• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于改進(jìn)變分模態(tài)分解排列熵和極限學(xué)習(xí)機(jī)的汽輪發(fā)電機(jī)轉(zhuǎn)子故障診斷方法*

    2016-12-29 05:49:44馮培燕張少波
    電機(jī)與控制應(yīng)用 2016年11期
    關(guān)鍵詞:變分分量故障診斷

    馮培燕,張少波

    (1. 蘇州工業(yè)園區(qū)職業(yè)技術(shù)學(xué)院 機(jī)電工程系, 江蘇 蘇州 215123;2. 華北電力大學(xué) 機(jī)械工程系, 河北 保定 071003)

    ?

    基于改進(jìn)變分模態(tài)分解排列熵和極限學(xué)習(xí)機(jī)的汽輪發(fā)電機(jī)轉(zhuǎn)子故障診斷方法*

    馮培燕1,張少波2

    (1. 蘇州工業(yè)園區(qū)職業(yè)技術(shù)學(xué)院 機(jī)電工程系, 江蘇 蘇州 215123;2. 華北電力大學(xué) 機(jī)械工程系, 河北 保定 071003)

    針對(duì)實(shí)際轉(zhuǎn)子振動(dòng)信號(hào)的非線性、非平穩(wěn)性引起的故障類型難以準(zhǔn)確識(shí)別的問題,提出了一種基于改進(jìn)變分模態(tài)分解(VMD)排列熵和極限學(xué)習(xí)機(jī)的轉(zhuǎn)子故障診斷方法。首先,為克服VMD中懲罰因子和分解個(gè)數(shù)按經(jīng)驗(yàn)選擇的問題,提出一種基于人工化學(xué)反應(yīng)算法的改進(jìn)VMD方法,將其用于振動(dòng)信號(hào)分解,得到若干個(gè)不同尺度的固有模態(tài)分量(IMF);隨后計(jì)算蘊(yùn)含主要故障特征信息的前幾個(gè)IMF的排列熵值;最后將得到的前幾個(gè)排列熵值作為特征矢量,輸入到建立的極限學(xué)習(xí)機(jī)中實(shí)現(xiàn)不同狀態(tài)下轉(zhuǎn)子振動(dòng)信號(hào)的模式識(shí)別。將提出方法應(yīng)用于汽輪發(fā)電機(jī)轉(zhuǎn)子試驗(yàn)臺(tái)采集的數(shù)據(jù),結(jié)果表明:提出的方法能有效實(shí)現(xiàn)不同運(yùn)行狀態(tài)下的轉(zhuǎn)子振動(dòng)信號(hào)的辨識(shí),提高了模式識(shí)別精度。

    變分模態(tài)分解; 人工化學(xué)反應(yīng)算法; 排列熵; 極限學(xué)習(xí)機(jī); 故障診斷

    0 引 言

    汽輪機(jī)轉(zhuǎn)子振動(dòng)信號(hào)一般呈現(xiàn)出非線性、非平穩(wěn)特征,因此如何從轉(zhuǎn)子中有效提取故障特征并實(shí)現(xiàn)轉(zhuǎn)子故障類型的準(zhǔn)確判別是故障診斷領(lǐng)域的熱點(diǎn)及難點(diǎn)問題[1- 2]。近年來,適用于非平穩(wěn)信號(hào)處理的自適應(yīng)信號(hào)分析方法在汽輪機(jī)轉(zhuǎn)子故障診斷中得到了廣泛應(yīng)用。比如Huang等[3]在1998年提出的經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)法、Simth[4]在2005年提出的局部均值分解(Local Mean Decomposition, LMD)法等。目前國內(nèi)學(xué)者對(duì)上述方法已經(jīng)開展了大量研究,并指出EMD法和LMD法具有一定缺陷[5]。受EMD法的啟發(fā),Dragomiretskiy等[6]在2013年提出了變分模態(tài)分解(Variational Mode Decomposition, VMD)。VMD能夠?qū)⒎蔷€性非平穩(wěn)信號(hào)分解為若干個(gè)固有模態(tài)分量(Intrinsic Mode Function, IMF)之和,具備端點(diǎn)效應(yīng)輕、模態(tài)混疊現(xiàn)象不明顯等優(yōu)勢。但是,VMD方法存在按經(jīng)驗(yàn)選擇懲罰因子和分解個(gè)數(shù)的缺陷。為克服此缺陷,提出基于人工化學(xué)反應(yīng)算法(Artificial Chemical Reaction Algorithm, ACROA)自適應(yīng)選擇VMD中的最優(yōu)懲罰因子和分解數(shù)量,提高其對(duì)振動(dòng)信號(hào)的分解精度,并減少分解過程中的迭代誤差。此外,排列熵能夠有效檢測時(shí)間序列的隨機(jī)性和振動(dòng)信號(hào)的突變情況,擁有算法簡單、計(jì)算效率高、魯棒性強(qiáng),適用于在線監(jiān)測等優(yōu)點(diǎn)[7]。極限學(xué)習(xí)機(jī)(Extreme Learning Machine, ELM)只需設(shè)定隱含層神經(jīng)元的個(gè)數(shù),克服神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)中多參數(shù)選擇的難題,具備更快的訓(xùn)練速度及更高的識(shí)別精度[8]。

    因此鑒于上述情況,提出了一種基于改進(jìn)VMD排列熵和ELM的轉(zhuǎn)子故障診斷方法,并將該方法應(yīng)用于轉(zhuǎn)子試驗(yàn)臺(tái)數(shù)據(jù),通過應(yīng)用實(shí)例分析驗(yàn)證了本文方法的有效性和優(yōu)越性。

