• <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 ?

    自組織特征映射網(wǎng)絡(luò)在故障診斷中的應(yīng)用

    2011-01-22 03:35:44陳忠一
    關(guān)鍵詞:故障診斷神經(jīng)元聚類

    李 鵬 ,陳忠一

    (1.91550部隊 92分隊,遼寧 大連 116023;2.大連海事大學 輪機學院,遼寧 大連 116023)

    自組織特征映射網(wǎng)絡(luò)在故障診斷中的應(yīng)用

    李 鵬1,陳忠一2

    (1.91550部隊 92分隊,遼寧 大連 116023;2.大連海事大學 輪機學院,遼寧 大連 116023)

    運用自組織特征映射神經(jīng)網(wǎng)絡(luò)的工作原理和具體實現(xiàn)算法進行故障診斷分析,在對已有神經(jīng)網(wǎng)絡(luò)聚類分析方法概括和總結(jié)的基礎(chǔ)上,結(jié)合實驗數(shù)據(jù)、仿真數(shù)據(jù)對自組織特征映射算法故障模型診斷進行研究,得出了有意義的結(jié)論。

    數(shù)據(jù)挖掘;神經(jīng)網(wǎng)絡(luò)聚類;自組織特征映射;特征提取

    實時監(jiān)測設(shè)備運行狀況,在運行參數(shù)發(fā)生變化時及時報警并提示操作人員進行檢查,對于保障設(shè)備的正常運行具有重要的意義。傳統(tǒng)的故障診斷方法一般都是采用基于知識的故障診斷系統(tǒng),以領(lǐng)域?qū)<液筒僮魅藛T的啟發(fā)性主觀經(jīng)驗知識為基礎(chǔ),經(jīng)過產(chǎn)生式推理和演繹推理來獲得大量的規(guī)則,從而獲得診斷故障原因和部位。但由于基于知識的故障診斷系統(tǒng)不具有學習功能,知識的獲取途徑只有通過專家或操作人員總結(jié)經(jīng)驗獲取,從而制約了其進一步的發(fā)展[1,2]。

    神經(jīng)網(wǎng)絡(luò)是模擬人腦結(jié)構(gòu)開發(fā)的一種并行運算的數(shù)字算法,由輸入層、輸出層和隱層組成,可以用來建立輸入輸出之間復雜的映射關(guān)系。由于具有良好的記憶聯(lián)想功能,因此在故障診斷領(lǐng)域得到了廣泛的應(yīng)用。但是傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)只能用于確定性關(guān)系的學習,不能處理矛盾樣本,而故障診斷系統(tǒng)中的數(shù)據(jù)有些具有一定的離散性,因此需要將輸入層的確定性信息模糊化之后變成模糊量,將傳統(tǒng)神經(jīng)網(wǎng)絡(luò)變?yōu)槟:窠?jīng)網(wǎng)絡(luò),將與故障運行參數(shù)相對應(yīng)的隸屬度數(shù)值作為輸入,從而使神經(jīng)網(wǎng)絡(luò)系統(tǒng)更加適合設(shè)備故障狀態(tài)的描述。

    1 自組織映射算法

    1.1 拓撲機構(gòu)與權(quán)值調(diào)整

    1981年KOHONEN T教授提出一種自組織特征映射 SOFM(Self-Organizing Feature Map),又稱為 SOM網(wǎng)或Kohonen網(wǎng)。他認為當一個神經(jīng)網(wǎng)絡(luò)接受外界輸入模式時將會分為不同的對應(yīng)區(qū)域,各區(qū)域?qū)斎肽J骄哂胁煌捻憫?yīng)特征。SOFM網(wǎng)共兩層,輸入層模擬感知外界輸入信息的視網(wǎng)膜 ,輸出層模擬做出響應(yīng)的大腦皮層。輸入層各神經(jīng)元通過權(quán)向量將外界信息匯集到輸出層的各神經(jīng)元。輸出層屬于競爭層,神經(jīng)元的排列有多種形式,如一維線陣、二維平面陣和三維刪格陣。輸出按照二維平面組織是SOFM網(wǎng)最典型的組織方式,結(jié)構(gòu)如圖1所示。SOFM網(wǎng)采用的學習算法是在“勝者為王”算法基礎(chǔ)上改進的,主要區(qū)別在于調(diào)整權(quán)向量與側(cè)抑制的方式不同。SOFM學習算法中不僅獲勝神經(jīng)元本身要調(diào)整權(quán)向量,其周圍的神經(jīng)元在其影響下也要不同程度地調(diào)整權(quán)向量。權(quán)向量的調(diào)整函數(shù)稱為墨西哥帽函數(shù)。由于該函數(shù)的復雜性,在實際中采用較為簡化的大禮帽函數(shù)或廚師帽函數(shù)來處理。

