• <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 ?

    基于自注意力CNN-BiLSTM的滾動(dòng)軸承剩余使用壽命預(yù)測

    2024-03-12 03:21:12惠憬明王健吳雙黃永明王梓齊
    軸承 2024年3期
    關(guān)鍵詞:注意力軸承卷積

    惠憬明,王健,吳雙,黃永明,王梓齊

    (1.內(nèi)蒙古霍煤鴻駿鋁電有限責(zé)任公司,內(nèi)蒙古 通遼 029200;2.湖南中融匯智信息科技股份有限公司,長沙 410221;3.浙江大學(xué) 控制科學(xué)與工程學(xué)院,杭州 310027)

    滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械設(shè)備的重要部件,如風(fēng)電機(jī)組的齒輪箱和發(fā)電機(jī)軸承[1]、高速列車的軸箱軸承[2]、碼垛機(jī)器人和扒渣機(jī)器人中的伺服電機(jī)軸承[3]等。滾動(dòng)軸承的運(yùn)行狀態(tài)直接影響著機(jī)械設(shè)備的性能、可靠性,軸承是部分設(shè)備的故障多發(fā)點(diǎn):據(jù)統(tǒng)計(jì),軸承故障占風(fēng)電機(jī)組齒輪箱和發(fā)電機(jī)總故障的21%和41%[4],約50%的感應(yīng)電動(dòng)機(jī)故障由軸承引起[5];因此,有必要對滾動(dòng)軸承的運(yùn)行狀態(tài)進(jìn)行監(jiān)測以預(yù)防相關(guān)故障的發(fā)生。故障預(yù)測與健康管理(Prognostic and Health Management,PHM)是對設(shè)備運(yùn)行狀態(tài)進(jìn)行診斷、評估、預(yù)測以及對設(shè)備的使用計(jì)劃、維修資源等進(jìn)行管理的多學(xué)科交叉技術(shù)[6]。剩余使用壽命(Remaining Useful Life,RUL)預(yù)測是PHM的核心技術(shù),目的是預(yù)測設(shè)備的健康情況以減小突發(fā)故障造成的損失,最終實(shí)現(xiàn)預(yù)測性維修[7]?,F(xiàn)階段滾動(dòng)軸承RUL預(yù)測方法可分為失效機(jī)理法和數(shù)據(jù)驅(qū)動(dòng)法兩大類:失效機(jī)理法[8]根據(jù)機(jī)械運(yùn)行原理和故障失效機(jī)理進(jìn)行理論或試驗(yàn)建模,但在機(jī)械結(jié)構(gòu)復(fù)雜,運(yùn)行工況多變,失效模式多等不利條件下建立準(zhǔn)確的機(jī)理模型難度較大;數(shù)據(jù)驅(qū)動(dòng)法[9]基于歷史監(jiān)測數(shù)據(jù)建立數(shù)據(jù)驅(qū)動(dòng)預(yù)測模型以學(xué)習(xí)設(shè)備的退化行為,適應(yīng)性和易用性較強(qiáng)。

    由于較強(qiáng)的特征提取和非線性映射能力,基于深度學(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)滾動(dòng)軸承RUL預(yù)測方法近年來得到了廣泛的研究與應(yīng)用,特別是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)和長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory, LSTM):文獻(xiàn)[10]使用自編碼網(wǎng)絡(luò)提取特征,使用時(shí)間注意力CNN實(shí)現(xiàn)滾動(dòng)軸承的RUL預(yù)測;文獻(xiàn)[11]將1D-CNN與2D-CNN融合以充分提取軸承振動(dòng)信號(hào)的時(shí)頻域退化特征并實(shí)現(xiàn)RUL預(yù)測;文獻(xiàn)[12]直接將原始振動(dòng)信號(hào)輸入雙向長短期記憶網(wǎng)絡(luò)(Bidirectional LSTM,BiLSTM)提取特征,并使用注意力機(jī)制對特征分配不同的權(quán)重以提升預(yù)測精度;文獻(xiàn)[13]提出了一種基于LSTM的軸承RUL預(yù)測方法,并改進(jìn)了訓(xùn)練過程中的Dropout模塊以提高精度。

    軸承的振動(dòng)信號(hào)屬于一維時(shí)間序列數(shù)據(jù),信號(hào)隨時(shí)間變化的趨勢蘊(yùn)含著退化信息,對于RUL預(yù)測有著重要作用。由于振動(dòng)信號(hào)的非平穩(wěn)性、噪聲等問題,通常需要根據(jù)振動(dòng)數(shù)據(jù)計(jì)算不同的時(shí)域指標(biāo)作為RUL預(yù)測模型的輸入。在同一時(shí)間窗的多維時(shí)域指標(biāo)數(shù)據(jù)中蘊(yùn)含著反映指標(biāo)間關(guān)聯(lián)關(guān)系的空間信息,同樣有助于RUL預(yù)測。在常用的深度學(xué)習(xí)算法中,LSTM適合處理和提取時(shí)序數(shù)據(jù)中的趨勢、周期性等時(shí)間特征信息,而CNN對多維數(shù)據(jù)中空間特征信息的提取能力較強(qiáng)。因此,本文將CNN與LSTM結(jié)合使用,分別提取并綜合利用多維時(shí)序數(shù)據(jù)中的空間信息和退化信息以提升軸承RUL的預(yù)測精度。另一方面,深度神經(jīng)網(wǎng)絡(luò)提取的不同特征對RUL預(yù)測的貢獻(xiàn)通常是不同的,有必要對高價(jià)值的特征分配更大的權(quán)重,使模型更關(guān)注這些重要信息從而提升整體性能。因此,本文在CNN-LSTM網(wǎng)絡(luò)的基礎(chǔ)上引入自注意力機(jī)制并進(jìn)行針對性改進(jìn),利用特征與輸出間的相關(guān)性進(jìn)行權(quán)重的自適應(yīng)分配,使模型生成更穩(wěn)定的特征重要度,更趨向于收斂至全局最優(yōu),實(shí)現(xiàn)更精確的滾動(dòng)軸承剩余使用壽命預(yù)測。

