要感测的参数的选择可以在不同的烹饪器具之间变化。

处理器18包括数据记录和处理模块。该模块记录在烹饪期间所监测的参数的检测值，并且曲线例如可以在该模块中被预处理，例如以应用数据平滑。

处理器在预测模块中实现预测算法。该模块存储食品的核心温度与监测到的参数之间的关系。通过采用来自数据记录和处理模块的数据，实时地预测食品的核心温度。

该关系可以通过分析质量/热传递以及对于目标烹饪系统应用质量/热平衡来获得。

该系统具有烹饪控制器20，其使用预测的食品的核心温度来控制烹饪过程。评估食品的预测核心温度以确定其是否在期望的温度范围内(例如，由某一熟度水平所需要的)，并且基于评估结果进行控制决策。

例如，小牛肉或羊肉牛排对“中等”熟度的核心温度在65-69℃的范围内。在烹饪小牛肉或羊肉之前选择该熟度水平。当烹饪开始时，检测器开始实时测量参数并将数据传送到数据存储和处理模块；预测模块从数据存储和处理模块连续接收信息，并使用所存储的算法来预测核心温度。

预测的核心温度随后被发送到控制器20。如果预测的核心温度低于上述的期望范围，则烹饪过程将以给定的加热程序(例如，以800W的功率加热)继续；然后，当预测的核心温度落在该范围内时，烹饪过程将停止。

存储在预测模块中的算法主要是指核心温度与所监测参数(“MP”)之间建立的关系。该关系可以是如以下等式(1)中概括的直接函数，或者它可能需要求解如下面等式(2)中概括的微分等式，其中核心温度的变化速率与基于烹饪系统的能量/质量平衡的参数相关。

可以通过适当简化烹饪系统以及食物形状来获得特定等式，诸如下面导出的等式(7)。

T_C＝f(MPs) (1)

干炸的过程用于更详细地解释本发明的工作原理。

选择包括烹饪介质(空气、油等)的温度、食物的质量和质量变化率的参数作为所监测的参数。因而，传感器包括用于空气温度测量的一个或多个温度传感器和用于质量和质量变化率的压力传感器(例如，天平)。

食物的初始温度也由温度计或其他方法确定。例如，在已知温度下从冷冻机取出的食品的温度将是已知的，而不需采取额外的测量。

传感器以及食物初始温度信息全部都被提供给处理器18。数据存储和处理模块从经连接的传感器接收数据，并将处理的信息发送到预测模块，然后将预测的核心温度发送到控制器20，并且烹饪控制决定是基于接收到的信息做出的。

该方法的使用涉及以下步骤：

(i)将食物放在食物容器中。食物的类型由来自用户的手动输入提供。还根据用户的个人偏好手动选择熟度水平。如果没有选择，则自动选择默认中等熟度水平。

(ii)食物的初始温度被记录并存储在数据存储和处理模块中。这可能已经由用户输入或者其可以由烹饪器具检测到。例如，预测模型也可以用于确定初始食物温度。对模型的输入可以包括在给定烹饪时间的食物的重量损失。其背后的原理是，在给定的烹饪持续时间之后，冷冻食品具有比新鲜食品的水蒸发更少的水蒸发，因为前者需要额外的热量以用于水相变化，即从固体变为液体。该方法可用于将食物分类为冷冻或非冷冻。还可以定义一个或多个中间类别。

食物温度的检测不是必需的。用户输入诸如冻结温度、冰箱温度或室温之类的类别可能是足够的。

(iii)开始烹饪过程并且通过温度传感器实时检测烹饪器具中的烹饪介质的温度。还可以记录加热导体的温度T_hc。还监测烹饪时间，使得可以获得温度-时间曲线并将其存储在数据存储和处理模块中。温度-时间曲线被预处理(例如，平滑)。

(iv)将当前时间之前的处理的温度-时间曲线和食物的初始温度发送到预测模块，其中通过核心温度与监测的参数之间建立的关系来预测核心温度。

(v)将预测的核心温度发送到控制器20，并做出控制决定。如果预测的温度未达到该温度或不落入由初始选择的熟度水平所需的温度范围内，则根据特定的加热程序继续烹饪过程。重复步骤(iii)至(v)，直到预测的温度达到该温度，或落在初始选择的熟度水平所需的范围内。

(vi)烹调结束过程开始。该结束过程可以是在一定功率下保持加热一段时间，或者立即停止加热，或者在其他加热程序之后。

为了预测实际烹饪过程中的核心温度，与所监测的参数的相关性必须被建立并被存储在预测模块中。考虑到从空气传递到食物的热量等于由食物获得的热量，热平衡可以由等式(3)描述：

