• <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 ?

    復(fù)雜裝備退化狀態(tài)早期識(shí)別方法研究

    2016-09-07 05:51:32徐廷學(xué)肖楚琬
    關(guān)鍵詞:信息源波包向量

    鄧 力,徐廷學(xué),肖楚琬

    (1.海軍航空工程學(xué)院 兵器科學(xué)與技術(shù)系,山東 煙臺(tái) 264001;2.海軍航空工程學(xué)院 接改裝訓(xùn)練大隊(duì), 山東 煙臺(tái) 264001)

    ?

    復(fù)雜裝備退化狀態(tài)早期識(shí)別方法研究

    鄧力1,徐廷學(xué)1,肖楚琬2

    (1.海軍航空工程學(xué)院 兵器科學(xué)與技術(shù)系,山東 煙臺(tái)264001;2.海軍航空工程學(xué)院 接改裝訓(xùn)練大隊(duì), 山東 煙臺(tái)264001)

    針對(duì)復(fù)雜裝備早期退化狀態(tài)難以識(shí)別的問(wèn)題,提出一種將相關(guān)向量機(jī)(RVM)和Dezert-Smarandache 理論(DSmT)相結(jié)合的多特征融合決策識(shí)別方法;該方法首先分別采用時(shí)域分析法和時(shí)頻域小波包變換法對(duì)裝備的狀態(tài)特征進(jìn)行提?。恢髮顟B(tài)特征向量輸入RVM模型中完成對(duì)狀態(tài)屬性的判定并獲得各種狀態(tài)模式的基本置信度分配;最后依據(jù)DSmT的PCR6規(guī)則對(duì)含有沖突信息的多個(gè)識(shí)別結(jié)果進(jìn)行決策融合,得到早期退化狀態(tài)的最終識(shí)別結(jié)果;在對(duì)某航空機(jī)電設(shè)備的實(shí)例應(yīng)用中表明,該方法可以有效地解決信息高沖突條件下的早期退化狀態(tài)識(shí)別問(wèn)題,結(jié)果可靠準(zhǔn)確。

    復(fù)雜裝備;性能退化;狀態(tài)識(shí)別;相關(guān)向量機(jī);Dezert-Smarandache 理論

    0 引言

    在裝備故障發(fā)生的早期,及時(shí)發(fā)現(xiàn)故障并安排有計(jì)劃的維護(hù),可以降低維護(hù)成本,避免故障傳播,以免造成更大故障,減少停機(jī)損失,預(yù)防重大安全事故等,因此,早期故障及時(shí)檢測(cè)與預(yù)防維護(hù)具有很大的經(jīng)濟(jì)與安全意義[1-2]。

    裝備的故障必須有一個(gè)發(fā)展過(guò)程,在其功能喪失之前有故障跡象或征兆[3]。當(dāng)裝備在正常工作的時(shí)候,其監(jiān)測(cè)信息一般在某一常數(shù)值周圍隨機(jī)波動(dòng),且較為平穩(wěn);而當(dāng)裝備工作在性能退化階段時(shí),監(jiān)測(cè)信息就會(huì)顯現(xiàn)出變化異常的趨勢(shì),從而不斷偏離正常態(tài)下的平穩(wěn)常數(shù)值,且偏離度會(huì)因退化程度的加劇而逐漸增加。所以,對(duì)反映裝備狀態(tài)的信息進(jìn)行監(jiān)測(cè)來(lái)判定裝備當(dāng)前狀態(tài)是可行的。

    1 相關(guān)研究

    1.1單信息源狀態(tài)識(shí)別算法

    近幾年用于單信息源狀態(tài)識(shí)別最主要的兩類算法是基于傳統(tǒng)統(tǒng)計(jì)學(xué)的識(shí)別算法與統(tǒng)計(jì)判決法,統(tǒng)計(jì)判決算法通過(guò)假設(shè)檢驗(yàn)與概率來(lái)完成,其主要存在的不足:獲得準(zhǔn)確判決的門(mén)限前提是必須給出合理的假設(shè)以及嚴(yán)密的數(shù)據(jù)分析;文獻(xiàn)[4]運(yùn)用ANN(人工神經(jīng)網(wǎng)絡(luò))算法進(jìn)行模式識(shí)別,效果較為理想,但是受樣本數(shù)量的限制,ANN算法常發(fā)生欠學(xué)習(xí)或過(guò)學(xué)習(xí)、陷入局部極小值等情況,從而導(dǎo)致ANN算法的泛化能力較差。已有研究人員運(yùn)用SVM(支持向量機(jī))算法進(jìn)行模式識(shí)別[5- 6],效果要優(yōu)于ANN算法。

    但是SVM仍存在明顯的不足[7-9]:①解的稀疏性只是相對(duì),訓(xùn)練樣本集的增加會(huì)造成支持向量的數(shù)量線性上升;②無(wú)法輸出概率信息;③核函數(shù)必須符合Mercer條件;④需通過(guò)交叉驗(yàn)證等算法對(duì)規(guī)則化系數(shù)進(jìn)行估計(jì),會(huì)產(chǎn)生額外的樣本數(shù)據(jù)以及計(jì)算開(kāi)銷。

    一種新型的機(jī)器學(xué)習(xí)算法(SVM的概率擴(kuò)展)——相關(guān)向量機(jī)(Relevance Support Machine,RVM),是由Tipping提出的與支持向量機(jī)相似的基于核函數(shù)的模式識(shí)別算法[10]。正是該算法的提出,使得SVM的不足得以有效解決;雖然兩者采用相同函數(shù)的形式,但是用于求解核函數(shù)對(duì)應(yīng)權(quán)值的算法不同,這使得RVM大部分的權(quán)值趨于零,最終得到的模型較SVM更加稀疏,即模型只與部分的訓(xùn)練點(diǎn)有關(guān)。當(dāng)前,RVM已開(kāi)始用于故障預(yù)測(cè)[11]、模式識(shí)別[12]等領(lǐng)域。

    1.2多信息源狀態(tài)識(shí)別算法

    當(dāng)裝備性能退化狀態(tài)剛開(kāi)始的時(shí)候,其狀態(tài)特征通常會(huì)有以下特點(diǎn):①退化狀態(tài)特征信號(hào)會(huì)很微弱,從而導(dǎo)致?tīng)顟B(tài)特征呈現(xiàn)不確定的特性;②由于內(nèi)部結(jié)構(gòu)差異與傳輸線路的不同,微弱的退化狀態(tài)特征信號(hào)通常最先在裝備某個(gè)局部位置出現(xiàn)。所以一個(gè)傳感器無(wú)法全面、準(zhǔn)確地捕捉裝備的狀態(tài)信息,融合多個(gè)傳感器信息成為識(shí)別退化狀態(tài)的有效方式,將位于多個(gè)關(guān)鍵位置的傳感器構(gòu)造成信息網(wǎng)絡(luò),充分獲取不同位置的測(cè)量信息,并運(yùn)用信息融合技術(shù)對(duì)測(cè)量信息進(jìn)行融合得到最終的識(shí)別結(jié)果。

    在多信息源進(jìn)行融合的過(guò)程之中,需處理的信息或數(shù)據(jù)除由隨機(jī)性而造成的誤差以外,通常還具有不準(zhǔn)確、模糊、彼此不一致,甚至是部分未知、時(shí)變等特征,這些不確定性可能源于傳感器的不精確性,也可能源于人為或環(huán)境等因素的干擾。