    1.2 學習算法

    SOFM網(wǎng)采用的學習算法稱為Kohonen算法,按如下步驟進行:

    (1)初始化。對輸出層各權(quán)向量賦小的隨機數(shù)并進行歸一化處理,得到,j=1,2,…,m;建立初始優(yōu)勝鄰域Nj*(0),學習率 η 賦初始值;

    (2)接受輸入。從訓練集中選取一個輸入模式并進行歸一化處理,得到,p∈{1,2,…,P};

    (4)定義優(yōu)勝鄰域Nj*(t)以j*為中心確定t時刻的權(quán)值調(diào)整域,一般初始鄰域Nj*(0)較大,訓練過程中Nj*(t)隨訓練時間逐漸收縮;

    (5)調(diào)整權(quán)值。針對優(yōu)勝鄰域Nj*(t)內(nèi)的所有節(jié)點調(diào)整權(quán)值:

    其中,η(t,N)是訓練時間 t和鄰域內(nèi)第 j個神經(jīng)元與獲勝神經(jīng)元j*之間的拓撲距離N的函數(shù)。該函數(shù)一般有以下規(guī)律:t↑→η↓,N↑→η↓;

    (6)結(jié)束檢查。訓練結(jié)束是以學習率η(t)是否衰減到0或某個預(yù)定的正小數(shù)為條件,不滿足條件則回到步驟(2)[3,4]。

    2 自組織映射算法在故障診斷中的處理

    2.1 理論依據(jù)

    任何聚類算法的參數(shù)對聚類結(jié)果都具有直接的影響,當考慮高維數(shù)據(jù)的時候,合理的降維是一個很重要的方面,降維應(yīng)該遵循一定的方法。在算法中處理高維數(shù)據(jù)時將更高維密集單元的搜索限制在子空間密集單元的交集中,這種候選空間的確定采用基于關(guān)聯(lián)規(guī)則挖掘中的先驗性質(zhì),該性質(zhì)在所有空間中利用數(shù)據(jù)項的先驗知識以裁減空間。采用的性質(zhì)是:如果數(shù)據(jù)在k維單元是密集的,則它在k-1維空間上的投影也是密集的。也就是說,給定一個k維的候選密集單元,檢查它的k-1維投影單元,如果發(fā)現(xiàn)任何一個不是密集的,則知道第k維的單元也不是密集的[5]。由此進一步得出結(jié)論,如果聚類的某一維是密集的,則它對于整個k維聚類也是可用的,否則,在整個k維數(shù)據(jù)聚類中不起作用。把這一關(guān)聯(lián)規(guī)則挖掘中的性質(zhì)應(yīng)用到故障特征屬性的降維中。

    SOFM的數(shù)據(jù)壓縮和特征抽取的功能,將高維空間的樣本在保持拓撲結(jié)構(gòu)不變的條件下投影到低維空間,在高維空間中很多模式的分布具有復雜特性,但當映射到低維空間后,由于維度和節(jié)點數(shù)量(從多維對象映像到二維的神經(jīng)網(wǎng)絡(luò)節(jié)點)的降低,其規(guī)律很明顯。

    2.2 算法

    2.2.1 預(yù)處理:選擇合適的維參與映射

    自組織特征映射網(wǎng)絡(luò)聚類是模型聚類的一種,其自組織學習過程也可以描述為:對于每一個網(wǎng)絡(luò)的輸入,只調(diào)整一部分權(quán)值,使權(quán)向量更接近或更偏離輸入矢量,這一調(diào)整過程,就是競爭學習。隨著不斷學習,所有權(quán)向量都在輸入矢量空間相互分離,形成了各自代表輸入空間的一類模式,這就是自組織映射網(wǎng)絡(luò)的特征自動識別的聚類功能。每個故障模式參數(shù)樣本作為聚類的一個“典型”,可以根據(jù)新對象與哪個參數(shù)樣本最相似(基于某種距離計算方法)而將其分派到相應(yīng)的聚類中。被診斷設(shè)備狀態(tài)可以由一系列的特征參數(shù)來描述,一旦設(shè)備出現(xiàn)某個故障或多個故障,其狀態(tài)特征參數(shù)也會發(fā)生相應(yīng)的變化。因而,特定的特征參數(shù)值反映了相應(yīng)的設(shè)備故障。在故障診斷領(lǐng)域,當設(shè)備處于故障狀態(tài)時,將特征參數(shù)呈現(xiàn)出的特定取值稱之為故障征兆,即不同的故障征兆對應(yīng)著不同的故障類型;通常,設(shè)備的故障類型不止一種,因此用故障域來表述設(shè)備可能出現(xiàn)的多種故障類型,用征兆域來表述可能出現(xiàn)的多種故障征兆。由此可見,可以認為故障診斷即進行由征兆域到故障域的模式識別,或是由征兆域到故障模式的具有聯(lián)想能力的判別分類[6-8]。

