Högkvalitativ dieselinsprutningspump Kolv 2425-988 Bränslekolvelement Kolv 2425-serien

Den axiella kolvpumpen med traditionell triangulär spårplatta kan inte helt eliminera tryckpulseringen som orsakas av kommuteringen i övergångszonen, och kommer att ge uppenbara flödesåterflödesfenomen på grund av påverkan av strypning.I avsaknad av subversiv design av cylinderblocket eller ventilplattan, föreslås en tryckreglerande fram- och återgående ventilstruktur kopplas i serie mellan varje kolvhålighet, för att buffra tryckpulsationen i övergångszonen, minska vibrationerna i övergångszonen och eliminera den triangulära spårstrukturen hos ventilplattan, för att minska flödets tillbakaflöde.Med tanke på diametern och andra parametrar för den fram- och återgående ventilen, har det visat sig genom simulering att tryckpulseringen som genereras av strukturen i övergångszonen endast är 2,5%, vilket effektivt kan minska tryckpulseringen av axialkolvpumpen i processen med hög och lågtrycksövergångszon jämfört med den triangulära spårventilplattan.

Syftar på problemen som otillräckligt provnummer och svaga felegenskaper hos ljudsignalen vid feldiagnos av kolvpump, A Fault Diagnosis of Plunger Pump Based on MTL (McL-pafd) baserat på ljudsignaler kombinerat med Meta-transfer Learning (MTL) föreslogs.I denna metod tas ljudsignalen från kolvpumpen som provet, och signalen bearbetas av Gammatone-filterbanken under villkoret av en enda sensor, vilket effektivt kan förbättra ljudsignalens karaktäriseringsförmåga under stark brusstörning .Sedan, i kombination med metaöverföringsinlärningen, kan feldiagnosen för kolvpumpen under tillstånd av ett litet prov realiseras.Samtidigt, enligt de faktiska behoven av feldiagnos av kolvpumpen, förbättras testmetoden för metaöverföringsinlärning i feldiagnosapplikationen, och den okända felklassen kan hanteras adaptivt.De experimentella resultaten visar att noggrannheten för McL-pafd-diagnos kan nå 91,41 % endast för kända felklasser, men efter snabb adaptiv inlärning kan noggrannheten för McL-pafd-diagnos nå 89,64 % vid identifiering av okända felklasser.