• <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K-means 聚類的kNN 故障檢測研究

    2013-11-12 06:58:38陳海彬郭金玉謝彥紅
    沈陽化工大學學報 2013年1期
    關鍵詞:子類聚類距離

    陳海彬,郭金玉,謝彥紅

    (沈陽化工大學 信息工程學院,遼寧 沈陽 110142)

    現(xiàn)代化工工業(yè)具有大規(guī)模、高危性、多變量的特點,隨著設備結構日趨復雜,其故障類別日益增多,反映故障狀態(tài)、特征的變量也相應增加.在實際檢測過程中,為了使檢測準確可靠,總要采集盡可能多的數(shù)據(jù)樣本,以獲得足夠多的信息.

    當前,對工業(yè)過程故障檢測的研究方法有3類[1-2]:基于數(shù)學模型的方法、基于人工智能的方法和基于數(shù)據(jù)驅動的方法.基于數(shù)據(jù)驅動的方法正成為故障檢測領域內的研究熱點.常用的是統(tǒng)計過程控制(Statistics Process Contol,SPC)方法.統(tǒng)計過程控制(SPC)的基本概念是通過判斷當前數(shù)據(jù)是否在正常數(shù)據(jù)附近來檢測故障,這種判斷是基于當前數(shù)據(jù)所在正常數(shù)據(jù)的概率密度基礎上的.通常估計多維空間的概率密度很困難.為了避免估計多維概率密度函數(shù)及處理過程的非線性和時變性,Peter He Q 提出了基于k 近鄰規(guī)則(k-Nearest Neighbor Rule,kNN)的故障檢測算法[3-4],這種方法簡單、直觀,不足之處是計算量較大,因為對每一個待分類的樣本都要計算它到全體已知樣本的距離,才能求得它的k 個最近鄰點.

    一條生產線在生產過程中往往會出現(xiàn)幾種不同工況,而對于采集到的數(shù)據(jù)樣本的分類邊界常常是不確定的.這種多工況的生產過程阻礙了kNN 故障檢測方法的在線應用.因為在數(shù)據(jù)工況不明了的情況下,不加區(qū)分地對其進行kNN 故障檢測很容易產生誤報或者漏檢情況.為了減少計算量,提高故障檢測準確性,本文研究基于改進K-means 理論的kNN 故障檢測方法.首先利用改進K-means 方法對仿真生成的青霉素數(shù)據(jù)進行聚類,然后利用kNN 方法進行故障檢測,并與未進行分類而直接進行kNN 故障檢測的方法進行了比較.

    1 基本方法研究

    1.1 改進K-means 基本理論

    J.B.MaeQueen 在1967 年提出的K-means 算法是一種應用非常廣泛的聚類算法.K-means 算法屬于聚類方法中一種典型的劃分方法,它是一種首先給出聚類類別數(shù)的聚類算法.1999 年Jian等對K-means 算法進行了改進,其基本操作是子類合并,通過定義兩個子類中心的最小距離的閾值θ,來獲得最優(yōu)的子類數(shù)量和子類中心.該算法實際上通過定義一個合適的θ,折中考慮了模型的準確性和復雜性[5].

    算法的輸入是待分類樣本{x1,x2,…,xn},以及兩個子類中心的最小距離閾值θ.算法的輸出是子類數(shù)量C,子類中心{W1,W2…Wc}.

    聚類算法的具體步驟為:

    (1)在空間內放置k 個數(shù)據(jù)點,這些數(shù)據(jù)點代表初始聚類的中心,一般是從樣本中均勻抽取的.

    (2)若兩個子類中心的距離小于預定的閾值θ,剔除其中一個聚類中心.

    (3)將每個對象分配到離它最近的中心聚類.

    (4)Inum次迭代后,若某子類中心沒有俘獲一定數(shù)量的樣本,則剔除該類.

    (5)當所有對象都分配之后,重新計算出k個中心點的位置.

    (6)如果算法滿足收斂條件則結束,否則返回步驟2.

    (收斂條件有:兩次迭代中的聚類中心距離的變化小于一個很小的數(shù)ε,或者每個子類中樣本到子類中心的距離平方和以及子類之間的距離平方和達到最小)

    改進K-means 算法是目前用于科學研究的聚類算法中極具影響的一種技術,它能夠很好地根據(jù)數(shù)據(jù)的特性將數(shù)據(jù)收斂為K 類.對于多工況數(shù)據(jù),由于不同工況的工作條件不同,采集到的數(shù)據(jù)特性也會有所不同,從而利用改進Kmeans 算法可以很好地將不同工況的數(shù)據(jù)分別聚為一類.同時,從以上過程可以看出:改進Kmeans 算法的主要優(yōu)點在于算法簡單、快速,且能有效處理大規(guī)模數(shù)據(jù),能夠很好地彌補kNN計算量大的缺點.

