• <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
    国产一区二区在线观看av| 欧美中文综合在线视频| 美女高潮到喷水免费观看| 精品人妻一区二区三区麻豆| 久久ye,这里只有精品| 又大又爽又粗| 欧美黄色片欧美黄色片| 十八禁高潮呻吟视频| 老熟妇仑乱视频hdxx| 欧美少妇被猛烈插入视频| 欧美日韩福利视频一区二区| 亚洲第一av免费看| www日本在线高清视频| 久久久国产一区二区| 久久精品成人免费网站| 欧美黄色片欧美黄色片| 午夜精品国产一区二区电影| 亚洲一区中文字幕在线| 久久久精品94久久精品| 免费观看人在逋| 亚洲国产精品999| 亚洲少妇的诱惑av| 久久影院123| 久久久久久久久久久久大奶| 午夜免费观看性视频| 99久久人妻综合| 久久国产亚洲av麻豆专区| 99久久国产精品久久久| 精品少妇黑人巨大在线播放| 国产亚洲av片在线观看秒播厂| 一本大道久久a久久精品| 亚洲国产欧美在线一区| 女人久久www免费人成看片| 久久久国产欧美日韩av| 日本欧美视频一区| 久久久精品免费免费高清| 波多野结衣av一区二区av| 亚洲成av片中文字幕在线观看| 亚洲国产日韩一区二区| 少妇裸体淫交视频免费看高清 | 久久国产精品大桥未久av| 午夜影院在线不卡| 波多野结衣av一区二区av| 亚洲第一青青草原| 国产不卡av网站在线观看| 高清视频免费观看一区二区| av线在线观看网站| 老司机在亚洲福利影院| 精品少妇内射三级| 天天操日日干夜夜撸| 国产在线一区二区三区精| 精品国产国语对白av| 成人影院久久| 十八禁人妻一区二区| 亚洲久久久国产精品| 久久精品熟女亚洲av麻豆精品| 精品人妻在线不人妻| 国产一区二区三区综合在线观看| 肉色欧美久久久久久久蜜桃| 两性夫妻黄色片| 国产男女内射视频| 中文字幕av电影在线播放| 一边摸一边抽搐一进一出视频| 国产高清视频在线播放一区 | 日本撒尿小便嘘嘘汇集6| 久久热在线av| 热re99久久国产66热| 91精品伊人久久大香线蕉| 两性午夜刺激爽爽歪歪视频在线观看 | 下体分泌物呈黄色| 热99国产精品久久久久久7| 飞空精品影院首页| 国产真人三级小视频在线观看| 国产精品香港三级国产av潘金莲| 午夜免费成人在线视频| 亚洲av片天天在线观看| av在线播放精品| 在线观看舔阴道视频| 欧美日韩国产mv在线观看视频| 午夜久久久在线观看| 十八禁人妻一区二区| 脱女人内裤的视频| 欧美精品人与动牲交sv欧美| 亚洲一码二码三码区别大吗| 国产免费福利视频在线观看| 精品福利永久在线观看| 男女免费视频国产| videosex国产| 国产一区有黄有色的免费视频| 在线亚洲精品国产二区图片欧美| 中文字幕精品免费在线观看视频| 精品一区在线观看国产| 亚洲美女黄色视频免费看| 最近中文字幕2019免费版| www.自偷自拍.com| 久久人人爽人人片av| 国产亚洲精品一区二区www | 一级毛片女人18水好多| e午夜精品久久久久久久| 免费女性裸体啪啪无遮挡网站| 久久亚洲国产成人精品v| 青春草视频在线免费观看| 中文字幕制服av| 18禁观看日本| 日韩欧美国产一区二区入口| 国产xxxxx性猛交| 男女无遮挡免费网站观看| 久久亚洲国产成人精品v| 丝袜喷水一区| 国产深夜福利视频在线观看| 18禁观看日本| 欧美日韩亚洲高清精品| 成人国产一区最新在线观看| 一级黄色大片毛片| 大片免费播放器 马上看| 久久综合国产亚洲精品| 黄色片一级片一级黄色片| 肉色欧美久久久久久久蜜桃| 国产免费av片在线观看野外av| 