    不確定性推理理論為不精確、不確定、不完善信息的處理提供了有效途徑。目前不確定性推理方法有模糊理論、隨機(jī)理論、粗糙集理論、貝葉斯推理理論和證據(jù)推理理論等。而證據(jù)理論以其在不確定信息的表達(dá)以及組合方面的優(yōu)勢(shì)受到重視。其中,DS理論(Dempster-Shafer theory,DST)首先由Dempster提出通過(guò)多值映射推導(dǎo)出上下概率,之后由Shafer將其進(jìn)一步完善,建立了命題與集合間一一對(duì)應(yīng)的關(guān)系[13],將命題不確定性的問(wèn)題轉(zhuǎn)化成集合不確定性的問(wèn)題,且具有較貝葉斯推理滿足條件更弱的優(yōu)勢(shì),可對(duì)不知道與不確定問(wèn)題進(jìn)行直接表達(dá),最終形成一整套的數(shù)學(xué)理論[14],在故障診斷、人工智能與模式識(shí)別等方面應(yīng)用廣泛,并獲得了豐厚的成果[15]。但DST在處理高沖突證據(jù)時(shí)可能會(huì)得到與實(shí)際情況相悖的結(jié)果;同時(shí)它的前提條件要求元素是互斥的,故DST比較難處理連續(xù)或模糊焦元的情況。為此,Dezert和Smarandache一起提出用于解決這些問(wèn)題的新的證據(jù)理論——DSm理論(Dezert-Smarandache theory,DSmT)[16]。DSmT的目標(biāo)是建立一個(gè)統(tǒng)一的理論體系,即能夠處理傳統(tǒng)的問(wèn)題,又能夠處理實(shí)際融合中動(dòng)態(tài)的、沖突的、模糊的以及不確定的較復(fù)雜的難題[17]。

    本文首先設(shè)計(jì)了復(fù)雜裝備退化狀態(tài)早期識(shí)別系統(tǒng)的框架結(jié)構(gòu),明確了識(shí)別的具體工作流程;之后甄選了狀態(tài)信息的處理與特征提取方法;接下來(lái)提出了單信息源的RVM識(shí)別算法;最后運(yùn)用DSmT融合算法多信息源的最終識(shí)別。應(yīng)用實(shí)例表明本文提出的算法具有更高的可靠性,且識(shí)別結(jié)果與實(shí)際情況更加吻合。

    2 退化狀態(tài)早期識(shí)別系統(tǒng)

    本文提出的基于RVM和DSmT復(fù)雜裝備退化狀態(tài)早期識(shí)別系統(tǒng)結(jié)構(gòu)如圖1所示。該系統(tǒng)主要分為信息處理與特征提取、基于RVM的單信息源狀態(tài)識(shí)別和基于DSmT的狀態(tài)屬性決策融合等3個(gè)部分。

    圖1 復(fù)雜裝備退化狀態(tài)早期識(shí)別系統(tǒng)結(jié)構(gòu)

    1)信息處理與特征提?。?/p>

    針對(duì)裝備工作時(shí)不同時(shí)間段和不同部位的工作狀態(tài)信息,分別采用不同的傳感器對(duì)裝備工作時(shí)的數(shù)據(jù)進(jìn)行采集,之后運(yùn)用時(shí)域分析法和時(shí)頻域分析等方法,從裝備的狀態(tài)信息中提取相關(guān)特征向量,從而得到由不同的狀態(tài)特征向量構(gòu)建的向量空間,并對(duì)相應(yīng)的狀態(tài)類型空間進(jìn)行構(gòu)建。

    2)基于RVM的單信息源狀態(tài)識(shí)別:

    (1)為了構(gòu)建出狀態(tài)特征的向量空間與狀態(tài)的類型空間之間的非線性關(guān)系,建立兩個(gè)空間對(duì)應(yīng)的RVM模型,并采用實(shí)驗(yàn)樣本數(shù)據(jù)對(duì)該模型進(jìn)行識(shí)別訓(xùn)練。

    (2)對(duì)已經(jīng)訓(xùn)練好的各個(gè)RVM,分別采用裝備狀態(tài)信息的測(cè)試樣本數(shù)據(jù)進(jìn)行測(cè)試,在測(cè)試過(guò)程中獲取各RVM的運(yùn)行時(shí)間和測(cè)試次數(shù)等信息,向DSmT決策融合提供重要的參數(shù)信息。

    3)基于DSmT的狀態(tài)屬性決策融合:

    (1)綜合匯總各個(gè)RVM的不同識(shí)別結(jié)果,從而構(gòu)建出DSm據(jù)側(cè)融合必須的證據(jù)空間,空間的證據(jù)元素即裝備同一工作狀態(tài)下不同識(shí)別結(jié)果。

    (2)依據(jù)裝備的狀態(tài)類型構(gòu)建識(shí)別空間,再依據(jù)廣義基本置信分配函數(shù)m(·)獲取不同狀態(tài)類型可能的概率。

    (3)依據(jù)不同識(shí)別結(jié)果的基本置信度,運(yùn)用DSm理論中合理的融合規(guī)則,得到狀態(tài)類型總的概率分布,從而得出最終的識(shí)別結(jié)果。

    3 信息處理與特征提取

    采用傳感器獲取裝備的狀態(tài)信息之后,關(guān)鍵的一步就是分析處理得到的信息。運(yùn)用時(shí)域分析方法與時(shí)頻域小波包變換方法提取狀態(tài)信息特征,形成狀態(tài)信息的特征向量,并將該特征向量作為后續(xù)RVM的輸入向量。時(shí)域分析法中的狀態(tài)信息的特征向量是時(shí)域內(nèi)幅值域中的參數(shù),其對(duì)非平穩(wěn)的信號(hào)比較敏感。小波包變換方法則是對(duì)裝備的狀態(tài)信息進(jìn)行分解得到許多的獨(dú)立頻帶,之后提取各個(gè)頻帶的能量作為特征向量輸入RVM模型。時(shí)域分析方法和時(shí)頻域小波包變換方法都很適合用于裝備狀態(tài)信息的特征提取。

    3.1時(shí)域分析

    運(yùn)用時(shí)域分析法得到時(shí)域特征向量元素分別為:均方根值、峰峰值、脈沖因子、峰值因子、波形因子、裕度因子和峭度因子,各向量元素的計(jì)算公式為:

    (1)

    (2)

    (3)

    (4)

    (5)

    (6)

    (7)

    3.2時(shí)頻域分析

    1)小波包變換:

    小波包變換作為小波分析的一種,能夠隨頻率的升高,進(jìn)一步將頻率窗口分割細(xì)化,同時(shí)在高頻段具有較高的頻率分辨與時(shí)間分辨率,因此常被用于進(jìn)行突變信號(hào)的頻域分析[ 18]。

    小波包變換在確定小波函數(shù)之后,將濾波系數(shù)設(shè)為:h={hn},令gk=(-1)kh1-k,則遞歸函數(shù)定義如下:

    (8)

    小波包{Wn(t)}n∈z由式(8)確定,其中W0(t)為尺度函數(shù),W1(t)即為相應(yīng)的小波函數(shù)。小波包同時(shí)將高頻信號(hào)與低頻信號(hào)進(jìn)行分解,從而構(gòu)建成信號(hào)分解的二叉樹(shù),各層都信號(hào)所有的頻率涵蓋在內(nèi),同時(shí)頻率分辨率隨著層數(shù)的上升而提高。小波包變換將小波分析的二元結(jié)構(gòu)改變成樹(shù)式結(jié)構(gòu),得到一組樹(shù)式小波包變換如圖2所示。

    圖2 小波包變換樹(shù)形結(jié)構(gòu)