    1.2 基于kNN 的故障檢測

    基于kNN 的故障檢測算法的思想是正常樣本的軌跡與訓練樣本的軌跡相似,而故障樣本的軌跡偏離訓練樣本的軌跡,故障樣本與最近鄰訓練樣本的距離大于正常樣本相應的距離.通過確定訓練樣本與最近鄰的訓練樣本距離的分布,就可以定義具有一定置信水平的閾值.如果未分類的樣本與最近鄰訓練樣本的距離小于閾值,則這個樣本是正常的;否則樣本是故障的[3-4].基于kNN 的故障檢測方法由兩部分構成:建立模型和故障檢測.

    (1)建立模型

    ①在訓練數(shù)據(jù)集合中找到每個樣本的k 個最近鄰.

    ②對每個樣本計算k 個最近鄰距離的平方和.第i 個樣本的k 個最近鄰距離的平方和定義為:

    ③確定進行故障檢測的閾值.由于D2i 的分布逼近非中心的χ2分布,可以確定具有置信水平α 的閾值確定閾值的另外一種常用方法是在正常操作條件下基于訓練數(shù)據(jù).

    (2)故障檢測

    對未分類的樣本X,故障檢測部分由3 步組成:

    ①從訓練集合中找到樣本X 的k 個近鄰.

    1.3 基于改進K-means 的kNN 故障檢測

    一條生產線在生產過程中往往會出現(xiàn)幾種不同工況,而對于采集到的數(shù)據(jù)樣本的分類邊界常常是不確定的,因此,需要對采集到的原始數(shù)據(jù)進行聚類.下面運用改進K-means 方法進行聚類,然后利用kNN 方法進行故障檢測,從而使故障診斷能夠更加精確.基于改進K-means 的kNN 方法綜合了兩種方法的優(yōu)點,由建立模型和故障檢測兩步組成.具體步驟為:

    (1)建立模型

    ①通過改進K-means 將原始建模數(shù)據(jù)分為C 個類,每一類的中心為Wc(c=1,2,…,C);

    ②利用kNN 方法,計算每類k 個鄰近距離平方和的閾值.建立模型過程如圖1 所示.

    圖1 基于改進K-means 的kNN 建模流程Fig.1 kNN modeling flow chart based on improved K-means

    (2)故障檢測

    ①對新的待檢測樣本,分別與每類的中心Wc求距離,將該樣本分配到離它最近的中心聚類;

    ②在該待檢測樣本所在的聚類中,通過kNN 方法進行故障檢測,判斷其是正常還是故障.具體過程如圖2 所示.

    圖2 基于改進K-means 的kNN 故障檢測流程Fig.2 kNN fault detection flow chart based on improved K-means method

    2 仿真研究

    2.1 青霉素數(shù)據(jù)

    青霉素作為一種抗生素,具有廣泛的臨床醫(yī)用價值,其生產過程是一個典型的非線性、動態(tài)、多階段間歇生產過程[6].文中運用的數(shù)據(jù)來自美國Illinois 州立理工學院AliCinar 領導的過程監(jiān)控與技術小組設計的青霉素生產仿真軟件Pensim 2.0.通過該軟件可以仿真不同初始條件下的青霉素生產過程的各個變量.影響青霉素發(fā)酵過程的可在線測量變量主要有空氣流量、攪拌功率、底物流加速度、溫度、反應體積等[7].

    選取3 種工況75 個正常批次,其中每批次18 個變量,采樣樣本400(每1 h 采樣1 次).3 種工況反應體積分別設為130、160 和190 L,每種工況各產生25 個批次.為驗證該方法對多工況故障診斷的效果,對應3 種工況,在200 h 對通風率和攪拌功率分別加入5 %、10 %的斜坡誤差,直到結束,每種工況各產生4 批故障數(shù)據(jù).

    2.2 數(shù)據(jù)預處理

    間歇過程數(shù)據(jù)是三維矩陣,在進行故障檢測前需要對數(shù)據(jù)進行預處理.將每一批次的二維數(shù)據(jù)按時間展開成一維數(shù)據(jù),如圖3 所示.

    圖3 數(shù)據(jù)展開方法Fig.3 Data unfold method

    圖3 中I 表示采樣批次,J 表示變量,K 表示采樣時刻.對于每一批次,將每一個采樣時刻所有變量的數(shù)據(jù)橫向展開可得到一個1 ×(400 ×18)的矩陣,所有建模數(shù)據(jù)展開后得到一個75 ×(400 ×18)的二維矩陣,所有故障數(shù)據(jù)展開后得到一個12 ×(400 ×18)的二維矩陣.