    1 改進(jìn)VMD方法

    1.1 VMD方法

    VMD是由Dragomiretskiy等在2013年提出的一種新的自適應(yīng)信號(hào)分析方法。其基本思想是自適應(yīng)求解約束性變分問題的最優(yōu)解,通過不斷迭代來定位分解各分量信號(hào)的中心頻率及帶寬,最終將給定信號(hào)的頻域劃分為若干個(gè)時(shí)域信號(hào),即各IMF。其中約束性變分模型的表達(dá)式為

    (1)

    為了準(zhǔn)確搜索約束性變分模型的最佳解,VMD中采用了收斂特性較好的二次懲罰函數(shù)項(xiàng)和約束能力較強(qiáng)的拉格朗日乘數(shù)λ算子。因此,這里引入一個(gè)拉格朗日函數(shù)L對(duì)其約束變分問題進(jìn)行優(yōu)化處理。L的公式可描述為

    L({uk},{ωk},λ)=

    (2)

    它使得式(3)和式(4)中獲得的IMF分量uk和中心頻率ωk最小化。

    IMF分量uk最小化公式可描述為

    (3)

    進(jìn)一步,中心頻率ωk最小化公式可描述為

    (4)

    依據(jù)VMD的主要理論思想,其具體實(shí)現(xiàn)過程可概括如下。

    (5)

    (6)

    (3) 根據(jù)式(7)更新λ,即

    (7)

    (4) 返回步驟(2)重復(fù)上述步驟,直到滿足約束條件整個(gè)迭代過程結(jié)束,獲得若干個(gè)IMF單分量序列。其中ε設(shè)置為10-6且約束條件表示為

    (8)

    1.2 改進(jìn)VMD方法

    ACROA是一種自適應(yīng)的優(yōu)化算法。它是由化學(xué)反應(yīng)的過程啟發(fā)的,即一組化學(xué)物質(zhì)轉(zhuǎn)化成另一組化學(xué)物質(zhì)的過程。ACROA中所用到的兩種基本化學(xué)反應(yīng)是單分子反應(yīng)和多分子反應(yīng)。因此,為了解決VMD中懲罰因子α和分解個(gè)數(shù)K按經(jīng)驗(yàn)性選擇的缺陷,本文提出一種基于ACROA的改進(jìn)VMD方法。其主要步驟如下[9]:

    (1) 描述優(yōu)化問題并設(shè)定VMD算法的初始參數(shù)。在優(yōu)化過程中優(yōu)化問題可概括為

    Minimize f(x)subject to xj∈Dj

    (9)

    式中:f(x)——優(yōu)化目標(biāo)函數(shù),這里設(shè)置f(x)為能量熵值;

    x——決策向量,j=1,2,3,…,N;

    N——信號(hào)長度;

    Dj——決策向量xj的約束區(qū)間。

    也就是說,當(dāng)目標(biāo)函數(shù)表示的能量熵值達(dá)到最小時(shí),此時(shí)輸出的參數(shù)為最優(yōu)值。同時(shí),為提高優(yōu)化算法的計(jì)算效率,本文將VMD方法中的懲罰因子α和分解個(gè)數(shù)K的尋優(yōu)范圍分別設(shè)置為[2,10]和[100,2000]。

    (2) 初始化反應(yīng)物且對(duì)其進(jìn)行評(píng)估。

    (3) 對(duì)化學(xué)反應(yīng)過程進(jìn)行模擬分析。

    (4) 更新反應(yīng)物。

    (5) 如果復(fù)合終止條件,則運(yùn)算終止,輸出優(yōu)化得到的全局最優(yōu)反應(yīng)物對(duì)應(yīng)的值,即為優(yōu)化得到的最優(yōu)懲罰因子α和分解個(gè)數(shù)K;否則返回第二步直至滿足迭代條件為止。

    (6) 采用具備最優(yōu)懲罰因子α和分解個(gè)數(shù)K的VMD方法進(jìn)行振動(dòng)信號(hào)分解,得到若干個(gè)精度更高的IMF分量。

    2 排列熵

    根據(jù)排列熵理論[10-11],對(duì)于給定的振動(dòng)信號(hào)x(t)。它的排列熵值HPE(m)可以定義如下:

    (10)

    式中:0≤Hp(m)≤ln(m!),當(dāng)Pj=1/m!時(shí),Hp(m) 有最大值ln(m!)。

    通常對(duì)Hp(m)進(jìn)行歸一化處理,即

    HPE=HPE(m)/ln(m!)

    (11)

    值得注意的是,熵值是反映信號(hào)復(fù)雜性程度的定量指標(biāo),排列熵值越小,說明信號(hào)的振動(dòng)特性越確定,區(qū)分能力越佳;反之,提取信號(hào)中的振動(dòng)特性能力越弱。由此排列熵值可以用于描述振動(dòng)信號(hào)之間的差異性,進(jìn)而實(shí)現(xiàn)不同狀態(tài)下振動(dòng)信號(hào)的特征區(qū)分,提高故障診斷的精確性。為了提高計(jì)算效率,本文選擇與文獻(xiàn)[11]一樣的嵌入維數(shù)和時(shí)間延遲進(jìn)行排列熵值計(jì)算,即選擇嵌入維數(shù)為6,時(shí)間延遲為1。

    3 基于改進(jìn)VMD排列熵和支持向量機(jī)的轉(zhuǎn)子故障診斷方法

    為了有效識(shí)別不同運(yùn)行狀態(tài)下的轉(zhuǎn)子振動(dòng)信號(hào),本文提出一種基于改進(jìn)VMD排列熵和ELM的轉(zhuǎn)子故障診斷方法。其基本流程如圖1所示。

    圖1 轉(zhuǎn)子故障診斷流程圖

    具體過程可描述如下:

    (1) 通過加速度傳感器采集不同運(yùn)行狀態(tài)下的轉(zhuǎn)子振動(dòng)信號(hào),得到n組樣本,隨機(jī)選擇其中的m組為訓(xùn)練樣本,剩余的當(dāng)作測試樣本。為了便于計(jì)算,本文取n=2m,即訓(xùn)練樣本與測試樣本具有等同數(shù)量。

