• <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 ?

    基于時間序列數(shù)據(jù)挖掘的故障檢測方法*

    2016-12-23 09:33:46李海林郭崇慧楊麗彬
    數(shù)據(jù)采集與處理 2016年4期
    關(guān)鍵詞:發(fā)動機(jī)特征故障

    李海林, 郭崇慧, 楊麗彬

    (1.華僑大學(xué)工商管理學(xué)院,泉州,362021; 2大連理工大學(xué)系統(tǒng)工程研究所,大連,116024)

    ?

    基于時間序列數(shù)據(jù)挖掘的故障檢測方法*

    李海林1, 郭崇慧2, 楊麗彬1

    (1.華僑大學(xué)工商管理學(xué)院,泉州,362021; 2大連理工大學(xué)系統(tǒng)工程研究所,大連,116024)

    為了有效地檢測發(fā)動機(jī)試車實驗中性能參數(shù)發(fā)生的異常,提出一種基于時間序列數(shù)據(jù)挖掘的發(fā)動機(jī)故障檢測方法。通過基于形態(tài)特征的時間序列特征表示方法,將發(fā)動機(jī)參數(shù)時間序列轉(zhuǎn)化為符號序列,再根據(jù)符號語義對發(fā)動機(jī)參數(shù)序列實現(xiàn)穩(wěn)態(tài)特征和過渡態(tài)特征識別。同時,根據(jù)穩(wěn)態(tài)序列的數(shù)據(jù)特征,利用基于統(tǒng)計特征的時間序列相似性度量結(jié)合最不相似模式發(fā)現(xiàn)方法實現(xiàn)發(fā)動機(jī)的故障檢測。數(shù)值實驗結(jié)果表明,與傳統(tǒng)方法相比,本文方法能夠有效地對發(fā)動機(jī)性能參數(shù)進(jìn)行故障檢測,并且具有較強(qiáng)的魯棒性。

    發(fā)動機(jī)參數(shù);故障檢測;異常模式;時間序列數(shù)據(jù)挖掘

    引 言

    故障檢測是用來預(yù)防機(jī)械故障發(fā)生的一種有效手段[1,2],也常用于預(yù)防發(fā)動機(jī)運行故障的發(fā)生。近年來,出現(xiàn)多種方法用于發(fā)動機(jī)故障的檢測,例如基于神經(jīng)網(wǎng)絡(luò)的方法[3]、基于信號處理的方法[4]和基于規(guī)則發(fā)現(xiàn)的故障診斷系統(tǒng)[5]等。另外,基于紅線系統(tǒng)的檢測方法早在20世紀(jì)90年代中期就已用于故障檢測,但其性能較低且具有較高的檢測錯誤。后來提出的故障檢測異常系統(tǒng)(System for anomaly and failure detection, SAFD)彌補了傳統(tǒng)方法的部分不足之處,但其檢測質(zhì)量還依賴于具體參數(shù)的設(shè)定。對此,王珉等[7]對參數(shù)采樣值進(jìn)行離散化,并結(jié)合模式知識發(fā)現(xiàn)故障規(guī)則,進(jìn)而提出了一種自適應(yīng)閾值的故障檢測方法(Adaptive threshold algorithm, ATA)。 在某種程度上講,ATA彌補了SAFD的部分不足,但仍有其不夠完善之處。例如,系統(tǒng)參數(shù)中具有明顯特征的數(shù)據(jù)值可能引起較大的均值和標(biāo)準(zhǔn)差,進(jìn)而影響閾值的確定;與此同時, ATA因設(shè)定參數(shù)門限將會導(dǎo)致它無法檢測出測量值較小但數(shù)據(jù)波動形態(tài)異常情況。

    由于發(fā)動機(jī)性能參數(shù)是與時間相關(guān)的數(shù)據(jù),它可以被理解為時間序列數(shù)據(jù),故可以利用時間序列數(shù)據(jù)挖掘算法和技術(shù)來實現(xiàn)發(fā)動機(jī)相關(guān)信息的分析,其主要包括數(shù)據(jù)處理[8]、聚類[9]、模式發(fā)現(xiàn)[10]和異常檢測[11]等時間序列挖掘算法。為了提高發(fā)動機(jī)故障檢測的效果,本文提出利用時間序列數(shù)據(jù)挖掘方法來實現(xiàn)故障檢測。首先,根據(jù)前期研究的基于形態(tài)特征的時間序列特征表示方法對參數(shù)序列實現(xiàn)符號化特征表示,并且提出相應(yīng)的算法來識別參數(shù)的兩種狀態(tài),即穩(wěn)態(tài)和過渡態(tài)。另外,結(jié)合基于統(tǒng)計特征的時間序列相似性度量方法,提出適用于故障檢測的異常模式發(fā)現(xiàn)算法。數(shù)據(jù)仿真實驗表明,本文提出的方法能有效地識別發(fā)動機(jī)參數(shù)穩(wěn)態(tài)數(shù)據(jù)波動位于門限內(nèi)但其觀測數(shù)據(jù)值異常的情況,提高了對發(fā)動機(jī)性能參數(shù)的故障識別效果。

    1 理論基礎(chǔ)

    1.1 時間序列符號化

    符號化聚合近似(Symbolic aggregate approximation, SAX)[8,12]是典型的時間序列符號轉(zhuǎn)化方法,它利用分段聚合近似(Piecewise aggregate approximation, PAA)對時間序列進(jìn)行特征表示。同時,將時間序列數(shù)值域按等概率劃分成若干個子區(qū)域,每個區(qū)域由不同的符號來表示,聚合近似方法所得到的均值序列根據(jù)所在區(qū)域的符號被轉(zhuǎn)化成字符串序列。

    (1)

    (2)

    根據(jù)傳統(tǒng)分段聚合符號化的原理,需要事先將數(shù)據(jù)進(jìn)行z-score標(biāo)準(zhǔn)化,使其轉(zhuǎn)化為服從標(biāo)準(zhǔn)正態(tài)分布的序列。為此可以將標(biāo)準(zhǔn)化數(shù)據(jù)空間等概率地劃分成α個子空間或子區(qū)域,每個區(qū)域可用對應(yīng)的字符進(jìn)行表示,即可以完成S_PAA數(shù)值序列向S_SAX符號序列的轉(zhuǎn)化。

    如圖1所示,可以將標(biāo)準(zhǔn)化后的時間序列數(shù)據(jù)分布空間按等概率的形式化分為3個區(qū)域,每個區(qū)域用相應(yīng)的字符來表示,即“A, B, C”,獲得相應(yīng)的字符串 “AAABBCCCCC”。 與傳統(tǒng)SAX方法比較,S_SAX序列中的符號符合人的思維活動,具有一定的字符含義,例如,A為下降狀態(tài),B為平穩(wěn)狀態(tài),C為上升狀態(tài)。因此,S_SAX字符序列能夠很好地反映時間序列的形態(tài)變化趨勢,圖1中符號的描述說明了時間序列經(jīng)過了連續(xù)下降、短暫平緩過度和慢慢上升3個階段。

