მაღალი ხარისხის დიზელის საინექციო ტუმბო Plunger 2425-988 Fuel Plunger Element Plunger 2425 Series

ღერძული დგუშის ტუმბო ტრადიციული სამკუთხა ღარიანი ფირფიტით არ შეუძლია მთლიანად აღმოფხვრას წნევის პულსაცია, რომელიც გამოწვეულია კომუტაციის შედეგად გარდამავალ ზონაში და წარმოქმნის აშკარა ნაკადის უკანა ნაკადის ფენომენს თხრილის გავლენის გამო. ცილინდრის ბლოკის ან სარქვლის ფირფიტის დივერსიული დიზაინის არარსებობის შემთხვევაში, შემოთავაზებულია წნევის კონტროლის ორმხრივი სარქვლის სტრუქტურის დაკავშირება დგუშის თითოეულ ღრუს შორის, რათა მოხდეს წნევის პულსაცია გარდამავალ ზონაში და შეამციროს ვიბრაცია გარდამავალ ზონაში. , და აღმოფხვრა სარქვლის ფირფიტის სამკუთხა ღარის სტრუქტურა, რათა შემცირდეს ნაკადის უკანა ნაკადი. ორმხრივი სარქვლის დიამეტრისა და სხვა პარამეტრების გათვალისწინებით, სიმულაციის საშუალებით დადგინდა, რომ გარდამავალ ზონაში სტრუქტურის მიერ წარმოქმნილი წნევის პულსაცია არის მხოლოდ 2.5%, რაც ეფექტურად ამცირებს ღერძული დგუშის ტუმბოს წნევის პულსაციას მაღალი დონის პროცესში. და დაბალი წნევის გარდამავალი ზონა სამკუთხა ღარი სარქვლის ფირფიტასთან შედარებით.

მიზნად ისახავს ისეთ პრობლემებს, როგორიცაა ნიმუშის არასაკმარისი რაოდენობა და აუდიო სიგნალის სუსტი დეფექტის მახასიათებლები დგუშის ტუმბოს დეფექტის დიაგნოზში, დგუშის ტუმბოს გაუმართაობის დიაგნოსტიკა MTL-ზე (McL-pafd) საფუძველზე აუდიო სიგნალებზე დაფუძნებული მეტა-გადაცემის სწავლებასთან (MTL) იყო შემოთავაზებული. ამ მეთოდით, დგუშის ტუმბოს აუდიო სიგნალი აღებულია ნიმუშად, ხოლო სიგნალი მუშავდება Gammatone ფილტრის ბანკის მიერ ერთი სენსორის პირობებში, რომელსაც შეუძლია ეფექტურად გააუმჯობესოს აუდიო სიგნალის დახასიათების უნარი ძლიერი ხმაურის ჩარევის პირობებში. . შემდეგ, მეტა გადაცემის სწავლებასთან ერთად, შეიძლება განხორციელდეს დგუშის ტუმბოს გაუმართაობის დიაგნოზი მცირე ნიმუშის პირობებში. ამავდროულად, დგუშის ტუმბოს ხარვეზის დიაგნოსტიკის ფაქტობრივი საჭიროებების შესაბამისად, გაუმჯობესებულია მეტატრანსფერული სწავლის ტესტის მეთოდი ხარვეზის დიაგნოსტიკის აპლიკაციაში და უცნობი ხარვეზის კლასი შეიძლება იყოს ადაპტური. ექსპერიმენტული შედეგები აჩვენებს, რომ McL-pafd დიაგნოზის სიზუსტემ შეიძლება მიაღწიოს 91,41%-ს მხოლოდ ცნობილი ხარვეზების კლასებისთვის, მაგრამ სწრაფი ადაპტაციური სწავლის შემდეგ, McL-pafd დიაგნოსტიკის სიზუსტე შეიძლება მიაღწიოს 89,64%-ს უცნობი ხარვეზის კლასების იდენტიფიცირებისას.