    需要指出的是,文本型數(shù)據(jù)轉(zhuǎn)換以后應(yīng)該作為分類數(shù)據(jù)來處理。一般,在聚類過程中,如果分類維和密集維表示的是非空間屬性中不同特征的某個方面,包括太密集的數(shù)據(jù)或者太分散的數(shù)據(jù),都不適合進入聚類,如果不是作為分類數(shù)據(jù),則太集中的數(shù)據(jù)不會對聚類產(chǎn)生影響,只會增加處理的時間。而太分散的數(shù)據(jù)會對聚類結(jié)果產(chǎn)生不良的影響。但是對于表示同一特征的不同維來說,有些維是密集的,有些維不是密集的,因此需要在這些維中選擇合適的維進行聚類。

    2.2.2 診斷實例

    在故障診斷分析應(yīng)用中,用戶應(yīng)該根據(jù)聚類的目的先選擇一些候選維,準備參與聚類。取X1~X10作為征兆參數(shù),在系統(tǒng)中各自參數(shù)點具有不同特點,在發(fā)生可能的故障時,它們的變化范圍和方向各不相同,對征兆參數(shù)進行歸一化處理,如表1所示。

    表1 發(fā)射分系統(tǒng)故障樣本特征參數(shù)值

    應(yīng)用自組織特征映射網(wǎng)絡(luò)來模擬模糊聚類故障診斷的全過程,應(yīng)用Matlab工具箱進行編程,根據(jù)故障樣本,利用newsom創(chuàng)建網(wǎng)絡(luò)的競爭層為 6×6的結(jié)構(gòu),網(wǎng)絡(luò)結(jié)構(gòu)是可以調(diào)整的,可以根據(jù)數(shù)據(jù)規(guī)模進行調(diào)整,然后輸入樣本p(如表1參數(shù)值進行訓練),利用函數(shù) train和函數(shù)sim對網(wǎng)絡(luò)進行訓練,并對故障樣本進行模糊聚類。由于訓練步數(shù)大小影響著網(wǎng)絡(luò)的聚類性能,分別設(shè)置 100、200 和 500 步對網(wǎng)絡(luò)進行訓練,觀察性能[7,8];選用聚類效果較好的訓練步數(shù)為500步的網(wǎng)絡(luò),利用自組織特征映射網(wǎng)絡(luò)選取聚類數(shù)目為6類,應(yīng)用訓練數(shù)據(jù)對網(wǎng)絡(luò)進行訓練,保存網(wǎng)絡(luò)參數(shù)的訓練結(jié)果,以及訓練數(shù)據(jù)的離散結(jié)果,然后利用訓練后的網(wǎng)絡(luò)對測試數(shù)據(jù)進行離散化處理,即可得到離散化結(jié)果,如圖 2所示,可見6種故障模式分別占據(jù)不同區(qū)域,可作為故障診斷故障基準。

    競爭層輸出的不同的神經(jīng)元代表了不同的故障類型,系統(tǒng)某種故障與標準樣本的故障類型越相似,在競爭層上的興奮神經(jīng)元的幾何位置也就越接近。模擬某電子設(shè)備的典型故障,試驗中選取了5個故障樣本,經(jīng)模糊量化后得到待檢故障模式,如表2所示。

    表2 模糊量化后的待檢故障模式

    將其輸入到已訓練好的SOFM神經(jīng)網(wǎng)絡(luò),在競爭層中出現(xiàn)了圖3的分類結(jié)果。第1組故障樣本輸出的幾何距離Di最接近故障形式A,表明該故障形式為末級組件電路故障;同理,可判斷第2組故障樣本的故障形式為激勵產(chǎn)生故障;第3組和第4組故障樣本的輸出分別與D和B的位置重合,表明第3組和第4組故障樣本的故障形式分別為PIN開關(guān)故障和前級組件電路故障;第5組故障樣本的輸出最接近F,表明該故障形式可能為饋線故障。診斷結(jié)果與仿真機模擬的故障一致。

    模糊聚類分析是依據(jù)客觀事物間的特征、親疏程度和相似性,通過建立模糊相似關(guān)系,對客觀事物進行分類的數(shù)學方法。用模糊聚類分析方法處理帶有模糊性的聚類問題更客觀、靈活和直觀,且計算更加簡便。實踐表明,它突破了常規(guī)邏輯推理方法的局限,在很少先驗知識的情況下,能快速而準確地解決故障診斷問題。

    [1]楊軍,馮振聲,黃考利,等.裝備智能故障診斷技術(shù)[M].北京:國防工業(yè)出版社,2004:119-122.

    [2]何青,張海巖,張志.基于 C8051F的便攜式多通道數(shù)據(jù)采集系統(tǒng)[J].儀器儀表學報,2006,27(6):140-141.

