ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಡೀಸೆಲ್ ಇಂಜೆಕ್ಷನ್ ಪಂಪ್ ಪ್ಲಂಗರ್ 2425-988 ಇಂಧನ ಪ್ಲಂಗರ್ ಎಲಿಮೆಂಟ್ ಪ್ಲಂಗರ್ 2425 ಸರಣಿ

ಸಾಂಪ್ರದಾಯಿಕ ತ್ರಿಕೋನ ಗ್ರೂವ್ ಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ಅಕ್ಷೀಯ ಪಿಸ್ಟನ್ ಪಂಪ್ ಪರಿವರ್ತನಾ ವಲಯದಲ್ಲಿನ ಪರಿವರ್ತನೆಯಿಂದ ಉಂಟಾಗುವ ಒತ್ತಡದ ಬಡಿತವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ತೊಡೆದುಹಾಕಲು ಸಾಧ್ಯವಿಲ್ಲ, ಮತ್ತು ಥ್ರೊಟ್ಲಿಂಗ್‌ನ ಪ್ರಭಾವದಿಂದಾಗಿ ಸ್ಪಷ್ಟವಾದ ಹರಿವಿನ ಹಿಮ್ಮುಖ ವಿದ್ಯಮಾನವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.ಸಿಲಿಂಡರ್ ಬ್ಲಾಕ್ ಅಥವಾ ವಾಲ್ವ್ ಪ್ಲೇಟ್‌ನ ವಿಧ್ವಂಸಕ ವಿನ್ಯಾಸದ ಅನುಪಸ್ಥಿತಿಯಲ್ಲಿ, ಪರಿವರ್ತನಾ ವಲಯದಲ್ಲಿ ಒತ್ತಡದ ಬಡಿತವನ್ನು ಬಫರ್ ಮಾಡಲು, ಪರಿವರ್ತನಾ ವಲಯದಲ್ಲಿನ ಕಂಪನವನ್ನು ಕಡಿಮೆ ಮಾಡಲು, ಪ್ರತಿ ಪ್ಲಂಗರ್ ಕುಹರದ ನಡುವೆ ಒತ್ತಡ ನಿಯಂತ್ರಣ ಪರಸ್ಪರ ಕವಾಟದ ರಚನೆಯನ್ನು ಸರಣಿಯಲ್ಲಿ ಸಂಪರ್ಕಿಸಲು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ. , ಮತ್ತು ಹರಿವಿನ ಹಿಮ್ಮುಖ ಹರಿವನ್ನು ಕಡಿಮೆ ಮಾಡಲು, ಕವಾಟದ ಫಲಕದ ತ್ರಿಕೋನ ತೋಡು ರಚನೆಯನ್ನು ನಿವಾರಿಸಿ.ಪರಸ್ಪರ ಕವಾಟದ ವ್ಯಾಸ ಮತ್ತು ಇತರ ನಿಯತಾಂಕಗಳನ್ನು ಗಮನಿಸಿದರೆ, ಪರಿವರ್ತನಾ ವಲಯದಲ್ಲಿನ ರಚನೆಯಿಂದ ಉಂಟಾಗುವ ಒತ್ತಡದ ಬಡಿತವು ಕೇವಲ 2.5% ಎಂದು ಸಿಮ್ಯುಲೇಶನ್ ಮೂಲಕ ಕಂಡುಬರುತ್ತದೆ, ಇದು ಹೆಚ್ಚಿನ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಅಕ್ಷೀಯ ಪಿಸ್ಟನ್ ಪಂಪ್‌ನ ಒತ್ತಡದ ಬಡಿತವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಮತ್ತು ತ್ರಿಕೋನ ಗ್ರೂವ್ ವಾಲ್ವ್ ಪ್ಲೇಟ್ನೊಂದಿಗೆ ಹೋಲಿಸಿದರೆ ಕಡಿಮೆ ಒತ್ತಡದ ಪರಿವರ್ತನೆಯ ವಲಯ.

