Augstas kvalitātes dīzeļdegvielas iesmidzināšanas sūknis, virzulis 2425-988 degvielas virzuļa elementa virzulis 2425 sērija

Aksiālais virzuļsūknis ar tradicionālo trīsstūrveida rievu plāksni nevar pilnībā novērst spiediena pulsāciju, ko izraisa komutācija pārejas zonā, un radīs acīmredzamu plūsmas pretplūsmas fenomenu droseles ietekmes dēļ.Ja balonu blokam vai vārsta plāksnei nav graujošas konstrukcijas, ir ierosināts virknē savienot spiediena kontroles virzuļvārsta konstrukciju starp katru virzuļa dobumu, lai buferētu spiediena pulsāciju pārejas zonā un samazinātu vibrāciju pārejas zonā. , un likvidējiet vārsta plāksnes trīsstūrveida rievas struktūru, lai samazinātu plūsmas atpakaļplūsmu.Ņemot vērā virzuļvārsta diametru un citus parametrus, ar simulāciju tiek konstatēts, ka konstrukcijas radītā spiediena pulsācija pārejas zonā ir tikai 2,5%, kas var efektīvi samazināt aksiālā virzuļsūkņa spiediena pulsāciju augsta spiediena procesā. un zema spiediena pārejas zona, salīdzinot ar trīsstūrveida rievu vārsta plāksni.

Mērķis ir novērst tādas problēmas kā nepietiekams paraugu skaits un vāji audio signāla kļūmju raksturlielumi virzuļsūkņa kļūdu diagnostikā, virzuļa sūkņa defektu diagnostika, kuras pamatā ir MTL (McL-pafd), kuras pamatā ir audio signāli, kas apvienoti ar meta-transfer Learning (MTL) tika ierosināts.Izmantojot šo metodi, virzuļa sūkņa audio signāls tiek ņemts par paraugu, un signālu apstrādā Gammatone filtru banka viena sensora apstākļos, kas var efektīvi uzlabot audio signāla raksturošanas spēju spēcīgu trokšņu traucējumu apstākļos. .Pēc tam apvienojumā ar metapārneses mācīšanos var realizēt virzuļa sūkņa defektu diagnostiku maza parauga apstākļos.Tajā pašā laikā atbilstoši faktiskajām virzuļa sūkņa defektu diagnostikas vajadzībām tiek uzlabota meta-pārneses mācīšanās testa metode kļūdu diagnostikas lietojumprogrammā, un nezināmo kļūdu klasi var apstrādāt adaptīvi.Eksperimentālie rezultāti liecina, ka McL-pafd diagnostikas precizitāte var sasniegt 91,41% tikai zināmām kļūdu klasēm, bet pēc ātras adaptīvās mācīšanās McL-pafd diagnostikas precizitāte var sasniegt 89,64%, identificējot nezināmas defektu klases.