• <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EEMD和優(yōu)化SVM的水電機(jī)組振動(dòng)故障診斷

    2016-12-02 06:03:20秦正飛
    水電與抽水蓄能 2016年1期
    關(guān)鍵詞:故障診斷機(jī)組能量

    秦正飛,王 煜,高 磊,汪 健

    (昆明理工大學(xué),云南省昆明市 650092)

    基于EEMD和優(yōu)化SVM的水電機(jī)組振動(dòng)故障診斷

    秦正飛,王 煜,高 磊,汪 健

    (昆明理工大學(xué),云南省昆明市 650092)

    針對(duì)水電機(jī)組故障具有漸變性等特征,提出了一種基于總體平均經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)和優(yōu)化支持向量機(jī)(SVM)相結(jié)合的水電機(jī)組故障智能診斷方法。利用EEMD能對(duì)機(jī)組振動(dòng)信號(hào)進(jìn)行自適應(yīng)分解成若干本征模式分量(IMF),并能有效抑制經(jīng)典經(jīng)驗(yàn)?zāi)J椒纸猓‥MD)的端點(diǎn)效應(yīng)以及模式混疊現(xiàn)象。從IMF分量中提取出來(lái)的能量特征作為輸入建立優(yōu)化SVM,以此來(lái)判斷機(jī)組的故障狀態(tài)。通過(guò)實(shí)例分析表明:建立的混合智能診斷方法的分類正確率高,能有效診斷機(jī)組存在的故障。

    水電機(jī)組;EEMD;優(yōu)化SVM;故障診斷

    0 引言

    一般對(duì)故障信號(hào)所提取的特征大多是時(shí)頻特征,水電機(jī)組的振動(dòng)信號(hào)本質(zhì)上是非線性和非平穩(wěn)的。小波分析曾在處理該類信號(hào)上有一定優(yōu)勢(shì),但它在應(yīng)用中存在著兩個(gè)不足:首先,小波變換是一種傅里葉變換,能量的泄漏不可避免;其次,它在使用時(shí)針對(duì)不同的問(wèn)題不能自適應(yīng)選取合適的基函數(shù)[1]。美籍華人Norden E. Huang[2]等人于1998年提出一種時(shí)頻分析方法一經(jīng)驗(yàn)?zāi)B(tài)分解方法(empirical mode decornposition, EMD),EMD方法克服了小波變換的不足,能夠?qū)o定信號(hào)基于信號(hào)自身的特點(diǎn)進(jìn)行自適應(yīng)的多分辨率分解。但EMD在端點(diǎn)效應(yīng)[3]上存在不足;另外,EMD可能產(chǎn)生虛假的本質(zhì)模式函數(shù)。為了解決這個(gè)問(wèn)題,Wu[4]等人在EMD分解研究的基礎(chǔ)上,提出了總體平均模態(tài)分解的方法。該方法通過(guò)在待分析信號(hào)中添加有限的白噪聲的方法可以自動(dòng)有效地消除或減弱端點(diǎn)效應(yīng)問(wèn)題。

    另外,針對(duì)SVM的核函數(shù)選擇是影響其性能的一個(gè)重要因素,本文選取 RBF核函數(shù)作為 SVM的分類核函數(shù),其分類性能的影響參數(shù)主要有核參數(shù)和懲罰參數(shù)。為了避免SVM參數(shù)選擇的盲目性,提高SVM的診斷能力,應(yīng)用文獻(xiàn)[7]中耦合人工魚群算法來(lái)優(yōu)化SVM的參數(shù)。

    基于此,本文提出基于EEMD與優(yōu)化SVM相結(jié)合的水電機(jī)組故障診斷方法。從振動(dòng)信號(hào)的IMF分量中提取出來(lái)的能量特征作為支持向量機(jī)的輸入,判斷機(jī)組的工作狀態(tài)和故障類型。

    1 SVM核參數(shù)的優(yōu)化

    1.1 SVM概念

    支持向量機(jī)(Support Vector Machine, SVM)于1995年由V. Vapnik[5]等人提出,是建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)之上的一種機(jī)器學(xué)習(xí)算法,在處理小樣本、非線性、高維模式識(shí)別問(wèn)題中具有良好的泛化能力。SVM是一種非常有效的模式識(shí)別方法,將輸入向量隱性地映射到高維特征空間來(lái)尋找最優(yōu)分類超平面,SVM是以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則進(jìn)行樣本訓(xùn)練。

    1.2 SVM對(duì)樣本的分類

    假定n維訓(xùn)練樣本,下面將對(duì)線性樣本和非線性樣本的分類進(jìn)行簡(jiǎn)單的描述。

    1.2.1 線性可分樣本

    這是一個(gè)凸二次優(yōu)化問(wèn)題,可以通過(guò)它的對(duì)偶問(wèn)題進(jìn)行求解,對(duì)偶問(wèn)題為:

    αi是非負(fù)拉格朗日乘子。

    1.2.2 非線性可分樣本

    定義決策函數(shù)如下,其中S是SVM的集合:

    對(duì)于非線性可分,在線性可分的基礎(chǔ)上需要引入非負(fù)松弛變量:

    最優(yōu)超平面可以從:

    對(duì)于該問(wèn)題的求解可類同樣本線性可分的情況,引入拉格朗變量進(jìn)行求解,其分類可以按照下式進(jìn)行:

    1.3 核參數(shù)的優(yōu)化

    RBF核函數(shù)在處理低維空間數(shù)據(jù)和高維空間數(shù)據(jù)上具有較好的適用性,并且能夠保證較好的收斂域,是SVM核函數(shù)的理想選擇,因此本文選取RBF核函數(shù)作為SVM的分類核函數(shù),并采用文獻(xiàn)[7]中利用耦合人工魚群算法優(yōu)化SVM的核參數(shù)。

    2 EEMD

    EEMD是EMD改進(jìn)的版本,針對(duì)非線性、非穩(wěn)態(tài)信號(hào)的處理是一種更成熟的工具。EEMD的基本思想[6]:依據(jù)所添加白噪聲信號(hào)能夠均勻填充整個(gè)時(shí)頻空間的特性,讓不同頻率尺度的信號(hào)能夠投影到相應(yīng)的頻率尺度上面,該對(duì)應(yīng)頻率是由白噪聲所建立的一個(gè)均勻空間,然后通過(guò)多次重復(fù)取整體平均的方式消除添加的白噪聲成分,來(lái)促使待分解信號(hào)中的本征模態(tài)函數(shù)的自然分離,以去除模態(tài)混疊。

    2.1 EEMD的實(shí)現(xiàn)步驟

    (1)初始化整體重復(fù)的執(zhí)行次數(shù)M。

    (2)給出加性白噪聲的強(qiáng)度參數(shù)ε,并令i=1。

    (3)在原始信號(hào)x(t)上添加白噪聲ni(t)得到新的信號(hào)xi(t),該白噪聲服從[0,(ασ)2]的正態(tài)分布。其中,α為噪聲強(qiáng)度參數(shù),σ=std[x(t)]為信號(hào)的標(biāo)準(zhǔn)差。

    (4)采用EMD分解方法對(duì)新生成的信號(hào)xi(t)進(jìn)行分解得到一系列IMF:

    其中,S是EMD分解所得到的IMF.的個(gè)數(shù),Ci,s(t)是對(duì)第i次添加白噪聲得到的信號(hào)進(jìn)行EMD分解得到的第S個(gè)本征模態(tài),函數(shù)Ri,s(t)是殘余量。

    (5)重復(fù)歩驟(3)、(4)M次,得到IMF集合計(jì)算所有M次添加白噪聲后經(jīng)EMD分解得到的各層IMF分量的平均值,即為最終的IMF,其中s=1,…,S。

    2.2 EEMD能量特征向量

    利用各頻帶的信號(hào)能量占總能量的百分比以及能量熵可以作為反映機(jī)組運(yùn)行狀態(tài)的特征向量。設(shè)振動(dòng)信號(hào)x(t)經(jīng)集合經(jīng)驗(yàn)?zāi)B(tài)分解后得到n個(gè)IMF分量C1(t),C2(t),...,Cn(t)以及殘余量Rn,n個(gè)IMF分量的能量分別為E1,E2,…,En。

    3 EEMD和優(yōu)化SVM融合診斷的流程

    EEMD將機(jī)組提取的振動(dòng)特征信號(hào)進(jìn)行分解,得到IMF能量特征向量,將IMF分量中提取出來(lái)的能量特征作為優(yōu)化SVM的輸入,通過(guò)優(yōu)化SVM進(jìn)行故障診斷,其流程見(jiàn)圖1。

    圖1 EEMD和優(yōu)化SVM融合診斷流程圖

    4 實(shí)例診斷

    對(duì)某混流式機(jī)組,軸系運(yùn)行中轉(zhuǎn)子質(zhì)量不平衡、不對(duì)中和軸線彎曲3種常見(jiàn)的故障進(jìn)行診斷,其對(duì)應(yīng)的編號(hào)為1、2、3。對(duì)采集的3種故障下的振動(dòng)數(shù)據(jù)進(jìn)行2層小波包分解,節(jié)點(diǎn)能量作為特征向量,得到列向量。