ಪಿಸ್ಟನ್ ಪಂಪ್‌ನ ದೋಷದ ರೋಗನಿರ್ಣಯದಲ್ಲಿ ಸಾಕಷ್ಟು ಮಾದರಿ ಸಂಖ್ಯೆ ಮತ್ತು ಆಡಿಯೊ ಸಿಗ್ನಲ್‌ನ ದುರ್ಬಲ ದೋಷ ಗುಣಲಕ್ಷಣಗಳಂತಹ ಸಮಸ್ಯೆಗಳನ್ನು ಗುರಿಯಾಗಿಟ್ಟುಕೊಂಡು, ಮೆಟಾ-ಟ್ರಾನ್ಸ್‌ಫರ್ ಲರ್ನಿಂಗ್ (MTL) ಜೊತೆಗೆ ಆಡಿಯೊ ಸಿಗ್ನಲ್‌ಗಳ ಆಧಾರದ ಮೇಲೆ MTL (McL-pafd) ಆಧಾರಿತ ಪ್ಲಂಗರ್ ಪಂಪ್‌ನ ದೋಷದ ರೋಗನಿರ್ಣಯ ಪ್ರಸ್ತಾಪಿಸಲಾಯಿತು.ಈ ವಿಧಾನದಲ್ಲಿ, ಪ್ಲಂಗರ್ ಪಂಪ್‌ನ ಆಡಿಯೊ ಸಿಗ್ನಲ್ ಅನ್ನು ಮಾದರಿಯಾಗಿ ತೆಗೆದುಕೊಳ್ಳಲಾಗುತ್ತದೆ ಮತ್ತು ಸಿಗ್ನಲ್ ಅನ್ನು ಗ್ಯಾಮಟೋನ್ ಫಿಲ್ಟರ್ ಬ್ಯಾಂಕ್‌ನಿಂದ ಒಂದೇ ಸಂವೇದಕದ ಸ್ಥಿತಿಯಲ್ಲಿ ಸಂಸ್ಕರಿಸಲಾಗುತ್ತದೆ, ಇದು ಬಲವಾದ ಶಬ್ದ ಹಸ್ತಕ್ಷೇಪದ ಅಡಿಯಲ್ಲಿ ಆಡಿಯೊ ಸಿಗ್ನಲ್‌ನ ಗುಣಲಕ್ಷಣ ಸಾಮರ್ಥ್ಯವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಸುಧಾರಿಸುತ್ತದೆ. .ನಂತರ, ಮೆಟಾ ವರ್ಗಾವಣೆ ಕಲಿಕೆಯೊಂದಿಗೆ ಸೇರಿ, ಸಣ್ಣ ಮಾದರಿಯ ಸ್ಥಿತಿಯಲ್ಲಿ ಪ್ಲಂಗರ್ ಪಂಪ್‌ನ ದೋಷ ರೋಗನಿರ್ಣಯವನ್ನು ಅರಿತುಕೊಳ್ಳಬಹುದು.ಅದೇ ಸಮಯದಲ್ಲಿ, ಪ್ಲಂಗರ್ ಪಂಪ್‌ನ ದೋಷ ರೋಗನಿರ್ಣಯದ ನೈಜ ಅಗತ್ಯಗಳ ಪ್ರಕಾರ, ದೋಷ ರೋಗನಿರ್ಣಯದ ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿ ಮೆಟಾ-ವರ್ಗಾವಣೆ ಕಲಿಕೆಯ ಪರೀಕ್ಷಾ ವಿಧಾನವನ್ನು ಸುಧಾರಿಸಲಾಗಿದೆ ಮತ್ತು ಅಜ್ಞಾತ ದೋಷ ವರ್ಗವನ್ನು ಹೊಂದಿಕೊಳ್ಳಬಹುದು.McL-pafd ರೋಗನಿರ್ಣಯದ ನಿಖರತೆಯು ತಿಳಿದಿರುವ ದೋಷ ವರ್ಗಗಳಿಗೆ ಮಾತ್ರ 91.41% ತಲುಪಬಹುದು ಎಂದು ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶಗಳು ತೋರಿಸುತ್ತವೆ, ಆದರೆ ವೇಗದ ಹೊಂದಾಣಿಕೆಯ ಕಲಿಕೆಯ ನಂತರ, McL-pafd ರೋಗನಿರ್ಣಯದ ನಿಖರತೆಯು ಅಜ್ಞಾತ ದೋಷ ವರ್ಗಗಳನ್ನು ಗುರುತಿಸುವಾಗ 89.64% ತಲುಪಬಹುದು.