    (2) 對(duì)采集得到的n組樣本數(shù)據(jù)信號(hào)進(jìn)行改進(jìn)VMD分解,獲得若干個(gè)IMF分量,提取前k個(gè)包含主要故障特征信息的IMF分量,將其排列熵值HPE(m)作為特征矢量,即

    T=[HPE1,HPE2,HPE3,…,HPEK]

    (12)

    (3) 將特征矢量輸入ELM進(jìn)行訓(xùn)練,實(shí)現(xiàn)不同運(yùn)行狀態(tài)下轉(zhuǎn)子振動(dòng)信號(hào)的有效判別。

    4 應(yīng)用實(shí)例

    為了模擬轉(zhuǎn)子常見故障信號(hào),采用Bently轉(zhuǎn)子試驗(yàn)臺(tái)進(jìn)行試驗(yàn)操作。轉(zhuǎn)子試驗(yàn)臺(tái)如圖2所示。試驗(yàn)過程中,采集設(shè)備的型號(hào)為ZonicBook/618E,均采用加速度傳感器測取轉(zhuǎn)子振動(dòng)信號(hào),用光電鍵相傳感器測轉(zhuǎn)速,測得轉(zhuǎn)子轉(zhuǎn)速為1500r/min。其中采樣頻率為1280Hz,采樣點(diǎn)數(shù)為1280。

    圖2 轉(zhuǎn)子試驗(yàn)臺(tái)

    圖3分別為轉(zhuǎn)子正常狀態(tài)、轉(zhuǎn)子基座松動(dòng)、轉(zhuǎn)子油膜渦動(dòng)、轉(zhuǎn)軸不平衡、轉(zhuǎn)軸不對(duì)中、轉(zhuǎn)子碰摩、等6種狀態(tài)下振動(dòng)信號(hào)的時(shí)域波形。試驗(yàn)過程中每組類型各采集120組振動(dòng)信號(hào),其中測試和訓(xùn)練樣本各為60組。表1為由改進(jìn)VMD得到的前4個(gè)IMF分量的排列熵值的計(jì)算結(jié)果(限于篇幅,每組類型僅列出了4個(gè)樣本的排列熵值)。

    根據(jù)本文方法流程,首先對(duì)正常狀態(tài)和故障狀態(tài)下轉(zhuǎn)子的振動(dòng)信號(hào)依次進(jìn)行采樣。隨后基于ACROA獲得最優(yōu)懲罰因子α和分解個(gè)數(shù)K分別為250和6,采用此優(yōu)化參數(shù)下的改進(jìn)VMD對(duì)采樣數(shù)據(jù)(以油膜渦動(dòng)加速度振動(dòng)信號(hào)為例)進(jìn)行分解,結(jié)果如圖4所示。前4個(gè)IMF分量包含了轉(zhuǎn)子的主要故障信息,分別求取其排列熵值得到特征矢量矩陣(結(jié)果見表1)。從表1可看出,6種狀態(tài)下的轉(zhuǎn)子振動(dòng)信號(hào)經(jīng)改進(jìn)VMD分解后各IMF分量的排列熵值都較小,說明排列熵值比較穩(wěn)定。此外,轉(zhuǎn)子在不同運(yùn)行狀態(tài)下各頻段的排列熵值各不相同,故排列熵值能夠當(dāng)作汽輪發(fā)電機(jī)轉(zhuǎn)子故障診斷中的敏感特征量。

    圖3 6種運(yùn)行狀態(tài)下轉(zhuǎn)子振動(dòng)加速度信號(hào)的時(shí)域波形

    圖4 振動(dòng)信號(hào)的改進(jìn)VMD分解結(jié)果

    首先將提取出來的一組特征向量輸入到ELM多故障分類器中進(jìn)行訓(xùn)練??紤]到不同的參數(shù)會(huì)影響到ELM的識(shí)別效果,因此在訓(xùn)練時(shí),為提高ELM的故障識(shí)別準(zhǔn)確精度,預(yù)先確定Sigmoidal函數(shù)作為ELM分類模型的激活函數(shù),隱含層最佳神經(jīng)元個(gè)數(shù)為20;隨后采用粒子群優(yōu)化算法[12-13]自適應(yīng)選擇ELM分類模型中的輸出層權(quán)值。圖5是適應(yīng)度函數(shù)的變化曲線。根據(jù)優(yōu)化結(jié)果可確定最大迭代步數(shù)為200步(即當(dāng)進(jìn)化代數(shù)為200時(shí)適應(yīng)度函數(shù)趨近于穩(wěn)定),此時(shí)得到最優(yōu)的輸出層權(quán)值為8,最后將最優(yōu)輸出權(quán)值輸入到ELM模型進(jìn)行模式識(shí)別。

    表1 各種狀態(tài)下轉(zhuǎn)子的特征向量

    不同運(yùn)行狀態(tài)下轉(zhuǎn)子振動(dòng)信號(hào)的識(shí)別結(jié)果如表2所示。由表2能夠得出結(jié)論:ELM擁有較高的識(shí)別正確率,而且具備很高的計(jì)算效率,驗(yàn)證了本文所述方法的有效性。

    圖5 適應(yīng)度函數(shù)隨進(jìn)化代數(shù)的變化曲線

    表2 比較不同分類器的分解性能

    為說明本文方法的有效性,首先對(duì)比了一下改進(jìn)VMD與EMD方法對(duì)轉(zhuǎn)子故障信號(hào)的分解效果。圖6為EMD對(duì)采樣數(shù)據(jù)(以油膜渦動(dòng)加速度振動(dòng)信號(hào)為例)進(jìn)行分解的結(jié)果,結(jié)合圖4改進(jìn)VMD的分解效果,可知改進(jìn)VMD方法克服了EMD方法的模態(tài)混疊現(xiàn)象。同時(shí)將基于改進(jìn)VMD排列熵和ELM的轉(zhuǎn)子故障診斷方法分別與改進(jìn)VMD排列熵結(jié)合支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行比較。將三種方法的分類識(shí)別結(jié)果(見圖7~圖9)和表2的分析結(jié)果進(jìn)行直觀對(duì)比。