亚洲三区欧美一区| 老司机亚洲免费影院| 久久国产精品人妻蜜桃| 日韩制服骚丝袜av| 久久久久久久久久久久大奶| 十八禁网站网址无遮挡| 搡老岳熟女国产| 婷婷色av中文字幕| av免费在线观看网站| 精品卡一卡二卡四卡免费| 热99国产精品久久久久久7| 国产亚洲一区二区精品| 国产免费一区二区三区四区乱码| 我要看黄色一级片免费的| 99久久综合免费| 久久久久久久大尺度免费视频| 欧美在线黄色| 亚洲精品在线美女| 亚洲精品一卡2卡三卡4卡5卡 | 久热爱精品视频在线9| 一二三四在线观看免费中文在| 一级黄色大片毛片| 天堂俺去俺来也www色官网| 夫妻午夜视频| 一本—道久久a久久精品蜜桃钙片| 丰满人妻熟妇乱又伦精品不卡| 欧美中文综合在线视频| 亚洲精品乱久久久久久| 国产成人啪精品午夜网站| 久久久久精品国产欧美久久久 | 淫妇啪啪啪对白视频 | 黑人猛操日本美女一级片| 爱豆传媒免费全集在线观看| 欧美精品一区二区免费开放| 国产成人av教育| 夫妻午夜视频| 国产区一区二久久| e午夜精品久久久久久久| 国产精品一区二区在线不卡| 亚洲第一欧美日韩一区二区三区 | 香蕉丝袜av| 91国产中文字幕| 亚洲欧美一区二区三区黑人| 欧美日韩中文字幕国产精品一区二区三区 | 成年动漫av网址| 91成人精品电影| 精品国产一区二区三区四区第35| 考比视频在线观看| 99久久人妻综合| 精品卡一卡二卡四卡免费| 啦啦啦在线免费观看视频4| av又黄又爽大尺度在线免费看| 精品熟女少妇八av免费久了| 精品国产乱码久久久久久男人| 午夜福利免费观看在线| 精品一区二区三卡| 宅男免费午夜| 成年美女黄网站色视频大全免费| 亚洲激情五月婷婷啪啪| 夜夜夜夜夜久久久久| 交换朋友夫妻互换小说| 欧美人与性动交α欧美精品济南到| 国产欧美日韩一区二区精品| 欧美另类亚洲清纯唯美| 免费久久久久久久精品成人欧美视频| 女人精品久久久久毛片| 欧美日韩一级在线毛片| 日本撒尿小便嘘嘘汇集6| 亚洲成国产人片在线观看| 亚洲欧洲日产国产| 日日夜夜操网爽| 丝袜脚勾引网站| 伊人久久大香线蕉亚洲五| 国产xxxxx性猛交| a级片在线免费高清观看视频| 亚洲国产日韩一区二区| 精品国产一区二区三区久久久樱花| 美女大奶头黄色视频| 亚洲美女黄色视频免费看| 欧美黄色淫秽网站| 丰满人妻熟妇乱又伦精品不卡| 午夜福利影视在线免费观看| 国产亚洲一区二区精品| 在线观看免费视频网站a站| av有码第一页| 午夜精品久久久久久毛片777| 一区二区三区四区激情视频| 亚洲五月色婷婷综合| 国产又爽黄色视频| 美女脱内裤让男人舔精品视频| 国产有黄有色有爽视频| 少妇人妻久久综合中文| 丝袜人妻中文字幕| 在线av久久热| 午夜91福利影院| 国产深夜福利视频在线观看| 久久久水蜜桃国产精品网| 午夜福利在线观看吧| 色综合欧美亚洲国产小说| 咕卡用的链子| 亚洲 国产 在线| 免费在线观看完整版高清| 最近最新中文字幕大全免费视频| 亚洲精品日韩在线中文字幕| 一区在线观看完整版| 精品久久久久久电影网| 欧美少妇被猛烈插入视频| 亚洲av片天天在线观看| 欧美日韩黄片免| 1024香蕉在线观看| 最近中文字幕2019免费版| 精品熟女少妇八av免费久了| 亚洲精品国产色婷婷电影| 色老头精品视频在线观看| 亚洲精品一卡2卡三卡4卡5卡 | 亚洲欧洲日产国产| 男女国产视频网站| 国产1区2区3区精品| 日日摸夜夜添夜夜添小说| 欧美乱码精品一区二区三区| 777久久人妻少妇嫩草av网站| 欧美日韩精品网址| 精品人妻一区二区三区麻豆| 国产精品九九99| 