    按非線性分類方法進(jìn)行樣本訓(xùn)練,取6個(gè)數(shù)據(jù)樣本作為學(xué)習(xí)樣本,其中包括表1所列的3種故障類型,每種故障取2個(gè)數(shù)據(jù)樣本,數(shù)據(jù)長(zhǎng)度取1024個(gè)數(shù)據(jù)點(diǎn)。再取9個(gè)數(shù)據(jù)樣本作為待分類的試驗(yàn)樣本,其中包括表1所列的3種故障類型,每種故障取3個(gè)數(shù)據(jù)樣本,試驗(yàn)中選取RBF函數(shù)作為SVM的核函數(shù)。

    (1)用標(biāo)準(zhǔn)SVM對(duì)EEMD能量特征分類。

    首先對(duì)每組數(shù)據(jù)樣本進(jìn)行EEMD能量特征提取,得到3種故障狀態(tài)的特征向量如表1所示。采用工具箱提供的交叉檢驗(yàn)和網(wǎng)格搜索方法來(lái)選擇參數(shù)C和σ2。

    (2)用優(yōu)化SVM對(duì)EEMD能量特征分類。

    同理采用優(yōu)化SVM對(duì)機(jī)組故障信號(hào)進(jìn)行分類,利用文獻(xiàn)[7]的方法進(jìn)行,文獻(xiàn)[7]的優(yōu)化數(shù)據(jù)為:SVM的RBF核函數(shù)的參數(shù)g的取值范圍為(0.001,10),自增步長(zhǎng)為0.01。人工魚群算法中參數(shù)設(shè)置情況為:魚群最大進(jìn)化次數(shù)Max_gen為50,人工魚種群規(guī)模 fi sh_num為5,人工魚覓食最大試探次數(shù)Try_num為5,魚群擁擠度因子為0.618,人工魚的移動(dòng)步長(zhǎng)Step_leg為0.1和感知距離Visual為0.5;BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置情況為:輸入層節(jié)點(diǎn)數(shù)Ext_num為2,輸出層節(jié)點(diǎn)數(shù)Exp_num為1,隱層節(jié)點(diǎn)數(shù)Hid_num為5,網(wǎng)絡(luò)訓(xùn)練次數(shù)BP_num為100,網(wǎng)絡(luò)的學(xué)習(xí)率Lr為0.1和網(wǎng)絡(luò)訓(xùn)練誤差為0.00004。最后所得到的模型參數(shù)見(jiàn)表1,分類結(jié)果見(jiàn)表2。

    表1 SVM參數(shù)表

    表2 故障的特征向量以及分類結(jié)果

    5 總結(jié)

    EEMD能有效抑制經(jīng)典EMD的端點(diǎn)效應(yīng)以及模式混疊現(xiàn)象,可根據(jù)機(jī)組故障特征的時(shí)變特性進(jìn)行自適應(yīng)的分解。相比EMD能量特征分類,精度有較大的提高。耦合人工魚群算法具有較好的預(yù)測(cè)效果和較高的準(zhǔn)確率,在SVM參數(shù)尋優(yōu)中是可行和有效的,從而為SVM的參數(shù)優(yōu)化提供一種可行的途徑,將EEMD和優(yōu)化的SVM綜合應(yīng)用在水電機(jī)組軸系的故障診斷中,通過(guò)結(jié)果可以看出,該方法能有效地識(shí)別故障。

    [1]盧娜,肖志懷,符向前.基于蟻群初始化小波網(wǎng)絡(luò)的水電機(jī)組振動(dòng)故障診斷[J].水力發(fā)電學(xué)報(bào),2014,33(2):251-258.

    [2]Huang N E, Shen Z, Long S R,et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, 1998,454:903-995.

    [3]曠歡,王如龍,張錦,等.基于SVM的EMD端點(diǎn)效應(yīng)抑制方法研究[J].計(jì)算機(jī)工程與應(yīng)用,2015,51(11):96-200,227.

    [4]Wu Z, Huang N E. Ensemble empirical mode decomposition:A noise-assisted data analysis method. Advances in Adaptive Data Analysis, 2009,1(1):1-41.

    [5]Vapnik V N.The Nature of Statistical Learning Theory(Fist Edition).NY:Springer Verlag,1995.

    [6]張孝遠(yuǎn).融合支持向量機(jī)的水電機(jī)組混合智能故障診斷研究[D].武漢:華中科技大學(xué).2012.

    [7]高雷阜,趙世杰,高鼎.耦合人工魚群算法在支持向量機(jī)參數(shù)優(yōu)化中的應(yīng)用[J].小型微型計(jì)算機(jī)系統(tǒng),2015,1:172-176.