    圖6 振動(dòng)信號(hào)的EMD分解結(jié)果

    從表2和圖7~圖9中都可以看出,本文方法與支持向量機(jī)具備相同的測試精度,但就訓(xùn)練時(shí)間而言,本文所述方法優(yōu)勢明顯。此外,從表2及圖7~圖9中也可明顯發(fā)現(xiàn),相對(duì)于BP神經(jīng)網(wǎng)絡(luò)的方法,本文所述方法在訓(xùn)練時(shí)間、收斂速度以及測試精度上都存在突出優(yōu)勢,并且在小樣本情況下所提方法仍具有良好的預(yù)測推廣能力。

    圖7 ELM的測試結(jié)果

    圖8 支持向量機(jī)的測試結(jié)果

    圖9 BP神經(jīng)網(wǎng)絡(luò)的測試結(jié)果

    5 結(jié) 語

    (1) 為了克服VMD中懲罰因子α和分解個(gè)數(shù)K按經(jīng)驗(yàn)性選擇的問題,提出了一種基于人工化學(xué)反應(yīng)算法的改進(jìn)VMD方法。

    (2) 通過轉(zhuǎn)子試驗(yàn)臺(tái)數(shù)據(jù)分析結(jié)果表明,基于改進(jìn)VMD結(jié)合排列熵和ELM的轉(zhuǎn)子故障診斷方法能有效實(shí)現(xiàn)不同狀態(tài)下轉(zhuǎn)子振動(dòng)信號(hào)的模式識(shí)別。

    (3) 與BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)相比,改進(jìn)VMD方法和ELM相結(jié)合進(jìn)行故障診斷能實(shí)現(xiàn)快速、準(zhǔn)確地轉(zhuǎn)子故障狀態(tài)辨識(shí)。

    [1] 唐貴基,龐彬.改進(jìn)的HVD方法在轉(zhuǎn)子故障診斷中的應(yīng)用[J].電機(jī)與控制應(yīng)用,2015,42(2):73-78.

    [2] 李永剛,韓冰.基于Ansoft的汽輪發(fā)電機(jī)轉(zhuǎn)子匝間短路故障分析[J].電機(jī)與控制應(yīng)用,2015,42(11):85-90.

    [3] HUANG N E, SHEN Z, LONG S R, et al. The Empirical mode decomposition and the hilbert spectrum for nonlinear and non-stationary time series analysis [J]. Proc R Soc Lond A, 1998(454):903-994.

    [4] SMITH J S. The local mean decomposition and its application to EEG perception data[J]. Journal of the Royal Society Interface, 2005,2(5):443- 454.

    [5] 向玲,鄢小安.汽輪機(jī)轉(zhuǎn)子故障診斷中LMD法和EMD法的性能對(duì)比研究[J].動(dòng)力工程學(xué)報(bào),2014,34(12):945-951.

    [6] DRAGOMIRETSKIY K, ZOSSO D. Variational mode decomposition[J]. Signal Processing, IEEE Transactions on, 2014,62(3):531-544.

    [7] ZHANG X, LIANG Y, ZHOU J. A novel bearing fault diagnosis model integrated permutation entropy, ensemble empirical mode decomposition and optimized SVM[J]. Measurement, 2015(69):164-179.

    [8] 陳立軍,孫凱,侯媛媛,等.基于極限學(xué)習(xí)機(jī)的汽輪機(jī)故障診斷[J].化工自動(dòng)化及儀表,2013(4):435- 438.

    [9] BILAL A. ACROA:artificial chemical reaction optimization algorithm for global optimization[J]. Expert Systems with Applications,2011(38):13170-13180.

    [10] 馮輔周,饒國強(qiáng),司愛威,等.排列熵算法研究及其在振動(dòng)信號(hào)突變檢測中的應(yīng)用[J].振動(dòng)工程學(xué)報(bào),2012(2):221-224.

    [11] 鄭近德,程軍圣,楊宇.基于LCD和排列熵的滾動(dòng)軸承故障診斷[J].振動(dòng)、測試與診斷,2014(5):802-806.

    [12] 仇曉智,張德利,黃葆華,等.基于改進(jìn)粒子群算法的機(jī)組負(fù)荷優(yōu)化分配[J].汽輪機(jī)技術(shù),2012(4):293-296.

    [13] 王慧麗,李文卿,吳慶朝.改進(jìn)粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的SRM轉(zhuǎn)子位置間接檢測[J].電機(jī)與控制應(yīng)用,2014,41(11):49-54.

    Turbine Generator Rotor Fault Diagnosis Method Based on Improved Variational Mode Decomposition Permutation Entropy and Extreme Learning Machine*

    FENGPeiyan1,ZHANGShaobo2

    (1. School of Mechanical and Electrical Engineering, Suzhou Industry Park Institute of Vocational Technology, Suzhou 215123, China;2. School of Mechanical Engineering, North China Electric Power University, Baoding 071003, China)

    Aim at the nonlinear and non-stationary of the actual rotor vibration signal as well as the difficulty of rotor fault type identification, a rotor fault diagnosis method based on the improved VMD permutation entropy and extreme learning machine was proposed. Firstly, to overcome the empirical selection of punishment factor and the number of decomposition in VMD, an improved VMD based on the artificial chemical reaction algorithm was proposed to decompose the vibration signal and obtain several intrinsic mode components (IMFs). Then permutation entropy value of intrinsic mode components containing the main fault characteristic information was computed. Finally, permutation entropy was regarded as eigenvector and was input to extreme learning machine; pattern recognition of the rotor vibration signals under different condition of could be realized. The proposed method was applied to the rotor experiment data, the analysis results showed that the proposed method could effectively identify rotor vibration signal under different running status and improved the pattern recognition accuracy.