亚洲国产欧美一区二区综合| 18禁裸乳无遮挡动漫免费视频| 午夜福利视频精品| 搡老熟女国产l中国老女人| 两性午夜刺激爽爽歪歪视频在线观看 | 91大片在线观看| 日日夜夜操网爽| 五月天丁香电影| 天天躁夜夜躁狠狠躁躁| 每晚都被弄得嗷嗷叫到高潮| 久久狼人影院| 亚洲精品国产精品久久久不卡| 亚洲美女黄色视频免费看| 亚洲欧洲精品一区二区精品久久久| 老司机影院成人| 老熟妇仑乱视频hdxx| 深夜精品福利| 性色av乱码一区二区三区2| 18禁裸乳无遮挡动漫免费视频| 亚洲av片天天在线观看| 免费在线观看影片大全网站| 午夜福利一区二区在线看| 久久久久久久久久久久大奶| 久久精品久久久久久噜噜老黄| 黄色a级毛片大全视频| 亚洲专区国产一区二区| 啦啦啦免费观看视频1| 久久99一区二区三区| 日韩一卡2卡3卡4卡2021年| 一级黄色大片毛片| 女人高潮潮喷娇喘18禁视频| 亚洲av电影在线进入| av福利片在线| 黄色怎么调成土黄色| 韩国高清视频一区二区三区| 另类亚洲欧美激情| 人成视频在线观看免费观看| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲 欧美一区二区三区| 精品福利观看| 精品一区二区三卡| 国产有黄有色有爽视频| 国产色视频综合| 亚洲国产av影院在线观看| 正在播放国产对白刺激| 亚洲va日本ⅴa欧美va伊人久久 | 一区二区三区激情视频| 999久久久精品免费观看国产| 成人国产一区最新在线观看| 91麻豆精品激情在线观看国产 | 91成人精品电影| 亚洲精品粉嫩美女一区| 肉色欧美久久久久久久蜜桃| 国产熟女午夜一区二区三区| www.熟女人妻精品国产| 老司机亚洲免费影院| 精品一区二区三卡| 国产成人精品久久二区二区91| 两人在一起打扑克的视频| 精品国产国语对白av| 自线自在国产av| 最近中文字幕2019免费版| 国产极品粉嫩免费观看在线| 91老司机精品| 美女视频免费永久观看网站| 十八禁高潮呻吟视频| 国产在线视频一区二区| tocl精华| 啦啦啦中文免费视频观看日本| 九色亚洲精品在线播放| 亚洲少妇的诱惑av| 久久女婷五月综合色啪小说| 精品久久久久久电影网| 亚洲精品久久午夜乱码| 又紧又爽又黄一区二区| 国产在线一区二区三区精| 大香蕉久久网| 久久天躁狠狠躁夜夜2o2o| 中文精品一卡2卡3卡4更新| 一本综合久久免费| 黄色 视频免费看| 亚洲av美国av| 51午夜福利影视在线观看| 亚洲第一欧美日韩一区二区三区 | 成人影院久久| 纯流量卡能插随身wifi吗| 国产一区二区三区在线臀色熟女 | 制服诱惑二区| 人人妻人人添人人爽欧美一区卜| 欧美日韩黄片免| 国产一区二区激情短视频 | 999精品在线视频| 久久久国产精品麻豆| 成人国产av品久久久| 欧美另类亚洲清纯唯美| 国产精品1区2区在线观看. | 黄片大片在线免费观看| 人人澡人人妻人| 18禁观看日本| 亚洲性夜色夜夜综合| av网站在线播放免费| 亚洲中文字幕日韩| 在线精品无人区一区二区三| 99久久国产精品久久久| 老司机亚洲免费影院| 精品一品国产午夜福利视频| 亚洲精品自拍成人| 中文字幕色久视频| 老司机亚洲免费影院| 日韩三级视频一区二区三区| 久久久久国产一级毛片高清牌| 飞空精品影院首页| 黄频高清免费视频| 一级毛片精品| 在线观看一区二区三区激情| 亚洲一区二区三区欧美精品| 真人做人爱边吃奶动态| 国产深夜福利视频在线观看| 国产有黄有色有爽视频| 国产成人啪精品午夜网站| 一边摸一边做爽爽视频免费| 午夜免费观看性视频| 青草久久国产| 啦啦啦在线免费观看视频4| 