Højkvalitets dieselindsprøjtningspumpe Stempel 2425-988 Brændstofstempelelement Stempel 2425-serien

Den aksiale stempelpumpe med traditionel trekantet rilleplade kan ikke fuldstændigt eliminere trykpulseringen forårsaget af kommuteringen i overgangszonen og vil frembringe åbenlyse tilbagestrømningsfænomener på grund af påvirkningen af ​​drosling. I mangel af subversiv udformning af cylinderblok eller ventilplade foreslås en frem- og tilbagegående ventilstruktur for trykregulering at blive forbundet i serie mellem hvert stempelhulrum for at buffere trykpulsationen i overgangszonen, reducere vibrationerne i overgangszonen , og eliminer den trekantede rillestruktur af ventilpladen for at reducere tilbagestrømningen. I betragtning af diameteren og andre parametre for den frem- og tilbagegående ventil konstateres det gennem simulering, at trykpulsationen genereret af strukturen i overgangszonen kun er 2,5%, hvilket effektivt kan reducere trykpulseringen af ​​den aksiale stempelpumpe i processen med høj og lavtryksovergangszone sammenlignet med den trekantede rilleventilplade.

Sigter mod problemer såsom utilstrækkeligt prøvenummer og svage fejlkarakteristika for lydsignal ved fejldiagnose af stempelpumpe, En fejldiagnose af stempelpumpe baseret på MTL (McL-pafd) baseret på lydsignaler kombineret med Meta-transfer Learning (MTL) blev foreslået. I denne metode tages lydsignalet fra stempelpumpen som prøven, og signalet behandles af Gammatone-filterbanken under tilstanden af ​​en enkelt sensor, hvilket effektivt kan forbedre karakteriseringsevnen for lydsignalet under kraftig støjinterferens . Derefter, kombineret med metaoverførselsindlæringen, kan fejldiagnosen af ​​stempelpumpen under betingelse af en lille prøve realiseres. Samtidig, i henhold til de faktiske behov for fejldiagnose af stempelpumpe, forbedres testmetoden til meta-overførselslæring i fejldiagnoseapplikationen, og den ukendte fejlklasse kan håndteres adaptivt. De eksperimentelle resultater viser, at nøjagtigheden af ​​McL-pafd-diagnose kun kan nå 91,41% for kendte fejlklasser, men efter hurtig adaptiv læring kan nøjagtigheden af ​​McL-pafd-diagnose nå 89,64%, når ukendte fejlklasser identificeres.