    2)特征提?。?/p>

    小波包變換之后各尺度空間中高頻的細(xì)節(jié)信號(hào)與低頻的近似信號(hào),既能給出各頻段信號(hào)的構(gòu)成信息,同時(shí)又能給出裝備狀態(tài)的時(shí)頻局域信息。如果各分解尺度空間信號(hào)頻譜的能量值能夠求解出來(lái),就能建立狀態(tài)特征信號(hào)的樣本集,供RVM訓(xùn)練與測(cè)試。下面列舉了提取裝備狀態(tài)特征的具體過(guò)程:

    (1)狀態(tài)信號(hào)的小波包變換。針對(duì)采集的裝備狀態(tài)信號(hào),利用小波包變換公式對(duì)其進(jìn)行三層小波包變換,同時(shí)得到原始小波包樹(shù)形結(jié)構(gòu)的最優(yōu)完整樹(shù)。

    (2)狀態(tài)信號(hào)重構(gòu)。對(duì)最優(yōu)完整小波包樹(shù)的底層小波包各結(jié)點(diǎn)進(jìn)行重構(gòu),獲得重構(gòu)后的8個(gè)小波包信號(hào),重構(gòu)之后的信號(hào)涵蓋了原始采集信號(hào)中低頻至高頻的各頻段狀態(tài)信息。

    (3)計(jì)算重構(gòu)狀態(tài)信號(hào)頻譜的能量值。令S3i(i=0,1,…,7)為重構(gòu)后的八個(gè)小波包信號(hào),先對(duì)各重構(gòu)信號(hào)的單邊幅度頻譜SF(3,i)(i=0,1,…,7)進(jìn)行求解,之后對(duì)各單邊頻譜分別取向量的二范數(shù),即

    (9)

    式中,|SF(3,i)(j)|為重構(gòu)后各個(gè)小波包信號(hào)單邊頻譜離散點(diǎn)的幅值。

    4 基于RVM與DSmT的識(shí)別算法

    4.1RVM分類模型

    (10)

    對(duì)于二元分類問(wèn)題,統(tǒng)計(jì)學(xué)上習(xí)慣使y(x)服從sigmoid函數(shù)。

    (11)

    不同于回歸問(wèn)題,分類不存在數(shù)據(jù)噪聲。樣本集的似然函數(shù)服從伯努利分布:

    (12)

    依據(jù)SVM結(jié)構(gòu)風(fēng)險(xiǎn)的最小化原則可知,若不先進(jìn)行權(quán)重系數(shù)的約束,而直接最大化式(12)會(huì)造成嚴(yán)重過(guò)擬和的現(xiàn)象。因此為使模型的泛化能力得到提升以實(shí)現(xiàn)光滑模型,RVM為所有權(quán)重系數(shù)設(shè)定了高斯先驗(yàn)概率分布:

    (13)

    式中,α=(α0,α1,…,αN)T為超參數(shù),其決定了權(quán)重系數(shù)ω的先驗(yàn)分布,并限定了權(quán)重系數(shù)的允許偏離均值程度范圍。

    參數(shù)ω和α的后驗(yàn)概率可表示為:

    (14)

    (15)

    (16)

    (17)

    其中:A=diag(α0,α1,…,αN);yi=σ{y(xi,ω)}。

    對(duì)于和ω和α的最有估計(jì)可采用以下3步迭代進(jìn)行。

    1)固定α,采用最大后驗(yàn)概率方法估計(jì)權(quán)重ω的最大值:

    (18)

    其中:g=ΦT(t-y)-Aω;H=-(ΦTBΦ+A);y=[y1,y2,…,yN]T。

    B=diag(y1(1-y1),y2(1-y2),…,yN(1-yN));

    Φ=(K(x,x1),K(x,x2),…,K(x,xN))T

    2)求解協(xié)方差矩陣:

    (19)

    3)更新αi:

    (20)

    (21)

    其中:∑i,i是Σ中對(duì)角線上的第i項(xiàng)元素。

    在給定α的初始值之后,采用上述步驟進(jìn)行不斷迭代更新,就能夠逼近ωMP。在迭代更新進(jìn)行足夠多后大多數(shù)的αi會(huì)趨于無(wú)窮大,其對(duì)應(yīng)的ωi則為0。這使大部分核函數(shù)矩陣的項(xiàng)不會(huì)參與到預(yù)測(cè)計(jì)算中,而其他的αi會(huì)穩(wěn)定趨近有限值,與之對(duì)應(yīng)的xi就稱之為相關(guān)向量(Relevance Vectors, RVs),而整個(gè)實(shí)用的計(jì)算模型稱為相關(guān)向量機(jī)。

    在解決多分類問(wèn)題時(shí),可采用多個(gè)二分類器組合來(lái)實(shí)現(xiàn)多分類器的構(gòu)造。常見(jiàn)方法有[19]:一對(duì)一法、一對(duì)多法、決策導(dǎo)向無(wú)環(huán)圖法以及決策二叉樹(shù)法等。其中一對(duì)一法(One against one,OAO)是指在K類訓(xùn)練樣本中構(gòu)造出所有可能的二分類器,每個(gè)分類器僅在所有分類中的兩類訓(xùn)練樣本中進(jìn)行訓(xùn)練,最終共構(gòu)建K(K-1)/2個(gè)分類器,其中概率最大的那個(gè)類別被判定為最終分類。因?yàn)橐粚?duì)一法中構(gòu)造的二分類器既簡(jiǎn)單,同時(shí)計(jì)算量也小,所以本文采用OAO方式事先多分類。

    4.2DSmT證據(jù)理論

    DSmT定義了廣義的識(shí)別框架Θ以及超冪集的概念,其和DST最大的差別就是其將沖突信息加入框架體系內(nèi),而DST的框架內(nèi)只涵蓋了確定與不確定信息,卻無(wú)法處理沖突信息。

    定義1:廣義識(shí)別框架。

    令Θ={θ1,θ2,θ3,…,θn}由n個(gè)完備的元素組成的一個(gè)非空有限集合,稱Θ為廣義識(shí)別框架。

    定義2:超冪集。

    定義超冪集DΘ為由廣義識(shí)別框架內(nèi)的元素經(jīng)過(guò)∪和∩運(yùn)算后產(chǎn)生的所有組合命題集合。

    定義3:廣義基本置信分配函數(shù)。

    若有廣義識(shí)別框架Θ,且存在一組映射m(·):DΘ→[0,1],同時(shí)滿足下列條件:

    1)m(φ)=0,φ為空集;

    3)0≤m(A)≤1,A∈DΘ。

    則稱m(A)為元素A的廣義基本置信分配函數(shù)。目前關(guān)于置信的組合規(guī)則主要有經(jīng)典組合規(guī)則和比例沖突再分配規(guī)則(proportional conflict redistribution rules, PCR)。

    若mi(·)表示由多個(gè)獨(dú)立且等可靠的信息源得到的廣義基本置信分配函數(shù),則有針對(duì)多信息源經(jīng)典的組合規(guī)則(DSmC)如下:

    (22)

    由上式可知,當(dāng)Θ的勢(shì)增加時(shí),DΘ中的元素也急劇增長(zhǎng),這將耗費(fèi)大量的存儲(chǔ)空間,也加大了經(jīng)典DSmT組合規(guī)則的計(jì)算量。

    PCR規(guī)則是在DSmT基礎(chǔ)上提出的證據(jù)組合規(guī)則。它是將沖突置信按一定比例加至組合置信上,以便更充分地利用證據(jù)。至今已從PCR1發(fā)展至PCR6規(guī)則。其中,PCR1、PCR2規(guī)則針對(duì)全局沖突置信實(shí)行再分配,PCR3-6規(guī)則主要針對(duì)局部的沖突實(shí)行再分配。從PCR1至PCR6,規(guī)則的復(fù)雜度以及對(duì)沖突實(shí)行再分配的精準(zhǔn)度都在不斷提升。此外,除PCR1規(guī)則,其余規(guī)則都保證合成結(jié)果中空置信的影響中立。PCR6為當(dāng)前最為有效的規(guī)則,其不但能獲得理想的合成結(jié)果,同時(shí)在計(jì)算量方面也具有優(yōu)勢(shì)。PCR6規(guī)則定義為:

    (23)

    4.3多特征RVM-DSmT融合決策規(guī)則

    假設(shè)k種狀態(tài)類型A1,A2,…,Ak,被n種特征提取方法獲取特征向量經(jīng)由RVM分類決策融合識(shí)別的識(shí)別框架為

    (24)

    各種單信息源的RVM識(shí)別算法給各命題的置信分配函數(shù)可寫(xiě)成:

    (25)

    式中,qi為第i種特征RVM分類的正確率,其值的確定可采用統(tǒng)計(jì)方法,對(duì)于單信息源RVM分類而言,可選擇訓(xùn)練集樣本的識(shí)別率作為該特征的RVM分類識(shí)別正確率;pij為第i種特征RVM分類判定樣本為第j中狀態(tài)類型識(shí)別的置信度,j=1,2,…,k,其值為RVM分類輸出概率值。

    對(duì)于框架Θ中的任意狀態(tài)類型Aj,多特征的RVM分類判定結(jié)果的DSmT決策規(guī)則采用PCR6規(guī)則。

    5 應(yīng)用實(shí)例

    本文以某航空機(jī)電設(shè)備為研究對(duì)象。根據(jù)該型設(shè)備的特性,該設(shè)備的電壓與電流信號(hào)能較好地反映設(shè)備的性能狀態(tài),因此,對(duì)其不同狀態(tài)下的電壓與電流信號(hào)進(jìn)行采集。采樣頻率為6.4 kHz,每種狀態(tài)分別連續(xù)采集24 s,得到正常、退化與故障三組樣本集,各按順序每組數(shù)據(jù)分割成150個(gè)數(shù)據(jù)段,每段時(shí)長(zhǎng)0.16 s,每段1 024個(gè)采樣點(diǎn)。本應(yīng)用實(shí)例數(shù)據(jù)分析所用的運(yùn)行平臺(tái)為Matlab2012b,運(yùn)行環(huán)境為Windows 7。

    5.1狀態(tài)特征提取

    某航空機(jī)電設(shè)備在正常狀態(tài)時(shí)的電壓信號(hào)波形圖如圖3所示。

    圖3 正常狀態(tài)電壓波形圖

    采用時(shí)域分析法中各種指標(biāo)計(jì)算公式對(duì)信號(hào)采集得到的數(shù)據(jù)進(jìn)行計(jì)算,可以得到以下指標(biāo)值:Zrms=2.706 6,pp=1.864 9,If=1.369 8,Cf=1.368 2,Sf=1.001 1,CLf=1.370 6,Kv=1.009 6

    圖4 小波包變換后各頻帶內(nèi)重構(gòu)信號(hào)圖

    圖4是采集得到的設(shè)備正常狀態(tài)信號(hào),采用db6小波包進(jìn)行3層分解的方法,分解得到的一個(gè)時(shí)間段內(nèi)每個(gè)頻帶中MATLAB仿真的信號(hào)重構(gòu)圖,并計(jì)算其各頻帶中的能量歸一化值分別為T(mén)3,0=0.144 3,T3,1=0.105 8,T3,2=0.125 4,T3,3=0.123 9,T3,4=0.137 5,T3,5=0.130 4,T3,6=0.117 1,T3,7=0.115 3。其中小波分解得到的各頻帶能量圖如圖5所示。

    圖5 正常狀態(tài)小波分解能量

    5.2基于RVM狀態(tài)識(shí)別

    為了驗(yàn)證本文采用的RVM在單信息源狀態(tài)識(shí)別方面的優(yōu)越性,將RVM與SVM識(shí)別效果進(jìn)行比較。本節(jié)采用電壓正常和故障兩組樣本,經(jīng)小波包變換后獲得新的8維頻帶能量向量樣本序列。其中每組樣本中訓(xùn)練樣本100個(gè),測(cè)試樣本50個(gè)。

    RVM模型中,核函數(shù)采用最常用的高斯徑向基(RBF)核函數(shù),核函數(shù)參數(shù)σ在[0.01,5]范圍內(nèi)通過(guò)交叉驗(yàn)證優(yōu)化選擇,可得,當(dāng)σ=3.75時(shí),RVM模型識(shí)別精度最高。同理,SVM模型中,將C和σ在[1,10]范圍內(nèi)間隔變化計(jì)算分類精度,得到當(dāng)C=100,σ=6.5時(shí),正確分類率最大,故選擇該參數(shù)為SVM最佳識(shí)別參數(shù)。

    表1 RVM和SVM識(shí)別效果比較

    比較RVM與SVM識(shí)別效果,樣本集分別訓(xùn)練5次取均值。從表1可以看出,以訓(xùn)練集/測(cè)試集樣本數(shù)100/100為例,RVM識(shí)別的準(zhǔn)確率為92.43%,明顯優(yōu)于SVM識(shí)別的準(zhǔn)確率89.27%,RVM平均相關(guān)向量的數(shù)量為3.2,遠(yuǎn)低于SVM平均支持向量數(shù)45.6,RVM識(shí)別時(shí)間為0.017 9 s,SVM識(shí)別時(shí)間0.162 8 s。當(dāng)訓(xùn)練樣本數(shù)量依次增加為120、140、160、180和200,測(cè)試樣本保持不變,兩種識(shí)別算法得到識(shí)別的準(zhǔn)確率也在相應(yīng)提升,同時(shí)RVM識(shí)別準(zhǔn)確率仍能略高于SVM。當(dāng)訓(xùn)練/測(cè)試樣本的數(shù)量為200/100時(shí),RVM識(shí)別的準(zhǔn)確率為97.25%,優(yōu)于SVM的識(shí)別準(zhǔn)確率95.43%,RVM平均相關(guān)向量的數(shù)量為12.2,遠(yuǎn)低于SVM平均支持向量數(shù)104.4,SVM識(shí)別時(shí)間增至3.765 8 s,RVM仍保持較低識(shí)別時(shí)間0.116 3 s。

    可見(jiàn)對(duì)于不同的測(cè)試和訓(xùn)練集,識(shí)別時(shí)間明顯小于SVM,識(shí)別準(zhǔn)確率均高于SVM算法。同時(shí)針對(duì)于小數(shù)據(jù)集的測(cè)試樣本,RVM較 SVM其泛化能力更優(yōu)。此外,RVM算法的解稀疏性更好,從而致使相關(guān)向量數(shù)量遠(yuǎn)低于SVM支持向量的數(shù)

    表2 某型航空機(jī)電設(shè)備退化狀態(tài)早期識(shí)別算例

    量,且模型的結(jié)構(gòu)更加簡(jiǎn)化。由于SVM的學(xué)習(xí)機(jī)是通過(guò)結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原則建立的,故只能進(jìn)行歸屬的接受或者拒絕這樣簡(jiǎn)單的判別,從而導(dǎo)致訓(xùn)練時(shí)可能會(huì)造成多個(gè)支持向量出現(xiàn)在界限之外,使訓(xùn)練具有較大誤差。RVM模型則利用貝葉斯定理輸出后驗(yàn)概率,因此即能為檢測(cè)結(jié)果是否屬于該類進(jìn)行量化評(píng)價(jià),又可以為裝備退化狀態(tài)早期識(shí)別系統(tǒng)提供更直接的融合決策信息。