    [3]WANG X,ILTON H.DBRS:a density based spatial clustering method with random sampling[C].Proceedings of the 7th PAKDD.Seoul,Korea,2003:563-575.

    [4]TROST B,L IANG M.Mechanical fault detection using fuzzy index fusion[J].International Journal of Machine Tools&Manufacture,2007(47):1702-1714.

    [5]CZESLAW T K,TERESA O K.Neural networks application for induction motor faults diagnosis[J].Mathematics and Computers in Simulation,2003(63):435-448.

    [6]程昌銀,李琳.模糊神經(jīng)網(wǎng)絡(luò)故障診斷研究[J].武漢理工大學學報,2002,24(1):220-225.

    [7]羅志勇.雷達系統(tǒng)智能故障診斷技術(shù)研究[D].西安:西北工業(yè)大學,2006.

    [8]PAKKANEN J.The evolving tree,a new kind of self-organizing neural network[C].Proceedings of the Workshop on Self-Organizing Maps,Kitakyushu,Japan,2003:311-316.

    Fault diagnosis based on self-organizing feature map

    Li peng1,Chen Zhongyi2

    (1.PLA91550 92 Unit,Dalian 116023,China;2.Marine Institute of Dalian Maritime University,Dalian 116023,China)

    In this paper,the theory and algorithm of SOFM are considered.And on the basis of analysis and summary of current neural network clustering,researches in algorithms of self-organized mapping with some experimental data of simulation,at last gets several meaningful conclusions.

    data mining;neural network clustering;self-organized feature map;feature extraction

    TP182

    A

    1674-7720(2011)02-0116-03

    2010-08-26)