亚洲精品一区蜜桃| 国产有黄有色有爽视频| 日韩一卡2卡3卡4卡2021年| 不卡av一区二区三区| av欧美777| 欧美日韩视频精品一区| 国产精品 欧美亚洲| 国产无遮挡羞羞视频在线观看| 国产免费现黄频在线看| 首页视频小说图片口味搜索| 亚洲欧美日韩另类电影网站| 中文字幕人妻丝袜一区二区| 国产成人一区二区三区免费视频网站| 男男h啪啪无遮挡| 乱人伦中国视频| 亚洲欧美精品自产自拍| 男女国产视频网站| 自线自在国产av| 久久免费观看电影| 国产99久久九九免费精品| 十八禁高潮呻吟视频| 18在线观看网站| 99九九在线精品视频| 日韩欧美一区视频在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 日韩中文字幕欧美一区二区| 另类亚洲欧美激情| 国产欧美日韩综合在线一区二区| 欧美 亚洲 国产 日韩一| 亚洲精品一二三| 日本一区二区免费在线视频| 无限看片的www在线观看| 搡老岳熟女国产| 黄片大片在线免费观看| 大片免费播放器 马上看| 国产淫语在线视频| 久久香蕉激情| 热99国产精品久久久久久7| 亚洲成人国产一区在线观看| 亚洲欧美成人综合另类久久久| 亚洲欧美一区二区三区久久| 国产主播在线观看一区二区| 大香蕉久久成人网| 少妇猛男粗大的猛烈进出视频| 国产日韩欧美亚洲二区| 男女免费视频国产| 黄片播放在线免费| 12—13女人毛片做爰片一| 亚洲国产精品一区二区三区在线| √禁漫天堂资源中文www| 国产欧美日韩一区二区三区在线| 视频区欧美日本亚洲| 欧美另类亚洲清纯唯美| 一二三四在线观看免费中文在| 中文字幕人妻丝袜一区二区| 汤姆久久久久久久影院中文字幕| 人人澡人人妻人| 国产日韩欧美亚洲二区| 高清黄色对白视频在线免费看| 一级毛片电影观看| 美女视频免费永久观看网站| 最近最新中文字幕大全免费视频| 亚洲国产欧美网| 亚洲av美国av| 男女国产视频网站| 97在线人人人人妻| av网站免费在线观看视频| 人人澡人人妻人| 国产日韩欧美亚洲二区| 久久久久久久久久久久大奶| 久久青草综合色| 日韩 欧美 亚洲 中文字幕| 中国美女看黄片| 在线观看免费高清a一片| 国产精品影院久久| av不卡在线播放| 免费黄频网站在线观看国产| 国产免费福利视频在线观看| 高潮久久久久久久久久久不卡| av在线app专区| 精品福利永久在线观看| 免费在线观看日本一区| 涩涩av久久男人的天堂| 老鸭窝网址在线观看| 亚洲 欧美一区二区三区| 91成人精品电影| 日韩大码丰满熟妇| 亚洲色图综合在线观看| 搡老岳熟女国产| 久久性视频一级片| 超碰成人久久| 视频区欧美日本亚洲| 免费av中文字幕在线| 亚洲精品国产av蜜桃| 老鸭窝网址在线观看| 国产成人免费无遮挡视频| 国产主播在线观看一区二区| 精品熟女少妇八av免费久了| 国产精品久久久久久精品电影小说| 一二三四社区在线视频社区8| 最新在线观看一区二区三区| 一边摸一边做爽爽视频免费| 性色av乱码一区二区三区2| 窝窝影院91人妻| 在线永久观看黄色视频| 日韩一卡2卡3卡4卡2021年| 秋霞在线观看毛片| 亚洲欧美精品自产自拍| 99久久99久久久精品蜜桃| 90打野战视频偷拍视频| 亚洲成人手机| 亚洲男人天堂网一区| 熟女少妇亚洲综合色aaa.