    variational mode decomposition(VMD); artificial chemical reaction algorithm; permutation entropy; extreme learning machine; fault diagnosis

    國家自然科學(xué)基金項(xiàng)目(11072078)

    馮培燕(1980—),女,碩士研究生,講師,研究方向?yàn)殡娬驹O(shè)備狀態(tài)監(jiān)測與故障診斷。 張少波(1974—),女,副教授,研究方向?yàn)闄C(jī)械設(shè)備狀態(tài)監(jiān)測與故障診斷。

    TM 307+.1

    A

    1673- 6540(2016)11- 0086- 06

    2016-05-09

    猜你喜歡
    變分分量故障診斷
    帽子的分量
    逆擬變分不等式問題的相關(guān)研究
    求解變分不等式的一種雙投影算法
    一物千斤
    智族GQ(2019年9期)2019-10-28 08:16:21
    論《哈姆雷特》中良心的分量
    關(guān)于一個(gè)約束變分問題的注記
    分量
    一個(gè)擾動(dòng)變分不等式的可解性
    因果圖定性分析法及其在故障診斷中的應(yīng)用
    基于LCD和排列熵的滾動(dòng)軸承故障診斷
    在线观看www视频免费| 亚洲中文av在线| 亚洲国产欧美日韩在线播放| 国产成人免费无遮挡视频| 日本撒尿小便嘘嘘汇集6| 又大又爽又粗| 亚洲九九香蕉| 性色av乱码一区二区三区2| 少妇裸体淫交视频免费看高清 | 精品久久久久久久久久免费视频 | 国产精品亚洲一级av第二区| 日韩一卡2卡3卡4卡2021年| 欧美日韩乱码在线| 丰满的人妻完整版| 色综合婷婷激情| 国产片内射在线| 极品人妻少妇av视频| 欧美精品人与动牲交sv欧美| 国产精品久久视频播放| 久久中文字幕人妻熟女| 国产三级黄色录像| 高清视频免费观看一区二区| 日韩欧美一区二区三区在线观看 | 黄色视频,在线免费观看| 19禁男女啪啪无遮挡网站| 国产精品免费一区二区三区在线 | 国产有黄有色有爽视频| 麻豆国产av国片精品| 久久精品国产99精品国产亚洲性色 | 亚洲精品国产色婷婷电影| 亚洲午夜理论影院| 悠悠久久av| 亚洲av美国av| 久久精品91无色码中文字幕| 三级毛片av免费| av国产精品久久久久影院| 久久精品亚洲熟妇少妇任你| 欧美日韩亚洲高清精品| 免费高清在线观看日韩| 一级片免费观看大全| 一二三四在线观看免费中文在| 午夜影院日韩av| av在线播放免费不卡| 国产免费av片在线观看野外av| av网站免费在线观看视频| 欧美人与性动交α欧美精品济南到| 亚洲第一欧美日韩一区二区三区| 操出白浆在线播放| 日日夜夜操网爽| 一边摸一边抽搐一进一出视频| 变态另类成人亚洲欧美熟女 | 水蜜桃什么品种好| 亚洲全国av大片| 两个人免费观看高清视频| 一进一出好大好爽视频| 国产一卡二卡三卡精品| 亚洲精品一卡2卡三卡4卡5卡| 亚洲一区中文字幕在线| 夫妻午夜视频| 色婷婷av一区二区三区视频| 日本一区二区免费在线视频| 99久久综合精品五月天人人| 国产精品秋霞免费鲁丝片| 久99久视频精品免费| 青草久久国产| 亚洲性夜色夜夜综合| 大陆偷拍与自拍| 久久香蕉国产精品| 久久99一区二区三区| 麻豆av在线久日| 视频区图区小说| 久久国产精品人妻蜜桃| 黄色丝袜av网址大全| 9热在线视频观看99| 精品电影一区二区在线| 亚洲av成人av| 老司机午夜十八禁免费视频| 黑人操中国人逼视频| 亚洲精品在线美女| 色94色欧美一区二区| 18在线观看网站| 久久久久视频综合| 亚洲色图av天堂| 午夜影院日韩av| 亚洲精品美女久久av网站| 69精品国产乱码久久久| 我的亚洲天堂| 亚洲午夜精品一区,二区,三区| 女人高潮潮喷娇喘18禁视频| 中文字幕人妻丝袜制服| 国产欧美日韩综合在线一区二区| 午夜福利影视在线免费观看| 精品亚洲成a人片在线观看| 午夜福利,免费看| 欧美精品一区二区免费开放| 欧美中文综合在线视频| 亚洲一区二区三区不卡视频| 极品少妇高潮喷水抽搐| 中文字幕另类日韩欧美亚洲嫩草| 国产精品秋霞免费鲁丝片| 99精品久久久久人妻精品| 久久青草综合色| 麻豆成人av在线观看| 精品一区二区三卡| 日韩熟女老妇一区二区性免费视频| 视频区图区小说| 精品一区二区三区av网在线观看| 一级a爱视频在线免费观看| 少妇被粗大的猛进出69影院| 麻豆av在线久日| 亚洲一卡2卡3卡4卡5卡精品中文| 国产精品电影一区二区三区 | 人人妻人人澡人人爽人人夜夜| 人成视频在线观看免费观看| 国产精品.