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

Cp_F是食物的热容，假定为常数；m_F是食物的质量；T_F是食物的平均温度；T_S是食物的表面温度；k是从空气到食物的传热指数；S_F是食物的表面积；T_A是空气温度。

然后可以基于从等式(3)导出的等式(4)来计算食物的平均温度T_F：

P是集总参数。

食物的核心温度T_C与T_S、T_F之间的关系随着诸如食物形状、表面积、结构/组成等因素而变化。为了简化，假定食物是具有有效半径R'的球体。对于某种类型的食物，并且在一定的烹饪条件下，T_S与T_C之间以及T_F与T_C之间的关系可以表示为：

T_S＝αT_C (5)

α是描述表面与核心的温度比的参数，其主要由食物的有效半径R'确定，以下进一步解释。

结果，等式(4)变为：

可以看出，为了仅在T_C中创建微分方程，需要监测的可变参数是食物质量、食物质量的变化速率和空气温度。

核心温度的预测遵循以下步骤：

(i)从数据存储和处理模块接收数据。数据包括烹饪介质(例如空气)温度、食物的初始温度、食物的质量和食物的质量变化率。

(ii)食物的有效半径R'基于如下所述的食物尺寸、结构等信息确定。

(iii)计算α的值。

(iv)用接收到的数据求解微分方程。预测核心温度-时间曲线，并获得当前时刻的核心温度。

该过程需要确定P和α。

对于某种类型的食物，α首先与食物的质量相关。

α＝Α*e^B*R′/(A+R)′ (8)

其中，

ρ是食物的密度，单位为kg/m³。

然后可以通过用足够的测试数据训练来获得等式(8)中涉及的P和参数的值。参数的训练可以基于最小化预测的和实际测量的核心温度之间的预测误差的平方和。在实验训练中采用具有不同食物量的样品，并且实时记录核心温度和重量以用于训练。

核心温度被用于熟度控制。然而，也可以预测表面或体积温度。对于一些食物类型，控制表面温度可能对控制烹饪是所关注的。核心温度对于具有相对大尺寸的食物所特别关注，因为在核心与表面之间将存在明显的温度差。

如上所述，T_S与T_C之间以及T_F与T_C之间的关系对于不同类型的食物而变化。作为一个示例，使用球形食物来证明α与m_F之间的关系的建立。

这种类型的食物接近球形，平均直径为R'。直径可以由食物的质量通过式(10)估计：

ρ是食物的密度，单位为kg/m³，m_F是食物的初始质量，单位为kg。

假设表面温度与核心温度的比率对于做熟前的大部分烹饪时间是恒定的，

T_S＝αT_C (11)

球形食物的温度分布函数为：

x是从任意点到食物核心的距离；假定温度沿半径线性变化。

食物的平均温度可以通过等式(13)计算：

从等式11、12和13：

结果，等式(4)变为，

α与R'之间的关系假定如下，

α＝Α*e^B*R′/(A+R′) (15)

在等式(15)中，A和B是常数，它们与食物的大小有关。R'可以从等式(9)获得。A和B可以通过用测试数据训练而获得。

其他形状的食物，诸如立方体、杆等，也可以按照上述方式处理。有效半径也可以由等式(9)计算。注意，即使对于相同类型的食物，等式(15)中的A和B的值也将不同。

核心温度预测的有效性已经通过使用飞利浦空气炸锅进行的实验证明。

如图1所示，将天平放置在炸锅下方，以测量烹饪时间期间的质量(m_F)。两个温度计放置在空气炸锅中以检测食物周围的空气温度(T_A)。食物的初始温度通过温度计预先测量。

来自天平的质量数据序列被平滑，并且求得导数以获得质量变化率(dm_F/dt)。

由两个温度计检测的空气温度被平均以减小测量误差。在实验期间，炸温选择为200℃，并且通过直接将探针插入中心，由几个温度计来测量食物的参考核心温度。在使用前测量的核心温度被平均。

实验中使用的食物是牛排肉。使用具有相似形状的三块牛排肉，三个测试样品的质量分别为212g、215g和184g。图2显示了所使用的牛排肉之一的尺寸。该牛排具有大约8cm×6cm×3.5cm的大致长方体形状，并且质量为212g。