    李鵬,男,1978年生,工學碩士,主要研究方向:無線電測量與控制,電子設(shè)備故障診斷。

    猜你喜歡
    故障診斷神經(jīng)元聚類
    《從光子到神經(jīng)元》書評
    自然雜志(2021年6期)2021-12-23 08:24:46
    躍動的神經(jīng)元——波蘭Brain Embassy聯(lián)合辦公
    基于DBSACN聚類算法的XML文檔聚類
    電子測試(2017年15期)2017-12-18 07:19:27
    因果圖定性分析法及其在故障診斷中的應(yīng)用
    基于改進的遺傳算法的模糊聚類算法
    基于二次型單神經(jīng)元PID的MPPT控制
    毫米波導引頭預(yù)定回路改進單神經(jīng)元控制
    一種層次初始的聚類個數(shù)自適應(yīng)的聚類方法研究
    基于LCD和排列熵的滾動軸承故障診斷
    基于WPD-HHT的滾動軸承故障診斷
    機械與電子(2014年1期)2014-02-28 02:07:31
    婷婷色麻豆天堂久久| 亚洲精品成人av观看孕妇| 亚洲美女视频黄频| 美女脱内裤让男人舔精品视频| 国产日韩欧美在线精品| 久热久热在线精品观看| 精品一区二区免费观看| a级毛片在线看网站| 成人午夜精彩视频在线观看| 最近的中文字幕免费完整| 一区二区三区精品91| 亚洲av电影在线进入| 热99国产精品久久久久久7| 黄片无遮挡物在线观看| 99久久人妻综合| 天堂8中文在线网| 22中文网久久字幕| 黑人欧美特级aaaaaa片| 女性生殖器流出的白浆| 狂野欧美激情性bbbbbb| 有码 亚洲区| 日韩人妻精品一区2区三区| 成年av动漫网址| 久久久精品94久久精品| 免费大片黄手机在线观看| 久久久久久人人人人人| 久久久久人妻精品一区果冻| 国产不卡av网站在线观看| 国产精品熟女久久久久浪| 高清毛片免费看| 亚洲精品日韩在线中文字幕| 久久婷婷青草| 色视频在线一区二区三区| 免费播放大片免费观看视频在线观看| 男人爽女人下面视频在线观看| 99精国产麻豆久久婷婷| 九色亚洲精品在线播放| 18禁裸乳无遮挡动漫免费视频| 制服诱惑二区| 免费高清在线观看日韩| 咕卡用的链子| 免费在线观看黄色视频的| 热99久久久久精品小说推荐| 99热这里只有是精品在线观看| 啦啦啦在线观看免费高清www| 亚洲国产日韩一区二区| 五月天丁香电影| 最新中文字幕久久久久| 久久久久久久久久人人人人人人| 欧美日韩亚洲高清精品| 男女高潮啪啪啪动态图| 夫妻性生交免费视频一级片| 精品亚洲成a人片在线观看| 最近最新中文字幕免费大全7| 又黄又爽又刺激的免费视频.| 黄网站色视频无遮挡免费观看| 亚洲欧洲日产国产| 国产高清不卡午夜福利| av视频免费观看在线观看| 一边亲一边摸免费视频| 国产av精品麻豆| 久久久久久久国产电影| 色婷婷久久久亚洲欧美| 99热国产这里只有精品6| 最近最新中文字幕大全免费视频 | 国产免费又黄又爽又色| a 毛片基地| 久久99热这里只频精品6学生| 永久免费av网站大全| 久久亚洲国产成人精品v| 观看美女的网站| 成人国产av品久久久| 精品视频人人做人人爽| 精品第一国产精品| 亚洲av.av天堂| 国产毛片在线视频| www日本在线高清视频| 亚洲综合色网址| 一级,二级,三级黄色视频| 欧美激情极品国产一区二区三区 | 男女无遮挡免费网站观看| 欧美3d第一页| 久久午夜综合久久蜜桃| 22中文网久久字幕| 精品亚洲乱码少妇综合久久| 最近2019中文字幕mv第一页| 国产免费视频播放在线视频| 黄色怎么调成土黄色| 国产精品国产av在线观看| 哪个播放器可以免费观看大片| 亚洲性久久影院| 亚洲精品中文字幕在线视频| 国产福利在线免费观看视频| 99九九在线精品视频| 国产欧美亚洲国产| 久久久久人妻精品一区果冻| 色婷婷av一区二区三区视频| 深夜精品福利| 一二三四在线观看免费中文在 | 成人亚洲精品一区在线观看| 亚洲欧美一区二区三区国产| 黄色怎么调成土黄色| 蜜臀久久99精品久久宅男| 成年美女黄网站色视频大全免费| 日本-黄色视频高清免费观看| 一个人免费看片子| 18禁观看日本| 女性被躁到高潮视频| 制服人妻中文乱码| 成人国语在线视频| 亚洲成色77777| 男女无遮挡免费网站观看| 国产亚洲精品久久久com| 王馨瑶露胸无遮挡在线观看| 丰满乱子伦码专区| 人人澡人人妻人| 欧美少妇被猛烈插入视频| 国产 一区精品| 久久这里有精品视频免费| 亚洲国产精品国产精品| 亚洲五月色婷婷综合| 久久精品夜色国产| 国产精品欧美亚洲77777| 久久久亚洲精品成人影院| 国产精品人妻久久久久久| 