Klip pumpe za ubrizgavanje dizela visoke kvalitete 2425-988 Element klipa za gorivo Serija klipa 2425

Aksijalna klipna pumpa s tradicionalnom pločom s trokutastim utorima ne može u potpunosti eliminirati pulsiranje tlaka uzrokovano komutacijom u prijelaznoj zoni i proizvest će očigledan fenomen povratnog protoka zbog utjecaja prigušenja. U nedostatku subverzivnog dizajna bloka cilindra ili ploče ventila, predlaže se da se struktura klipnog ventila za kontrolu tlaka poveže u seriju između svake šupljine klipa, kako bi se prigušilo pulsiranje tlaka u prijelaznoj zoni, smanjile vibracije u prijelaznoj zoni. , i eliminirati strukturu trokutastih utora ploče ventila, kako bi se smanjio povratni tok. S obzirom na promjer i druge parametre klipnog ventila, simulacijom je utvrđeno da je pulsiranje tlaka koje stvara struktura u prijelaznoj zoni samo 2,5%, što može učinkovito smanjiti pulsiranje tlaka aksijalne klipne pumpe u procesu visokog i prijelazna zona niskog tlaka u usporedbi s ventilskom pločom trokutastog utora.

Ciljajući na probleme kao što su nedovoljan broj uzoraka i slabe karakteristike greške audio signala u dijagnozi greške klipne pumpe, Dijagnostika greške klipne pumpe temeljena na MTL-u (McL-pafd) na temelju audio signala u kombinaciji s učenjem meta-prijenosa (MTL) je predloženo. U ovoj metodi, audio signal klipne pumpe uzima se kao uzorak, a signal obrađuje Gammatone banka filtara pod uvjetom jednog senzora, što može učinkovito poboljšati sposobnost karakterizacije audio signala pod jakim smetnjama buke. . Zatim, u kombinaciji s učenjem meta prijenosa, može se realizirati dijagnoza kvara klipne pumpe pod uvjetom malog uzorka. U isto vrijeme, u skladu sa stvarnim potrebama dijagnoze kvara klipne pumpe, poboljšana je ispitna metoda učenja meta-prijenosa u aplikaciji za dijagnozu kvara, a nepoznata klasa kvara može se prilagoditi rješavanju. Eksperimentalni rezultati pokazuju da točnost McL-pafd dijagnoze može doseći 91,41% samo za poznate klase grešaka, ali nakon brzog adaptivnog učenja, točnost McL-pafd dijagnoze može doseći 89,64% kada identificira nepoznate klase grešaka.