三配流窗口轴向柱塞泵非死点过渡区特性研究

三配流窗口轴向柱塞泵有效地解决了在泵控单出杆液压缸两腔流量不同造成的不配对问题。但是三配流窗口轴向柱塞泵中的非死点过渡区存在流量脉动和压力冲击问题,针对此问题提出在非死点过渡区和上死点过渡区开设阻尼孔,两个阻尼孔通过孔道连接,平衡非死点过渡区与上死点过渡区压力。根据配流面积函数,在AMEsim软件里面搭建柱塞泵模型,仿真有无阻尼孔,开设阻尼孔的大小和位置等参数对柱塞泵的流量和压力的影响,确定出合适的配流盘结构。结果表明,开设阻尼孔油道可以减小过渡区压力变化梯度,降低柱塞泵在过渡区的压力冲击和流量脉动,同时减小泄漏和油液压缩耗能,提高容积效率。

三配流窗口轴向柱塞泵非死点过渡区结构优化

三配流窗口轴向柱塞泵是实现泵控单出杆液压缸最直接有效的方法,针对三配流窗口轴向柱塞泵在非死点过渡区产生压力冲击和流量脉动的问题,提出在配流盘非死点过渡区开设阻尼孔和三角槽相结合的方案。考虑油液压缩性,建立三配流窗口轴向柱塞泵的AMEsim仿真模型,通过对比非死点过渡区的不同减振方案,结果表明,阻尼孔和三角槽相结合的结构使轴向柱塞泵出口流量脉动降低了6%,几乎消除了非死点过渡区的压力冲击。并且,阻尼孔尺寸为0.5 mm时,轴向柱塞泵出口流量和柱塞腔压力表现最优。

基于全局依赖Transformer的图像超分辨率网络

目前,基于深度学习的图像超分辨网络主要由卷积实现。相较于传统的卷积神经网络(CNN),Transformer在图像超分辨率任务中的主要优势是它的长距离依赖建模能力;然而大多数基于Transformer的图像超分辨率模型在参数量小、网络层数少的情况下无法建立全局依赖,限制了模型的性能。为了在超分辨率网络中建立全局依赖,提出了基于全局依赖Transformer的图像超分辨率网络(GDTSR),主要组成部分为残差方形轴向窗口块(RSAWB),它的内部轴向窗口Transformer残差层利用轴向窗口和自注意力,可以使每个像素与整个特征图建立起全局依赖。此外,目前大多数图像超分辨率模型的超分辨率图像重建模块都由卷积组成,为了动态整合提取到的特征信息,结合Transformer与卷积,共同重建超分辨率图像。实验结果表明,GDTSR在5个标准测试集Set5、Set14、B100、Urban100和Manga109上的测试结果中,3个倍数(×2,×3,×4)的峰值信噪比(PSNR)和结构相似性(SSIM)均达到了最优,特别是在大尺寸图像的Urban100和Manga109数据集上模型性能的提升尤为明显。