ഉയർന്ന നിലവാരമുള്ള ഡീസൽ ഇഞ്ചക്ഷൻ പമ്പ് പ്ലങ്കർ 2425-988 ഫ്യുവൽ പ്ലങ്കർ എലമെൻ്റ് പ്ലങ്കർ 2425 സീരീസ്

പരമ്പരാഗത ത്രികോണ ഗ്രോവ് പ്ലേറ്റുള്ള അച്ചുതണ്ട പിസ്റ്റൺ പമ്പിന് ട്രാൻസിഷൻ സോണിലെ കമ്മ്യൂട്ടേഷൻ മൂലമുണ്ടാകുന്ന മർദ്ദം പൾസേഷൻ പൂർണ്ണമായും ഇല്ലാതാക്കാൻ കഴിയില്ല, മാത്രമല്ല ത്രോട്ടിലിംഗിൻ്റെ സ്വാധീനം കാരണം വ്യക്തമായ ഫ്ലോ ബാക്ക്ഫ്ലോ പ്രതിഭാസം സൃഷ്ടിക്കുകയും ചെയ്യും. സിലിണ്ടർ ബ്ലോക്കിൻ്റെയോ വാൽവ് പ്ലേറ്റിൻ്റെയോ അട്ടിമറി രൂപകൽപ്പനയുടെ അഭാവത്തിൽ, ഓരോ പ്ലങ്കർ അറയ്‌ക്കിടയിലും ഒരു മർദ്ദ നിയന്ത്രണ റെസിപ്രോക്കേറ്റിംഗ് വാൽവ് ഘടന ശ്രേണിയിൽ ബന്ധിപ്പിക്കാൻ നിർദ്ദേശിക്കപ്പെട്ടിരിക്കുന്നു, അങ്ങനെ സംക്രമണ മേഖലയിലെ മർദ്ദം പൾസേഷൻ ബഫർ ചെയ്യുന്നതിനായി, സംക്രമണ മേഖലയിലെ വൈബ്രേഷൻ കുറയ്ക്കുക. , വാൽവ് പ്ലേറ്റിൻ്റെ ത്രികോണ ഗ്രോവ് ഘടന ഇല്ലാതാക്കുക, അങ്ങനെ ഒഴുക്ക് ബാക്ക്ഫ്ലോ കുറയ്ക്കുക. റെസിപ്രോക്കേറ്റിംഗ് വാൽവിൻ്റെ വ്യാസവും മറ്റ് പാരാമീറ്ററുകളും കണക്കിലെടുക്കുമ്പോൾ, പരിവർത്തന മേഖലയിലെ ഘടന സൃഷ്ടിക്കുന്ന മർദ്ദം പൾസേഷൻ 2.5% മാത്രമാണെന്ന് സിമുലേഷനിലൂടെ കണ്ടെത്തി, ഇത് ഉയർന്ന പ്രക്രിയയിൽ അച്ചുതണ്ട് പിസ്റ്റൺ പമ്പിൻ്റെ മർദ്ദം ഫലപ്രദമായി കുറയ്ക്കും. ത്രികോണ ഗ്രോവ് വാൽവ് പ്ലേറ്റുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ കുറഞ്ഞ മർദ്ദം സംക്രമണ മേഖലയും.

പിസ്റ്റൺ പമ്പിൻ്റെ തകരാർ രോഗനിർണ്ണയത്തിൽ മതിയായ സാമ്പിൾ നമ്പർ, ഓഡിയോ സിഗ്നലിൻ്റെ ദുർബലമായ തകരാർ, മെറ്റാ ട്രാൻസ്ഫർ ലേണിംഗ് (MTL) എന്നിവയുമായി ചേർന്ന് ഓഡിയോ സിഗ്നലുകളെ അടിസ്ഥാനമാക്കി MTL (McL-pafd) അടിസ്ഥാനമാക്കിയുള്ള പ്ലങ്കർ പമ്പിൻ്റെ ഒരു തകരാർ രോഗനിർണ്ണയം തുടങ്ങിയ പ്രശ്നങ്ങൾ ലക്ഷ്യമിടുന്നു. നിർദ്ദേശിക്കപ്പെട്ടു. ഈ രീതിയിൽ, പ്ലങ്കർ പമ്പിൻ്റെ ഓഡിയോ സിഗ്നൽ സാമ്പിളായി എടുക്കുന്നു, കൂടാതെ ഒരൊറ്റ സെൻസറിൻ്റെ അവസ്ഥയിൽ ഗാമറ്റോൺ ഫിൽട്ടർ ബാങ്ക് സിഗ്നൽ പ്രോസസ്സ് ചെയ്യുന്നു, ഇത് ശക്തമായ ശബ്‌ദ ഇടപെടലിന് കീഴിൽ ഓഡിയോ സിഗ്നലിൻ്റെ സ്വഭാവ സവിശേഷത കാര്യക്ഷമമായി മെച്ചപ്പെടുത്തും. . തുടർന്ന്, മെറ്റാ ട്രാൻസ്ഫർ ലേണിംഗുമായി ചേർന്ന്, ചെറിയ സാമ്പിളിൻ്റെ അവസ്ഥയിൽ പ്ലങ്കർ പമ്പിൻ്റെ തെറ്റായ രോഗനിർണയം തിരിച്ചറിയാൻ കഴിയും. അതേ സമയം, പ്ലങ്കർ പമ്പിൻ്റെ തെറ്റായ രോഗനിർണയത്തിൻ്റെ യഥാർത്ഥ ആവശ്യങ്ങൾക്കനുസരിച്ച്, തെറ്റ് രോഗനിർണയ ആപ്ലിക്കേഷനിൽ മെറ്റാ ട്രാൻസ്ഫർ ലേണിംഗിൻ്റെ ടെസ്റ്റ് രീതി മെച്ചപ്പെടുത്തിയിരിക്കുന്നു, കൂടാതെ അജ്ഞാതമായ തെറ്റ് ക്ലാസ് അഡാപ്റ്റീവ് ആയി കൈകാര്യം ചെയ്യാൻ കഴിയും. McL-pafd രോഗനിർണയത്തിൻ്റെ കൃത്യത അറിയപ്പെടുന്ന തെറ്റ് ക്ലാസുകൾക്ക് മാത്രമേ 91.41% ൽ എത്താൻ കഴിയൂ എന്ന് പരീക്ഷണ ഫലങ്ങൾ കാണിക്കുന്നു, എന്നാൽ ഫാസ്റ്റ് അഡാപ്റ്റീവ് ലേണിംഗിന് ശേഷം, അജ്ഞാത തെറ്റ് ക്ലാസുകൾ തിരിച്ചറിയുമ്പോൾ McL-pafd രോഗനിർണയത്തിൻ്റെ കൃത്യത 89.64% ൽ എത്താം.