    2.3 改進K-means 對青霉素數(shù)據(jù)聚類

    圖4 為通過改進K-means 對75 批次的正常數(shù)據(jù)進行聚類的結果.其中75 批次數(shù)據(jù)分成了3 類,表明75 批次數(shù)據(jù)是在3 種不同工況下產生的,這與數(shù)據(jù)采集仿真時的設定一致.

    圖4 基于改進K-means 方法的青霉素數(shù)據(jù)聚類Fig.4 The penicillin data clustering based on improved K-means method

    為了驗證模型的有效性,現(xiàn)從3 種工況中各隨機抽取2 個批次作為校驗批次,加入故障數(shù)據(jù),從而得到新的建模數(shù)據(jù)為69 ×(400 ×18),新的待檢測數(shù)據(jù)為(12 +6)×(400 ×18).

    2.4 仿真結果與分析

    在傳統(tǒng)kNN 故障檢測方法中k 的取值為3,如圖5 所示前12 個批次為故障批次,后6 個批次為校驗批次.圖中虛線對應95 %的控制限.從圖5 中可以看出:傳統(tǒng)kNN 故障檢測方法可以檢測到所有的12 個故障批次,但是對第1 個工況的1 個校驗批次產生了誤報情況.對于產生這種結果有兩種原因:(1)控制限設置為95 %,允許5 %的誤差出現(xiàn),造成了1 個校驗批次的誤報;(2)3 種不同工況的數(shù)據(jù)統(tǒng)一處理,將會把整體數(shù)據(jù)的控制限向下拉低,使平均距離較大工況的數(shù)據(jù)更容易超出控制限,產生誤報.

    圖5 傳統(tǒng)kNN 的故障檢測Fig.5 The traditional kNN fault detection

    基于改進k-means 的kNN 故障檢測算法首先對3 種工況進行建模,對待檢測的批次進行工況歸屬判斷,然后通過對應工況的kNN 故障檢測模型進行檢測,其中k 取值為3.檢測結果如圖6 所示.圖中虛線對應95 %的控制限.

    圖6 基于改進K-means 的kNN 故障檢測Fig.6 kNN fault detection based on improved K-means method

    從圖6 可以看出:基于改進K-means 的kNN 故障檢測不但完全檢測出了所有的12 個故障批次,而且對6 個校驗批次沒有產生誤報,提高了準確性.同時,可以確定在傳統(tǒng)kNN 的故障檢測中,第1 工況產生的1 個校驗批次誤報情況,不是由正常的5 %誤差引起的,而是由數(shù)據(jù)分類不精確造成.

    由于各工況的χ2分布不同會引起各工況控制限的不同,通過先分類再進行故障檢測的方法,可以精確地計算出每種工況的95 %控制限,而不是將所有樣本混為一談.同時,通過先分類再建模,對校驗批次進行kNN 故障檢測時,待測批次不需要與全部的69 個建模批次求歐式距離,只需要先與3 個聚類中心求距離,判斷該待測批次的工況歸屬后,再與所在工況的23 個建模批次求歐式距離,大大縮減了故障檢測時間.

    通過對比可以看出:基于改進K-means 的kNN 故障檢測算法對于多工況特性的生產過程故障檢測可以取得較好的效果.但對于單一工況生產過程,采集到的數(shù)據(jù)特性全都相似,利用改進K-means 聚類最終會收斂為一類,此時改進K-means 的kNN 故障檢測方法與傳統(tǒng)的kNN故障檢測方法檢測效果一致,但計算量卻增大,有待進一步改進.

    3 結論

    間歇生產過程復雜的非線性和多工況特性,使傳統(tǒng)的kNN 單一模型進行故障檢測的難度加大.基于改進K-means 聚類kNN 故障檢測方法對間歇過程分工況建模,能夠更好地描述各工況的機理特性,大大提高了故障檢測的準確性.將該方法應用于青霉素批次過程的故障檢測中,通過和傳統(tǒng)的kNN 故障檢測結果相比較,表明改進K-means 聚類kNN 故障檢測方法提高了故障檢測的準確性和實時性.在實際生產中有重要的指導意義.

    [1]劉強,柴天佑,秦泗釗,等.基于數(shù)據(jù)和知識的工業(yè)過程監(jiān)視及故障診斷綜述[J].控制與決策,2010,25(6):801-807.

    [2]萬福才,鄂佳.統(tǒng)計過程監(jiān)控綜述[J].沈陽大學學報,2009,21(3):101-103.