久久久| 成人18禁在线播放| 在线观看免费日韩欧美大片| 一边摸一边抽搐一进一小说 | 国产免费男女视频| 久久青草综合色| 欧美人与性动交α欧美软件| 757午夜福利合集在线观看| 欧美+亚洲+日韩+国产| 日韩欧美一区视频在线观看| 国产91精品成人一区二区三区| 国产成人系列免费观看| 国产在线观看jvid| 91精品三级在线观看| 91av网站免费观看| 午夜免费观看网址| 国产一区二区三区在线臀色熟女 | 午夜福利视频在线观看免费| 精品一品国产午夜福利视频| 在线天堂中文资源库| 国内毛片毛片毛片毛片毛片| 色精品久久人妻99蜜桃| 日韩大码丰满熟妇| 免费在线观看黄色视频的| 50天的宝宝边吃奶边哭怎么回事| 热99国产精品久久久久久7| 日本黄色视频三级网站网址 | 国产精品美女特级片免费视频播放器 | 国产一区二区三区视频了| 欧美精品亚洲一区二区| 国产亚洲av高清不卡| 国产精品98久久久久久宅男小说| 国产男靠女视频免费网站| 久久精品国产清高在天天线| 午夜福利视频在线观看免费| 日韩 欧美 亚洲 中文字幕| 嫩草影视91久久| 久久国产精品男人的天堂亚洲| 男女床上黄色一级片免费看| 最近最新中文字幕大全免费视频| 欧美日韩成人在线一区二区| 女人精品久久久久毛片| 日韩欧美在线二视频 | 成人精品一区二区免费| 丰满迷人的少妇在线观看| 岛国在线观看网站| 韩国精品一区二区三区| 精品国产一区二区三区四区第35| 国产不卡一卡二| 亚洲精品国产精品久久久不卡| 欧美日韩中文字幕国产精品一区二区三区 | 每晚都被弄得嗷嗷叫到高潮| 国产亚洲精品第一综合不卡| 亚洲久久久国产精品| 久久天躁狠狠躁夜夜2o2o| 中出人妻视频一区二区| 国内久久婷婷六月综合欲色啪| 淫妇啪啪啪对白视频| 国产激情久久老熟女| 美女 人体艺术 gogo| 国产精品美女特级片免费视频播放器 | 午夜两性在线视频| 搡老熟女国产l中国老女人| 热re99久久国产66热| 搡老熟女国产l中国老女人| 50天的宝宝边吃奶边哭怎么回事| 欧洲精品卡2卡3卡4卡5卡区| 亚洲精品自拍成人| 18在线观看网站| 国产精品久久视频播放| 热99久久久久精品小说推荐| 99热国产这里只有精品6| 欧美中文综合在线视频| 热re99久久国产66热| 18禁观看日本| 午夜福利欧美成人| 国产精品二区激情视频| 久久国产精品大桥未久av| 亚洲五月婷婷丁香| 久久草成人影院| 亚洲一区中文字幕在线| 精品电影一区二区在线| 免费少妇av软件| 成在线人永久免费视频| 欧美精品人与动牲交sv欧美| 免费av中文字幕在线| 看片在线看免费视频| 亚洲精品一卡2卡三卡4卡5卡| 精品亚洲成国产av| 五月开心婷婷网| 亚洲av美国av| 嫩草影视91久久| 亚洲五月色婷婷综合| 99久久99久久久精品蜜桃| 操美女的视频在线观看| 亚洲精品乱久久久久久| 欧美成人免费av一区二区三区 | 夜夜躁狠狠躁天天躁| 午夜福利在线观看吧| 狠狠婷婷综合久久久久久88av| 亚洲,欧美精品.| 亚洲成av片中文字幕在线观看| 一区二区日韩欧美中文字幕| 欧美+亚洲+日韩+国产| 久久久久久免费高清国产稀缺| 久热爱精品视频在线9| 看免费av毛片| 久久久国产一区二区| 性少妇av在线| 一级作爱视频免费观看| 黄色视频,在线免费观看| 十八禁网站免费在线| 亚洲精品久久成人aⅴ小说| 啦啦啦免费观看视频1| 午夜激情av网站| 国产成+人综合+亚洲专区| 建设人人有责人人尽责人人享有的| 欧美成人午夜精品| 99国产精品一区二区三区| 看免费av毛片| svipshipincom国产片| 国精品久久久久久国模美| 欧美性长视频在线观看| 乱人伦中国视频| 久久99一区二区三区| 色尼玛亚洲综合影院| 在线观看免费视频日本深夜| 少妇被粗大的猛进出69影院| 日韩人妻精品一区2区三区| 高潮久久久久久久久久久不卡| 不卡一级毛片| 精品国产一区二区三区久久久樱花| 欧美日韩亚洲国产一区二区在线观看 | 一区二区三区国产精品乱码| 少妇粗大呻吟视频| 国产亚洲欧美在线一区二区| 亚洲人成伊人成综合网2020| 无限看片的www在线观看| 巨乳人妻的诱惑在线观看| 亚洲av第一区精品v没综合| 操美女的视频在线观看| 午夜免费鲁丝| 午夜免费成人在线视频| 久久久国产精品麻豆| 18禁黄网站禁片午夜丰满| 搡老熟女国产l中国老女人| 免费少妇av软件| 成人免费观看视频高清| 在线观看日韩欧美| 国产日韩一区二区三区精品不卡| 亚洲国产欧美网| 美女国产高潮福利片在线看| 婷婷成人精品国产| 欧美日韩亚洲高清精品| 韩国精品一区二区三区| 乱人伦中国视频| 日韩免费av在线播放| 999久久久国产精品视频| 久久久久久人人人人人| 老汉色∧v一级毛片| 动漫黄色视频在线观看| 日韩欧美国产一区二区入口| 亚洲伊人色综图| 婷婷成人精品国产| 午夜两性在线视频| 亚洲成人免费电影在线观看| 在线观看免费视频日本深夜| a级毛片黄视频| 日日爽夜夜爽网站| 亚洲成人手机| 欧美国产精品va在线观看不卡| 日日爽夜夜爽网站| 黑人操中国人逼视频| 亚洲自偷自拍图片 自拍| 国产成+人综合+亚洲专区| 午夜91福利影院| 女人爽到高潮嗷嗷叫在线视频| 国产乱人伦免费视频| 老司机在亚洲福利影院| 女人爽到高潮嗷嗷叫在线视频| 女性被躁到高潮视频| av电影中文网址| 国产人伦9x9x在线观看| 成人影院久久| www.