Êmbolo da bomba de injeção diesel de alta qualidade 2425-988 Elemento do êmbolo de combustível Série 2425

A bomba de pistão axial com placa de ranhura triangular tradicional não pode eliminar completamente a pulsação de pressão causada pela comutação na zona de transição e produzirá um fenômeno óbvio de refluxo de fluxo devido à influência do estrangulamento. Na ausência de projeto subversivo do bloco de cilindros ou da placa da válvula, propõe-se que uma estrutura de válvula alternativa de controle de pressão seja conectada em série entre cada cavidade do êmbolo, de modo a amortecer a pulsação de pressão na zona de transição, reduzir a vibração na zona de transição e elimine a estrutura da ranhura triangular da placa da válvula, de modo a reduzir o refluxo do fluxo. Dado o diâmetro e outros parâmetros da válvula alternativa, verifica-se através de simulação que a pulsação de pressão gerada pela estrutura na zona de transição é de apenas 2,5%, o que pode efetivamente reduzir a pulsação de pressão da bomba de pistão axial no processo de alta e zona de transição de baixa pressão em comparação com a placa da válvula de ranhura triangular.

Visando problemas como número de amostra insuficiente e características de falha fracas do sinal de áudio no diagnóstico de falhas da bomba de pistão, um diagnóstico de falha da bomba de êmbolo baseado em MTL (McL-pafd) baseado em sinais de áudio combinados com aprendizado de meta-transferência (MTL) foi proposto. Neste método, o sinal de áudio da bomba de êmbolo é tomado como amostra e o sinal é processado pelo banco de filtros Gammatone sob a condição de um único sensor, o que pode efetivamente melhorar a capacidade de caracterização do sinal de áudio sob forte interferência de ruído. . Então, combinado com o aprendizado de metatransferência, o diagnóstico de falhas da bomba de êmbolo sob a condição de amostra pequena pode ser realizado. Ao mesmo tempo, de acordo com as necessidades reais de diagnóstico de falhas da bomba de êmbolo, o método de teste de aprendizagem de meta-transferência na aplicação de diagnóstico de falhas é aprimorado e a classe de falha desconhecida pode ser tratada de forma adaptativa. Os resultados experimentais mostram que a precisão do diagnóstico McL-pafd pode chegar a 91,41% apenas para classes de falhas conhecidas, mas após aprendizado adaptativo rápido, a precisão do diagnóstico McL-pafd pode chegar a 89,64% ao identificar classes de falhas desconhecidas.