    [3]He P Q,Wang Jin.Principal component based knearest-neighbor rule for semiconductor process fault detection[C]//American Control Conference,June 11-13,2008.Seattle:conference Publications,2008:1606-1611.

    [4]He P Q,Wang Jin.Fault Detection Using the k-nearest Neighbor Rule for Semiconductor Manufacturing Processes[J].IEEE Transactions on Semiconductor Manufacturing,2007,20(4):345-354.

    [5]曹文平.一種有效k-均值聚類中心的選取方法[J].計算機與現(xiàn)代化,2008,15(3):95-97.

    [6]劉世成,王海青,李平.青霉素生產過程的在線統(tǒng)計檢測與產品的質量控制[J].計算機與應用化學,2006,23(3):227-232.

    [7]Birol G,Cinar A.A Modular Simulation Package for Fed-batch Fermentation:Penicillin Production[J].Computers &Chemical Engineering,2002,26(11):1553-1565.

    猜你喜歡
    子類聚類距離
    卷入Hohlov算子的某解析雙單葉函數(shù)子類的系數(shù)估計
    算距離
    關于對稱共軛點的倒星象函數(shù)某些子類的系數(shù)估計
    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
    每次失敗都會距離成功更近一步
    山東青年(2016年3期)2016-02-28 14:25:55
    基于改進的遺傳算法的模糊聚類算法
    愛的距離
    母子健康(2015年1期)2015-02-28 11:21:33
    一種層次初始的聚類個數(shù)自適應的聚類方法研究
    距離有多遠
    自適應確定K-means算法的聚類數(shù):以遙感圖像聚類為例
    嫩草影院入口| 久久综合国产亚洲精品| 成年女人毛片免费观看观看9 | 国产激情久久老熟女| 国产高清国产精品国产三级| av一本久久久久| 天堂8中文在线网| 精品国产国语对白av| 国产激情久久老熟女| 街头女战士在线观看网站| 超色免费av| 欧美日韩成人在线一区二区| 青草久久国产| 亚洲国产av新网站| 99久久综合免费| 久久久久久人人人人人| videosex国产| 精品国产乱码久久久久久小说| 亚洲情色 制服丝袜| 国产成人aa在线观看| 国产又爽黄色视频| 男女下面插进去视频免费观看| 久久久久久伊人网av| 毛片一级片免费看久久久久| 亚洲少妇的诱惑av| 免费观看av网站的网址| 一边亲一边摸免费视频| 最近2019中文字幕mv第一页| 考比视频在线观看| 只有这里有精品99| 中文字幕最新亚洲高清| 国产无遮挡羞羞视频在线观看| 少妇的逼水好多| 欧美精品一区二区大全| 国产精品欧美亚洲77777| 国产老妇伦熟女老妇高清| 天天躁狠狠躁夜夜躁狠狠躁| 黑丝袜美女国产一区| 又大又黄又爽视频免费| 天天躁日日躁夜夜躁夜夜| 乱人伦中国视频| 亚洲成av片中文字幕在线观看 | 人人妻人人添人人爽欧美一区卜| 欧美亚洲日本最大视频资源| 久久久国产精品麻豆| 国产欧美日韩综合在线一区二区| 99九九在线精品视频| 老熟女久久久| 永久网站在线| 中文字幕最新亚洲高清| 国产精品蜜桃在线观看| 国产白丝娇喘喷水9色精品| 最黄视频免费看| 日本爱情动作片www.