    1 理論背景

    1.1 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)是一類含有卷積運(yùn)算,具有多層深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)[14],其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,主要由卷積層、池化層、全連接層3個(gè)部分組成。

    圖1 卷積神經(jīng)網(wǎng)絡(luò)示意圖

    卷積層利用卷積核進(jìn)行特征提取,包括權(quán)重、偏置參數(shù);池化層通過降低數(shù)據(jù)的分辨率聚合特征信息,從而控制參數(shù)量和過擬合,本質(zhì)上屬于降采樣操作。實(shí)際應(yīng)用中,CNN通常會(huì)串連并交替使用多個(gè)卷積層和池化層,從而提取更豐富的特征。

    1.2 長短期記憶網(wǎng)絡(luò)

    長短期記憶網(wǎng)絡(luò)是一類特殊的遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN),能夠有效改善常規(guī)RNN面臨的梯度消失、長周期依賴等問題[15]。LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

    圖2 長短期記憶神經(jīng)網(wǎng)絡(luò)示意圖

    LSTM由輸入門、遺忘門和輸出門構(gòu)成:輸入門使用Sigmoid函數(shù)控制新信息的輸入,遺忘門控制信息的保留和遺忘,輸出門則控制記憶單元中信息的輸出。

    BiLSTM是LSTM的一種改進(jìn)結(jié)構(gòu),包括前向LSTM和后向LSTM兩部分,可以從正反2個(gè)方向提取時(shí)間序列數(shù)據(jù)的雙向特征,從而得到更好的效果。BiLSTM的結(jié)構(gòu)如圖3所示:BiLSTM的輸出向量ht由前向LSTM的輸出向量hf和后向LSTM輸出向量hb兩部分連接而成。

    圖3 雙向長短期記憶神經(jīng)網(wǎng)絡(luò)示意圖

    2 基于自注意力CNN-BiLSTM的滾動(dòng)軸承RUL預(yù)測方法

    2.1 自注意力機(jī)制

    注意力機(jī)制是一類模擬人腦關(guān)注機(jī)制的算法,核心思想是根據(jù)數(shù)據(jù)的概率分布,變量的相互關(guān)系等以權(quán)重等形式突出輸入數(shù)據(jù)中與輸出任務(wù)關(guān)聯(lián)性更大的部分[16],從而抽取更加重要和關(guān)鍵的信息以提升網(wǎng)絡(luò)模型整體的性能。注意力機(jī)制分為位置注意力、輸入序列注意力、自注意力、協(xié)同注意力等不同的類型。本文重點(diǎn)研究自注意力機(jī)制,其僅從輸入自身中提取信息而不使用其他額外信息,具備參數(shù)少,計(jì)算速度快等優(yōu)點(diǎn)[17],更適合實(shí)際工程應(yīng)用。

    自注意力機(jī)制的結(jié)構(gòu)如圖4所示:首先,輸入數(shù)據(jù)分別通過3個(gè)線性層計(jì)算得到查詢矩陣Q、鍵矩陣K和值矩陣V;然后,將Q和K的轉(zhuǎn)置相乘,除以縮放因子后經(jīng)Softmax運(yùn)算得到自注意力權(quán)重矩陣A;最后,將V和A相乘得到自注意力加權(quán)后的結(jié)果。也可僅使用2個(gè)線性層得到矩陣Q和K,并直接將輸入與A相乘后輸出。

    圖4 自注意力機(jī)制的結(jié)構(gòu)

    自注意力機(jī)制的計(jì)算過程可表示為

    (1)

    式中:Aattn(h)為輸入h經(jīng)自注意力加權(quán)后的結(jié)果,即自注意力機(jī)制的輸出;dk為縮放因子,用于控制矩陣乘積的結(jié)果不會(huì)過大。

    2.2 新型自注意力CNN模塊

    針對滾動(dòng)軸承RUL預(yù)測的特點(diǎn),本文對已有的卷積注意力模塊(Convolutional Block Attention Module,CBAM)[18]進(jìn)行改進(jìn),提出了一種新型自注意力CNN模塊。

    卷積注意力模塊針對圖像分類問題提出,模塊中串連使用了通道注意力和空間注意力且注意力機(jī)制主要依賴池化操作,這是由于圖像特征集中分布于一些局部區(qū)域,池化有助于去除冗余信息從而更關(guān)注局部的重要信息,然而,對于滾動(dòng)軸承RUL預(yù)測問題,輸入是“指標(biāo)-時(shí)間窗”的二維數(shù)據(jù)、特征分布較廣泛,針對局部區(qū)域的池化操作難以提取特征間的遠(yuǎn)程依賴關(guān)系,容易丟失重要信息。因此,本文在CBAM的基本結(jié)構(gòu)上進(jìn)行改進(jìn),提出了一種新型自注意力CNN模塊:

    1)由于軸承振動(dòng)信號(hào)時(shí)域指標(biāo)數(shù)據(jù)中不包含多通道信息,新型模塊僅使用CBAM中的空間注意力機(jī)制,從而降低了網(wǎng)絡(luò)的復(fù)雜度。