    5.3基于DSmT的融合決策狀態(tài)識(shí)別

    以該航空機(jī)電設(shè)備的電壓與電流號(hào)作為進(jìn)行融合的信號(hào)源,對(duì)其進(jìn)行信號(hào)采集并采取一些初步預(yù)處理之后,進(jìn)行時(shí)域與時(shí)頻域的特征提取,獲得的時(shí)域特征向量Tv和時(shí)頻域特征向量T3。隨后將特征向量輸入到訓(xùn)練好的RVM模型中,RVM的輸出經(jīng)式(25)處理后,得到3種狀態(tài)模式(正常A1,退化A2,故障A3)的基本置信度。最后運(yùn)用PCR6融合規(guī)則進(jìn)行最終的融合識(shí)別。表2列出了某航空機(jī)電設(shè)備的退化狀態(tài)早期識(shí)別應(yīng)用實(shí)例,為了體現(xiàn)本文提出算法的優(yōu)越性,還同DST融合算法進(jìn)行比較。

    表2可以看出,由于設(shè)備剛進(jìn)入性能退化階段,狀態(tài)信息比較微弱,從而致使只有電流傳感器檢測(cè)到較為明顯的退化狀態(tài),電壓傳感器卻檢測(cè)到的退化狀態(tài)和正常狀態(tài)難以區(qū)分,存在信息源間信息高度沖突,這符合裝備退化狀態(tài)早期所具有的特征。在算例中,電流時(shí)頻域輸出得到的置信度值與電壓時(shí)域完全沖突,信息間的沖突因子是1,DST融合算法無(wú)法處理此類情況;DSmT的PCR6規(guī)則則可較好處理沖突信息,最終結(jié)果顯示設(shè)備狀態(tài)超過(guò)預(yù)定退化閾值,證明已正確檢測(cè)了早期退化狀態(tài)。

    6 結(jié)束語(yǔ)

    預(yù)知維修目的是降低維修的費(fèi)用、并將災(zāi)難性故障風(fēng)險(xiǎn)降到最低,最終使裝備發(fā)揮出其最大效能,同時(shí)減少備件(備品)的庫(kù)存數(shù)量。預(yù)知維修能實(shí)現(xiàn)僅僅在需要的時(shí)候才對(duì)裝備進(jìn)行維修,從而防止裝備在工作過(guò)程中出現(xiàn)故障,從本質(zhì)上替換不適合裝備的昂貴的定期維修工作,最大可能地減少裝備故障的發(fā)生。

    預(yù)知維修的前提是裝備發(fā)生功能故障前存在退化發(fā)生點(diǎn),退化狀態(tài)的早期識(shí)別直接影響裝備退化程度的預(yù)知,進(jìn)而影響其后的維修決策。本文針對(duì)復(fù)雜裝備早期性能退化狀態(tài)的特征,提出了基于RVM和DSmT的識(shí)別算法,有效地解決了多信息源高沖突條件下的退化狀態(tài)早期識(shí)別的問(wèn)題,從而可以及時(shí)制定維修策略,減少與避免事故的發(fā)生提供了技術(shù)條件。論文的下一步將對(duì)復(fù)雜裝備預(yù)知維修的另一關(guān)鍵技術(shù)——健康狀態(tài)預(yù)測(cè)進(jìn)行研究。

    [1]曾聲奎,Michael G. Pecht,吳際. 故障預(yù)測(cè)與健康管理(PHM)技術(shù)的現(xiàn)狀與發(fā)展[J]. 航空學(xué)報(bào). 2005, 26(5): 626-630.

    [2] 王英. 設(shè)備狀態(tài)維修系統(tǒng)結(jié)構(gòu)與決策模型研究[D]. 哈爾濱:哈爾濱工業(yè)大學(xué),2007.

    [3] 楊景輝,康建設(shè). 機(jī)械設(shè)備故障規(guī)律與維修策略研究[J]. 科學(xué)技術(shù)與工程,2011, 7(16): 4143-4146.

    [4] 楊洲,景博,張劼,等. 自動(dòng)駕駛儀PHM系統(tǒng)健康評(píng)估方法研究[J]. 儀器儀表學(xué)報(bào),2012, 33(8): 1765-1772.

    [5] 馮靜,周經(jīng)倫. 基于退化失效數(shù)據(jù)的環(huán)境因子問(wèn)題研究[J]. 航空動(dòng)力學(xué)報(bào),2010, 25(7): 1622-1627.

    [6] 楊昌昊,胡小建,竺長(zhǎng)安. 從故障樹(shù)到故障貝葉斯網(wǎng)映射的故障診斷方法[J]. 儀器儀表學(xué)報(bào),2009, 30(7): 1481-1486.

    [7] 楊正友,彭濤,李健寶,等. 基于貝葉斯推斷LSSVM的滾動(dòng)軸承故障診斷[J]. 電子測(cè)量與儀器學(xué)報(bào),2010, 24(5): 420-424.

    [8] 代京,張平,李行善,等. 綜合運(yùn)載器健康管理健康評(píng)估技術(shù)研究[J]. 宇航學(xué)報(bào),2009, 30(4): 1704-1714.

    [9] 李中. 基于人工免疫系統(tǒng)的電力變壓器故障診斷技術(shù)研究[D]. 北京:華北電力大學(xué),2010.

    [10] Jardine A, Lin D, Banjevic D. A review on machinery prognostic diagnostics and implementing condition-based maintenance[J] . Mechanical Systems and Signal Processing, 2005, 20(1):1483-1510.

    [11] 范庚,馬登武,鄧力,等. 基于灰色相關(guān)向量機(jī)的故障預(yù)測(cè)模型[J]. 系統(tǒng)工程與電子技術(shù),2012, 34(2): 424-428.

    [12] 黃大榮,黃麗芬. 灰色系統(tǒng)理論在故障預(yù)測(cè)中的應(yīng)用現(xiàn)狀及其發(fā)展趨勢(shì)[J].火炮發(fā)射與控制學(xué)報(bào),2009, 1(3 ): 88-92.

    [13] Wang W Q, Uolnaraghi M F, Ismail F. Prognosis of machine health condition using neuro-fuzzy systems[J]. Mechanical Systems and Signal Processing, 2004, 18(4): 813-831.

    [14] 段青. 基于稀疏貝葉斯學(xué)習(xí)方法的回歸與分類在電力系統(tǒng)中的預(yù)測(cè)研究[D]. 濟(jì)南:山東大學(xué),2010.

    [15] Deh W. Time series prediction for machining errors using support vector regression[A].Proc. of the 1st International Conference on Intelligent Networks and Intelligent Systems[C].2008: 27-30.

    [16] 楊穎濤,王躍鋼,鄧衛(wèi)強(qiáng),等. 稀疏貝葉斯相關(guān)向量機(jī)的模擬電路故障診斷[J]. 計(jì)算機(jī)工程,2011, 37(18): 7-9.

    [17] 沈默,廖瑛,尹大偉. RVM在航空發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用研究[J]. 計(jì)算機(jī)工程與設(shè)計(jì),2012, 37(18): 220-223.

    [18] 高保祿. 大型復(fù)雜機(jī)電設(shè)備分布式故障診斷方法研究[J]. 太原:太原理工大學(xué),2010.