在线观看| 黄色 视频免费看| 久久精品国产亚洲av涩爱| 亚洲精品视频女| 免费av中文字幕在线| 丝袜脚勾引网站| 国产精品香港三级国产av潘金莲 | 90打野战视频偷拍视频| 亚洲精品乱久久久久久| 下体分泌物呈黄色| 少妇的丰满在线观看| av电影中文网址| 老女人水多毛片| 大陆偷拍与自拍| 99热网站在线观看| 日韩欧美精品免费久久| 美女午夜性视频免费| 久久精品国产亚洲av高清一级| 精品久久蜜臀av无| 秋霞在线观看毛片| 看免费成人av毛片| 国产97色在线日韩免费| 亚洲av免费高清在线观看| 在线观看一区二区三区激情| 午夜福利网站1000一区二区三区| av一本久久久久| 麻豆精品久久久久久蜜桃| 黄片小视频在线播放| 91国产中文字幕| 亚洲情色 制服丝袜| 国产一级毛片在线| 精品国产一区二区三区久久久樱花| 美女国产视频在线观看| 美女国产高潮福利片在线看| 午夜福利一区二区在线看| 午夜日本视频在线| 中国国产av一级| 青春草国产在线视频| 伦精品一区二区三区| av免费观看日本| 国产av国产精品国产| 欧美成人午夜免费资源| 99精国产麻豆久久婷婷| 亚洲内射少妇av| 一二三四在线观看免费中文在| 国产精品国产av在线观看| 婷婷色麻豆天堂久久| 丰满迷人的少妇在线观看| 亚洲成人一二三区av| 久久久久国产网址| 成人国语在线视频| 欧美日韩精品网址| 伦精品一区二区三区| av福利片在线| 在线 av 中文字幕| 少妇的逼水好多| 国产黄频视频在线观看| 日日摸夜夜添夜夜爱| 丝瓜视频免费看黄片| 最近中文字幕2019免费版| 各种免费的搞黄视频| 下体分泌物呈黄色| 日本黄色日本黄色录像| 爱豆传媒免费全集在线观看| 人妻少妇偷人精品九色| 深夜精品福利| 美女国产视频在线观看| 亚洲五月色婷婷综合| 亚洲精品美女久久久久99蜜臀 | 亚洲av国产av综合av卡| 高清不卡的av网站| 99久久人妻综合| 国产熟女欧美一区二区| 国产视频首页在线观看| 亚洲图色成人| 美女大奶头黄色视频| 多毛熟女@视频| 韩国av在线不卡| 另类亚洲欧美激情| 老司机影院毛片| 在线看a的网站| 99香蕉大伊视频| 一本色道久久久久久精品综合| 青青草视频在线视频观看| 欧美人与性动交α欧美软件| 青春草国产在线视频| 巨乳人妻的诱惑在线观看| 精品酒店卫生间| 男女啪啪激烈高潮av片| 日本vs欧美在线观看视频| 中国国产av一级| 99久久精品国产国产毛片| 啦啦啦啦在线视频资源| 午夜福利视频在线观看免费| 在线天堂中文资源库| 亚洲精品,欧美精品| av网站在线播放免费| 亚洲欧美日韩另类电影网站| 看十八女毛片水多多多| 丰满乱子伦码专区| 啦啦啦啦在线视频资源| 制服丝袜香蕉在线| 精品一区在线观看国产| 久久精品国产鲁丝片午夜精品| 最近最新中文字幕大全免费视频 | 啦啦啦在线观看免费高清www| 亚洲欧美中文字幕日韩二区| 国产成人精品福利久久| 日韩中文字幕视频在线看片| 国产精品久久久久久久久免| 欧美精品人与动牲交sv欧美| av国产精品久久久久影院| 精品亚洲成a人片在线观看| 国产女主播在线喷水免费视频网站| 成人影院久久| 久久精品国产亚洲av天美| 国产成人精品久久二区二区91 | 好男人视频免费观看在线| 在线观看一区二区三区激情| 少妇被粗大猛烈的视频| 狂野欧美激情性bbbbbb| 99国产综合亚洲精品| 多毛熟女@视频| 女的被弄到高潮叫床怎么办| 一级片免费观看大全| 亚洲情色 制服丝袜| 自线自在国产av| 最近最新中文字幕大全免费视频 | 国产亚洲午夜精品一区二区久久| 黑人巨大精品欧美一区二区蜜桃| 超色免费av| 午夜91福利影院| 久热这里只有精品99| 欧美日韩视频精品一区| 五月天丁香电影| 国产精品二区激情视频| 午夜激情久久久久久久| 欧美成人午夜免费资源| 母亲3免费完整高清在线观看 | 尾随美女入室| 国产亚洲欧美精品永久| 晚上一个人看的免费电影| 美女脱内裤让男人舔精品视频| av一本久久久久| 丝瓜视频免费看黄片| av在线播放精品| 男人舔女人的私密视频| 