精华液| 国产男女内射视频| 一级,二级,三级黄色视频| 中国美女看黄片| 久久久久视频综合| 国产成人啪精品午夜网站| 亚洲 欧美一区二区三区| 亚洲色图av天堂| 国产又爽黄色视频| 国产男女超爽视频在线观看| 满18在线观看网站| 黑人欧美特级aaaaaa片| 九色亚洲精品在线播放| 久久国产精品男人的天堂亚洲| 深夜精品福利| 久久人妻熟女aⅴ| 欧美日韩亚洲国产一区二区在线观看 | 男女之事视频高清在线观看| 欧美日韩成人在线一区二区| 又大又爽又粗| 中出人妻视频一区二区| 日日夜夜操网爽| 老司机在亚洲福利影院| 亚洲国产欧美日韩在线播放| 国产xxxxx性猛交| 亚洲国产精品sss在线观看 | 国产精品久久电影中文字幕 | 水蜜桃什么品种好| 亚洲精品国产区一区二| 99国产极品粉嫩在线观看| 黄色视频不卡| 午夜老司机福利片| 黄色怎么调成土黄色| 欧美精品啪啪一区二区三区| 午夜福利免费观看在线| 波多野结衣一区麻豆| 成人三级做爰电影| 欧美 亚洲 国产 日韩一| 人妻 亚洲 视频| 国产又色又爽无遮挡免费看| 狠狠婷婷综合久久久久久88av| 亚洲欧美激情综合另类| 男男h啪啪无遮挡| 妹子高潮喷水视频| 精品国产亚洲在线| 亚洲国产精品sss在线观看 | 夜夜夜夜夜久久久久| 亚洲国产欧美网| 超碰97精品在线观看| 一进一出好大好爽视频| 亚洲av熟女| 18禁黄网站禁片午夜丰满| 亚洲精品国产一区二区精华液| 精品久久久久久久久久免费视频 | 极品人妻少妇av视频| 人妻丰满熟妇av一区二区三区 | 大型黄色视频在线免费观看| 国产午夜精品久久久久久| 亚洲aⅴ乱码一区二区在线播放 | av福利片在线| 手机成人av网站| а√天堂www在线а√下载 | 天天影视国产精品| 人人妻人人澡人人看| 女同久久另类99精品国产91| 中文字幕人妻丝袜制服| 亚洲专区字幕在线| 久久中文字幕人妻熟女| 日韩欧美在线二视频 | 国产高清videossex| 午夜福利乱码中文字幕| e午夜精品久久久久久久| 男人舔女人的私密视频| 国产欧美日韩一区二区精品| 成人特级黄色片久久久久久久| 久久中文字幕人妻熟女| 亚洲专区字幕在线| 亚洲成av片中文字幕在线观看| 免费久久久久久久精品成人欧美视频| 十八禁高潮呻吟视频| 在线观看日韩欧美| 一级毛片高清免费大全| 一本一本久久a久久精品综合妖精| 欧美久久黑人一区二区| 欧美精品高潮呻吟av久久| 国产av又大| 咕卡用的链子| www.999成人在线观看| 十八禁人妻一区二区| 亚洲在线自拍视频| 91精品三级在线观看| 午夜久久久在线观看| 大型黄色视频在线免费观看| 国产精品美女特级片免费视频播放器 | 自拍欧美九色日韩亚洲蝌蚪91| 精品久久久久久,| 欧美日韩一级在线毛片| 一区二区三区激情视频| a在线观看视频网站| www日本在线高清视频| 久久久国产精品麻豆| 少妇猛男粗大的猛烈进出视频| av欧美777| 国产97色在线日韩免费| 999久久久精品免费观看国产| 欧美亚洲 丝袜 人妻 在线| 色婷婷久久久亚洲欧美| 欧美激情高清一区二区三区| 国产精品久久久久成人av| 在线天堂中文资源库| 国产精品免费大片| 精品人妻在线不人妻| 精品无人区乱码1区二区| 欧美性长视频在线观看| 国产av精品麻豆| 怎么达到女性高潮| 一区二区日韩欧美中文字幕| av天堂久久9| 午夜福利欧美成人| av福利片在线| 国产亚洲一区二区精品| 亚洲七黄色美女视频| xxxhd国产人妻xxx| 国产精品.久久久| 脱女人内裤的视频| 一区二区日韩欧美中文字幕| 亚洲av欧美aⅴ国产| 曰老女人黄片| 男女之事视频高清在线观看| 亚洲在线自拍视频| 大香蕉久久网| 亚洲情色 制服丝袜| 精品人妻1区二区| 超色免费av| 中文字幕精品免费在线观看视频| 久久国产精品男人的天堂亚洲| 国产男女内射视频| 午夜福利欧美成人| 99riav亚洲国产免费| 午夜两性在线视频| 中国美女看黄片| 久久精品亚洲熟妇少妇任你| 99国产综合亚洲精品| 啦啦啦在线免费观看视频4| 成人特级黄色片久久久久久久| 国产成人精品无人区| 在线观看舔阴道视频| 午夜福利在线免费观看网站| 窝窝影院91人妻| 国产精品二区激情视频| 啦啦啦视频在线资源免费观看| 成人国语在线视频| 男人舔女人的私密视频| 欧美日韩福利视频一区二区| 亚洲熟女毛片儿| 