| 人人妻,人人澡人人爽秒播| 麻豆国产av国片精品| 秋霞在线观看毛片| 免费女性裸体啪啪无遮挡网站| 人人澡人人妻人| 亚洲精品久久成人aⅴ小说| 亚洲国产av影院在线观看| 另类精品久久| 美女大奶头黄色视频| 国产免费视频播放在线视频| 一区二区日韩欧美中文字幕| 操出白浆在线播放| 丝袜脚勾引网站| 免费高清在线观看日韩| 亚洲精品国产色婷婷电影| 涩涩av久久男人的天堂| 制服诱惑二区| 久久人人爽人人片av| 成年美女黄网站色视频大全免费| 免费在线观看日本一区| 80岁老熟妇乱子伦牲交| 桃花免费在线播放| 蜜桃国产av成人99| av网站免费在线观看视频| 精品久久久精品久久久| 国产一区二区三区在线臀色熟女 | 十分钟在线观看高清视频www| 另类精品久久| 国产色视频综合| 欧美 亚洲 国产 日韩一| videosex国产| 黄色a级毛片大全视频| 久久久欧美国产精品| 亚洲综合色网址| tube8黄色片| 日韩制服骚丝袜av| 免费在线观看影片大全网站| 1024视频免费在线观看| 久久久久网色| 久久人妻熟女aⅴ| 99九九在线精品视频| 19禁男女啪啪无遮挡网站| 久久综合国产亚洲精品| 日韩欧美一区视频在线观看| 操美女的视频在线观看| 纯流量卡能插随身wifi吗| 欧美精品一区二区免费开放| 9热在线视频观看99| 叶爱在线成人免费视频播放| 国产av国产精品国产| 一本一本久久a久久精品综合妖精| 午夜久久久在线观看| 新久久久久国产一级毛片| 麻豆国产av国片精品| 一级黄色大片毛片| 国产伦人伦偷精品视频| 丰满迷人的少妇在线观看| 日韩精品免费视频一区二区三区| 亚洲免费av在线视频| 在线观看人妻少妇| 三级毛片av免费| 欧美日韩亚洲高清精品| 成人手机av| 国产亚洲一区二区精品| 视频在线观看一区二区三区| 欧美激情久久久久久爽电影 | 亚洲欧美日韩高清在线视频 | 久久中文看片网| 黑人猛操日本美女一级片| 久久久精品免费免费高清| 成人影院久久| 91精品三级在线观看| 精品高清国产在线一区| 亚洲av日韩精品久久久久久密| 国产成人精品久久二区二区免费| 丝袜美腿诱惑在线| 热99国产精品久久久久久7| 国产成人精品久久二区二区91| 欧美激情久久久久久爽电影 | 性色av一级| 91国产中文字幕| 丰满饥渴人妻一区二区三| 日韩大码丰满熟妇| 黑人巨大精品欧美一区二区mp4| 母亲3免费完整高清在线观看| 老司机在亚洲福利影院| 最近最新免费中文字幕在线| av免费在线观看网站| 一级,二级,三级黄色视频| 国产精品国产三级国产专区5o| 桃红色精品国产亚洲av| 一边摸一边做爽爽视频免费| 日韩大码丰满熟妇| 一边摸一边做爽爽视频免费| 嫁个100分男人电影在线观看| 国产精品一二三区在线看| 中文欧美无线码| 女人被躁到高潮嗷嗷叫费观| 精品熟女少妇八av免费久了| www.自偷自拍.com| 亚洲免费av在线视频| av在线老鸭窝| 中文精品一卡2卡3卡4更新| 欧美97在线视频| 国产成人啪精品午夜网站| 久久精品国产亚洲av香蕉五月 | 久热这里只有精品99| 久久ye,这里只有精品| av视频免费观看在线观看| 亚洲国产中文字幕在线视频| 日韩精品免费视频一区二区三区| 男女高潮啪啪啪动态图| a级片在线免费高清观看视频| 黄片播放在线免费| 亚洲精品国产精品久久久不卡| 亚洲av片天天在线观看| 黄频高清免费视频| 老司机在亚洲福利影院| 1024视频免费在线观看| 国产一级毛片在线| 18禁裸乳无遮挡动漫免费视频| 久久毛片免费看一区二区三区| 亚洲欧美日韩高清在线视频 | 久久久久精品人妻al黑| 男男h啪啪无遮挡| 丝袜美腿诱惑在线| 老司机在亚洲福利影院| 桃红色精品国产亚洲av| 12—13女人毛片做爰片一| 三级毛片av免费| 亚洲成人免费av在线播放| 亚洲欧洲日产国产| 久久中文看片网| 国精品久久久久久国模美| 中文字幕另类日韩欧美亚洲嫩草|