    秦正飛(1989—),男,碩士研究生,主要研究方向:水力發(fā)電機(jī)組的智能故障診斷研究。E-mail:1136397739@qq.com

    王 煜(1957—),男,副教授,碩導(dǎo),研究方向?yàn)樗C(jī)組暫態(tài)過(guò)程研究。E-mail:kmkdlwy@163.com

    高 磊(1989—),碩士研究生,主要研究方向:水力機(jī)組的自動(dòng)化研究。E-mail:286060705@qq.com

    汪 ?。?991—),碩士研究生,主要研究方向:水力發(fā)電機(jī)組的智能故障診斷研究。E-mail:523669059@qq.com

    Vibration Fault Diagnosis for Hydroelectric Generating Units Using the EEMD and Optimization Support Vector Machine

    QIN Zhengfei,WANG Yu,GAO Lei,WANG Jian
    (Kunming university of science and technology, Kunming 650092, China)

    Due to the fault attributes of Hydroelectric Generating Units are gradual change, a hybrid diagnosis model for Hydroelectric Generating Units diagnosing based on EEMD and SVM was proposed.With the EEMD method,the Hydroelectric Generating Units vibration signals are adaptive decomposed into a finite number of Intrinsic Mode(IMF),which can effectively inhibit the end effect of classic Empirical Mode Decomposition (EMD)and the mode aliasing.The energy character vectors of every IMF component is calculated and the energy features extracted from a number of IMFs that contained the most dominant fault information are served as the input optimization of the support vector machine,then the fault state of the Hydroelectric Generating Units can be determined.An example demonstrates the high correct classification rate of the proposed method.

    Hydroelectric Generating Units; EEMD; Optimization Support Vector Machine; Fault Diagnosis

