Korkealaatuinen dieselruiskutuspumpun mäntä 2425-988 polttoainemäntäelementti mäntä 2425-sarja

Perinteisellä kolmiouralevyllä varustettu aksiaalinen mäntäpumppu ei pysty täysin eliminoimaan siirtymävyöhykkeen kommutoinnin aiheuttamaa painepulsaatiota, ja se tuottaa selvän virtauksen takaisinvirtausilmiön kuristuksen vaikutuksesta.Jos sylinterilohkon tai venttiililevyn kumoavaa rakennetta ei ole, paineensäätö edestakainen venttiilirakenne ehdotetaan kytkettäväksi sarjaan jokaisen männän ontelon väliin, jotta paineen pulsaatio puskuroi siirtymävyöhykkeellä ja vähentää tärinää siirtymävyöhykkeellä. , ja poista venttiililevyn kolmiomainen urarakenne virtauksen takaisinvirtauksen vähentämiseksi.Kun otetaan huomioon edestakaisen venttiilin halkaisija ja muut parametrit, simuloinnilla havaitaan, että rakenteen synnyttämä painepulsaatio siirtymävyöhykkeellä on vain 2,5%, mikä voi tehokkaasti vähentää aksiaalimäntäpumpun painepulsaatiota korkean prosessin aikana. ja matalapaineen siirtymävyöhyke verrattuna kolmiouraiseen venttiililevyyn.

Tavoitteena ongelmiin, kuten riittämätön näytemäärä ja audiosignaalin heikot vikaominaisuudet mäntäpumpun vikadiagnoosissa, MTL-pohjainen mäntäpumpun vikadiagnoosi (McL-pafd), joka perustuu äänisignaaleihin yhdistettynä Meta-transfer Learningiin (MTL) ehdotettiin.Tässä menetelmässä mäntäpumpun äänisignaali otetaan näytteeksi ja signaali käsitellään Gammatone-suodatinpankissa yhden anturin ehdolla, mikä voi tehokkaasti parantaa audiosignaalin karakterisointikykyä voimakkaiden meluhäiriöiden alaisena. .Sitten yhdistettynä metasiirto-oppimiseen voidaan toteuttaa mäntäpumpun vikadiagnoosi pienen näytteen olosuhteissa.Samalla mäntäpumpun vikadiagnoosin todellisten tarpeiden mukaan parannetaan metasiirtooppimisen testausmenetelmää vikadiagnostiikkasovelluksessa ja tuntematonta vikaluokkaa voidaan käsitellä adaptiivisesti.Kokeelliset tulokset osoittavat, että McL-pafd-diagnoosin tarkkuus voi nousta 91,41 %:iin vain tunnetuilla vikaluokilla, mutta nopean adaptiivisen oppimisen jälkeen McL-pafd-diagnoosin tarkkuus voi nousta 89,64 %:iin, kun tunnistetaan tuntemattomia vikaluokkia.