    圖1 基于形態(tài)特征的時間序列符號化轉(zhuǎn)化Fig.1 Time series symbolization based on shape feature

    1.2 相似性度量

    通過符號化特征表示后,可以識別發(fā)動機(jī)參數(shù)的形態(tài)特征,即穩(wěn)態(tài)數(shù)據(jù)和非穩(wěn)態(tài)數(shù)據(jù)。其中,穩(wěn)態(tài)數(shù)據(jù)是發(fā)動機(jī)試車實驗的最重要來源,也是特征識別的主要對象。穩(wěn)態(tài)數(shù)據(jù)中的異常模式發(fā)現(xiàn)是試車實驗中最主要的目標(biāo)之一。在時間序列數(shù)據(jù)挖掘中,特征表示相似性度量是數(shù)據(jù)分析過程中重要的方法[14,15]。在異常模式發(fā)現(xiàn)任務(wù),通過選取合適的特征表示方法和相應(yīng)的距離度量函數(shù),可以有效地發(fā)現(xiàn)數(shù)據(jù)異常。鑒于發(fā)動機(jī)參數(shù)具有時間序列的時間特性,結(jié)合穩(wěn)態(tài)數(shù)據(jù)序列的基本特征,利用基于非線性統(tǒng)計特征的距離度量方法(Non linear statistical feature based PAA, NLSF_PAA)[16]來描述特征序列之間的相似性。該方法不僅能有效地對特征序列進(jìn)行相似性度量,還具有良好的下界緊湊性和剪枝能力,避免在相似性檢索中發(fā)生漏報情況。

    (3)

    (4)

    傳統(tǒng)PAA算法中,給了基于均值特征序列的距離度量方法。對標(biāo)準(zhǔn)差特征序列的度量函數(shù)可以定義為

    (5)

    結(jié)合這兩種距離度量方法,使用非線性統(tǒng)計特征的時間序列相似性度量方法[16],即

    (6)

    2 發(fā)動機(jī)故障檢測算法

    鑒于發(fā)動機(jī)穩(wěn)態(tài)數(shù)據(jù)和過渡態(tài)數(shù)據(jù)的重要性,結(jié)合基于形態(tài)特征的時間序列符號化表示方法提出特征識別算法對發(fā)動機(jī)參數(shù)進(jìn)行這兩種狀態(tài)數(shù)據(jù)序列的識別。然而,對于穩(wěn)態(tài)數(shù)據(jù)序列特征,使用基于非線性統(tǒng)計特征的發(fā)動機(jī)檢測方法,充分利用均值和方差兩個統(tǒng)計量來描述穩(wěn)態(tài)數(shù)據(jù)波動情況,并且結(jié)合相應(yīng)的度量函數(shù)來實現(xiàn)故障異常模式。

    2.1 特征識別

    發(fā)動機(jī)參數(shù)通常包括穩(wěn)態(tài)數(shù)據(jù)和過渡態(tài)數(shù)據(jù),其中過渡態(tài)數(shù)據(jù)可分成上升和下降兩種狀態(tài)。通過時間序列數(shù)據(jù)挖掘中的符號特征表示方法,可以有效地識別這3種狀態(tài)。如圖2所示,序列b和序列c分別為發(fā)動機(jī)參數(shù)的穩(wěn)態(tài)和過渡態(tài)兩種數(shù)據(jù)。同時,子圖(b)與(c)分別詳細(xì)顯示了序列b和序列c的數(shù)據(jù)形態(tài)狀況。從數(shù)據(jù)波動情況來看,穩(wěn)態(tài)序列和過渡態(tài)序列中相鄰數(shù)據(jù)之間沒有一定的規(guī)律性,使得對它們的識別存在一定的困難。

    圖2 發(fā)動機(jī)參數(shù)數(shù)據(jù)特征描述Fig.2 Description of data feature for engine parameter

    另外,由于發(fā)動機(jī)參數(shù)之間具有一定的相關(guān)性,這將引起參數(shù)序列中過渡態(tài)和穩(wěn)態(tài)序列之間不存在明顯的分界點,一般即有一事實上的緩沖過程,故在特征識別過程中,需要考慮此種情況,以便更有效地識別出這兩大類特征。為了解決此問題,提出“去頭尾”操作,即經(jīng)符號特征表示后,刪除字符串序列中相鄰且相異的兩個字符。如在圖1中,先后刪除相鄰且相異子字符串AB再BC,最終獲得的兩種子字符串AA和CCCC分別表示參數(shù)序列的下降過渡態(tài)序列和上升過渡態(tài)序列?;谛螒B(tài)符號化表示的特征識別算法如下。

    算法1 [G,U,D]=SSAX_FR(T,k)

    輸入:發(fā)動機(jī)參數(shù)T,子序列長度k。

    輸出:穩(wěn)態(tài)數(shù)據(jù)序列集合G,上升過渡態(tài)數(shù)據(jù)序列集合U,下降過渡態(tài)數(shù)據(jù)序列集合D。

    (3) 針對每個子序列Si,利用式(1,2)計算它們形態(tài)特征,再結(jié)合SSAX方法,將參數(shù)序列轉(zhuǎn)為字符串序列R。

    (4) 對R進(jìn)行“去頭尾”操作,即從第2個字符開始至到最后一個字符,依次判斷ri-1與ri是否相同,其中ri∈R。如兩者字符不相同,則刪除字符ri-1和ri。

    (5) 根據(jù)符號意義以及相應(yīng)子序列在參數(shù)中的時間位置,可將連續(xù)相同的字符合并,可以分別得到3種特征狀態(tài)G,U和D。

    2.2 異常檢測算法

    在時間序列數(shù)據(jù)挖掘中,異常模式是指與其他序列片段最不相似的子序列。目前一種較為流行的時間序列最不相似模式發(fā)現(xiàn)算法,即基于SAX的方法,通常也被稱作異常模式發(fā)現(xiàn)算法。另外,為了提高最不相似模式算法的效率,文獻(xiàn)[12]給合SAX的符號化過程和相應(yīng)的啟發(fā)式規(guī)則來實現(xiàn)最不相似模式序列的識別,其算法過程描述如下。

    算法 [d,loc]=HeuristicSearch(Q,n,Outer,Inner)

    輸入:時間序列Q,模式長度n,啟發(fā)式規(guī)則Outer和Inner。

    輸出:最不相似模式與其他模式的最小距離d和該模式在時間序列Q中的位置loc。

    (1) 初始化相關(guān)數(shù)據(jù),初始化d=0和loc=-1。分別利用啟發(fā)式規(guī)則outer和inner控制本算法的內(nèi)外兩層循環(huán),用p和q來記錄兩個模式在Q中的位置信息。