2022亚洲国产成人精品| 性色avwww在线观看| 亚洲精品一二三| 国产一区二区在线观看av| 国产精品99久久99久久久不卡 | 欧美日韩一级在线毛片| 九色亚洲精品在线播放| 日本免费在线观看一区| 亚洲,一卡二卡三卡| 美女午夜性视频免费| 亚洲天堂av无毛| 久久国内精品自在自线图片| 国产一区二区三区综合在线观看| 欧美另类一区| 涩涩av久久男人的天堂| 日韩中字成人| 国产 精品1| 伦理电影大哥的女人| 亚洲欧洲日产国产| 欧美av亚洲av综合av国产av | 国产成人av激情在线播放| 91成人精品电影| 日产精品乱码卡一卡2卡三| 丰满少妇做爰视频| 不卡视频在线观看欧美| 夫妻午夜视频| 国产精品麻豆人妻色哟哟久久| 在线观看免费日韩欧美大片| 人妻人人澡人人爽人人| 精品酒店卫生间| 久久久精品94久久精品| 国产精品麻豆人妻色哟哟久久| 亚洲色图 男人天堂 中文字幕| 99久久精品国产国产毛片| 十八禁网站网址无遮挡| 国产男女内射视频| 久久久国产欧美日韩av| 久久精品久久久久久噜噜老黄| 亚洲欧美精品综合一区二区三区 | 欧美日韩视频高清一区二区三区二| 一个人免费看片子| 视频区图区小说| 久久人人爽人人片av| 日本免费在线观看一区| 国产1区2区3区精品| 久热这里只有精品99| 少妇人妻久久综合中文| 久久久久久久大尺度免费视频| 人成视频在线观看免费观看| 亚洲综合精品二区| 亚洲经典国产精华液单| 久久青草综合色| 欧美97在线视频| 精品国产乱码久久久久久小说| 一二三四在线观看免费中文在| 人体艺术视频欧美日本| 免费观看性生交大片5| 亚洲精品久久成人aⅴ小说| 亚洲国产av新网站| 丰满饥渴人妻一区二区三| 欧美xxⅹ黑人| 国产在视频线精品| 老司机影院毛片| 国产精品一区二区在线不卡| 成年女人在线观看亚洲视频| 久久久久国产一级毛片高清牌| 天天躁夜夜躁狠狠躁躁| 高清黄色对白视频在线免费看| 久久久久精品久久久久真实原创| 久久久久久久久久人人人人人人| 亚洲av中文av极速乱| 中文天堂在线官网| av又黄又爽大尺度在线免费看| 老司机影院成人| 日韩在线高清观看一区二区三区| 熟女少妇亚洲综合色aaa.| 亚洲五月色婷婷综合| 男女午夜视频在线观看| 最近的中文字幕免费完整| 欧美av亚洲av综合av国产av | 国产在线免费精品| 中文字幕人妻熟女乱码| 日日摸夜夜添夜夜爱| 一个人免费看片子| 亚洲欧美一区二区三区黑人 | 精品国产一区二区三区四区第35| 麻豆av在线久日| 国产一区二区 视频在线| 亚洲av综合色区一区| 精品人妻熟女毛片av久久网站| 免费在线观看黄色视频的| 中文字幕精品免费在线观看视频| 男人添女人高潮全过程视频| 免费在线观看黄色视频的| 黄网站色视频无遮挡免费观看| 永久免费av网站大全| 人妻人人澡人人爽人人| 美女脱内裤让男人舔精品视频| 国精品久久久久久国模美| 欧美激情 高清一区二区三区| 有码 亚洲区| 久久久国产欧美日韩av| 国产精品亚洲av一区麻豆 | 国产高清不卡午夜福利| 亚洲婷婷狠狠爱综合网| 久久久国产精品麻豆| xxxhd国产人妻xxx| 久久鲁丝午夜福利片| 91久久精品国产一区二区三区| 国产免费又黄又爽又色| 久久久久国产一级毛片高清牌| 97在线人人人人妻| 日日撸夜夜添| av在线app专区| 最新中文字幕久久久久| 成年av动漫网址| 亚洲熟女精品中文字幕| 如何舔出高潮| 男的添女的下面高潮视频| 91在线精品国自产拍蜜月| 飞空精品影院首页| 老熟女久久久| 永久免费av网站大全| 久久国产亚洲av麻豆专区| h视频一区二区三区| 精品一区二区三区四区五区乱码 | 色网站视频免费| 黑人欧美特级aaaaaa片| 国产亚洲av片在线观看秒播厂| 亚洲精品日韩在线中文字幕| 性色avwww在线观看| 免费看不卡的av| 一本—道久久a久久精品蜜桃钙片| 女的被弄到高潮叫床怎么办| 国产黄色免费在线视频| 亚洲精品国产av成人精品| 看免费成人av毛片| 国产精品欧美亚洲77777| 亚洲精品一区蜜桃| 