    2)相比池化操作,自注意力機(jī)制具備全局的感受野,經(jīng)自注意力加權(quán)后的輸出考慮了所有特征的信息,能夠?qū)崿F(xiàn)不同位置特征間的直接點(diǎn)乘融合且不受特征間距離的影響,從而能夠得到更全局的特征提取效果。因此新型模塊使用自注意力機(jī)制替代CBAM中基于池化的注意力機(jī)制。

    新型自注意力CNN模塊的結(jié)構(gòu)如圖5所示:首先,自注意力CNN通過2個(gè)卷積層分別計(jì)算輸入數(shù)據(jù)的卷積特征fA和fC;然后,將特征fA輸入僅含有矩陣Q和K的自注意力機(jī)制,計(jì)算得到權(quán)重矩陣A并與fA相乘,得到加權(quán)后的特征fB;最后,將fB和fC相加后輸出。

    圖5 新型自注意力CNN模塊的結(jié)構(gòu)

    2.3 網(wǎng)絡(luò)整體結(jié)構(gòu)和RUL預(yù)測流程

    自注意力CNN-BiLSTM網(wǎng)絡(luò)的整體結(jié)構(gòu)如圖6所示,使用該網(wǎng)絡(luò)進(jìn)行滾動(dòng)軸承RUL預(yù)測的具體流程如下:

    圖6 自注意力CNN-BiLSTM網(wǎng)絡(luò)結(jié)構(gòu)

    1)根據(jù)給定的時(shí)間窗長度劃分軸承一維振動(dòng)數(shù)據(jù),計(jì)算時(shí)間窗內(nèi)振動(dòng)數(shù)據(jù)的不同時(shí)域指標(biāo),得到用于軸承RUL預(yù)測的數(shù)據(jù)集。

    2)將數(shù)據(jù)集劃分為訓(xùn)練集和測試集,設(shè)置網(wǎng)絡(luò)中不同功能層的超參數(shù)后,進(jìn)行模型訓(xùn)練。

    3)將測試數(shù)據(jù)輸入訓(xùn)練好的模型,自注意力CNN模塊提取輸入數(shù)據(jù)中相同時(shí)間窗內(nèi)各時(shí)域指標(biāo)間的空間特征信息并進(jìn)行自注意力加權(quán)以強(qiáng)化特征提取效果。

    4)BiLSTM層提取不同時(shí)間窗內(nèi)加權(quán)空間特征構(gòu)成的時(shí)序數(shù)據(jù)中的退化特征信息,經(jīng)全連接層后輸出軸承RUL的預(yù)測值。

    5)根據(jù)軸承RUL的真實(shí)值和預(yù)測值計(jì)算RUL預(yù)測的各類評價(jià)指標(biāo),評估模型性能。

    3 試驗(yàn)分析

    3.1 數(shù)據(jù)描述

    本文使用的數(shù)據(jù)集為IEEE PHM 2012數(shù)據(jù)挑戰(zhàn)賽中提供的FEMTO-ST滾動(dòng)軸承全壽命數(shù)據(jù)集[19],該數(shù)據(jù)集包含3種不同運(yùn)行工況(表1):對于工況1,采用軸承1-2,1-3和1-5的數(shù)據(jù)進(jìn)行訓(xùn)練,軸承1-1的數(shù)據(jù)進(jìn)行測試;對于工況2,采用軸承2-1,2-4和2-7的數(shù)據(jù)進(jìn)行訓(xùn)練,軸承2-6的數(shù)據(jù)進(jìn)行測試;對于工況3,采用軸承3-1和3-2的數(shù)據(jù)進(jìn)行訓(xùn)練,軸承3-3的數(shù)據(jù)進(jìn)行測試。

    表1 軸承運(yùn)行工況

    軸承1-1的全壽命振動(dòng)數(shù)據(jù)如圖7所示:按照振動(dòng)水平可將軸承的生命周期粗略分為4個(gè)階段:正常工作階段,信號(hào)的幅值較低;早期退化階段,信號(hào)的振幅逐漸增大,此時(shí)可以開始RUL預(yù)測工作;中期退化階段,信號(hào)的振幅持續(xù)增大;后期退化階段,信號(hào)的振幅顯著增大,此時(shí)軸承已經(jīng)失效。

    圖7 軸承1-1的全壽命振動(dòng)數(shù)據(jù)

    3.2 建立RUL預(yù)測模型

    本文使用10個(gè)振動(dòng)信號(hào)時(shí)域指標(biāo)作為RUL預(yù)測模型的輸入,見表2。其中,xi為軸承的一維振動(dòng)信號(hào),N為時(shí)間窗的長度。

    表2 軸承振動(dòng)信號(hào)時(shí)域指標(biāo)

    設(shè)置時(shí)間窗長度為200 s,對原始軸承振動(dòng)數(shù)據(jù)進(jìn)行劃分并根據(jù)表2計(jì)算時(shí)域指標(biāo),得到維度為20×10的輸入數(shù)據(jù)。試驗(yàn)中對時(shí)域指標(biāo)和RUL值均進(jìn)行了量綱一化。

    除本文所提自注意力CNN-BiLSTM方法外,選擇CNN,BiLSTM以及不含自注意力機(jī)制的CNN-BiLSTM模型作為對比方法,各模型的結(jié)構(gòu)和超參數(shù)如下:

    1)CNN模型,使用2D-CNN,卷積核尺寸依次為3-5-3,濾波器數(shù)量為10,使用核尺寸為2的平均池化,全連接層的尺寸為60-32-16-1。

    2)BiLSTM模型,隱含層及輸出尺寸為16,全連接層的尺寸為32-16-8-1。

    3)CNN-BiLSTM模型,使用1D-CNN,卷積核尺寸為1,濾波器數(shù)量依次為10-20-40,BiLSTM層的隱含層及輸出尺寸為16,全連接層的尺寸為32-16-8-1。

