Hochwertige Dieseleinspritzpumpe Kolben 2425-988 Kraftstoffkolbenelement Kolben 2425 Serie

Die Axialkolbenpumpe mit herkömmlicher dreieckiger Nutplatte kann die durch die Kommutierung in der Übergangszone verursachte Druckpulsation nicht vollständig beseitigen und führt aufgrund des Einflusses der Drosselung zu einem offensichtlichen Strömungsrückflussphänomen. In Ermangelung einer subversiven Konstruktion des Zylinderblocks oder der Ventilplatte wird vorgeschlagen, eine hin- und hergehende Ventilstruktur zur Drucksteuerung in Reihe zwischen jedem Kolbenhohlraum zu schalten, um die Druckpulsation in der Übergangszone zu puffern und die Vibration in der Übergangszone zu reduzieren , und beseitigen Sie die dreieckige Rillenstruktur der Ventilplatte, um den Rückfluss zu reduzieren. Angesichts des Durchmessers und anderer Parameter des Hubkolbenventils wurde durch Simulation festgestellt, dass die von der Struktur in der Übergangszone erzeugte Druckpulsation nur 2,5 % beträgt, wodurch die Druckpulsation der Axialkolbenpumpe im Hochprozess wirksam reduziert werden kann und Niederdruck-Übergangszone im Vergleich zur Ventilplatte mit dreieckiger Nut.

Mit Blick auf Probleme wie unzureichende Probenanzahl und schwache Fehlereigenschaften des Audiosignals bei der Fehlerdiagnose einer Kolbenpumpe: Eine auf MTL basierende Fehlerdiagnose einer Kolbenpumpe (McL-pafd), die auf Audiosignalen in Kombination mit Meta-Transfer-Lernen (MTL) basiert. vorgeschlagen wurde. Bei dieser Methode wird das Audiosignal der Kolbenpumpe als Probe genommen und das Signal von der Gammatone-Filterbank unter der Bedingung eines einzelnen Sensors verarbeitet, wodurch die Charakterisierungsfähigkeit des Audiosignals bei starken Rauschstörungen effektiv verbessert werden kann . In Kombination mit dem Metatransfer-Lernen kann dann die Fehlerdiagnose der Kolbenpumpe unter der Bedingung einer kleinen Probe realisiert werden. Gleichzeitig wird entsprechend den tatsächlichen Anforderungen der Fehlerdiagnose von Kolbenpumpen die Testmethode des Meta-Transfer-Lernens in Fehlerdiagnoseanwendungen verbessert und die unbekannte Fehlerklasse kann adaptiv behandelt werden. Die experimentellen Ergebnisse zeigen, dass die Genauigkeit der McL-pafd-Diagnose nur für bekannte Fehlerklassen 91,41 % erreichen kann, nach schnellem adaptivem Lernen kann die Genauigkeit der McL-pafd-Diagnose jedoch 89,64 % erreichen, wenn unbekannte Fehlerklassen identifiziert werden.