    (2) 對于外層循環(huán),每個p將設(shè)定初始最近距離為d0=+∞,并根據(jù)q值執(zhí)行內(nèi)層循環(huán),即:

    (3) 判斷d0是否大于d。若為真,則d=d0且記錄相應(yīng)的位置信息loc=p,同時返回步驟(2),直到遍歷完外循環(huán)中的所有p值為止。

    (4) 返回最小距離d和相應(yīng)的位置信息loc。

    由于基于統(tǒng)計特征的時間序列距離度量方法能較好地對序列片段進(jìn)行相似性度量,為了提高實際發(fā)動機(jī)參數(shù)穩(wěn)態(tài)數(shù)據(jù)中的異常情況,結(jié)合HeuristicSearch算法來進(jìn)行發(fā)動機(jī)故障檢測,故在上述模式算法HeuristicSearch中,利用式(6)來計算模式之間的距離,即Dist=DNLSF-PAA。

    算法3 [P,loc]=NLSF_AbnormSearch(gi′,n)

    輸出:故障模式P和在穩(wěn)態(tài)數(shù)據(jù)序列中出現(xiàn)的位置loc。

    3 數(shù)值實驗

    為了驗證發(fā)動機(jī)故障檢測算法的可行性和有效性,采用某型號發(fā)動機(jī)試車實驗中參數(shù)的仿真數(shù)據(jù)進(jìn)行故障檢測實驗。本次實驗分為兩個步驟:特征識別實驗和故障檢測實驗。前者通過基于形態(tài)特征的時間序列符號化表示方法對仿真數(shù)據(jù)進(jìn)行特征識別,進(jìn)而說明基于形態(tài)特征表示方法用來進(jìn)行發(fā)動機(jī)參數(shù)特征識別的可行性和有效性;后者利用本文提出的基于最不相似模式發(fā)現(xiàn)的發(fā)動機(jī)故障檢測算法來對穩(wěn)態(tài)數(shù)據(jù)進(jìn)行異常檢測,同時與傳統(tǒng)方法相比,驗證新方法對發(fā)動機(jī)穩(wěn)態(tài)數(shù)據(jù)故障分析的有效性和檢測效果。

    3.1 特征識別實驗

    根據(jù)前面分析易知,發(fā)動機(jī)試車實驗參數(shù)表現(xiàn)出時間序列數(shù)據(jù)的特征,故可以利用基于形態(tài)特征的符號化表示方法對其進(jìn)行特征識別,即穩(wěn)態(tài)特征和過渡態(tài)特征的識別。由于這兩類特征可以細(xì)分成3種狀態(tài),即平穩(wěn)狀態(tài)、上升狀態(tài)和下降狀態(tài),在識別過程中設(shè)置3種字符來分別表示3種狀態(tài)的情況。根據(jù)算法要求,將長度為m的發(fā)動機(jī)參數(shù)數(shù)據(jù)平均分成w個序列片段,每個子列片段的數(shù)據(jù)量(即長度)為k。同時,根據(jù)具體需要將服從正態(tài)分布的數(shù)據(jù)區(qū)域劃分成3份,即α=3,對應(yīng)的符號分別為A,B和C。通過特征識別算法即可將發(fā)動機(jī)參數(shù)序列轉(zhuǎn)化成相應(yīng)的字符序列特征。另外,根據(jù)字符的具體語義,提取對應(yīng)的特征序列。

    在本次算法實驗中,設(shè)定k=100,其表示每個序列片段的長度為100,則通過特征識別算法即可獲得發(fā)動機(jī)參數(shù)序列的特征識別。為了便于顯示和描述,圖3(a)中實線和其他3個子圖中虛線表示同一發(fā)動機(jī)參數(shù)序列的數(shù)據(jù)信息。然而,在圖3(b~d)中紅色序列片段表示特征識別算法的運行結(jié)果。從圖中顯示效果容易判斷,參數(shù)特征識別算法SSAX_FR能有效地對發(fā)動機(jī)參數(shù)序列進(jìn)行3種主要狀態(tài)特征的識別,即圖3(b)顯示穩(wěn)態(tài)特征、圖3(c,d)分別顯示上升和下降等兩種過渡態(tài)數(shù)據(jù)。

    圖3 發(fā)動機(jī)參數(shù)的特征識別Fig.3 Feature recognition of engine parameter

    圖4 SSAX_FR隨k值變化的識別效果Fig.4 Recognition results of SSAX_FR with k

    另外,通過對已標(biāo)記穩(wěn)態(tài)特征的參數(shù)序列進(jìn)行參數(shù)特征識別算法SSAX_FR的執(zhí)行,并考查不同k對穩(wěn)態(tài)特征識別的質(zhì)量,即穩(wěn)態(tài)特征的識別率。通過對長度為8 000的參數(shù)時間序列進(jìn)行穩(wěn)態(tài)特征識別,在k分別取值為[20,40,80,160,320]情況下,穩(wěn)態(tài)特征識別的質(zhì)量如圖4所示。由圖4性能分析結(jié)果易知,在同一采集頻率下的發(fā)動機(jī)參數(shù)序列中,k值在某一范圍內(nèi)能取得較好的識別效果。然而,若k值太大,則其穩(wěn)態(tài)識別效果出現(xiàn)不好的現(xiàn)象,其原因在于較大的k值使得用某一字符來表示長度為k的序列段過于粗糙,進(jìn)而降低了穩(wěn)態(tài)特征的識別質(zhì)量。在發(fā)動機(jī)參數(shù)特征識別過程中,序列片段長度k還通常根據(jù)具體發(fā)動機(jī)參數(shù)試車實驗中信息采集頻率來決定。若試車信息采集頻率越大,則取大值較為適宜;否則,k取較小值。另外,由于特征識別算法中存在“去頭尾”操作,故k值的選定也需考慮“去頭尾”的長度。

    3.2 異常檢測實驗

    通過基于時間序列形態(tài)符號化表示的參數(shù)特征識

    別算法,可以從發(fā)動機(jī)參數(shù)模擬數(shù)據(jù)中獲得穩(wěn)態(tài)數(shù)據(jù)序列集合G。針對穩(wěn)態(tài)特征序列集合中的特征序列,提取同一水平狀態(tài)下的穩(wěn)態(tài)特征序列進(jìn)行異常檢測分析。為了更好地說明本文提出的基于統(tǒng)計特征的相似性度量[15]進(jìn)行發(fā)動機(jī)參數(shù)穩(wěn)態(tài)特征數(shù)據(jù)異常檢測方法的有效行和優(yōu)越性,利用歐氏距離Euclidean,基于分段聚合近似PAA的距離度量[8]的異常檢測方法來進(jìn)行實驗,即利用歐氏距離和基于PAA的距離度量函數(shù)來代替基于啟發(fā)式的最不相似模式發(fā)現(xiàn)算法中的Dist。