    4)自注意力CNN-BiLSTM模型,使用1D-CNN,卷積核尺寸為1,濾波器數(shù)量依次為10-20-40,BiLSTM層的隱含層及輸出尺寸為16,自注意力的縮放因子dk為4,線性層的尺寸為40-20,全連接層的尺寸為32-16-8-1。

    所有模型訓(xùn)練過程中的損失函數(shù)都設(shè)置為均方誤差,選用Adam優(yōu)化器且參數(shù)選取默認(rèn)值,學(xué)習(xí)率設(shè)置為0.001。試驗(yàn)的軟件環(huán)境為torch 1.6和Python 3.8,模型僅使用CPU進(jìn)行訓(xùn)練,CPU型號(hào)為i7-8550U,內(nèi)存為16 GB。

    3.3 試驗(yàn)結(jié)果

    在不同的工況下,分別進(jìn)行上述4個(gè)模型的訓(xùn)練和測試。不同模型的RUL預(yù)測值如圖8所示:

    (a) 工況1

    1)對于工況1,在測試集前段,CNN和BiLSTM的預(yù)測精度接近,測試集中段時(shí)BiLSTM的精度優(yōu)于CNN,說明時(shí)序數(shù)據(jù)中的退化特征價(jià)值相對較大;CNN-BiLSTM在測試集中、后段的精度顯著優(yōu)于BiLSTM,說明時(shí)空特征的融合在一定程度上改善了RUL預(yù)測精度;而在引入自注意力機(jī)制后,模型精度在整個(gè)測試集上均得到了改善,說明自注意力加權(quán)改善了網(wǎng)絡(luò)的特征提取能力,且自注意力CNN-BiLSTM模型在測試集中、后段進(jìn)行了更多的提前預(yù)測(RUL的預(yù)測值小于真實(shí)值),有利于實(shí)際應(yīng)用中開展預(yù)測性維修,體現(xiàn)了自注意力機(jī)制在軸承RUL預(yù)測問題上的有效性。

    2)對于工況2,在測試集前段,自注意力CNN-BiLSTM模型的預(yù)測值基本能夠反映RUL真實(shí)值的趨勢,精度顯著優(yōu)于其他3類模型;但在測試集的第500~900 s,各模型均出現(xiàn)了不同程度的RUL高估情況。

    3)對于工況3,在測試集前段,CNN-BiLSTM的誤差較大,CNN和BiLSTM則在測試集中、后段時(shí)誤差較大;除測試集第250 s附近樣本上的誤差相對較大以外,自注意力CNN-BiLSTM模型的整體精度優(yōu)于其他3類模型,體現(xiàn)了該方法的適應(yīng)性。

    值得注意的是,不同模型在工況2和工況3上的精度普遍低于工況1,RUL預(yù)測值的波動(dòng)幅度也相對較大,該現(xiàn)象與后2個(gè)工況中使用的訓(xùn)練數(shù)據(jù)較少,模型訓(xùn)練不充分直接相關(guān)。

    使用均方根誤差I(lǐng)RMSE、平均絕對誤差I(lǐng)MAE和評分函數(shù)IS這3個(gè)指標(biāo)對模型的RUL預(yù)測結(jié)果進(jìn)行定量評估。IRMSE和IMAE越低,說明RUL的預(yù)測值與真實(shí)值之間的誤差越小;IS越高則說明模型的RUL預(yù)測效果越好且更傾向于做出超前預(yù)測。各指標(biāo)的定義為

    (2)

    (3)

    (4)

    (5)

    (6)

    上述4個(gè)模型在不同運(yùn)行工況上的評價(jià)指標(biāo)見表3:在不同運(yùn)行工況下,自注意力CNN-BiLSTM模型的各項(xiàng)性能指標(biāo)均優(yōu)于其他模型,特別是IS指標(biāo),說明其在軸承RUL預(yù)測問題上的性能更優(yōu);與圖9中的結(jié)果一致,各模型在工況2,3上的性能指標(biāo)相比工況1均有不同幅度的下降。除訓(xùn)練數(shù)據(jù)較少等建模方面的因素以外,從軸承運(yùn)行機(jī)理的角度分析,工況2,3的徑向載荷相比工況1更大,導(dǎo)致振動(dòng)信號(hào)的振幅增大,平穩(wěn)性降低,噪聲水平升高,同時(shí)也將顯著加速軸承失效,增加了RUL預(yù)測的難度。

    表3 不同運(yùn)行工況下各預(yù)測模型的評價(jià)指標(biāo)

    4 結(jié)束語

    本文提出了一種基于自注意力CNN-BiLSTM的滾動(dòng)軸承RUL預(yù)測方法,改進(jìn)的自注意力CNN模塊可提取振動(dòng)信號(hào)不同時(shí)域指標(biāo)間的空間特征并進(jìn)行自注意力加權(quán)以強(qiáng)化特征提取效果,BiLSTM模塊則可以提取時(shí)序數(shù)據(jù)中的退化特征。FEMTO-ST滾動(dòng)軸承全壽命數(shù)據(jù)集的試驗(yàn)結(jié)果表明自注意力CNN-BiLSTM模型在RUL預(yù)測誤差和評分函數(shù)上均優(yōu)于其他對比方法且更傾向于做出超前預(yù)測,模型結(jié)構(gòu)也較為簡單,有利于滾動(dòng)軸承RUL預(yù)測的工程實(shí)踐。