如上所述，基于食物的初始质量计算有效半径R'的值。实验结果用于训练等式(4)中的参数P。通过考虑α与R'之间的假定关系，(等式(8))，A和B的值也被拟合。

两个参数A和B对于某种类型的食物是特定的，其形状/尺寸在一定程度内。P的值是包含诸如k(从空气到食物的传热指数)、S_F(食物的表面积)和Cp_F(食物的热容量)之类的其他参数的集总参数，其可以全部随着烹饪时间而改变。因此，对于训练优选的是逐级进行，以便尽可能地保证训练值接近实际值。两个阶段被考虑。

针对本示例中的参数的训练值为：

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

A＝138.3564

B＝6.2867

图3中示出了随时间的与测量的核心温度相比核心温度的预测。y轴绘制了核心温度(℃)并且x轴绘制了时间(s)。

绘图30是184g样品的预测核心温度，绘图32是测量到的核心温度。

绘图34是212g样品的预测核心温度，绘图36是测量到的核心温度。

绘图38是215g样品的预测核心温度，绘图40是测量到的核心温度。

可以看出，预测值与实际值一致。RMS误差为1.2℃，并且最大误差(绝对值)为3.2℃。

上述预测方法涉及具有预训练参数的模型。

可以调整参数以提高准确度。通过在各种条件下的训练实验来确定预训练值，但是在某些烹饪条件下预测准确度是不可接受的情况下，可能仍然存在一些例外。下面将实时自适应预测方法描述为对上述基本方法的增强，以便使模型鲁棒性更佳。这使得能够基于烹饪状态的实时反馈进行更可靠的预测，并且因而能够更加精确地控制烹饪过程。

通过预测与烹饪过程相关的至少一个其他变量(除了核心温度)来增强上述预测模块。

特别地，预测模型还提供至少一个可测量属性的预测，并且其中控制器适于基于对可测量参数的监测来更新模型，以提供用于食物核心温度的预测的更准确的模型。

与烹饪过程相关的附加变量可以是食物质量、食物周围空气的温度、食物周围空气的湿度等。调节的内部/核心温度基于相同的模型被预测，但是该模型具有利用附加变量的实际监控的调整的参数。因而，从自适应模块导出调整的参数值。

该自适应模块基于烹饪状态的实时反馈来调整模型的(多个)参数。通过考虑与烹饪过程相关的(多个)变量的测量值和模型生成值之间的差异，根据某种自适应算法来调整模型的(多个)参数。然后将调整的(多个)参数传送到预测模块以给出经调整的预测内部/核心温度。通过自适应模块可以采用梯度下降算法：

k是要调整的参数，并且μ是确定自适应速率的正值常数。方程(16)中的μ的值可以在模型参数的预训练期间被确定。通常，通过考虑模型参数随着烹饪时间以及在参数训练过程期间在各种烹饪条件下的可能变化来确定。确定的值应当维持模型的预测稳定性。

E是表示预测误差的函数，其应当反映测量值与预测值之间的“绝对差”。例如，它可以是测量值与预测值之间的差异的偶次幂(2、4、6……)或者差异的绝对值的函数。

是E相对于k的偏导数。

为了说明自适应模型的结构，提出了用于烹饪系统的简化的经验模型作为示例。两个状态变量可以通过模型预测，如上所述的核心温度，以及食物的质量，如等式(17)和(18)说明的。

T_C＝T_C0*e^{k(t^2)} (17)

k和a是模型参数(常数)，k是核心温度和质量预测等式的共用参数。T_C是食物的核心温度；t是烹饪时间；T_C0是初始核心温度；m_F是食物质量；m_F0是食物的初始质量。

自适应算法通过使“额外”状态变量的预测误差最小化来调整一个或多个模型参数，在这种情况下，该额外状态变量是质量。

对于上面建立的简化模型，参数调整方法是最小化以下构造的预测误差函数E

E＝1/2*(m_FP–m_FE)² (19)

m_FP是食物的预测质量，并且m_FE是食物的实际测量的质量。最小化可以通过使用如等式(16)中所示的梯度下降算法来实现。

基于等式(17)和(18)，

其中，

e＝m_FP–m_FE (21)

对应的处理流程在图4中示出。图4示出了如何实现等式16、20和21。在离散时间中，等式16中的k'变为k_t+1，k变为k_t。

具体地，将等式20和21代入等式16中得到：

k'＝k-1/2a*μ*t(m_FP–m_FE))/m_FP (22)

图4是该等式的离散时间实现。

下面给出一个示例，以示出基于上述模型的自适应原理。

系统以与上述相同的方式操作，添加自适应处理模块，在该示例中，自适应处理模块接收实时质量测量。使用该模型进行核心温度和质量的预测，使得可以比较预测质量和实时测量的质量。该差异用于调整在预测模块中使用的模型的一个或多个参数。然后将调整的一个或多个参数发送到预测模块以更新模型。