午夜精品在线福利| 精品一区二区三区视频在线观看免费 | 欧美日韩亚洲高清精品| 欧美日韩视频精品一区| 午夜福利在线观看吧| 亚洲欧美精品综合一区二区三区| a在线观看视频网站| 丝袜美足系列| 大香蕉久久网| 国产激情欧美一区二区| 国产欧美亚洲国产| 欧美日韩亚洲国产一区二区在线观看 | 日韩免费高清中文字幕av| 大型av网站在线播放| 女同久久另类99精品国产91| 久久中文字幕一级| 午夜福利影视在线免费观看| 黑丝袜美女国产一区| 一级毛片高清免费大全| 深夜精品福利| 9色porny在线观看| 一级a爱视频在线免费观看| 亚洲国产精品一区二区三区在线| 欧美精品啪啪一区二区三区| 18在线观看网站| 麻豆成人av在线观看| 波多野结衣一区麻豆| 每晚都被弄得嗷嗷叫到高潮| 一级作爱视频免费观看| 国产亚洲精品第一综合不卡| 国产成人免费观看mmmm| 亚洲伊人色综图| 免费久久久久久久精品成人欧美视频| 亚洲全国av大片| 亚洲av日韩精品久久久久久密| 午夜福利在线免费观看网站| 一边摸一边抽搐一进一小说 | 两性午夜刺激爽爽歪歪视频在线观看 | 黄色a级毛片大全视频| 亚洲第一av免费看| 亚洲五月婷婷丁香| 又紧又爽又黄一区二区| 亚洲黑人精品在线| 香蕉久久夜色| 日韩三级视频一区二区三区| 精品久久久久久久久久免费视频 | 纯流量卡能插随身wifi吗| 一级,二级,三级黄色视频| 成年人午夜在线观看视频| 国产有黄有色有爽视频| 少妇猛男粗大的猛烈进出视频| 成年人免费黄色播放视频| 久久热在线av| 美女午夜性视频免费| 中出人妻视频一区二区| 国产精品久久久久久精品古装| 啦啦啦 在线观看视频| 在线国产一区二区在线| 国产精品自产拍在线观看55亚洲 | 大型av网站在线播放| 亚洲国产精品合色在线| 中文欧美无线码| 丝袜在线中文字幕| 十八禁人妻一区二区| 日韩制服丝袜自拍偷拍| 亚洲人成伊人成综合网2020| 久久精品aⅴ一区二区三区四区| 欧美国产精品一级二级三级| 午夜免费观看网址| 看黄色毛片网站| 极品教师在线免费播放| 午夜91福利影院| 精品国产乱码久久久久久男人| 国产在视频线精品| 俄罗斯特黄特色一大片| 757午夜福利合集在线观看| 亚洲国产精品一区二区三区在线| 国产精品99久久99久久久不卡| 在线永久观看黄色视频| 久久久久国产一级毛片高清牌| 久久人人97超碰香蕉20202| 丝袜人妻中文字幕| 在线观看www视频免费| e午夜精品久久久久久久| 国产一区有黄有色的免费视频| 人妻久久中文字幕网| 国产淫语在线视频| 高潮久久久久久久久久久不卡| 19禁男女啪啪无遮挡网站| 国产精品电影一区二区三区 | 久久精品国产99精品国产亚洲性色 | 最近最新中文字幕大全免费视频| 久久久久久免费高清国产稀缺| 69精品国产乱码久久久| 亚洲中文字幕日韩| 亚洲成a人片在线一区二区| 欧美精品高潮呻吟av久久| 国产精品欧美亚洲77777| 在线观看免费视频网站a站| 人妻久久中文字幕网| 日本精品一区二区三区蜜桃| 国产1区2区3区精品| 精品福利永久在线观看| 中文亚洲av片在线观看爽 | 久久精品亚洲精品国产色婷小说| 久久人妻福利社区极品人妻图片| 女同久久另类99精品国产91| 精品熟女少妇八av免费久了| 亚洲 国产 在线| 成人18禁在线播放| 久久中文看片网| 中出人妻视频一区二区| 日韩欧美一区二区三区在线观看 | 亚洲精品国产区一区二| 久久草成人影院| 国产一区在线观看成人免费| 国产99久久九九免费精品| 亚洲av日韩精品久久久久久密| 中出人妻视频一区二区| 一本一本久久a久久精品综合妖精| 精品少妇久久久久久888优播| 狠狠狠狠99中文字幕| 国产免费男女视频| 大型av网站在线播放| 日本黄色视频三级网站网址 | 久久久久国产精品人妻aⅴ院 | 精品一区二区三区av网在线观看| 免费av中文字幕在线| 悠悠久久av| 99国产综合亚洲精品| 丰满迷人的少妇在线观看| 人人妻人人爽人人添夜夜欢视频| 日韩有码中文字幕| 侵犯人妻中文字幕一二三四区| 热99久久久久精品小说推荐| 女人精品久久久久毛片| 大型黄色视频在线免费观看| 超色免费av| 亚洲欧美日韩另类电影网站| 狠狠狠狠99中文字幕| 久久精品国产综合久久久| 天天躁狠狠躁夜夜躁狠狠躁| 黄色片一级片一级黄色片| 在线观看66精品国产| 成人亚洲精品一区在线观看| 少妇的丰满在线观看| 99re在线观看精品视频| av福利片在线| 日韩中文字幕欧美一区二区| 国产成人精品久久二区二区91| av电影中文网址| 亚洲精品中文字幕一二三四区| 韩国av一区二区三区四区| 高清视频免费观看一区二区| 91麻豆av在线| 国产99白浆流出| 精品无人区乱码1区二区| 国产高清视频在线播放一区| 最新的欧美精品一区二区| 中文亚洲av片在线观看爽 | 婷婷丁香在线五月| 乱人伦中国视频|