    Research on State Recognition Algorithm of Complicated Equipment with Early Performance Degradation

    Deng Li1, Xu Tingxue1, Xiao Chuwan2

    (1.Department of Ordnance Science and Technology, Naval Aeronautical and Astronautical University, Yantai264001,China; 2.Department of Modified Training Battalion, Naval Aeronautical and Astronautical University,Yantai264001, China)

    Aiming at the situation in which state recognition of complicated equipment with early performance degradation is hard to realize, a new fusion decision-making method based on multiple features extraction is presented, which compounds with RVM and DSmT. Firstly,a method, based on time domain analysis and wavelet packet decomposition, is used to extract the signal's feature separately; secondly, basic belief assignment function is constructed based on the output of the RVM model; lastly, PCR6 combination rule of DSmT is used to combine the different conflicting evidences and make the final decision. The application in a certain aerial electromechanical device suggests the approach is available to solve the problem of high-conflict information fusion when early vibration fault happens,and the recognition results are effective and reliable.

    complicated equipment; performance degradation; state recognition; relevance vector machine; Dezert-Smarandache theory

    2015-06-26;

    2015-09-07。

    總裝預(yù)研基金項(xiàng)目資助(9140A27020212JB 14311)。

    鄧力(1985-),男,江西萍鄉(xiāng)人,博士,講師,主要從事武器裝備綜合保障理論與技術(shù)方向的研究。

    徐廷學(xué)(1962-),男,河南駐馬店人,教授,博導(dǎo)。

    1671-4598(2016)01-0137-06

    10.16526/j.cnki.11-4762/tp.2016.01.038

    TJ07

    A

    猜你喜歡
    信息源波包向量
    突發(fā)公共事件背景下信息源選擇多樣性研究:概念內(nèi)涵與測(cè)度方法*
    向量的分解
    睡眠者效應(yīng)
    睡眠者效應(yīng)
    聚焦“向量與三角”創(chuàng)新題
    新媒體時(shí)代,記者如何正確使用信息源
    活力(2019年19期)2020-01-06 07:35:02
    基于小波包Tsallis熵和RVM的模擬電路故障診斷
    向量垂直在解析幾何中的應(yīng)用
    基于小波包變換的電力系統(tǒng)諧波分析
    向量五種“變身” 玩轉(zhuǎn)圓錐曲線
    国产成人精品久久二区二区免费| 极品人妻少妇av视频| 无遮挡黄片免费观看| 在线播放国产精品三级| 久久精品国产亚洲av高清一级| 国产成年人精品一区二区 | 国产一区二区在线av高清观看| 亚洲自拍偷在线| 亚洲中文字幕日韩| 一级毛片精品| 午夜久久久在线观看| 很黄的视频免费| 男人操女人黄网站| 国产三级在线视频| 亚洲午夜理论影院| 成人国语在线视频| 成年人黄色毛片网站| 亚洲人成77777在线视频| 亚洲少妇的诱惑av| av电影中文网址| 伦理电影免费视频| 夜夜夜夜夜久久久久| 日韩高清综合在线| 国产色视频综合| 国产精品美女特级片免费视频播放器 | 亚洲中文日韩欧美视频| 一级a爱视频在线免费观看| 日韩成人在线观看一区二区三区| 亚洲男人天堂网一区| 国产亚洲精品久久久久5区| 亚洲欧美激情综合另类| 黄色a级毛片大全视频| 亚洲人成电影免费在线| 国产精品美女特级片免费视频播放器 | 日韩av在线大香蕉| 在线观看日韩欧美| 免费av中文字幕在线| 在线十欧美十亚洲十日本专区| 欧美亚洲日本最大视频资源| 男女下面进入的视频免费午夜 | 午夜福利影视在线免费观看| 婷婷精品国产亚洲av在线| 欧美午夜高清在线| 久久中文字幕人妻熟女| 琪琪午夜伦伦电影理论片6080| 天天添夜夜摸| 成在线人永久免费视频| 男女之事视频高清在线观看| 精品免费久久久久久久清纯| 啦啦啦 在线观看视频| 亚洲,欧美精品.| 精品久久久久久,| 日韩精品免费视频一区二区三区| 波多野结衣av一区二区av| 午夜视频精品福利| 纯流量卡能插随身wifi吗| 国产免费男女视频| 成年版毛片免费区| a级毛片黄视频| 精品卡一卡二卡四卡免费| 国产免费男女视频| 成人精品一区二区免费| 国产精品久久电影中文字幕| 欧美中文日本在线观看视频| 日韩有码中文字幕| 桃红色精品国产亚洲av| 一个人观看的视频www高清免费观看 | 成人影院久久| 精品国产国语对白av| 老熟妇乱子伦视频在线观看| 精品久久久久久,| 一夜夜www| 国产成人一区二区三区免费视频网站| 黄色丝袜av网址大全| 最近最新中文字幕大全电影3 | 看黄色毛片网站| 色综合欧美亚洲国产小说| 免费不卡黄色视频| 性少妇av在线| 校园春色视频在线观看| 亚洲欧美一区二区三区久久| 99久久99久久久精品蜜桃| 国产免费男女视频| 在线观看66精品国产| 欧美国产精品va在线观看不卡| 欧美性长视频在线观看| 久久精品亚洲精品国产色婷小说| 韩国av一区二区三区四区| 妹子高潮喷水视频| 亚洲伊人色综图| 久久亚洲精品不卡| 村上凉子中文字幕在线| 亚洲国产精品sss在线观看 | 日韩免费av在线播放| 777久久人妻少妇嫩草av网站| 亚洲 欧美一区二区三区| 脱女人内裤的视频| 脱女人内裤的视频| 人人澡人人妻人| 黄片播放在线免费| 曰老女人黄片| a级毛片黄视频| 