    通過故障檢測算法分析,其實驗結(jié)果如圖5所示。在圖5(a)中,給出了檢測發(fā)動機(jī)參數(shù)中某個水平狀態(tài)下的穩(wěn)態(tài)數(shù)據(jù)序列片段逃逸出大部分子序列的數(shù)據(jù)波動范圍,且序列片段是異常模式;圖5(b)則給出了發(fā)動機(jī)參數(shù)中另外某個水平狀態(tài)下的穩(wěn)態(tài)數(shù)據(jù)中,某段子序列的波動振幅突然小于大部分子序列的數(shù)據(jù)振幅,故該序列片段應(yīng)該被看作是發(fā)動機(jī)的故障異常模式。

    圖5 兩種穩(wěn)態(tài)特征數(shù)據(jù)的異常檢測結(jié)果Fig.5 Abnormal detection for two kinds of stable feature data

    實驗結(jié)果顯示,3種方法對于發(fā)動機(jī)參數(shù)中穩(wěn)態(tài)數(shù)據(jù)片段波動性較大的異常模式都可以有效地識別,如圖5(a)所示。 然而,對于波動性小于大部分子序列的情況,基于歐氏距離Euclidean和基于分段聚合近似PAA的異常檢測方法無法進(jìn)行有效識別,而本文提出的方法NLSF_AbnormSearch能夠有效地發(fā)現(xiàn)該種情況的故障模式,如圖5(b)所示。因此,與傳統(tǒng)特征表示和相似性度量相比,基于非線性統(tǒng)計特征表示的故障檢測方法能較好地對發(fā)動機(jī)的異常模式進(jìn)行識別。

    圖6 ATA算法對兩種數(shù)據(jù)情況的異常檢測結(jié)果Fig.6 Abnormal detection of ATA for the two kinds of data

    針對上面兩種情況,利用文獻(xiàn)[7]提出的發(fā)動機(jī)故障檢測方法ATA進(jìn)行數(shù)據(jù)實驗,該方法的發(fā)動機(jī)故障檢測結(jié)果如圖6所示。該實驗結(jié)果表示,ATA把超出門限范圍的數(shù)據(jù)點視為了數(shù)據(jù)異常點,沒能有效地對故障模式片段進(jìn)行識別。與實驗結(jié)果圖5(b)相比,本文提出的基于時間序列數(shù)據(jù)挖掘的發(fā)動機(jī)故障檢測方法NLSF_AbnormSearch能夠很好地檢測出發(fā)動機(jī)參數(shù)穩(wěn)態(tài)特征序列中出的異常模式,為預(yù)防發(fā)動機(jī)故障提供了可行的技術(shù)和方法。

    4 結(jié)束語

    通過對傳統(tǒng)發(fā)動機(jī)故障檢測方法的分析,本文提出一種基于時間序列數(shù)據(jù)挖掘的故障檢測方法。根據(jù)發(fā)動機(jī)試車參數(shù)的時間序列特性以及參數(shù)中穩(wěn)態(tài)數(shù)據(jù)和過渡態(tài)數(shù)據(jù)的重要性,利用基于時間序列數(shù)據(jù)挖掘中形態(tài)特征符號化表示方法對參數(shù)時間序列進(jìn)行字符串轉(zhuǎn)化,使其轉(zhuǎn)化為具有實際語義的字符,并以此對發(fā)動機(jī)參數(shù)序列的兩種狀態(tài)特征進(jìn)行有效的識別。另外,本文針對發(fā)動機(jī)試車實驗中出現(xiàn)頻率較高的穩(wěn)態(tài)特征序列數(shù)據(jù)進(jìn)一步分析,利用最不相似模式發(fā)現(xiàn)算法并結(jié)合基于非線性統(tǒng)計特征表示的時間序列距離度量方法實現(xiàn)該特征數(shù)據(jù)的異常模式檢測。在數(shù)值仿真實驗中,通過特征識別和異常檢測結(jié)果的比較,驗證了新方法對發(fā)動機(jī)參數(shù)故障檢測的有效性。同時,與傳統(tǒng)方法相比,新方法能夠較好地發(fā)現(xiàn)和檢測異常模式,具有較強(qiáng)的魯棒性。然而,本文的重點主要在于發(fā)動機(jī)參數(shù)序列數(shù)據(jù)中狀態(tài)特征的識別和穩(wěn)態(tài)數(shù)據(jù)中和異常故障檢測,對于過渡態(tài)數(shù)據(jù)序列中的模式發(fā)現(xiàn)尚未涉及到。因此,研究一種檢測發(fā)動機(jī)參數(shù)時間序列過渡態(tài)特征數(shù)據(jù)的異常模式方法將是下一步工作的重要內(nèi)容。

    [1] 許潔, 趙瑾, 劉如成, 等. 基于KICA-KFDA的集成故障識別算法[J]. 數(shù)據(jù)采集與處理, 2013, 28(6): 812-817.

    Xu Jie, Zhao Jin, Liu Rucheng, et al. An integrated fault identification algorithm based on KICA and KFDA[J]. Journal of Data Acquisition and Processing, 2013, 28(6): 812-817.

    [2] 竇唯, 劉占生. 液體火箭發(fā)動機(jī)渦輪泵故障診斷的新方法[J]. 推進(jìn)技術(shù), 2011, 32(2): 266-270.

    Dou Wei, Liu Zhansheng. A new fault diagnosis method for turbopump of liquid rocket engine[J]. Journal of Propulsion Technology, 2011, 32(2): 266-270.

    [3] 朱明悅, 李小申. 基于概率神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)故障診斷方法研究[J]. 制造業(yè)自動化, 2012, 34(5): 90-92.

    Zhu Mingyue, Li Xiaoshen. Research on fault diagnosis of engines based on probabilistic neural networks [J]. Manufacturing Automation, 2012, 34(5): 90-92.

    [4] 何皚, 覃道亮, 孔祥興, 等. 基于UIO的航空發(fā)動機(jī)執(zhí)行機(jī)構(gòu)故障診斷[J]. 推進(jìn)技術(shù), 2012, 33(1): 98-104.

    He Ai, Qin Daoliang, Kong Xiangxing, et al. UIO-based diagnosis of aeroengine actuator faults[J]. Journal of Propulsion Technology, 2012, 33(1): 98-104.

    [5] 陳果, 左洪福. 基于知識規(guī)則的發(fā)動機(jī)磨損故障診斷專家系統(tǒng)[J]. 航空動力學(xué)報, 2004, 19(1): 23-29.