欧美日韩视频精品一区| 一二三四在线观看免费中文在| 精品国产乱码久久久久久男人| 在线观看美女被高潮喷水网站| 日本欧美视频一区| 人人妻人人澡人人看| 亚洲精品在线美女| 国产精品av久久久久免费| 精品少妇久久久久久888优播| 久久婷婷青草| 日韩大片免费观看网站| 亚洲精品中文字幕在线视频| 国产野战对白在线观看| 99re6热这里在线精品视频| 各种免费的搞黄视频| 建设人人有责人人尽责人人享有的| 久久久久久久久久人人人人人人| 久久午夜综合久久蜜桃| 国产淫语在线视频| 成人国产麻豆网| 一级黄片播放器| 熟女电影av网| 成人18禁高潮啪啪吃奶动态图| 97在线人人人人妻| 国产成人精品久久二区二区91 | 一区二区av电影网| 国产精品99久久99久久久不卡 | 成人毛片60女人毛片免费| 天美传媒精品一区二区| 国产免费又黄又爽又色| 少妇被粗大猛烈的视频| 九色亚洲精品在线播放| 久久久久久久久久人人人人人人| 亚洲av电影在线观看一区二区三区| 国产日韩欧美亚洲二区| 中文欧美无线码| 国产精品久久久久成人av| 深夜精品福利| 国产精品免费大片| 精品人妻一区二区三区麻豆| 国产黄频视频在线观看| 国语对白做爰xxxⅹ性视频网站| 日韩熟女老妇一区二区性免费视频| 黄色毛片三级朝国网站| 久久久久久久久久久免费av| 美国免费a级毛片| 成人亚洲欧美一区二区av| 欧美日韩国产mv在线观看视频| 国产精品av久久久久免费| 亚洲精品国产av成人精品| 免费观看在线日韩| 777久久人妻少妇嫩草av网站| 电影成人av| 国产成人aa在线观看| 国产黄色免费在线视频| 亚洲精品中文字幕在线视频| 亚洲欧洲国产日韩| 国产亚洲av片在线观看秒播厂| 一本色道久久久久久精品综合| 一级爰片在线观看| 久久久精品94久久精品| 亚洲成av片中文字幕在线观看 | 国产精品不卡视频一区二区| 日本av手机在线免费观看| 久久久久国产网址| 午夜老司机福利剧场| 天堂中文最新版在线下载| 美女国产高潮福利片在线看| 国产精品国产三级专区第一集| 在线观看www视频免费| 午夜av观看不卡| 丝袜在线中文字幕| 日韩一卡2卡3卡4卡2021年| 97在线人人人人妻| 一边亲一边摸免费视频| 国产伦理片在线播放av一区| 观看美女的网站| 日韩,欧美,国产一区二区三区| 一区二区三区四区激情视频| 人体艺术视频欧美日本| av女优亚洲男人天堂| 午夜日本视频在线| 国产精品蜜桃在线观看| 女人精品久久久久毛片| 成年女人在线观看亚洲视频| 精品第一国产精品| 久久久久久久久久久免费av| 亚洲av免费高清在线观看| 电影成人av| 国产亚洲一区二区精品| 少妇被粗大猛烈的视频| av在线老鸭窝| 黑人猛操日本美女一级片| 欧美黄色片欧美黄色片| 精品少妇内射三级| 天堂中文最新版在线下载| 欧美精品亚洲一区二区| 国产 一区精品| 999久久久国产精品视频| av片东京热男人的天堂| 成年动漫av网址| 国产一区二区 视频在线| 九草在线视频观看| 国产精品久久久久成人av| 天天躁夜夜躁狠狠久久av| 亚洲精品日本国产第一区| 精品国产露脸久久av麻豆| av免费观看日本| 桃花免费在线播放| 最近手机中文字幕大全| 黄色配什么色好看| 精品一区在线观看国产| 久久国产精品男人的天堂亚洲| 午夜av观看不卡| 韩国av在线不卡| 午夜av观看不卡| 久久精品国产鲁丝片午夜精品| 亚洲av福利一区| 1024香蕉在线观看| 男男h啪啪无遮挡| 欧美xxⅹ黑人| 天堂俺去俺来也www色官网| 欧美人与性动交α欧美精品济南到 | 天天躁日日躁夜夜躁夜夜| 纵有疾风起免费观看全集完整版| 免费看av在线观看网站| 99热网站在线观看| 80岁老熟妇乱子伦牲交| 免费观看无遮挡的男女| 最近最新中文字幕大全免费视频 | 下体分泌物呈黄色| 国产 一区精品| 男女午夜视频在线观看| 精品一区在线观看国产| 看十八女毛片水多多多| a级毛片黄视频| 91aial.com中文字幕在线观看| 欧美成人午夜免费资源| 日本猛色少妇xxxxx猛交久久| 