    猜你喜歡
    故障診斷機(jī)組能量
    660MW亞臨界機(jī)組清潔疏水系統(tǒng)節(jié)能改造
    能量之源
    詩(shī)無(wú)邪傳遞正能量
    因果圖定性分析法及其在故障診斷中的應(yīng)用
    開(kāi)年就要正能量
    都市麗人(2015年2期)2015-03-20 13:32:31
    凝聚辦好家長(zhǎng)學(xué)校的正能量
    基于LCD和排列熵的滾動(dòng)軸承故障診斷
    350MW機(jī)組DEH控制系統(tǒng)的優(yōu)化
    基于WPD-HHT的滾動(dòng)軸承故障診斷
    TNG系列多功能提取濃縮回收機(jī)組
    久久精品亚洲av国产电影网| 欧美人与性动交α欧美精品济南到| 亚洲欧美日韩另类电影网站| 精品一区二区三卡| 午夜视频精品福利| 一级黄色大片毛片| 老司机深夜福利视频在线观看 | 色老头精品视频在线观看| 啪啪无遮挡十八禁网站| 亚洲国产欧美一区二区综合| 精品人妻一区二区三区麻豆| 91老司机精品| 久久香蕉激情| 国产精品秋霞免费鲁丝片| 亚洲免费av在线视频| 久久人人爽av亚洲精品天堂| 国产99久久九九免费精品| cao死你这个sao货| 亚洲一区中文字幕在线| 最黄视频免费看| 99精国产麻豆久久婷婷| 亚洲精华国产精华精| 丝袜美腿诱惑在线| 黑丝袜美女国产一区| 黄色视频不卡| 欧美午夜高清在线| 欧美成人午夜精品| 天天影视国产精品| 亚洲国产欧美网| √禁漫天堂资源中文www| 一区在线观看完整版| av超薄肉色丝袜交足视频| 国产亚洲精品久久久久5区| 香蕉国产在线看| 女人精品久久久久毛片| 中文字幕av电影在线播放| 手机成人av网站| 在线亚洲精品国产二区图片欧美| 亚洲视频免费观看视频| 久久人妻熟女aⅴ| 日本av免费视频播放| 久久久久视频综合| 淫妇啪啪啪对白视频 | 欧美成狂野欧美在线观看| 一二三四社区在线视频社区8| 国产成人精品久久二区二区免费| 亚洲自偷自拍图片 自拍| 免费日韩欧美在线观看| 99国产极品粉嫩在线观看| 丝瓜视频免费看黄片| av视频免费观看在线观看| 91成年电影在线观看| 久久精品成人免费网站| 亚洲成国产人片在线观看| 日韩中文字幕视频在线看片| 窝窝影院91人妻| a 毛片基地| 亚洲伊人色综图| 欧美黄色片欧美黄色片| 久久国产精品大桥未久av| 男女边摸边吃奶| 国产一区二区在线观看av| 亚洲中文日韩欧美视频| 黄色 视频免费看| 精品一品国产午夜福利视频| 中文字幕另类日韩欧美亚洲嫩草| 精品国产一区二区久久| 久久久久久久精品精品| 一二三四在线观看免费中文在| 欧美日韩亚洲高清精品| 人妻一区二区av| 亚洲av日韩在线播放| 美女主播在线视频| 色视频在线一区二区三区| 亚洲专区字幕在线| 久久人人爽av亚洲精品天堂| 国产日韩欧美在线精品| 999精品在线视频| 久久精品国产亚洲av高清一级| 欧美日韩精品网址| 婷婷丁香在线五月| 天天添夜夜摸| av有码第一页| 岛国毛片在线播放| 久久女婷五月综合色啪小说| 五月开心婷婷网| 一级片免费观看大全| av超薄肉色丝袜交足视频| 久久久久久亚洲精品国产蜜桃av| 亚洲成人手机| 亚洲成人手机| √禁漫天堂资源中文www| 日韩 亚洲 欧美在线| 啦啦啦视频在线资源免费观看| 午夜精品久久久久久毛片777| 巨乳人妻的诱惑在线观看| 咕卡用的链子| 国产亚洲精品一区二区www | 美女脱内裤让男人舔精品视频| 亚洲欧美一区二区三区黑人| 伊人亚洲综合成人网| 久久久国产欧美日韩av| 亚洲专区中文字幕在线| 国产精品久久久久久精品古装| 日本91视频免费播放| 亚洲国产精品999| 久热这里只有精品99| 十分钟在线观看高清视频www| 18禁观看日本| 国产av国产精品国产| 精品亚洲乱码少妇综合久久| 亚洲国产欧美日韩在线播放| 国产欧美日韩一区二区三区在线| 在线观看www视频免费| 人妻久久中文字幕网| 美女脱内裤让男人舔精品视频| 日韩欧美国产一区二区入口| 美女福利国产在线| 一边摸一边抽搐一进一出视频| 18禁黄网站禁片午夜丰满| 51午夜福利影视在线观看| 麻豆乱淫一区二区| www.av在线官网国产| 久久久水蜜桃国产精品网| 美女高潮喷水抽搐中文字幕| 亚洲第一av免费看| 热re99久久国产66热| 国产精品久久久久久精品古装| 欧美变态另类bdsm刘玥| 久久精品国产亚洲av香蕉五月 | 超碰成人久久| 国产一区有黄有色的免费视频| 久久毛片免费看一区二区三区| 91成人精品电影| av不卡在线播放| 