    Cheng Guo, Zuo Hongfu. Expert systems of engine wear fault diagnosis based on knowledge rule[J]. Journal of Aerospace Power, 2004, 19(1):23-29.

    [6] Panossian H V, Kemp V R. Technology test bed engine real time failure control[R].NASA-CR-192414, Canoga Park, CA:Rockwell International Corp, 1992.

    [7] 王珉, 胡鳶慶, 秦國軍. 基于模式矩陣的液體火箭發(fā)動機(jī)試車臺故障關(guān)聯(lián)規(guī)則挖掘[J]. 宇航學(xué)報, 2011, 32(4): 947-951.

    Wang Min, Hu Niaoqing, Qin Guojun. Association rules of liquid- propellant rocket engine test-bed based on pattern matrix[J]. Journal of Astronautics, 2011, 32(4): 947-951.

    [8] 霍鋮宇, 倪黃晶, 寧新寶. 心率變異時間序列的預(yù)處理算法[J].數(shù)據(jù)采集與處理, 2013, 28(5):591-596.

    Huo Chengyu, Ni Huangjing, Ning Xinbao. Preprocessing methods for heart rate variability time series[J]. Journal of Data Acquisition and Processing, 2013, 28(5):591-596.

    [9] 夏利, 王建東, 張霞, 等. 聚類再回歸方法在機(jī)場噪聲時間序列預(yù)測中的應(yīng)用[J]. 數(shù)據(jù)采集與處理, 2014, 29(1):152-156.

    Xia Li, Wang Jiandong, Zhang Xia, et al. Application of cluster regression in time series prediction of airport noise[J]. Journal of Data Acquisition and Processing, 2014, 29(1):152-156.

    [10]萬里, 廖建新, 朱曉民. 一種時間序列頻繁模式挖掘算法及其在WSAN行為預(yù)測中的應(yīng)用[J]. 電子與信息學(xué)報, 2010, 32 (3): 682-686.

    Wan Li, Liao Jianxin, Zhu Xiaomin. Time series frequent pattern mining algorithm and its application to WSAN behavior prediction[J]. Journal of Electronics & Information Technology, 2010, 32 (3): 682-686.

    [11]Fujimaki R, Nakata T, Tsukahara H, et al. Mining abnormal patterns for heterogeneous time series with irrelevant features for fault event detection[J]. Statistical Analysis and Data Mining, 2009, 2(1): 1-17.

    [12]Keogh E, Lin J, Fu A. Hot Sax: Finding the most unusual time series subsequence:Algorithms and applications[J]. Knowledge and Information Systems, 2006: 11(1):1-27.

    [13]李海林, 郭崇慧. 基于形態(tài)特征的時間序列符號聚合近似方法[J]. 模式識別與人工智能, 2011, 24(5): 665-672.

    Li Hailin, Guo Chonghui. Symbolic aggregate approximation based on shape features[J]. Pattern Recognition and Artificial Intelligence, 2011, 24(5): 665-672.

    [14]丁永偉, 楊小虎, 陳根才,等. 基于弧度距離的時間序列相似度量[J]. 電子與信息學(xué)報, 2011, 33 (1): 122-128.

    Ding Yongwei, Yang Xiaohu, Chen Gencai, et al. Radian-distance based time series similarity measurement[J]. Journal of Electronics & Information Technology, 2011, 33 (1): 122-128.

    [15]Li Hailin, Guo Chonghui. Piecewise cloud approximation for time series mining[J]. Knowledge-Based Systems, 2011, 24(4): 492-500 .

    [16]Guo Chonghui, Li Hailin, Pan Donghua. An improved piecewise aggregate approximation based on statistical features for time series mining[C]∥Proceedings of the 4th International Conference on Knowledge Science, Engineering and Management. Berlin, Heidelberg:Springer-Verlag, 2010: 234-244.

    李海林(1982-),男,博士,副教授,研究方向:數(shù)據(jù)挖掘與智能決策,E-mail:hailin@mail.dlut.edu.cn。

    郭崇慧(1973-),男,博士,教授,研究方向:數(shù)據(jù)挖掘與決策支持。

    楊麗彬(1982-),女,講師,研究方向:數(shù)據(jù)挖掘與信息系統(tǒng)。

    Fault Detection Algorithm Based on Time Series Data Mining

    Li Hailin1, Guo Chonghui2, Yang Libin1

    (1.College of Business Administration, Huaqiao University, Quanzhou, 362021, China; 2.Institute of Systems Engineering, Dalian University of Technology, Dalian, 116024, China)

    To validly detect the anomalies of parameters in the engine test, a fault detection algorithm of engine based on time series data mining is proposed. The parameter time series are transformed into symbolic strings by a representation method based on shape features. The stable states and transition states are extracted from the parameter time series according to symbolic semantics. Meanwhile, the detection algorithm of abnormal pattern from the stable states is realized by similarity measurement between time series based on statistic features, combined with the most unusual pattern discovery method. The results of numerical experiments show that the new method validly detects the fault of engine and has the better robustness than the traditional method.

    engine parameter; fault detection; abnormal pattern; time series data mining

    國家自然科學(xué)基金(61300139)資助項目;華僑大學(xué)中青年教師科研提升資助計劃(ZQN-PY220)資助項目。

    2014-09-12;

