Wysokiej jakości tłok pompy wtryskowej Diesel 2425-988 Tłok elementu tłokowego paliwa Seria 2425

Osiowa pompa tłokowa z tradycyjną trójkątną płytą rowkową nie jest w stanie całkowicie wyeliminować pulsacji ciśnienia spowodowanej komutacją w strefie przejściowej i będzie powodować oczywiste zjawisko przepływu wstecznego na skutek wpływu dławienia.W przypadku braku wywrotowej konstrukcji bloku cylindrów lub płytki zaworowej proponuje się połączenie konstrukcji zaworu posuwisto-zwrotnego regulującego ciśnienie szeregowo pomiędzy każdą wnęką tłoka, aby złagodzić pulsację ciśnienia w strefie przejściowej i zmniejszyć wibracje w strefie przejściowej i wyeliminować trójkątną strukturę rowka płyty zaworu, aby zmniejszyć przepływ wsteczny.Biorąc pod uwagę średnicę i inne parametry zaworu tłokowego, poprzez symulację stwierdzono, że pulsacja ciśnienia generowana przez konstrukcję w strefie przejściowej wynosi tylko 2,5%, co może skutecznie zmniejszyć pulsację ciśnienia osiowej pompy tłokowej w procesie wysokiego i strefę przejściową niskiego ciśnienia w porównaniu z płytką zaworu z trójkątnym rowkiem.

Mając na celu rozwiązywanie problemów takich jak niewystarczająca liczba próbek i słaba charakterystyka usterek sygnału dźwiękowego w diagnostyce usterek pompy tłokowej, diagnostyka usterek pompy tłokowej w oparciu o MTL (McL-pafd) w oparciu o sygnały audio w połączeniu z uczeniem się meta-transferu (MTL) zostało zaproponowane.W tej metodzie sygnał audio pompy tłokowej jest pobierany jako próbka, a sygnał jest przetwarzany przez bank filtrów Gammatone w warunkach pojedynczego czujnika, co może skutecznie poprawić zdolność charakteryzowania sygnału audio w warunkach silnych zakłóceń szumowych .Następnie, w połączeniu z uczeniem meta transferu, można przeprowadzić diagnostykę usterek pompy tłokowej w przypadku małej próbki.Jednocześnie, zgodnie z rzeczywistymi potrzebami diagnostyki usterek pompy nurnikowej, ulepszono metodę testowania uczenia się meta-transferu w aplikacji do diagnostyki usterek, a nieznaną klasę usterek można rozwiązać adaptacyjnie.Wyniki eksperymentów pokazują, że dokładność diagnozy McL-pafd może osiągnąć 91,41% tylko dla znanych klas usterek, ale po szybkim adaptacyjnym uczeniu się dokładność diagnozy McL-pafd może osiągnąć 89,64% przy identyfikacji nieznanych klas usterek.