基于更新的模型预测核心温度，并获得新的值。

应当注意，模型的形式可以是依赖食物类型的，这意味着对于不同类型的食物，模型可以是除了上述等式中所示的格式。例如，炸薯条的核心温度在变熟之前将达到约100℃的温度平台，这与肉丸的情况不同：在变熟之前，核心温度从初始温度连续地增加到约70℃。此外，将被预测的状态变量也可以根据为对应类型的食物建立的不同模型而不同。

如果模型的参数已经通过合适的实验训练，一般训练的模型可以在大多数情况下以足够的精度预测食物的核心温度。然而，仍然可能存在模型的预测偏离实验的情况。该适应改进了用于实际食物和加热系统的预训练模型，从而提供鲁棒性更佳的烹饪控制。

在下面的示例中，初始核心温度为12.8℃、初始质量为273.2g的肉丸(每个肉丸的质量为约27.3g)在飞利浦空气炸锅中加热。炸温被选择为200℃。如等式(17)和(18)建立的模型用于预测核心温度。模型的参数是通过在空气炸锅中炸肉球来预训练的，

k＝7.3880e-6

a＝4.6247e4

为了引入模型与实际系统之间的差异，将一定误差δ添加到参数k(增加20％)。

如预测和测量的肉球的核心温度和质量在图5中示出。

图5绘制了左侧y轴上的核心温度(度℃)和右侧y轴上的质量(g)和x轴上的时间。

绘图50是预测的质量，绘图52是实际的质量，绘图54是预测的核心温度，并且绘图56是实际的核心温度。

该故意的误差意味着预测与实际的核心温度之间的差非常大。

为了纠正这种情况，采用了上述自适应预测方法。参数k根据等式(16)进行调整，其中因子μ取为6.5e-12。

具有k的调整值的预测的核心温度在图6中示出。

图6还绘制了左侧y轴上的核心温度(度℃)和右侧y轴上的质量(g)和x轴上的时间。

绘图60是预测的质量，绘图62是实际的质量，绘图64是预测的核心温度，并且绘图66是实际的核心温度。

核心温度的预测准确度大为提高(自适应预测之前的均方根误差：5.9℃，自适应预测后的均方根误差：2.3℃)。

图7示出了本发明的烹饪方法，包括确定食物核心温度的方法。

在步骤70中，用户将食物类型以及期望的熟度水平输入到烹饪装置的用户界面。

在步骤72中，用户输入食物的起始温度，或者烹饪装置可以确定初始食物温度，假定其始终是恒定的。

在步骤74中，用户将食物放入烹饪装置中并开始烹饪周期。

在步骤76中随时间监测质量和温度，可选地以及任何附加参数，例如用于自适应算法学习过程。

在步骤78中，如果使用自适应算法，则预测附加参数(其可以是质量)，并且测量该附加参数。如果需要，则更新模型。

在步骤80中，基于模型或更新的模型(如果使用自适应算法)来预测核心温度。

在步骤82中，确定是否达到目标核心温度。若不是，则烹饪过程继续(步骤76、78、80)，若是，则在步骤84中结束烹饪序列。

本发明用于预测核心温度。然而，其还可以用于烹饪控制的食物表面和体积温度预测。特别关注的是使用干加热的烹饪器具，例如烤箱和空气炸锅，尽管其也可以用于油炸锅。

上面的等式仅为算法提供了一个可能的基础，并且其他近似和简化可以导致其他代数解。这些不会改变基本的发明概念。

系统利用用于实现定义算法的模型(在上面的示例中示为处理器)和用于控制烹饪周期的控制器。可用于控制器的部件包括但不限于常规微处理器、专用集成电路(ASIC)和现场可编程门阵列(FPGA)。

在各种实施方式中，处理器或控制器可以与一个或多个存储介质相关联，诸如易失性和非易失性计算机存储器，如RAM、PROM、EPROM和EEPROM。存储介质可以用一个或多个程序编码，当在一个或多个处理器和/或控制器上执行时，以所需功能执行。各种存储介质可以固定在处理器或控制器内，或者可以是可传输的，使得存储在其上的一个或多个程序可以被加载到处理器或控制器中。

通过研究附图、公开内容和所附权利要求，本领域技术人员在实践要求保护的本发明时可以理解和实现所公开的实施例的其他变型。在权利要求中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除多个。在相互不同的从属权利要求中陈述某些措施的事实并不表示不能有利地使用这些措施的组合。权利要求中的任何附图标记不应被解释为限制范围。