欧美日韩亚洲高清精品| 久久久久精品人妻al黑| 丝袜人妻中文字幕| 久久久久视频综合| 久久99热这里只频精品6学生| 亚洲熟女毛片儿| 日韩欧美一区视频在线观看| a在线观看视频网站| 午夜激情久久久久久久| 国产精品一区二区免费欧美 | 老司机影院毛片| 国产精品国产av在线观看| 亚洲国产日韩一区二区| 欧美精品人与动牲交sv欧美| av又黄又爽大尺度在线免费看| 中国国产av一级| 一二三四在线观看免费中文在| 青春草视频在线免费观看| 天天添夜夜摸| 久久久国产一区二区| 欧美 亚洲 国产 日韩一| 黑人巨大精品欧美一区二区mp4| 男女午夜视频在线观看| 黄频高清免费视频| 精品久久蜜臀av无| a级毛片黄视频| 欧美在线黄色| 国产精品久久久人人做人人爽| 久热这里只有精品99| 人妻一区二区av| 1024视频免费在线观看| av又黄又爽大尺度在线免费看| 人妻人人澡人人爽人人| tube8黄色片| 国产有黄有色有爽视频| 一本色道久久久久久精品综合| 久久精品国产综合久久久| 日本五十路高清| 美女中出高潮动态图| 一级黄色大片毛片| 久久精品亚洲av国产电影网| 中文字幕色久视频| 脱女人内裤的视频| 色视频在线一区二区三区| 亚洲精品久久成人aⅴ小说| 精品国产国语对白av| www.熟女人妻精品国产| 久久午夜综合久久蜜桃| 亚洲天堂av无毛| 欧美日本中文国产一区发布| 国产在线一区二区三区精| 亚洲精品久久午夜乱码| 大片免费播放器 马上看| 精品国产国语对白av| 精品久久蜜臀av无| 脱女人内裤的视频| 国产片内射在线| 又黄又粗又硬又大视频| 在线观看一区二区三区激情| 纵有疾风起免费观看全集完整版| 成人三级做爰电影| 日日摸夜夜添夜夜添小说| 一边摸一边做爽爽视频免费| www.av在线官网国产| 又大又爽又粗| 久久人人爽av亚洲精品天堂| 欧美精品啪啪一区二区三区 | 免费久久久久久久精品成人欧美视频| 亚洲中文日韩欧美视频| 久久久久久免费高清国产稀缺| 中文字幕人妻丝袜一区二区| 最近最新免费中文字幕在线| 淫妇啪啪啪对白视频 | 99国产极品粉嫩在线观看| 老司机影院毛片| 多毛熟女@视频| 午夜精品国产一区二区电影| 日韩熟女老妇一区二区性免费视频| 久久av网站| 日本猛色少妇xxxxx猛交久久| 亚洲精品乱久久久久久| 亚洲av电影在线观看一区二区三区| 国产亚洲精品一区二区www | 欧美av亚洲av综合av国产av| 黑人猛操日本美女一级片| 十八禁人妻一区二区| 最新在线观看一区二区三区| av网站在线播放免费| 国产99久久九九免费精品| 在线观看舔阴道视频| 日本五十路高清| 91麻豆精品激情在线观看国产 | 亚洲久久久国产精品| 满18在线观看网站| 国产成人av教育| 精品国产一区二区三区四区第35| 日本撒尿小便嘘嘘汇集6| 亚洲成国产人片在线观看| 2018国产大陆天天弄谢| 黄片小视频在线播放| 美女午夜性视频免费| 成年动漫av网址| 老汉色av国产亚洲站长工具| a在线观看视频网站| 欧美少妇被猛烈插入视频| 午夜激情av网站| 蜜桃在线观看..| 后天国语完整版免费观看| 久久国产亚洲av麻豆专区| 午夜免费成人在线视频| 99国产精品一区二区蜜桃av | 精品高清国产在线一区| 成人国产一区最新在线观看| 午夜福利免费观看在线| 可以免费在线观看a视频的电影网站| 黄片播放在线免费| 国产成人免费无遮挡视频| 丝袜人妻中文字幕| 十八禁人妻一区二区| 在线av久久热| 91精品伊人久久大香线蕉| 久久精品国产综合久久久| 精品国产超薄肉色丝袜足j| 好男人电影高清在线观看| 午夜免费观看性视频| 久久久国产精品麻豆| 亚洲五月婷婷丁香| 99久久精品国产亚洲精品| 精品亚洲乱码少妇综合久久| 视频在线观看一区二区三区| 亚洲熟女精品中文字幕| 中亚洲国语对白在线视频| bbb黄色大片| 中文欧美无线码| 天天影视国产精品| av欧美777| 亚洲九九香蕉| av有码第一页| 啦啦啦啦在线视频资源| 精品福利观看| 秋霞在线观看毛片| 老司机影院成人| 亚洲精品中文字幕在线视频| 在线观看一区二区三区激情| 亚洲av日韩精品久久久久久密| 汤姆久久久久久久影院中文字幕| 国产精品亚洲av一区麻豆| 国精品久久久久久国模美| 亚洲精品国产色婷婷电影| 国产欧美日韩一区二区三 | 久久天躁狠狠躁夜夜2o2o| 在线亚洲精品国产二区图片欧美| 新久久久久国产一级毛片| 欧美精品人与动牲交sv欧美| 久久久久精品国产欧美久久久 | 宅男免费午夜| 欧美精品一区二区免费开放| 精品国内亚洲2022精品成人 | 欧美精品啪啪一区二区三区 | 