在线观看www视频免费| 日本黄色视频三级网站网址| 99久久人妻综合| 国产在线观看jvid| 最好的美女福利视频网| 亚洲熟女毛片儿| 国产精品亚洲一级av第二区| 亚洲中文日韩欧美视频| 国产成人av教育| 日韩有码中文字幕| 国产精品永久免费网站| 国产视频一区二区在线看| 国产xxxxx性猛交| 叶爱在线成人免费视频播放| 国产熟女午夜一区二区三区| 亚洲av片天天在线观看| 亚洲 国产 在线| 天堂√8在线中文| 国产麻豆69| 看片在线看免费视频| 国产一区二区三区视频了| 在线视频色国产色| 18禁美女被吸乳视频| 啪啪无遮挡十八禁网站| 亚洲av熟女| 亚洲人成电影观看| 无人区码免费观看不卡| 午夜老司机福利片| 青草久久国产| 日日干狠狠操夜夜爽| 久久天躁狠狠躁夜夜2o2o| bbb黄色大片| 精品久久久久久电影网| 久久这里只有精品19| 夜夜夜夜夜久久久久| 亚洲自偷自拍图片 自拍| 99国产极品粉嫩在线观看| 国产午夜精品久久久久久| 久久久久九九精品影院| 真人做人爱边吃奶动态| ponron亚洲| 色在线成人网| 国产精品爽爽va在线观看网站 | 男女午夜视频在线观看| 精品卡一卡二卡四卡免费| 亚洲av片天天在线观看| 在线观看www视频免费| 宅男免费午夜| 久久精品91无色码中文字幕| 欧美最黄视频在线播放免费 | 午夜福利免费观看在线| 国产精品久久久久久人妻精品电影| 99国产精品一区二区三区| 韩国av一区二区三区四区| 国产精品国产高清国产av| 久久精品亚洲熟妇少妇任你| 欧美精品亚洲一区二区| 国产亚洲精品久久久久久毛片| 国产深夜福利视频在线观看| 纯流量卡能插随身wifi吗| 欧美黑人精品巨大| 成人免费观看视频高清| 亚洲av熟女| 色婷婷av一区二区三区视频| 首页视频小说图片口味搜索| 久久这里只有精品19| 大码成人一级视频| 久久影院123| 丁香六月欧美| 老熟妇仑乱视频hdxx| 精品国产一区二区三区四区第35| 国产亚洲欧美在线一区二区| 日本一区二区免费在线视频| 欧美国产精品va在线观看不卡| 国产在线观看jvid| 免费人成视频x8x8入口观看| 黄色怎么调成土黄色| 天天躁夜夜躁狠狠躁躁| 亚洲人成77777在线视频| 成年人黄色毛片网站| 搡老熟女国产l中国老女人| 国产精品影院久久| 少妇裸体淫交视频免费看高清 | 亚洲国产精品sss在线观看 | 人妻丰满熟妇av一区二区三区| 中文亚洲av片在线观看爽| 欧美日韩亚洲高清精品| 欧美av亚洲av综合av国产av| 国产高清激情床上av| 欧美日本中文国产一区发布| 无人区码免费观看不卡| 极品人妻少妇av视频| 黄色怎么调成土黄色| 亚洲人成网站在线播放欧美日韩| 美女高潮喷水抽搐中文字幕| 在线看a的网站| 丝袜美足系列| 多毛熟女@视频| 欧美日韩福利视频一区二区| 国产av精品麻豆| 欧美成人性av电影在线观看| 99国产精品一区二区蜜桃av| 18禁美女被吸乳视频| 国产亚洲欧美在线一区二区| 国产亚洲精品久久久久5区| 可以免费在线观看a视频的电影网站| 欧美乱色亚洲激情| 一区福利在线观看| 精品熟女少妇八av免费久了| netflix在线观看网站| 午夜免费成人在线视频| 99国产综合亚洲精品| 最新美女视频免费是黄的| 动漫黄色视频在线观看| 国产精品九九99| 国产激情久久老熟女| 欧美乱码精品一区二区三区| 美女国产高潮福利片在线看| 1024香蕉在线观看| 男人操女人黄网站| xxxhd国产人妻xxx| 久久精品aⅴ一区二区三区四区| 亚洲五月婷婷丁香| 亚洲 欧美一区二区三区| 国产欧美日韩一区二区三区在线| 黄色 视频免费看| 久久精品91蜜桃| 亚洲人成网站在线播放欧美日韩| 精品久久久精品久久久| 超碰成人久久| 一边摸一边抽搐一进一出视频| 亚洲情色 制服丝袜| 久热爱精品视频在线9| 淫秽高清视频在线观看| 成熟少妇高潮喷水视频| 在线观看www视频免费| 日韩视频一区二区在线观看| 欧美成狂野欧美在线观看| 亚洲一区高清亚洲精品| 中出人妻视频一区二区| 亚洲午夜理论影院| 午夜影院日韩av| 天堂中文最新版在线下载| 熟女少妇亚洲综合色aaa.| 国产精品二区激情视频| 男女下面进入的视频免费午夜 | a在线观看视频网站| 久久影院123| 涩涩av久久男人的天堂| 欧美日韩中文字幕国产精品一区二区三区 | 露出奶头的视频| 欧美老熟妇乱子伦牲交| 亚洲成av片中文字幕在线观看| 长腿黑丝高跟| 免费高清在线观看日韩| 日本一区二区免费在线视频| 日韩国内少妇激情av| 在线永久观看黄色视频| 视频区图区小说| 99国产精品一区二区三区| 免费av毛片视频| 青草久久国产| 亚洲色图av天堂| 午夜福利,免费看| 国产成人av教育| 日本黄色视频三级网站网址| 黄色视频,在线免费观看| 国产av一区在线观看免费| 精品福利永久在线观看| 夜夜躁狠狠躁天天躁| 老熟妇仑乱视频hdxx| 日韩高清综合在线| netflix在线观看网站| 在线观看一区二区三区| e午夜精品久久久久久久| 亚洲av五月六月丁香网| 日韩欧美一区视频在线观看| 色综合站精品国产| videosex国产| 午夜福利在线免费观看网站| 亚洲精品中文字幕一二三四区| a在线观看视频网站| 一级作爱视频免费观看| 亚洲精品国产色婷婷电影| 黄色 视频免费看| 日日干狠狠操夜夜爽| 黄片播放在线免费| 久久久国产欧美日韩av| 亚洲黑人精品在线| 免费日韩欧美在线观看| 久久精品影院6| 99久久精品国产亚洲精品| 老司机靠b影院| 黄频高清免费视频| 国产精品一区二区免费欧美| 久久精品国产清高在天天线| 亚洲人成伊人成综合网2020| 亚洲欧美精品综合一区二区三区| 久久久久久久精品吃奶| 国产成人av激情在线播放| 波多野结衣av一区二区av| 久久青草综合色| 91老司机精品| 国产不卡一卡二| 久久这里只有精品19| 欧美亚洲日本最大视频资源| 男人的好看免费观看在线视频 | 黄网站色视频无遮挡免费观看| 热re99久久精品国产66热6| 亚洲国产毛片av蜜桃av| 国产精品日韩av在线免费观看 | 国产91精品成人一区二区三区| 久久中文看片网| 国产精品成人在线| 亚洲va日本ⅴa欧美va伊人久久| 99精品欧美一区二区三区四区| 首页视频小说图片口味搜索| 欧美日韩亚洲高清精品| 久久人妻熟女aⅴ| 黑人操中国人逼视频| 久久精品国产亚洲av香蕉五月| 69精品国产乱码久久久| 国产无遮挡羞羞视频在线观看| 国产亚洲精品久久久久5区| xxx96com| 久久天堂一区二区三区四区| 久久久国产成人精品二区 | 成在线人永久免费视频| 免费av中文字幕在线| 岛国视频午夜一区免费看| 久久久国产成人精品二区 | 中文欧美无线码| 麻豆成人av在线观看| 91成年电影在线观看| 夜夜躁狠狠躁天天躁| 日韩精品免费视频一区二区三区| 久9热在线精品视频| 国产亚洲精品一区二区www| 侵犯人妻中文字幕一二三四区| 欧美日韩黄片免| av欧美777| 亚洲性夜色夜夜综合| 十八禁人妻一区二区| 亚洲欧美精品综合久久99| 美女福利国产在线| 欧美日韩亚洲高清精品| 十八禁网站免费在线| 法律面前人人平等表现在哪些方面| 在线观看一区二区三区激情| 99在线视频只有这里精品首页| 亚洲精品在线美女| 又大又爽又粗| 日韩免费高清中文字幕av| 国产一区二区三区在线臀色熟女 | 少妇 在线观看| 久久久久久久精品吃奶| 咕卡用的链子| 国产精品九九99| 国产1区2区3区精品| 亚洲激情在线av| 久久草成人影院| 亚洲国产精品sss在线观看 | 久久午夜亚洲精品久久| 精品国产超薄肉色丝袜足j| 在线看a的网站| 日日摸夜夜添夜夜添小说| 啦啦啦 在线观看视频| 亚洲男人的天堂狠狠| 久久久久久免费高清国产稀缺| 亚洲精品一二三| 在线观看免费午夜福利视频| 美女扒开内裤让男人捅视频| 午夜成年电影在线免费观看| 9色porny在线观看| www.