    自注意力CNN-BiLSTM模型的局限性在于僅對空間特征進(jìn)行了自注意力加權(quán),且在少樣本、高載荷等場景下的性能欠佳;未來將進(jìn)一步研究自注意力機(jī)制與時(shí)序退化特征的結(jié)合以提升特征提取能力,并引入少樣本學(xué)習(xí)、遷移學(xué)習(xí)等策略改善模型在特殊場景下的性能。

    猜你喜歡
    注意力軸承卷積
    軸承知識(shí)
    哈爾濱軸承(2022年2期)2022-07-22 06:39:32
    軸承知識(shí)
    哈爾濱軸承(2022年1期)2022-05-23 13:13:24
    讓注意力“飛”回來
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    軸承知識(shí)
    哈爾濱軸承(2021年2期)2021-08-12 06:11:46
    軸承知識(shí)
    哈爾濱軸承(2021年1期)2021-07-21 05:43:16
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    国产激情久久老熟女| 国产精品一区二区三区四区久久| 国产精品一区二区精品视频观看| 欧美三级亚洲精品| 久久久久久九九精品二区国产| 欧美三级亚洲精品| 精品电影一区二区在线| 免费无遮挡裸体视频| 精品福利观看| 免费av不卡在线播放| 成年版毛片免费区| 日韩中文字幕欧美一区二区| av天堂中文字幕网| 中文资源天堂在线| 在线十欧美十亚洲十日本专区| 亚洲色图av天堂| 亚洲中文字幕一区二区三区有码在线看 | 午夜成年电影在线免费观看| 精品久久蜜臀av无| 很黄的视频免费| 狂野欧美激情性xxxx| 久久久国产成人精品二区| 91麻豆av在线| 老司机福利观看| 人妻久久中文字幕网| 欧美成人免费av一区二区三区| 美女扒开内裤让男人捅视频| 亚洲精品一卡2卡三卡4卡5卡| av国产免费在线观看| 成年女人永久免费观看视频| 欧美日韩乱码在线| 99久久无色码亚洲精品果冻| 麻豆成人午夜福利视频| 热99re8久久精品国产| 成人鲁丝片一二三区免费| 国产成人啪精品午夜网站| 啦啦啦观看免费观看视频高清| 怎么达到女性高潮| 国产av一区在线观看免费| 观看免费一级毛片| 中文字幕最新亚洲高清| 国产高清三级在线| 99热这里只有是精品50| 可以在线观看毛片的网站| 亚洲国产欧美网| 9191精品国产免费久久| 亚洲av五月六月丁香网| 香蕉av资源在线| 欧美成人一区二区免费高清观看 | 日本 av在线| 国产成人精品久久二区二区91| www国产在线视频色| 久久精品亚洲精品国产色婷小说| 午夜影院日韩av| 亚洲人成网站在线播放欧美日韩| 国产精品av视频在线免费观看| 亚洲av熟女| 操出白浆在线播放| 在线看三级毛片| 色尼玛亚洲综合影院| 国产成人av激情在线播放| 国产欧美日韩精品一区二区| 十八禁人妻一区二区| 一本精品99久久精品77| 亚洲电影在线观看av| 在线免费观看的www视频| 高清毛片免费观看视频网站| 亚洲 欧美一区二区三区| 悠悠久久av| 变态另类丝袜制服| 欧美xxxx黑人xx丫x性爽| 法律面前人人平等表现在哪些方面| 少妇的逼水好多| 夜夜看夜夜爽夜夜摸| 精品久久久久久,| 亚洲av免费在线观看| 免费av毛片视频| 亚洲av成人一区二区三| 人人妻人人看人人澡| 色综合婷婷激情| 欧美日韩综合久久久久久 | aaaaa片日本免费| 国产高清videossex| 国产精品99久久久久久久久| 亚洲av五月六月丁香网| 99久久成人亚洲精品观看| svipshipincom国产片| 亚洲午夜理论影院| 悠悠久久av| 一区福利在线观看| 精品久久久久久久毛片微露脸| 国模一区二区三区四区视频 | 欧美日韩瑟瑟在线播放| 免费在线观看影片大全网站| 亚洲成人中文字幕在线播放| 国产精品久久久人人做人人爽| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲人成电影免费在线| 国产精品 国内视频| 露出奶头的视频| 亚洲18禁久久av| 91麻豆精品激情在线观看国产| www日本黄色视频网| 亚洲乱码一区二区免费版| 久久国产乱子伦精品免费另类| 女人高潮潮喷娇喘18禁视频| 亚洲 国产 在线| 午夜两性在线视频| 午夜福利在线观看免费完整高清在 | 日韩欧美国产一区二区入口| 最新美女视频免费是黄的| 小蜜桃在线观看免费完整版高清| 欧美精品啪啪一区二区三区| 一进一出抽搐gif免费好疼| 人人妻,人人澡人人爽秒播| 一级a爱片免费观看的视频| 超碰成人久久| 国产av麻豆久久久久久久| 熟女少妇亚洲综合色aaa.