黄色视频在线播放观看不卡| 啦啦啦中文免费视频观看日本| 少妇猛男粗大的猛烈进出视频| 夜夜爽夜夜爽视频| 亚洲三级黄色毛片| 精品人妻熟女毛片av久久网站| 久久久久久人人人人人| 啦啦啦视频在线资源免费观看| 久久热在线av| 18在线观看网站| 性高湖久久久久久久久免费观看| 日韩在线高清观看一区二区三区| 亚洲av在线观看美女高潮| 欧美人与性动交α欧美软件 | 内地一区二区视频在线| 99热这里只有是精品在线观看| 少妇人妻精品综合一区二区| 免费观看性生交大片5| 国产一区二区在线观看av| 欧美精品一区二区大全| 黑丝袜美女国产一区| 在线精品无人区一区二区三| 蜜桃在线观看..| 18禁动态无遮挡网站| 亚洲国产色片| 亚洲国产精品一区三区| 精品国产乱码久久久久久小说| 黑丝袜美女国产一区| 伦理电影大哥的女人| 考比视频在线观看| 在线观看人妻少妇| 超碰97精品在线观看| 日韩一区二区三区影片| 亚洲国产精品一区三区| www.熟女人妻精品国产 | 自拍欧美九色日韩亚洲蝌蚪91| 精品久久久久久电影网| 交换朋友夫妻互换小说| 精品国产一区二区三区久久久樱花| 亚洲国产日韩一区二区| 99国产精品免费福利视频| 久久av网站| 香蕉精品网在线| 热re99久久精品国产66热6| 国产爽快片一区二区三区| 丝瓜视频免费看黄片| 免费黄网站久久成人精品| 国产一级毛片在线| 啦啦啦啦在线视频资源| 国产日韩欧美视频二区| a 毛片基地| 国产69精品久久久久777片| 成人二区视频| av天堂久久9| 亚洲五月色婷婷综合| 国产69精品久久久久777片| 一级黄片播放器| 热re99久久精品国产66热6| 超碰97精品在线观看| 国产精品久久久久久精品电影小说| 一区二区三区乱码不卡18| 国产精品女同一区二区软件| 免费在线观看黄色视频的| 亚洲第一区二区三区不卡| 色94色欧美一区二区| 亚洲国产精品国产精品| 婷婷成人精品国产| 丝袜脚勾引网站| 咕卡用的链子| 成年人午夜在线观看视频| 91在线精品国自产拍蜜月| 亚洲天堂av无毛| 国产精品无大码| 亚洲欧美精品自产自拍| 亚洲精品aⅴ在线观看| 在线精品无人区一区二区三| 人人妻人人爽人人添夜夜欢视频| 精品酒店卫生间| 日韩人妻精品一区2区三区| 久久久久久伊人网av| 午夜免费鲁丝| 99久久精品国产国产毛片| 中文字幕精品免费在线观看视频 | 日日摸夜夜添夜夜爱| 青青草视频在线视频观看| 一级a做视频免费观看| 成人国产av品久久久| 全区人妻精品视频| 久久亚洲国产成人精品v| 老女人水多毛片| 亚洲第一av免费看| 成人综合一区亚洲| 内地一区二区视频在线| 亚洲精品中文字幕在线视频| 好男人视频免费观看在线| 黄色怎么调成土黄色| av一本久久久久| 国产亚洲欧美精品永久| 亚洲国产欧美在线一区| 成人影院久久| 国产片内射在线| 精品一区在线观看国产| 精品午夜福利在线看| 国产成人精品婷婷| 久久人人爽人人爽人人片va| av播播在线观看一区| 色94色欧美一区二区| 欧美日韩一区二区视频在线观看视频在线| 精品国产一区二区三区四区第35| av天堂久久9| 亚洲精品乱码久久久久久按摩| 熟女电影av网| 丝袜脚勾引网站| 国产精品国产av在线观看| 又黄又爽又刺激的免费视频.| 熟女人妻精品中文字幕| 日韩中文字幕视频在线看片| 国产极品天堂在线| 永久网站在线| 国产熟女欧美一区二区| 永久网站在线| 女性生殖器流出的白浆| 免费观看av网站的网址| 97超碰精品成人国产| 秋霞伦理黄片| 久久久欧美国产精品| 18禁国产床啪视频网站| 男女无遮挡免费网站观看| 国产在线视频一区二区| 色94色欧美一区二区| 久久久久精品人妻al黑| 不卡视频在线观看欧美| 午夜视频国产福利| 在线观看免费视频网站a站| 国产精品久久久av美女十八| 蜜桃国产av成人99| 国产精品久久久久久精品古装| 一二三四在线观看免费中文在 | 亚洲精品久久午夜乱码| 日韩大片免费观看网站| 国产精品秋霞免费鲁丝片| 菩萨蛮人人尽说江南好唐韦庄| 免费观看在线日韩| 看免费成人av毛片| 国产一区二区激情短视频 | 国产熟女午夜一区二区三区| 蜜桃在线观看..