精华液| svipshipincom国产片| 婷婷丁香在线五月| 免费av中文字幕在线| 中文字幕最新亚洲高清| 国产亚洲欧美精品永久| 午夜成年电影在线免费观看| 国产av一区在线观看免费| 看片在线看免费视频| 亚洲美女黄片视频| 国产免费现黄频在线看| 日韩欧美在线二视频| 日韩中文字幕欧美一区二区| 中文字幕另类日韩欧美亚洲嫩草| 欧洲精品卡2卡3卡4卡5卡区| 欧美日韩黄片免| 久久久久九九精品影院| 精品国产乱子伦一区二区三区| 久久久久久人人人人人| 亚洲狠狠婷婷综合久久图片| 亚洲欧洲精品一区二区精品久久久| 妹子高潮喷水视频| 91av网站免费观看| 黄色怎么调成土黄色| 一边摸一边抽搐一进一出视频| 精品国产一区二区三区四区第35| 国产免费现黄频在线看| 成年人黄色毛片网站| 亚洲成a人片在线一区二区| 久久久久久久久免费视频了| 精品一区二区三区视频在线观看免费 | 大香蕉久久成人网| 人妻丰满熟妇av一区二区三区| 亚洲熟女毛片儿| 十八禁网站免费在线| 国产极品粉嫩免费观看在线| 精品卡一卡二卡四卡免费| 成人亚洲精品一区在线观看| 高清欧美精品videossex| 午夜亚洲福利在线播放| 欧美精品亚洲一区二区| 久久九九热精品免费| 老汉色∧v一级毛片| 精品熟女少妇八av免费久了| 男女午夜视频在线观看| 欧美另类亚洲清纯唯美| 欧美老熟妇乱子伦牲交| 日日摸夜夜添夜夜添小说| 国产一区二区三区在线臀色熟女 | 国产极品粉嫩免费观看在线| 午夜影院日韩av| 精品日产1卡2卡| av视频免费观看在线观看| 免费不卡黄色视频| 亚洲美女黄片视频| 亚洲人成电影观看| 黄色毛片三级朝国网站| 亚洲熟女毛片儿| 岛国视频午夜一区免费看| 女警被强在线播放| 一级毛片高清免费大全| 亚洲av成人不卡在线观看播放网| 97超级碰碰碰精品色视频在线观看| 在线国产一区二区在线| 男女床上黄色一级片免费看| 嫩草影院精品99| 亚洲男人的天堂狠狠| 亚洲av片天天在线观看| 亚洲精品一二三| 精品熟女少妇八av免费久了| 看黄色毛片网站| 91麻豆精品激情在线观看国产 | 国产麻豆69| 好看av亚洲va欧美ⅴa在| 国产91精品成人一区二区三区| 日韩有码中文字幕| 国产乱人伦免费视频| 久久中文看片网| 欧美人与性动交α欧美精品济南到| 国产伦一二天堂av在线观看| 搡老岳熟女国产| 久久久久国内视频| 久久久久久久久免费视频了| 精品电影一区二区在线| 男人的好看免费观看在线视频 | 美女扒开内裤让男人捅视频| 嫁个100分男人电影在线观看| 99精品久久久久人妻精品| xxxhd国产人妻xxx| 神马国产精品三级电影在线观看 | 天天躁夜夜躁狠狠躁躁| 天堂√8在线中文| 人人妻人人澡人人看| 亚洲欧美一区二区三区久久| 国产欧美日韩一区二区三区在线| 亚洲精品美女久久av网站| 18禁黄网站禁片午夜丰满| 欧美人与性动交α欧美软件| 亚洲国产毛片av蜜桃av| 十八禁人妻一区二区| 91老司机精品| 国产精品综合久久久久久久免费 | 欧美中文综合在线视频| 欧美乱码精品一区二区三区| 久久精品aⅴ一区二区三区四区| 十八禁人妻一区二区| 一级毛片精品| 天天躁狠狠躁夜夜躁狠狠躁| a级毛片在线看网站| 中文字幕av电影在线播放| 村上凉子中文字幕在线| 中国美女看黄片| 欧美 亚洲 国产 日韩一| 五月开心婷婷网| 高清av免费在线| 深夜精品福利| 免费观看精品视频网站| www.999成人在线观看| 韩国av一区二区三区四区| av在线天堂中文字幕 | 久久久久久人人人人人| 首页视频小说图片口味搜索| 亚洲国产精品sss在线观看 | 咕卡用的链子| 99精品欧美一区二区三区四区| 桃色一区二区三区在线观看| 国产亚洲精品综合一区在线观看 | 视频在线观看一区二区三区| 人人澡人人妻人| 免费看a级黄色片| 男女下面插进去视频免费观看| 黄色怎么调成土黄色| 欧美在线黄色| 精品熟女少妇八av免费久了| 老熟妇乱子伦视频在线观看| 女性生殖器流出的白浆| 黑人猛操日本美女一级片| 变态另类成人亚洲欧美熟女 | 国产一区二区激情短视频| 欧美黄色淫秽网站| 久久婷婷成人综合色麻豆| 久久亚洲真实| 黄色怎么调成土黄色| 久久人人精品亚洲av| 亚洲av熟女| 手机成人av网站| 午夜福利免费观看在线| 国产精品 欧美亚洲| 波多野结衣av一区二区av| 一级作爱视频免费观看| 在线观看免费视频日本深夜| 免费女性裸体啪啪无遮挡网站| 欧美大码av| 韩国精品一区二区三区| 啪啪无遮挡十八禁网站| 97人妻天天添夜夜摸| 黑丝袜美女国产一区| 9色porny在线观看| 在线观看一区二区三区激情| 中文字幕人妻熟女乱码| 国产精品1区2区在线观看.| 久久久国产精品麻豆| 国产片内射在线| 久久久久亚洲av毛片大全| 18禁美女被吸乳视频| 午夜成年电影在线免费观看| 夜夜看夜夜爽夜夜摸 | 日本欧美视频一区| 精品日产1卡2卡| 每晚都被弄得嗷嗷叫到高潮| 国产成人精品久久二区二区91| 亚洲国产中文字幕在线视频| 亚洲精品在线美女| 成年人免费黄色播放视频| 黄色片一级片一级黄色片| 好看av亚洲va欧美ⅴa在| 欧美在线黄色| 国产色视频综合| 亚洲欧美一区二区三区久久| 巨乳人妻的诱惑在线观看| 免费人成视频x8x8入口观看| 欧美日韩国产mv在线观看视频| 搡老岳熟女国产| www.www免费av| 亚洲色图综合在线观看| 99久久人妻综合| 淫秽高清视频在线观看| 伦理电影免费视频| 97碰自拍视频| 99在线视频只有这里精品首页| 精品少妇一区二区三区视频日本电影| 久久久水蜜桃国产精品网| 国产成人av激情在线播放| 午夜免费观看网址| 国产亚洲欧美98| 精品一区二区三区视频在线观看免费 | 久久久国产成人精品二区 | 国产男靠女视频免费网站| 欧美人与性动交α欧美精品济南到| 亚洲专区国产一区二区| 狠狠狠狠99中文字幕| 国产熟女xx| 日韩视频一区二区在线观看| 窝窝影院91人妻| 日本精品一区二区三区蜜桃| 伦理电影免费视频| 亚洲精品久久成人aⅴ小说| 老司机午夜福利在线观看视频| 99久久人妻综合| 国产极品粉嫩免费观看在线| 欧美日本亚洲视频在线播放| 婷婷丁香在线五月| 国产一区二区三区综合在线观看| 人人澡人人妻人| 男女下面插进去视频免费观看| 日韩精品青青久久久久久| 免费av中文字幕在线| 亚洲熟妇中文字幕五十中出 | 欧美午夜高清在线| 人人妻人人添人人爽欧美一区卜| 极品教师在线免费播放| 老汉色∧v一级毛片| 多毛熟女@视频| 国内毛片毛片毛片毛片毛片| 身体一侧抽搐| 夫妻午夜视频| 大陆偷拍与自拍| 欧美亚洲日本最大视频资源| 久久伊人香网站| 国产亚洲精品久久久久5区| 午夜精品国产一区二区电影| 亚洲精品国产色婷婷电影| 亚洲精品中文字幕一二三四区| 好男人电影高清在线观看| 亚洲情色 制服丝袜| 久久久久久久久久久久大奶| 免费看a级黄色片| 窝窝影院91人妻| 嫁个100分男人电影在线观看|