    2014-09-30

    TP18

    A

    猜你喜歡
    發(fā)動機(jī)特征故障
    故障一點通
    如何表達(dá)“特征”
    發(fā)動機(jī)空中起動包線擴(kuò)展試飛組織與實施
    不忠誠的四個特征
    抓住特征巧觀察
    奔馳R320車ABS、ESP故障燈異常點亮
    故障一點通
    江淮車故障3例
    新一代MTU2000發(fā)動機(jī)系列
    線性代數(shù)的應(yīng)用特征
    河南科技(2014年23期)2014-02-27 14:19:15
    热re99久久国产66热| 精品卡一卡二卡四卡免费| 在线天堂最新版资源| 水蜜桃什么品种好| 日本av免费视频播放| 青春草国产在线视频| 国产有黄有色有爽视频| 99热6这里只有精品| 菩萨蛮人人尽说江南好唐韦庄| 国产精品不卡视频一区二区| 精品久久久精品久久久| 1024视频免费在线观看| 乱码一卡2卡4卡精品| 亚洲精品国产色婷婷电影| 大陆偷拍与自拍| 免费看av在线观看网站| 日本猛色少妇xxxxx猛交久久| kizo精华| 2021少妇久久久久久久久久久| 美女主播在线视频| 另类亚洲欧美激情| 99久久精品国产国产毛片| 精品国产乱码久久久久久小说| 热99久久久久精品小说推荐| 国产亚洲精品久久久com| 亚洲美女黄色视频免费看| 午夜福利乱码中文字幕| 18禁在线无遮挡免费观看视频| 大香蕉久久成人网| 日韩一区二区视频免费看| 人妻人人澡人人爽人人| 国产免费一级a男人的天堂| 丝袜脚勾引网站| 男女边摸边吃奶| 精品亚洲成a人片在线观看| av国产精品久久久久影院| 最新的欧美精品一区二区| 久久婷婷青草| 大香蕉97超碰在线| 亚洲国产av新网站| 欧美日本中文国产一区发布| 久久久久国产精品人妻一区二区| 国产麻豆69| 精品酒店卫生间| 婷婷成人精品国产| 中文字幕最新亚洲高清| 婷婷色麻豆天堂久久| 日韩视频在线欧美| 亚洲av电影在线观看一区二区三区| 一级毛片黄色毛片免费观看视频| 亚洲精品国产av蜜桃| 在线观看美女被高潮喷水网站| 久久久亚洲精品成人影院| 夜夜爽夜夜爽视频| 欧美日韩国产mv在线观看视频| 少妇被粗大猛烈的视频| 亚洲在久久综合| 水蜜桃什么品种好| 少妇的逼好多水| 亚洲成人av在线免费| 少妇被粗大的猛进出69影院 | 一级毛片电影观看| 永久网站在线| 精品亚洲成国产av| 黄网站色视频无遮挡免费观看| 韩国av在线不卡| a级毛片黄视频| 亚洲欧洲国产日韩| 人人妻人人澡人人爽人人夜夜| 欧美日韩亚洲高清精品| 人人澡人人妻人| 狂野欧美激情性xxxx在线观看| 成年美女黄网站色视频大全免费| 久久精品国产鲁丝片午夜精品| 一二三四中文在线观看免费高清| 午夜av观看不卡| 18禁国产床啪视频网站| a级毛片黄视频| 亚洲精品国产色婷婷电影| 免费在线观看黄色视频的| 午夜福利在线观看免费完整高清在| av黄色大香蕉| 精品国产国语对白av| 亚洲国产av影院在线观看| 国产成人精品在线电影| 黄色 视频免费看| 色视频在线一区二区三区| 国产精品国产三级专区第一集| 国产深夜福利视频在线观看| 精品少妇内射三级| 久久精品国产自在天天线| 这个男人来自地球电影免费观看 | 91精品三级在线观看| 极品少妇高潮喷水抽搐| 99热这里只有是精品在线观看| 91久久精品国产一区二区三区| 天天躁夜夜躁狠狠久久av| 亚洲精品久久成人aⅴ小说| 国产一级毛片在线| 成人漫画全彩无遮挡| 亚洲精品,欧美精品| 亚洲,欧美,日韩| 国产精品蜜桃在线观看| av在线播放精品| 亚洲欧美成人综合另类久久久| 人人妻人人澡人人爽人人夜夜| av黄色大香蕉| 国产精品久久久久久精品电影小说| 国产男女内射视频| 国产女主播在线喷水免费视频网站| 男女无遮挡免费网站观看| 日韩 亚洲 欧美在线| √禁漫天堂资源中文www| 国产精品国产三级专区第一集| 久久精品国产亚洲av涩爱| 欧美成人午夜免费资源| 日韩免费高清中文字幕av| 一边亲一边摸免费视频| 久久99蜜桃精品久久| 高清视频免费观看一区二区| 久久久久久久国产电影| 美女福利国产在线| 久久久久视频综合| 国产一区二区三区av在线| 国产精品 国内视频| 日本免费在线观看一区| 午夜福利,免费看| 日韩成人伦理影院| 一级爰片在线观看| 精品一区二区三区视频在线| 日韩电影二区| 久久久久国产精品人妻一区二区| 久久午夜福利片| 一区二区三区乱码不卡18| www日本在线高清视频| 亚洲av免费高清在线观看| 亚洲情色 制服丝袜| 中文字幕人妻熟女乱码| 欧美日韩一区二区视频在线观看视频在线| 日韩一区二区视频免费看| 中文字幕亚洲精品专区| 亚洲色图综合在线观看| 亚洲精品乱久久久久久| 香蕉国产在线看| 制服丝袜香蕉在线| 精品人妻熟女毛片av久久网站| 国产精品久久久av美女十八| 国产无遮挡羞羞视频在线观看| 亚洲欧美清纯卡通| 中文字幕av电影在线播放| 久久久精品94久久精品| 亚洲av欧美aⅴ国产| 国产欧美亚洲国产| 成年动漫av网址| 精品99又大又爽又粗少妇毛片| 国产老妇伦熟女老妇高清| 精品少妇久久久久久888优播| 日韩三级伦理在线观看| 欧美精品一区二区免费开放| 国产熟女欧美一区二区| 久久久久久久久久成人| 亚洲综合色惰| 免费观看在线日韩| 亚洲在久久综合| 男人添女人高潮全过程视频| 亚洲国产欧美日韩在线播放| 一本大道久久a久久精品| 人人妻人人添人人爽欧美一区卜| 国产高清国产精品国产三级| 9色porny在线观看| 久久99热这里只频精品6学生| 亚洲欧洲精品一区二区精品久久久 | 七月丁香在线播放| 欧美精品人与动牲交sv欧美| a级毛片在线看网站| 亚洲精华国产精华液的使用体验| 精品午夜福利在线看| freevideosex欧美| av在线老鸭窝| 我的女老师完整版在线观看| 丝袜人妻中文字幕| 亚洲精品自拍成人| 午夜av观看不卡| 精品一区二区三区四区五区乱码 | 国产一区二区三区av在线| 久久99蜜桃精品久久| 22中文网久久字幕| 成年美女黄网站色视频大全免费| 欧美激情 高清一区二区三区| 