| 法律面前人人平等表现在哪些方面| 精品国内亚洲2022精品成人| 亚洲国产高清在线一区二区三| 1024香蕉在线观看| 99久久国产精品久久久| 国产精品99久久99久久久不卡| 91麻豆精品激情在线观看国产| 午夜精品在线福利| 欧美乱色亚洲激情| 黄色女人牲交| 亚洲人成伊人成综合网2020| 日韩国内少妇激情av| 久久亚洲精品不卡| 在线观看免费午夜福利视频| 白带黄色成豆腐渣| 床上黄色一级片| 国产亚洲欧美98| 白带黄色成豆腐渣| 欧美一区二区国产精品久久精品| 午夜成年电影在线免费观看| 999精品在线视频| 一个人免费在线观看的高清视频| 丰满人妻熟妇乱又伦精品不卡| 国产一区二区三区视频了| 90打野战视频偷拍视频| 精品久久久久久久久久久久久| 身体一侧抽搐| 亚洲aⅴ乱码一区二区在线播放| 伦理电影免费视频| av中文乱码字幕在线| 久久久久久久精品吃奶| 麻豆一二三区av精品| 亚洲国产精品999在线| 天天躁日日操中文字幕| 黑人操中国人逼视频| 99re在线观看精品视频| 女警被强在线播放| 免费看光身美女| 色吧在线观看| 最新在线观看一区二区三区| 国产精品久久久久久久电影 | 91久久精品国产一区二区成人 | 亚洲中文日韩欧美视频| 黄色女人牲交| 最新在线观看一区二区三区| 黄色 视频免费看| АⅤ资源中文在线天堂| 欧美另类亚洲清纯唯美| 国产精品影院久久| 桃红色精品国产亚洲av| 在线十欧美十亚洲十日本专区| 美女黄网站色视频| 婷婷丁香在线五月| 动漫黄色视频在线观看| 日本a在线网址| 观看免费一级毛片| 国产精品影院久久| 午夜精品在线福利| 亚洲色图av天堂| 免费高清视频大片| 国产激情久久老熟女| 精品一区二区三区四区五区乱码| 天天一区二区日本电影三级| 国产精品日韩av在线免费观看| 国产单亲对白刺激| 亚洲一区二区三区色噜噜| 久久久国产精品麻豆| 一卡2卡三卡四卡精品乱码亚洲| 国产精品98久久久久久宅男小说| 欧美黑人欧美精品刺激| 麻豆成人午夜福利视频| 欧美日本视频| 99精品欧美一区二区三区四区| 亚洲成a人片在线一区二区| 无限看片的www在线观看| 中文亚洲av片在线观看爽| 女生性感内裤真人,穿戴方法视频| 又大又爽又粗| 真人做人爱边吃奶动态| 岛国视频午夜一区免费看| 欧美色欧美亚洲另类二区| 麻豆成人av在线观看| 琪琪午夜伦伦电影理论片6080| 成人亚洲精品av一区二区| 亚洲成人久久性| 亚洲欧美日韩卡通动漫| 国产激情欧美一区二区| 在线永久观看黄色视频| 日本黄色片子视频| 精品电影一区二区在线| 欧美黑人巨大hd| 中文字幕av在线有码专区| 草草在线视频免费看| 欧美色视频一区免费| 亚洲无线观看免费| 美女黄网站色视频| 亚洲国产中文字幕在线视频| 又粗又爽又猛毛片免费看| 亚洲黑人精品在线| 国产伦一二天堂av在线观看| 亚洲精品美女久久久久99蜜臀| 欧美3d第一页| 欧美+亚洲+日韩+国产| 亚洲黑人精品在线| 国产在线精品亚洲第一网站| 国产真人三级小视频在线观看| 香蕉国产在线看| 成人高潮视频无遮挡免费网站| 亚洲,欧美精品.| 女人被狂操c到高潮| 亚洲人成网站在线播放欧美日韩| 一个人免费在线观看的高清视频| 看免费av毛片| 五月伊人婷婷丁香| 亚洲人成伊人成综合网2020| 每晚都被弄得嗷嗷叫到高潮| 国模一区二区三区四区视频 | 两个人视频免费观看高清| 天堂影院成人在线观看| www日本黄色视频网| 日韩有码中文字幕| 日本成人三级电影网站| 51午夜福利影视在线观看| 亚洲 欧美一区二区三区| 一区福利在线观看| 老司机午夜福利在线观看视频| 每晚都被弄得嗷嗷叫到高潮| 禁无遮挡网站| 婷婷精品国产亚洲av| 一个人免费在线观看的高清视频| 成人一区二区视频在线观看| 久久精品夜夜夜夜夜久久蜜豆| 久9热在线精品视频| 激情在线观看视频在线高清| 久久中文字幕人妻熟女| 亚洲av中文字字幕乱码综合| 88av欧美| 级片在线观看| 久久精品国产亚洲av香蕉五月| 亚洲成a人片在线一区二区| 亚洲熟女毛片儿| 亚洲精品中文字幕一二三四区| 可以在线观看毛片的网站| 丰满的人妻完整版| www.精华液| 日本五十路高清| 久久午夜亚洲精品久久| 日韩精品中文字幕看吧| 黄色视频,在线免费观看| 久久久精品大字幕| 亚洲,欧美精品.