国产高清videossex| 日本五十路高清| 亚洲色图 男人天堂 中文字幕| 在线 av 中文字幕| 国产av精品麻豆| av一本久久久久| 国产免费视频播放在线视频| 日韩,欧美,国产一区二区三区| 免费av中文字幕在线| 悠悠久久av| 黄片大片在线免费观看| 在线十欧美十亚洲十日本专区| 国产男女超爽视频在线观看| 搡老乐熟女国产| 日韩视频在线欧美| 三级毛片av免费| 飞空精品影院首页| 亚洲激情五月婷婷啪啪| 看免费av毛片| 色老头精品视频在线观看| 亚洲国产欧美在线一区| 精品高清国产在线一区| 丝袜在线中文字幕| 18禁国产床啪视频网站| 黄频高清免费视频| 亚洲欧美成人综合另类久久久| 两性午夜刺激爽爽歪歪视频在线观看 | 麻豆乱淫一区二区| 男女之事视频高清在线观看| 不卡av一区二区三区| 在线永久观看黄色视频| 精品久久久久久电影网| 精品少妇一区二区三区视频日本电影| 国产精品av久久久久免费| 一级毛片精品| 久久毛片免费看一区二区三区| 欧美另类亚洲清纯唯美| av在线app专区| 国产精品秋霞免费鲁丝片| 一级a爱视频在线免费观看| 精品免费久久久久久久清纯 | 免费黄频网站在线观看国产| 国产一区二区三区av在线| 久久精品国产综合久久久| 人妻 亚洲 视频| 亚洲精品国产一区二区精华液| 亚洲国产成人一精品久久久| 最黄视频免费看| 亚洲午夜精品一区,二区,三区| 肉色欧美久久久久久久蜜桃| 中文字幕高清在线视频| 亚洲精品久久成人aⅴ小说| av网站在线播放免费| 午夜精品国产一区二区电影| 久久久精品国产亚洲av高清涩受| 12—13女人毛片做爰片一| 亚洲av欧美aⅴ国产| 国产老妇伦熟女老妇高清| 久久久水蜜桃国产精品网| 精品少妇久久久久久888优播| 天天影视国产精品| 久久久久视频综合| 美女午夜性视频免费| 免费在线观看黄色视频的| 少妇粗大呻吟视频| 免费看十八禁软件| av免费在线观看网站| 肉色欧美久久久久久久蜜桃| 嫁个100分男人电影在线观看| 又紧又爽又黄一区二区| 久久久久久人人人人人| 欧美日韩中文字幕国产精品一区二区三区 | 一区二区三区四区激情视频| 中文字幕制服av| 日韩欧美免费精品| 色综合欧美亚洲国产小说| 丝袜在线中文字幕| 成年美女黄网站色视频大全免费| 久久热在线av| 不卡一级毛片| 91av网站免费观看| 大片电影免费在线观看免费| 国产一级毛片在线| 91成年电影在线观看| 亚洲欧美日韩高清在线视频 | 老司机影院成人| www.999成人在线观看| 后天国语完整版免费观看| 婷婷色av中文字幕| 国产欧美日韩一区二区精品| 少妇 在线观看| 免费观看av网站的网址| 精品国产国语对白av| 亚洲成人国产一区在线观看| 女人精品久久久久毛片| 美女午夜性视频免费| 精品一区二区三区四区五区乱码| 久久久国产欧美日韩av| 久久精品国产亚洲av高清一级| 亚洲国产欧美在线一区| 欧美成人午夜精品| 伊人亚洲综合成人网| 夜夜骑夜夜射夜夜干| 亚洲七黄色美女视频| 中文字幕av电影在线播放| 免费在线观看完整版高清| 亚洲欧美日韩高清在线视频 | 亚洲国产精品一区二区三区在线| av在线播放精品| 久久久国产精品麻豆| 狂野欧美激情性xxxx| 一个人免费看片子| √禁漫天堂资源中文www| 日本91视频免费播放| av又黄又爽大尺度在线免费看| 日韩电影二区| 国产男人的电影天堂91| kizo精华| 一本—道久久a久久精品蜜桃钙片| 国产一区有黄有色的免费视频| 国产亚洲欧美精品永久| 亚洲成人免费av在线播放| 一本色道久久久久久精品综合| 好男人电影高清在线观看| 免费不卡黄色视频| 久久精品熟女亚洲av麻豆精品| 国产精品亚洲av一区麻豆| 精品国产超薄肉色丝袜足j| 免费观看a级毛片全部| 色老头精品视频在线观看| 亚洲激情五月婷婷啪啪| 下体分泌物呈黄色| 一区二区三区精品91| 999精品在线视频| 在线观看免费日韩欧美大片| 少妇粗大呻吟视频| 国产欧美日韩一区二区精品| 精品亚洲乱码少妇综合久久| 欧美日韩一级在线毛片| 少妇猛男粗大的猛烈进出视频| 成人18禁高潮啪啪吃奶动态图| 欧美精品亚洲一区二区| www.av在线官网国产| 午夜成年电影在线免费观看| 国产精品久久久久久精品古装| 精品免费久久久久久久清纯 | 女人被躁到高潮嗷嗷叫费观| 亚洲国产欧美一区二区综合| 亚洲精品av麻豆狂野| 视频在线观看一区二区三区| 制服人妻中文乱码| 老熟女久久久| 国产精品自产拍在线观看55亚洲 | 免费久久久久久久精品成人欧美视频| 搡老熟女国产l中国老女人| 丰满迷人的少妇在线观看| 黄片播放在线免费| 丁香六月天网| 