| 亚洲欧美色中文字幕在线| 天天影视国产精品| 精品亚洲乱码少妇综合久久| 黄网站色视频无遮挡免费观看| 飞空精品影院首页| 欧美成人午夜免费资源| 亚洲国产看品久久| 精品视频人人做人人爽| 国产精品人妻久久久久久| 人人妻人人爽人人添夜夜欢视频| 在线天堂中文资源库| 日本黄色日本黄色录像| 99re6热这里在线精品视频| 熟女av电影| 国产欧美亚洲国产| 一级毛片黄色毛片免费观看视频| 寂寞人妻少妇视频99o| 汤姆久久久久久久影院中文字幕| 日本色播在线视频| 美女主播在线视频| 18禁裸乳无遮挡动漫免费视频| 国产欧美另类精品又又久久亚洲欧美| 久久ye,这里只有精品| 视频区图区小说| 男女下面插进去视频免费观看 | 日韩制服骚丝袜av| 观看av在线不卡| 成人国语在线视频| av一本久久久久| 在线观看美女被高潮喷水网站| 中文字幕精品免费在线观看视频 | 黄色 视频免费看| 久久国产亚洲av麻豆专区| 久久午夜福利片| 免费观看无遮挡的男女| 国产精品熟女久久久久浪| 熟女人妻精品中文字幕| 一区二区三区四区激情视频| 一区二区三区四区激情视频| 韩国av在线不卡| 欧美日韩国产mv在线观看视频| 久久久久网色| 免费黄色在线免费观看| 日韩欧美精品免费久久| 久久午夜福利片| 久久午夜福利片| 中文乱码字字幕精品一区二区三区| 黄色视频在线播放观看不卡| 中文字幕制服av| 免费黄频网站在线观看国产| 日韩一区二区视频免费看| 久久精品aⅴ一区二区三区四区 | 99国产精品免费福利视频| 制服丝袜香蕉在线| 亚洲欧美成人综合另类久久久| 一边亲一边摸免费视频| 丝袜美足系列| a级毛色黄片| 国产色爽女视频免费观看| 久久这里有精品视频免费| 亚洲经典国产精华液单| 两性夫妻黄色片 | 国产av一区二区精品久久| 99国产精品免费福利视频| 亚洲第一区二区三区不卡| 香蕉国产在线看| 一区二区av电影网| 日本猛色少妇xxxxx猛交久久| 亚洲国产精品一区三区| 黑人巨大精品欧美一区二区蜜桃 | 人人妻人人澡人人看| 一二三四中文在线观看免费高清| 日日啪夜夜爽| 九九在线视频观看精品| 日本猛色少妇xxxxx猛交久久| 97人妻天天添夜夜摸| 成人午夜精彩视频在线观看| 满18在线观看网站| 丰满乱子伦码专区| 2021少妇久久久久久久久久久| 老熟女久久久| 九草在线视频观看| 美女主播在线视频| 久久99热这里只频精品6学生| 亚洲国产欧美日韩在线播放| 丁香六月天网| 免费看不卡的av| 人体艺术视频欧美日本| 午夜日本视频在线| 精品国产乱码久久久久久小说| xxx大片免费视频| 天堂8中文在线网| 久久国内精品自在自线图片| 亚洲欧美一区二区三区国产| 99热全是精品| 伊人久久国产一区二区| 国产午夜精品一二区理论片| 欧美激情极品国产一区二区三区 | 国产av精品麻豆| 日韩av不卡免费在线播放| 亚洲国产精品国产精品| 国产av一区二区精品久久| 日本黄大片高清| 亚洲精品乱码久久久久久按摩| av免费在线看不卡| 久久ye,这里只有精品| 日本欧美国产在线视频| 啦啦啦啦在线视频资源| 91成人精品电影| 亚洲久久久国产精品| 插逼视频在线观看| 亚洲第一av免费看| 久久亚洲国产成人精品v| 最近中文字幕2019免费版| 国产黄频视频在线观看| 五月玫瑰六月丁香| 国产日韩一区二区三区精品不卡| 丰满少妇做爰视频| 亚洲精品第二区| 久久久久久久国产电影| 尾随美女入室| 99视频精品全部免费 在线| 亚洲国产精品一区二区三区在线| av又黄又爽大尺度在线免费看| 少妇猛男粗大的猛烈进出视频| 另类精品久久| 99国产精品免费福利视频| 亚洲精品乱码久久久久久按摩| 丰满乱子伦码专区| 亚洲精品国产av成人精品| 久久久久久人人人人人| 久久精品国产亚洲av天美| av黄色大香蕉| 亚洲人成77777在线视频| 亚洲av成人精品一二三区| videossex国产| 日日啪夜夜爽| 一级毛片黄色毛片免费观看视频| 精品一区二区三区四区五区乱码 | 国产精品一区二区在线不卡| 久久久久网色| 亚洲高清免费不卡视频| 夜夜爽夜夜爽视频| 免费看光身美女| 女性生殖器流出的白浆| 大香蕉久久成人网| 国产国拍精品亚洲av在线观看| 激情五月婷婷亚洲| 久久国产亚洲av麻豆专区| 一本大道久久a久久精品| 亚洲五月色婷婷综合| 欧美激情 高清一区二区三区| 亚洲国产精品一区二区三区在线| 一区二区av电影网| 亚洲一级一片aⅴ在线观看| 婷婷色综合www| 麻豆精品久久久久久蜜桃| 天天影视国产精品| 久久国产精品大桥未久av| 色吧在线观看| 人人妻人人添人人爽欧美一区卜| 亚洲五月色婷婷综合| 80岁老熟妇乱子伦牲交| 亚洲av中文av极速乱| 久久久国产一区二区| 熟女人妻精品中文字幕| 另类亚洲欧美激情| 在线天堂最新版资源| 26uuu在线亚洲综合色| 精品午夜福利在线看| 亚洲四区av| 免费黄频网站在线观看国产| 色网站视频免费| 最新中文字幕久久久久| 久久精品久久精品一区二区三区| 国产成人欧美| 十八禁高潮呻吟视频| 少妇高潮的动态图| 亚洲欧洲国产日韩| 国产免费视频播放在线视频| 激情视频va一区二区三区| 成人二区视频| 成人毛片60女人毛片免费| videossex国产| 亚洲中文av在线| 