欧美+日韩+精品| 好男人视频免费观看在线| 亚洲精品aⅴ在线观看| 亚洲欧美精品综合一区二区三区 | 麻豆精品久久久久久蜜桃| 久久久久精品久久久久真实原创| 男人添女人高潮全过程视频| 校园人妻丝袜中文字幕| 亚洲第一区二区三区不卡| 麻豆乱淫一区二区| 亚洲国产av影院在线观看| 一区福利在线观看| 亚洲,一卡二卡三卡| 欧美xxⅹ黑人| 成人二区视频| 中文字幕色久视频| 人妻一区二区av| 日韩欧美精品免费久久| 这个男人来自地球电影免费观看 | 国产高清不卡午夜福利| 97精品久久久久久久久久精品| 欧美日韩一级在线毛片| 久久狼人影院| 最近中文字幕高清免费大全6| 在线天堂最新版资源| 精品少妇一区二区三区视频日本电影 | 伊人亚洲综合成人网| 老汉色∧v一级毛片| 亚洲一级一片aⅴ在线观看| kizo精华| 精品卡一卡二卡四卡免费| 永久免费av网站大全| 丝袜在线中文字幕| 亚洲国产欧美在线一区| 老汉色av国产亚洲站长工具| 亚洲四区av| 如日韩欧美国产精品一区二区三区| 国产亚洲精品第一综合不卡| 国产日韩一区二区三区精品不卡| 丝袜美腿诱惑在线| 韩国av在线不卡| 亚洲伊人久久精品综合| 日韩在线高清观看一区二区三区| 午夜91福利影院| 这个男人来自地球电影免费观看 | 国产熟女欧美一区二区| 日韩中文字幕欧美一区二区 | 免费播放大片免费观看视频在线观看| 久久婷婷青草| 少妇猛男粗大的猛烈进出视频| 美女大奶头黄色视频| 国产黄频视频在线观看| 国产深夜福利视频在线观看| 伦理电影免费视频| 老司机影院毛片| 麻豆乱淫一区二区| 色吧在线观看| 99re6热这里在线精品视频| av不卡在线播放| 男人操女人黄网站| 男女无遮挡免费网站观看| 久久精品久久精品一区二区三区| 午夜福利网站1000一区二区三区| 国产欧美日韩一区二区三区在线| 亚洲欧洲日产国产| 色94色欧美一区二区| 少妇 在线观看| 亚洲美女视频黄频| 亚洲精华国产精华液的使用体验| 王馨瑶露胸无遮挡在线观看| 亚洲精品视频女| 黄色 视频免费看| 国产亚洲欧美精品永久| 亚洲中文av在线| 国产黄色视频一区二区在线观看| 日本wwww免费看| 少妇被粗大的猛进出69影院| 亚洲国产最新在线播放| 日产精品乱码卡一卡2卡三| 精品亚洲成国产av| 国产一区二区 视频在线| 肉色欧美久久久久久久蜜桃| 激情视频va一区二区三区| 日韩中文字幕视频在线看片| 免费大片黄手机在线观看| 午夜激情av网站| 精品久久久久久电影网| 免费在线观看完整版高清| 日本欧美国产在线视频| 欧美日韩精品成人综合77777| 成年女人在线观看亚洲视频| 好男人视频免费观看在线| 国产精品偷伦视频观看了| 国产日韩欧美在线精品| 一二三四中文在线观看免费高清| 亚洲精品自拍成人| 波多野结衣av一区二区av| 校园人妻丝袜中文字幕| 母亲3免费完整高清在线观看 | 免费观看a级毛片全部| 精品一区二区三卡| 精品少妇内射三级| 国产黄频视频在线观看| 精品国产一区二区三区四区第35| 午夜福利视频精品| 2022亚洲国产成人精品| 国产日韩欧美在线精品| 在线观看免费高清a一片| 亚洲av国产av综合av卡| 欧美精品高潮呻吟av久久| 一区二区三区四区激情视频| 日韩av在线免费看完整版不卡| 精品亚洲成国产av| 亚洲 欧美一区二区三区| 日韩av在线免费看完整版不卡| 日本91视频免费播放| 校园人妻丝袜中文字幕| 天天躁夜夜躁狠狠久久av| 男女午夜视频在线观看| 啦啦啦中文免费视频观看日本| 1024视频免费在线观看| 国产精品麻豆人妻色哟哟久久| 日日摸夜夜添夜夜爱| 日产精品乱码卡一卡2卡三| 国产色婷婷99| 好男人视频免费观看在线| 1024视频免费在线观看| 亚洲伊人色综图| 两个人看的免费小视频| 最近最新中文字幕大全免费视频 | 国产97色在线日韩免费| 欧美黄色片欧美黄色片| 欧美 亚洲 国产 日韩一| 汤姆久久久久久久影院中文字幕| 久久人人97超碰香蕉20202| 欧美中文综合在线视频| 亚洲中文av在线|