中文字幕人妻丝袜制服| 久久久久久久久免费视频了| 国产一级毛片在线| 最近最新中文字幕大全免费视频| 欧美精品av麻豆av| 午夜免费成人在线视频| 亚洲av欧美aⅴ国产| 美女扒开内裤让男人捅视频| 少妇粗大呻吟视频| 性高湖久久久久久久久免费观看| 多毛熟女@视频| 亚洲精品国产区一区二| 亚洲黑人精品在线| 首页视频小说图片口味搜索| 99国产精品一区二区三区| av视频免费观看在线观看| 母亲3免费完整高清在线观看| 国产精品一区二区免费欧美 | 夜夜骑夜夜射夜夜干| 婷婷成人精品国产| 久久免费观看电影| 脱女人内裤的视频| 十分钟在线观看高清视频www| 日日夜夜操网爽| 国产91精品成人一区二区三区 | 久久中文字幕一级| 99国产精品一区二区三区| 中亚洲国语对白在线视频| 欧美日韩av久久| tocl精华| 国产亚洲一区二区精品| 制服诱惑二区| 免费在线观看影片大全网站| 99香蕉大伊视频| 国产精品国产三级国产专区5o| 91国产中文字幕| 99国产极品粉嫩在线观看| 国产激情久久老熟女| 精品一品国产午夜福利视频| av在线播放精品| 亚洲精品粉嫩美女一区| 岛国在线观看网站| 香蕉国产在线看| 亚洲精品国产区一区二| 国产成人欧美在线观看 | 不卡av一区二区三区| 满18在线观看网站| 日韩免费高清中文字幕av| 电影成人av| 国产无遮挡羞羞视频在线观看| 国产熟女午夜一区二区三区| 免费少妇av软件| 日韩大片免费观看网站| 亚洲,欧美精品.| 亚洲欧美一区二区三区久久| 欧美激情 高清一区二区三区| 欧美中文综合在线视频| 国产av国产精品国产| 一区二区日韩欧美中文字幕| 美女大奶头黄色视频| 热re99久久国产66热| 国产精品一区二区精品视频观看| 久久久欧美国产精品| 亚洲精品国产一区二区精华液| 精品亚洲成国产av| 久久久久久亚洲精品国产蜜桃av| 国产av又大| av天堂久久9| 久久人人97超碰香蕉20202| 亚洲少妇的诱惑av| 一个人免费在线观看的高清视频 | 在线av久久热| 人人澡人人妻人| 久久国产精品男人的天堂亚洲| 亚洲伊人久久精品综合| 丁香六月天网| 亚洲熟女精品中文字幕| 欧美亚洲日本最大视频资源| 中文字幕另类日韩欧美亚洲嫩草| 久久精品国产综合久久久| 国产精品久久久av美女十八| 99久久精品国产亚洲精品| 久久久久久人人人人人| 人成视频在线观看免费观看| 免费日韩欧美在线观看| 在线观看免费日韩欧美大片| 水蜜桃什么品种好| 亚洲精品自拍成人| 国精品久久久久久国模美| 在线观看一区二区三区激情| 国产精品久久久久成人av| 一边摸一边做爽爽视频免费| 一级片免费观看大全| 国产精品久久久久久精品古装| 精品熟女少妇八av免费久了| 91成人精品电影| 熟女少妇亚洲综合色aaa.| 日韩电影二区| 美女扒开内裤让男人捅视频| 涩涩av久久男人的天堂| 精品熟女少妇八av免费久了| 婷婷成人精品国产| 国产成人av教育| a 毛片基地| 国产在线免费精品| 91老司机精品| 国产在线免费精品| 中文字幕高清在线视频| 满18在线观看网站| 亚洲五月色婷婷综合| 香蕉国产在线看| 久久久久久久大尺度免费视频| 国产av又大| 国产野战对白在线观看| 成人三级做爰电影| 蜜桃国产av成人99| 国产精品1区2区在线观看. | 中文字幕另类日韩欧美亚洲嫩草| 中文字幕av电影在线播放| 欧美黄色片欧美黄色片| 欧美中文综合在线视频| 亚洲视频免费观看视频| 午夜成年电影在线免费观看| 亚洲精品一二三| 亚洲avbb在线观看| 久久精品国产亚洲av香蕉五月 | 久久天躁狠狠躁夜夜2o2o| 亚洲三区欧美一区| 欧美日韩亚洲综合一区二区三区_| 成人影院久久| 黄片小视频在线播放| 久久人人爽av亚洲精品天堂| 悠悠久久av| 成年女人毛片免费观看观看9 | 国产精品久久久av美女十八| 欧美精品一区二区免费开放| 亚洲熟女毛片儿| a在线观看视频网站| 欧美日韩黄片免| 日本vs欧美在线观看视频| 日韩制服丝袜自拍偷拍| 久久久精品国产亚洲av高清涩受| 国产xxxxx性猛交| 国产成人免费观看mmmm| 少妇精品久久久久久久| 国产一区二区在线观看av| 亚洲精品一区蜜桃| 国产欧美日韩一区二区三 | 深夜精品福利| 午夜成年电影在线免费观看| 亚洲精品一二三| 免费av中文字幕在线| 日本精品一区二区三区蜜桃| 夫妻午夜视频| 91精品三级在线观看| 男男h啪啪无遮挡| 视频区欧美日本亚洲| 我要看黄色一级片免费的| 精品国产一区二区三区久久久樱花| 亚洲一区中文字幕在线| 亚洲国产欧美一区二区综合| 日本91视频免费播放| 黄色毛片三级朝国网站|