黑人欧美特级aaaaaa片| 一区二区日韩欧美中文字幕 | 国产精品一区二区在线不卡| 午夜影院在线不卡| 五月伊人婷婷丁香| 在线免费观看不下载黄p国产| 亚洲经典国产精华液单| 黄色怎么调成土黄色| 80岁老熟妇乱子伦牲交| 国产男人的电影天堂91| 乱人伦中国视频| 美女主播在线视频| 婷婷色av中文字幕| 制服丝袜香蕉在线| 在线观看美女被高潮喷水网站| 久久久精品免费免费高清| 美女国产视频在线观看| 18禁动态无遮挡网站| 日本与韩国留学比较| 亚洲欧美日韩另类电影网站| 男女啪啪激烈高潮av片| 欧美日韩av久久| 国产女主播在线喷水免费视频网站| 高清欧美精品videossex| 狠狠婷婷综合久久久久久88av| 9191精品国产免费久久| 国产一区二区激情短视频 | 国产极品天堂在线| 精品一区二区三区视频在线| 国产福利在线免费观看视频| 又黄又粗又硬又大视频| 美女脱内裤让男人舔精品视频| 亚洲高清免费不卡视频| 国产白丝娇喘喷水9色精品| av国产精品久久久久影院| 日韩在线高清观看一区二区三区| 一边亲一边摸免费视频| 国产淫语在线视频| 啦啦啦在线观看免费高清www| 巨乳人妻的诱惑在线观看| 一级片'在线观看视频| 亚洲三级黄色毛片| 一边亲一边摸免费视频| 免费人成在线观看视频色| 午夜激情久久久久久久| 亚洲精品久久成人aⅴ小说| 免费不卡的大黄色大毛片视频在线观看| 国产日韩欧美亚洲二区| 99久久中文字幕三级久久日本| 老熟女久久久| 又大又黄又爽视频免费| 欧美 日韩 精品 国产| 中文字幕人妻熟女乱码| 晚上一个人看的免费电影| 亚洲熟女精品中文字幕| 在线亚洲精品国产二区图片欧美| 日本色播在线视频| 美女视频免费永久观看网站| 国产熟女午夜一区二区三区| 国产无遮挡羞羞视频在线观看| 国产精品国产三级专区第一集| 最近的中文字幕免费完整| 一级片免费观看大全| 最近2019中文字幕mv第一页| 婷婷色麻豆天堂久久| 熟女人妻精品中文字幕| 日韩av在线免费看完整版不卡| 亚洲欧美中文字幕日韩二区| 一级片免费观看大全| 一二三四在线观看免费中文在 | 啦啦啦在线观看免费高清www| 巨乳人妻的诱惑在线观看| av又黄又爽大尺度在线免费看| 欧美精品高潮呻吟av久久| 亚洲精品色激情综合| 极品少妇高潮喷水抽搐| 草草在线视频免费看| 亚洲精品456在线播放app| 成人黄色视频免费在线看| 麻豆精品久久久久久蜜桃| 国产黄频视频在线观看| 国产乱来视频区| 91aial.com中文字幕在线观看| 狠狠精品人妻久久久久久综合| 菩萨蛮人人尽说江南好唐韦庄| 精品亚洲成国产av| 亚洲国产欧美在线一区| 国产色婷婷99| 大片电影免费在线观看免费| 亚洲国产毛片av蜜桃av| 一本—道久久a久久精品蜜桃钙片| 男女午夜视频在线观看 | 高清在线视频一区二区三区| av福利片在线| 999精品在线视频| 亚洲熟女精品中文字幕| 超碰97精品在线观看| 午夜av观看不卡| 热re99久久精品国产66热6| freevideosex欧美| 成人二区视频| 久久久久久久精品精品| 大片电影免费在线观看免费| tube8黄色片| 亚洲国产av影院在线观看| 人妻少妇偷人精品九色| 中文字幕人妻丝袜制服| 我的女老师完整版在线观看| 国产成人欧美| 精品国产乱码久久久久久小说| 精品卡一卡二卡四卡免费| 成人亚洲欧美一区二区av| 国产精品女同一区二区软件| 青春草视频在线免费观看| 久久人人爽人人爽人人片va| 亚洲国产看品久久| 又大又黄又爽视频免费| 精品99又大又爽又粗少妇毛片| 熟妇人妻不卡中文字幕| 91aial.com中文字幕在线观看| 久久99热6这里只有精品| 满18在线观看网站| 老司机亚洲免费影院| 成人毛片a级毛片在线播放| 热re99久久国产66热| 国产白丝娇喘喷水9色精品| 一级片'在线观看视频| 在线观看免费视频网站a站| 一边亲一边摸免费视频| 久久精品国产亚洲av天美| 草草在线视频免费看| 在线免费观看不下载黄p国产| 尾随美女入室| av一本久久久久| 人妻 亚洲 视频| 日韩精品有码人妻一区| 三上悠亚av全集在线观看| 18在线观看网站| 蜜桃国产av成人99| 成人国产麻豆网| 欧美亚洲日本最大视频资源| 亚洲色图 男人天堂 中文字幕 | 久久99热这里只频精品6学生| 麻豆乱淫一区二区| 成人黄色视频免费在线看| 九九爱精品视频在线观看| 91aial.com中文字幕在线观看| 乱人伦中国视频| 免费不卡的大黄色大毛片视频在线观看| 久久久久久人人人人人| 亚洲欧洲国产日韩| 在线观看www视频免费| 免费观看a级毛片全部| 免费黄网站久久成人精品| 丝袜人妻中文字幕| 少妇熟女欧美另类| 黄片无遮挡物在线观看| 一本久久精品|