| 午夜福利成人在线免费观看| 亚洲精品一区av在线观看| 久久九九热精品免费| 亚洲国产日韩欧美精品在线观看 | 久久久国产成人免费| 一二三四在线观看免费中文在| 国产精品女同一区二区软件 | 制服丝袜大香蕉在线| 国产精品电影一区二区三区| 国产成年人精品一区二区| 蜜桃久久精品国产亚洲av| 午夜免费成人在线视频| 美女 人体艺术 gogo| 中文亚洲av片在线观看爽| 男女之事视频高清在线观看| 欧美日本视频| 成年女人永久免费观看视频| 欧美最黄视频在线播放免费| 天堂动漫精品| 天堂网av新在线| 草草在线视频免费看| 女人被狂操c到高潮| 亚洲 国产 在线| 欧美成狂野欧美在线观看| 色老头精品视频在线观看| 中文字幕熟女人妻在线| 成人欧美大片| 亚洲精品粉嫩美女一区| 亚洲av成人精品一区久久| 啦啦啦免费观看视频1| 欧美日韩福利视频一区二区| 两个人的视频大全免费| 偷拍熟女少妇极品色| 国产淫片久久久久久久久 | 精品久久久久久久末码| 亚洲欧美激情综合另类| 国产av麻豆久久久久久久| 久久久久久九九精品二区国产| 俄罗斯特黄特色一大片| 国产激情久久老熟女| 日本免费一区二区三区高清不卡| 国产一区二区三区在线臀色熟女| 美女 人体艺术 gogo| 好看av亚洲va欧美ⅴa在| 亚洲乱码一区二区免费版| 两个人视频免费观看高清| 欧美激情久久久久久爽电影| 丁香欧美五月| 色播亚洲综合网| 国内久久婷婷六月综合欲色啪| av黄色大香蕉| 日韩人妻高清精品专区| 国产精品爽爽va在线观看网站| 99热这里只有精品一区 | 在线a可以看的网站| 99精品欧美一区二区三区四区| 嫩草影院入口| 久久精品国产99精品国产亚洲性色| www日本在线高清视频| 精品国产美女av久久久久小说| 18禁裸乳无遮挡免费网站照片| 久久久久久久久免费视频了| 亚洲国产高清在线一区二区三| 露出奶头的视频| 亚洲av电影不卡..在线观看| 精品人妻1区二区| 欧美日韩福利视频一区二区| 91字幕亚洲| 啪啪无遮挡十八禁网站| 欧美一级a爱片免费观看看| 日本免费一区二区三区高清不卡| 日韩三级视频一区二区三区| 国产麻豆成人av免费视频| 国产精品亚洲美女久久久| 老熟妇仑乱视频hdxx| 99在线人妻在线中文字幕| 国产亚洲精品久久久com| 日日夜夜操网爽| 日韩欧美精品v在线| 嫩草影院入口| 丁香六月欧美| www.自偷自拍.com| 成在线人永久免费视频| 精品日产1卡2卡| 搡老熟女国产l中国老女人| av国产免费在线观看| 在线观看午夜福利视频| 丁香六月欧美| 最好的美女福利视频网| 成在线人永久免费视频| 国产成人啪精品午夜网站| 免费在线观看影片大全网站| 黄频高清免费视频| 久久久久久久久免费视频了| 国产高清视频在线播放一区| 日本a在线网址| 亚洲av成人精品一区久久| 日本免费一区二区三区高清不卡| 最近最新中文字幕大全免费视频| 亚洲欧美日韩高清在线视频| 2021天堂中文幕一二区在线观| cao死你这个sao货| 一卡2卡三卡四卡精品乱码亚洲| 国产爱豆传媒在线观看| 中国美女看黄片| 麻豆成人av在线观看| 麻豆av在线久日| 亚洲专区国产一区二区| 国产亚洲精品久久久com| 亚洲精品在线美女| 精品一区二区三区视频在线 | 久久亚洲精品不卡| 制服人妻中文乱码| АⅤ资源中文在线天堂| 亚洲中文日韩欧美视频| 在线观看美女被高潮喷水网站 | 91麻豆av在线| 婷婷六月久久综合丁香| 午夜久久久久精精品| 久久中文看片网| 淫妇啪啪啪对白视频| 亚洲熟妇熟女久久| netflix在线观看网站| 久久中文字幕人妻熟女| 又黄又爽又免费观看的视频| 国模一区二区三区四区视频 | aaaaa片日本免费| 国产男靠女视频免费网站| 欧美3d第一页| 久久精品夜夜夜夜夜久久蜜豆| 国产精品 欧美亚洲| 九九久久精品国产亚洲av麻豆 | 国产又色又爽无遮挡免费看| 欧美3d第一页| 大型黄色视频在线免费观看| 久久天躁狠狠躁夜夜2o2o| 99久久精品一区二区三区| av国产免费在线观看| 亚洲国产色片| 亚洲在线观看片| 黄色女人牲交| 热99re8久久精品国产| 麻豆成人av在线观看| 琪琪午夜伦伦电影理论片6080| 国产综合懂色| 精品久久久久久,| 亚洲人成电影免费在线| 午夜两性在线视频| 成人午夜高清在线视频| 丰满人妻熟妇乱又伦精品不卡| 天堂网av新在线| 最新中文字幕久久久久 | 精品熟女少妇八av免费久了| 一二三四在线观看免费中文在| 一夜夜www| 少妇的逼水好多| 午夜免费观看网址| 国产精品亚洲av一区麻豆| 日韩中文字幕欧美一区二区| 麻豆国产97在线/欧美| 一卡2卡三卡四卡精品乱码亚洲| 午夜视频精品福利| a在线观看视频网站| 国产免费男女视频| 亚洲av日韩精品久久久久久密| 成熟少妇高潮喷水视频| 99国产极品粉嫩在线观看| 后天国语完整版免费观看| 国产乱人伦免费视频| 综合色av麻豆| 欧美大码av| 99久久久亚洲精品蜜臀av| 俺也久久电影网| 亚洲av五月六月丁香网| 久久中文字幕一级| 国产欧美日韩精品一区二区| 国产私拍福利视频在线观看| 国产v大片淫在线免费观看| 午夜福利在线观看免费完整高清在 | 久久久国产成人精品二区| 99久久久亚洲精品蜜臀av| 最新中文字幕久久久久 | 午夜成年电影在线免费观看| 亚洲自拍偷在线| 久久这里只有精品19| 午夜福利18| 亚洲av电影不卡..