Высококачественный дизельный ТНВД, плунжер 2425-988, топливный плунжерный элемент, плунжер серии 2425

Аксиально-поршневой насос с традиционной пластиной с треугольными канавками не может полностью устранить пульсацию давления, вызванную коммутацией в переходной зоне, и будет вызывать очевидное явление обратного потока из-за влияния дросселирования.При отсутствии подрывной конструкции блока цилиндров или пластины клапана предлагается последовательно подключить между каждой полостью плунжера конструкцию возвратно-поступательного клапана регулирования давления, чтобы амортизировать пульсацию давления в переходной зоне, уменьшить вибрацию в переходной зоне. и устранить треугольную структуру канавок пластины клапана, чтобы уменьшить обратный поток.Учитывая диаметр и другие параметры поршневого клапана, путем моделирования установлено, что пульсация давления, создаваемая конструкцией в переходной зоне, составляет всего 2,5%, что позволяет эффективно снизить пульсацию давления аксиально-поршневого насоса в процессе высокой и переходная зона низкого давления по сравнению с пластиной клапана с треугольной канавкой.

Нацеленная на такие проблемы, как недостаточное количество образцов и слабые характеристики неисправности звукового сигнала при диагностике неисправностей поршневого насоса, Диагностика неисправностей плунжерного насоса на основе MTL (McL-pafd) на основе аудиосигналов в сочетании с обучением метапередачи (MTL). было предложено.В этом методе в качестве образца берется аудиосигнал плунжерного насоса, и сигнал обрабатывается банком фильтров Gammatone при условии использования одного датчика, что может эффективно улучшить способность определения характеристик аудиосигнала в условиях сильных шумовых помех. .Затем, в сочетании с мета-обучением, можно осуществить диагностику неисправностей плунжерного насоса в условиях небольшой выборки.В то же время, в соответствии с фактическими потребностями диагностики неисправностей плунжерного насоса, тестовый метод метапереносного обучения в приложении диагностики неисправностей улучшен, и неизвестный класс неисправности может быть адаптивно обработан.Результаты экспериментов показывают, что точность диагностики McL-pafd может достигать 91,41% только для известных классов неисправностей, однако после быстрого адаптивного обучения точность диагностики McL-pafd может достигать 89,64% при выявлении неизвестных классов неисправностей.