国产日韩欧美亚洲二区| 水蜜桃什么品种好| 99九九在线精品视频| 中国三级夫妇交换| 22中文网久久字幕| 美女脱内裤让男人舔精品视频| 欧美最新免费一区二区三区| 久久亚洲国产成人精品v| 91成人精品电影| 国产精品蜜桃在线观看| 老司机影院成人| 一区二区三区四区激情视频| 午夜久久久在线观看| 国产国语露脸激情在线看| 国产黄色免费在线视频| 亚洲欧美精品自产自拍| 黄色一级大片看看| 精品人妻在线不人妻| 亚洲av在线观看美女高潮| 久久精品夜色国产| 狂野欧美激情性xxxx在线观看| 一本—道久久a久久精品蜜桃钙片| 99香蕉大伊视频| 日韩av在线免费看完整版不卡| 老司机影院毛片| 国产男女超爽视频在线观看| 欧美变态另类bdsm刘玥| 少妇人妻精品综合一区二区| 久久国产亚洲av麻豆专区| 国产视频首页在线观看| 国产一区亚洲一区在线观看| 又大又黄又爽视频免费| 在线观看免费日韩欧美大片| 高清黄色对白视频在线免费看| 日韩中字成人| 亚洲精品日韩在线中文字幕| 亚洲av日韩在线播放| 性高湖久久久久久久久免费观看| 秋霞伦理黄片| 极品少妇高潮喷水抽搐| 国产精品一区www在线观看| 最后的刺客免费高清国语| 一区二区三区四区激情视频| 久久ye,这里只有精品| 亚洲国产欧美在线一区| 草草在线视频免费看| 欧美日韩视频精品一区| 母亲3免费完整高清在线观看 | 成人漫画全彩无遮挡| 桃花免费在线播放| 中文乱码字字幕精品一区二区三区| 国产精品一区二区在线不卡| 一级片'在线观看视频| 色婷婷av一区二区三区视频| 中文欧美无线码| 免费看十八禁软件| 在线看a的网站| 日韩视频一区二区在线观看| 亚洲第一青青草原| 午夜免费观看网址| 国产主播在线观看一区二区| 日本欧美视频一区| av线在线观看网站| 丝瓜视频免费看黄片| 久久久久久人人人人人| 激情视频va一区二区三区| 色婷婷久久久亚洲欧美| 日韩免费高清中文字幕av| 一区二区三区国产精品乱码| 脱女人内裤的视频| 50天的宝宝边吃奶边哭怎么回事| 高清在线国产一区| 亚洲第一欧美日韩一区二区三区| 免费不卡黄色视频| 午夜老司机福利片| 日韩有码中文字幕| 国产av又大| tocl精华| 这个男人来自地球电影免费观看| 亚洲精品中文字幕一二三四区| 成人亚洲精品一区在线观看| 老汉色av国产亚洲站长工具| 亚洲av美国av| 欧美黄色片欧美黄色片| 久久天堂一区二区三区四区| 久久天堂一区二区三区四区| 亚洲精品一二三| 久久久久久久午夜电影 | 久久中文字幕人妻熟女| 久久九九热精品免费| 国产区一区二久久| 国产成人欧美在线观看 | 美女福利国产在线| 免费一级毛片在线播放高清视频 | 又黄又爽又免费观看的视频| 欧美人与性动交α欧美软件| 精品国产国语对白av| 国产免费男女视频| 老司机深夜福利视频在线观看| 亚洲情色 制服丝袜| 人人澡人人妻人| 午夜免费鲁丝| 精品少妇久久久久久888优播| 丁香六月欧美| 中文字幕av电影在线播放| 免费观看精品视频网站| 啦啦啦在线免费观看视频4| av国产精品久久久久影院| 99精品在免费线老司机午夜| 校园春色视频在线观看| 多毛熟女@视频| 高清在线国产一区| 久久人妻av系列| 看免费av毛片| 少妇猛男粗大的猛烈进出视频| 成人精品一区二区免费| 欧美乱码精品一区二区三区| 免费在线观看视频国产中文字幕亚洲| 咕卡用的链子| 亚洲专区字幕在线| 亚洲一区中文字幕在线| 国产精品一区二区精品视频观看| 国产精品国产高清国产av | 成熟少妇高潮喷水视频| 男女高潮啪啪啪动态图| 久久ye,这里只有精品| 淫妇啪啪啪对白视频| 精品一区二区三区av网在线观看| 中文字幕最新亚洲高清| 无人区码免费观看不卡| 麻豆国产av国片精品| 黄频高清免费视频| 国产精品久久久久久人妻精品电影| 午夜福利在线观看吧| 一级片免费观看大全| 亚洲七黄色美女视频| 色精品久久人妻99蜜桃| 成人手机av| 欧美人与性动交α欧美精品济南到| 久99久视频精品免费| 免费在线观看亚洲国产| 日韩一卡2卡3卡4卡2021年| 国产激情久久老熟女| 国产成人精品久久二区二区免费| 色婷婷久久久亚洲欧美| 精品亚洲成国产av| 一个人免费在线观看的高清视频| 99re6热这里在线精品视频| 韩国精品一区二区三区| 久久这里只有精品19| 三级毛片av免费| 欧美日韩亚洲国产一区二区在线观看 | 亚洲国产精品sss在线观看 | 亚洲欧美激情在线| 欧美人与性动交α欧美软件| 伦理电影免费视频| 免费观看精品视频网站| 一本综合久久免费| 国产乱人伦免费视频| 午夜视频精品福利| 亚洲少妇的诱惑av| 美女午夜性视频免费| 欧美黄色片欧美黄色片| 欧美日韩中文字幕国产精品一区二区三区 | 精品久久蜜臀av无| 精品午夜福利视频在线观看一区| 丰满人妻熟妇乱又伦精品不卡| 精品久久久久久久久久免费视频 | 老熟妇仑乱视频hdxx| 欧美精品高潮呻吟av久久| 捣出白浆h1v1| 免费女性裸体啪啪无遮挡网站| 在线观看午夜福利视频| 国产国语露脸激情在线看| 两性夫妻黄色片| 操美女的视频在线观看| 欧美精品av麻豆av| 在线国产一区二区在线| 欧美精品亚洲一区二区| 悠悠久久av| 啦啦啦免费观看视频1| 国产一卡二卡三卡精品| av有码第一页| 国产成人精品久久二区二区91| 欧美日韩视频精品一区| 久久久国产成人精品二区 | 国产91精品成人一区二区三区| 捣出白浆h1v1| 免费女性裸体啪啪无遮挡网站| 亚洲一区二区三区欧美精品| bbb黄色大片| 国产精品欧美亚洲77777| 亚洲 欧美一区二区三区| 9191精品国产免费久久| 欧美成人午夜精品| 涩涩av久久男人的天堂| 欧美老熟妇乱子伦牲交| 亚洲性夜色夜夜综合| a级毛片在线看网站| 在线观看免费午夜福利视频| 国产亚洲欧美精品永久| 久久青草综合色| 国产乱人伦免费视频| 好男人电影高清在线观看| avwww免费| 操出白浆在线播放| 一级毛片精品| 纯流量卡能插随身wifi吗| 老鸭窝网址在线观看| 亚洲国产中文字幕在线视频| 久久精品亚洲精品国产色婷小说| 婷婷精品国产亚洲av在线 | 午夜福利在线观看吧| 欧美在线一区亚洲| 