在线观看| 深夜精品福利| 午夜日韩欧美国产| 欧美成人性av电影在线观看| 午夜两性在线视频| 精品一区二区三区四区五区乱码| 国产精品香港三级国产av潘金莲| 夜夜躁狠狠躁天天躁| 国产一区二区三区在线臀色熟女| 国产精品国产高清国产av| 男人的好看免费观看在线视频| 99久久久亚洲精品蜜臀av| 美女高潮的动态| 九九久久精品国产亚洲av麻豆 | 丰满的人妻完整版| 日日摸夜夜添夜夜添小说| 国产精品av久久久久免费| 国产乱人伦免费视频| 久久九九热精品免费| 99久久久亚洲精品蜜臀av| 真人一进一出gif抽搐免费| 亚洲av成人精品一区久久| 国产视频一区二区在线看| 性色av乱码一区二区三区2| 一区二区三区国产精品乱码| 久久久久久久久久黄片| 精品午夜福利视频在线观看一区| 亚洲av成人不卡在线观看播放网| 久久久国产成人免费| 国产精品一区二区精品视频观看| 国产黄色小视频在线观看| 少妇的逼水好多| 国产一区二区激情短视频| 亚洲在线自拍视频| 色吧在线观看| av黄色大香蕉| 久久精品国产清高在天天线| 久久久久精品国产欧美久久久| 国产蜜桃级精品一区二区三区| 亚洲avbb在线观看| 一区福利在线观看| 熟女少妇亚洲综合色aaa.| 少妇丰满av| 美女扒开内裤让男人捅视频| 少妇丰满av| 欧美中文综合在线视频| 国产高清激情床上av| 成人18禁在线播放| 黄色女人牲交| 久久久久精品国产欧美久久久| 丰满的人妻完整版| 中文在线观看免费www的网站| 国产精品久久久人人做人人爽| 人妻丰满熟妇av一区二区三区| 俄罗斯特黄特色一大片| 亚洲熟女毛片儿| 日本撒尿小便嘘嘘汇集6| 一区福利在线观看| 天堂av国产一区二区熟女人妻| 成人午夜高清在线视频| 国产高潮美女av| 成熟少妇高潮喷水视频| 国产黄a三级三级三级人| 亚洲国产精品合色在线| 亚洲色图 男人天堂 中文字幕| 在线视频色国产色| 午夜精品一区二区三区免费看| 日本免费a在线| 国产极品精品免费视频能看的| av片东京热男人的天堂| 日韩欧美三级三区| 国产免费男女视频| 亚洲色图 男人天堂 中文字幕| 亚洲国产精品sss在线观看| 国产高清三级在线| 久久中文字幕一级| 国产午夜福利久久久久久| 操出白浆在线播放| 国产男靠女视频免费网站| 国产69精品久久久久777片 | 久久精品国产亚洲av香蕉五月| 久久精品国产99精品国产亚洲性色| 午夜福利在线在线| 桃色一区二区三区在线观看| 一级a爱片免费观看的视频| 99久国产av精品| 亚洲国产精品999在线| 成人18禁在线播放| 色综合亚洲欧美另类图片| 免费观看精品视频网站| 亚洲无线在线观看| 亚洲成av人片在线播放无| 99国产综合亚洲精品| 成人永久免费在线观看视频| cao死你这个sao货| 一二三四在线观看免费中文在| 亚洲五月婷婷丁香| 亚洲成人久久性| 精品一区二区三区四区五区乱码| 久久人人精品亚洲av| 99久久国产精品久久久| 大型黄色视频在线免费观看| 中国美女看黄片| 1000部很黄的大片| 亚洲人与动物交配视频| 亚洲自拍偷在线| 法律面前人人平等表现在哪些方面| 免费电影在线观看免费观看| 精品国内亚洲2022精品成人| 国产午夜精品久久久久久| 国产成人精品久久二区二区免费| av在线天堂中文字幕| 欧美绝顶高潮抽搐喷水| 成人午夜高清在线视频| 手机成人av网站| 欧美黑人巨大hd| 亚洲人成网站在线播放欧美日韩| 午夜福利视频1000在线观看| 国产一级毛片七仙女欲春2| 可以在线观看的亚洲视频| 999久久久国产精品视频| 97超级碰碰碰精品色视频在线观看| 巨乳人妻的诱惑在线观看| 日本三级黄在线观看| 深夜精品福利| e午夜精品久久久久久久| 国产av麻豆久久久久久久| 国产伦精品一区二区三区视频9 | 19禁男女啪啪无遮挡网站| 久久精品亚洲精品国产色婷小说| 国产欧美日韩精品亚洲av| 最新在线观看一区二区三区| 午夜a级毛片| 日本在线视频免费播放| 丁香欧美五月| 中文字幕熟女人妻在线| 亚洲精品456在线播放app | 少妇丰满av| 亚洲国产中文字幕在线视频| 丰满人妻一区二区三区视频av | 午夜激情欧美在线| 人人妻人人澡欧美一区二区| 色av中文字幕| 1024香蕉在线观看| 精品国产乱子伦一区二区三区| 琪琪午夜伦伦电影理论片6080| 超碰成人久久| 色精品久久人妻99蜜桃| 动漫黄色视频在线观看| 精品熟女少妇八av免费久了| 日韩欧美国产一区二区入口| 欧美3d第一页| 婷婷精品国产亚洲av在线| 国产美女午夜福利| 日本五十路高清| 99久国产av精品| 国产免费av片在线观看野外av| 亚洲在线自拍视频| 露出奶头的视频|