国产精品成人在线| 精品久久久久久电影网| 69精品国产乱码久久久| 俄罗斯特黄特色一大片| 国产精品二区激情视频| 亚洲国产毛片av蜜桃av| 美女视频免费永久观看网站| 亚洲色图av天堂| 一本大道久久a久久精品| 日日爽夜夜爽网站| 一级毛片高清免费大全| 久久精品国产99精品国产亚洲性色 | 免费在线观看影片大全网站| 欧美精品亚洲一区二区| 久久精品国产综合久久久| 成人精品一区二区免费| 国产精品免费视频内射| videos熟女内射| 国产av精品麻豆| 久久久久久亚洲精品国产蜜桃av| netflix在线观看网站| 十八禁高潮呻吟视频| 黄色视频,在线免费观看| 国产精品秋霞免费鲁丝片| 日日爽夜夜爽网站| 纯流量卡能插随身wifi吗| 岛国毛片在线播放| 久久香蕉激情| 一级毛片高清免费大全| 99久久人妻综合| 久久中文字幕人妻熟女| 国产单亲对白刺激| 亚洲va日本ⅴa欧美va伊人久久| 天天影视国产精品| 男女下面插进去视频免费观看| 国产精品免费大片| 国产精品98久久久久久宅男小说| 久久精品aⅴ一区二区三区四区| 亚洲人成77777在线视频| 黄片大片在线免费观看| 一区在线观看完整版| 欧美另类亚洲清纯唯美| 久久 成人 亚洲| 黄色毛片三级朝国网站| 欧美日韩av久久| 国产男靠女视频免费网站| 天天躁狠狠躁夜夜躁狠狠躁| 国产三级黄色录像| 国产精华一区二区三区| 国产av又大| 国产精品欧美亚洲77777| 美国免费a级毛片| 国产精品1区2区在线观看. | 很黄的视频免费| 热99re8久久精品国产| 国产欧美日韩综合在线一区二区| 99精品久久久久人妻精品| 久久性视频一级片| 国产av又大| 美女 人体艺术 gogo| 99久久精品国产亚洲精品| 很黄的视频免费| 无人区码免费观看不卡| x7x7x7水蜜桃| 欧美黄色淫秽网站| 大片电影免费在线观看免费| 国产精品免费大片| 国产精品一区二区免费欧美| 丁香六月欧美| 超碰成人久久| 曰老女人黄片| 精品国产亚洲在线| 国产深夜福利视频在线观看| 亚洲国产精品sss在线观看 | 人妻久久中文字幕网| 亚洲专区字幕在线| 无遮挡黄片免费观看| 日韩三级视频一区二区三区| tocl精华| 高潮久久久久久久久久久不卡| 在线观看www视频免费| 久久天堂一区二区三区四区| 一级,二级,三级黄色视频| 校园春色视频在线观看| 一边摸一边抽搐一进一出视频| 国产真人三级小视频在线观看| 极品教师在线免费播放| av片东京热男人的天堂| 亚洲午夜理论影院| 精品人妻1区二区| 欧美日韩中文字幕国产精品一区二区三区 | 日韩一卡2卡3卡4卡2021年| 国精品久久久久久国模美| 国产欧美日韩一区二区三区在线| 日韩三级视频一区二区三区| 中文字幕人妻熟女乱码| 最新在线观看一区二区三区| 成人永久免费在线观看视频| 亚洲少妇的诱惑av| 欧美日韩乱码在线| 免费观看a级毛片全部| 欧美另类亚洲清纯唯美| 水蜜桃什么品种好| 少妇被粗大的猛进出69影院| 最近最新免费中文字幕在线| 国产精品秋霞免费鲁丝片| 亚洲欧美一区二区三区久久| 日本五十路高清| 热99久久久久精品小说推荐| 男女下面插进去视频免费观看| 欧美国产精品一级二级三级| 九色亚洲精品在线播放| 欧美+亚洲+日韩+国产| 人人妻人人澡人人爽人人夜夜| 精品国产一区二区久久| 看黄色毛片网站| 国产男靠女视频免费网站| 国产精品自产拍在线观看55亚洲 | 亚洲午夜理论影院| 婷婷精品国产亚洲av在线 | 老鸭窝网址在线观看| 久久ye,这里只有精品| 黄网站色视频无遮挡免费观看| 精品人妻熟女毛片av久久网站| 久久久久国内视频| 夜夜躁狠狠躁天天躁| 日韩免费av在线播放| 国产精品自产拍在线观看55亚洲 | 无限看片的www在线观看| 天天影视国产精品| 黄片大片在线免费观看| 1024视频免费在线观看| 国产人伦9x9x在线观看| 精品欧美一区二区三区在线| 欧美日韩国产mv在线观看视频| 巨乳人妻的诱惑在线观看| 母亲3免费完整高清在线观看| 91大片在线观看| 欧美乱色亚洲激情| 一进一出好大好爽视频| 亚洲人成电影免费在线| 看黄色毛片网站| 成年动漫av网址| 亚洲第一欧美日韩一区二区三区| 免费黄频网站在线观看国产| 国产成人欧美在线观看 | 欧美成人午夜精品| 亚洲av日韩在线播放| 老熟妇乱子伦视频在线观看| 亚洲精品中文字幕一二三四区| 咕卡用的链子| 黄色视频,在线免费观看| 亚洲av片天天在线观看| 国产精品一区二区在线观看99| 又黄又粗又硬又大视频| 日韩人妻精品一区2区三区| 999久久久精品免费观看国产| 欧美色视频一区免费| 国产精品久久久久久精品古装| 黄片大片在线免费观看| 老司机靠b影院| 视频区图区小说| 亚洲 国产 在线| 别揉我奶头~嗯~啊~动态视频| 12—13女人毛片做爰片一| 亚洲五月婷婷丁香| 国产精品一区二区精品视频观看| 国产成人精品无人区| 亚洲av成人一区二区三| 国产亚洲欧美在线一区二区| 久久人妻av系列| 美女午夜性视频免费| 久久草成人影院| 好男人电影高清在线观看| 三级毛片av免费| 不卡一级毛片| 男人操女人黄网站| 一二三四在线观看免费中文在| 精品福利永久在线观看| 亚洲一区二区三区不卡视频| 一个人免费在线观看的高清视频| 9色porny在线观看| 欧美老熟妇乱子伦牲交| 免费av中文字幕在线| 国产不卡一卡二| 高清av免费在线| 免费黄频网站在线观看国产| 国产精品亚洲av一区麻豆| 伊人久久大香线蕉亚洲五| 无人区码免费观看不卡| 国产精品久久久久久精品古装| 成人手机av| 久热爱精品视频在线9| 色精品久久人妻99蜜桃| 又黄又爽又免费观看的视频| 性色av乱码一区二区三区2| 黑人操中国人逼视频| 女人久久www免费人成看片| 国产成人免费无遮挡视频| 国产一区二区三区综合在线观看| av国产精品久久久久影院| 亚洲,欧美精品.| 人人妻人人添人人爽欧美一区卜| 他把我摸到了高潮在线观看| 国产人伦9x9x在线观看| 久久亚洲精品不卡| svipshipincom国产片| 国产真人三级小视频在线观看| 精品欧美一区二区三区在线| 波多野结衣av一区二区av| 性少妇av在线| 亚洲欧美色中文字幕在线|