• <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(shí)間序列數(shù)據(jù)挖掘的故障檢測(cè)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(dòng)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(shí)間序列數(shù)據(jù)挖掘的故障檢測(cè)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(cè)發(fā)動(dòng)機(jī)試車(chē)實(shí)驗(yàn)中性能參數(shù)發(fā)生的異常,提出一種基于時(shí)間序列數(shù)據(jù)挖掘的發(fā)動(dòng)機(jī)故障檢測(cè)方法。通過(guò)基于形態(tài)特征的時(shí)間序列特征表示方法,將發(fā)動(dòng)機(jī)參數(shù)時(shí)間序列轉(zhuǎn)化為符號(hào)序列,再根據(jù)符號(hào)語(yǔ)義對(duì)發(fā)動(dòng)機(jī)參數(shù)序列實(shí)現(xiàn)穩(wěn)態(tài)特征和過(guò)渡態(tài)特征識(shí)別。同時(shí),根據(jù)穩(wěn)態(tài)序列的數(shù)據(jù)特征,利用基于統(tǒng)計(jì)特征的時(shí)間序列相似性度量結(jié)合最不相似模式發(fā)現(xiàn)方法實(shí)現(xiàn)發(fā)動(dòng)機(jī)的故障檢測(cè)。數(shù)值實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)方法相比,本文方法能夠有效地對(duì)發(fā)動(dòng)機(jī)性能參數(shù)進(jìn)行故障檢測(cè),并且具有較強(qiáng)的魯棒性。

    發(fā)動(dòng)機(jī)參數(shù);故障檢測(cè);異常模式;時(shí)間序列數(shù)據(jù)挖掘

    引 言

    故障檢測(cè)是用來(lái)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(dòng)機(jī)運(yùn)行故障的發(fā)生。近年來(lái),出現(xiàn)多種方法用于發(fā)動(dòng)機(jī)故障的檢測(cè),例如基于神經(jīng)網(wǎng)絡(luò)的方法[3]、基于信號(hào)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(cè)方法早在20世紀(jì)90年代中期就已用于故障檢測(cè),但其性能較低且具有較高的檢測(cè)錯(cuò)誤。后來(lái)提出的故障檢測(cè)異常系統(tǒng)(System for anomaly and failure detection, SAFD)彌補(bǔ)了傳統(tǒng)方法的部分不足之處,但其檢測(cè)質(zhì)量還依賴(lài)于具體參數(shù)的設(shè)定。對(duì)此,王珉等[7]對(duì)參數(shù)采樣值進(jìn)行離散化,并結(jié)合模式知識(shí)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(cè)方法(Adaptive threshold algorithm, ATA)。 在某種程度上講,ATA彌補(bǔ)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(shí), ATA因設(shè)定參數(shù)門(mén)限將會(huì)導(dǎo)致它無(wú)法檢測(cè)出測(cè)量值較小但數(shù)據(jù)波動(dòng)形態(tài)異常情況。

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

    1 理論基礎(chǔ)

    1.1 時(shí)間序列符號(hào)化

    符號(hào)化聚合近似(Symbolic aggregate approximation, SAX)[8,12]是典型的時(shí)間序列符號(hào)轉(zhuǎn)化方法,它利用分段聚合近似(Piecewise aggregate approximation, PAA)對(duì)時(shí)間序列進(jìn)行特征表示。同時(shí),將時(shí)間序列數(shù)值域按等概率劃分成若干個(gè)子區(qū)域,每個(gè)區(qū)域由不同的符號(hào)來(lái)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(hào)被轉(zhuǎn)化成字符串序列。

    (1)

    (2)

    根據(jù)傳統(tǒng)分段聚合符號(hào)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(gè)子空間或子區(qū)域,每個(gè)區(qū)域可用對(duì)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(hào)序列的轉(zhuǎn)化。

    如圖1所示,可以將標(biāo)準(zhǔn)化后的時(shí)間序列數(shù)據(jù)分布空間按等概率的形式化分為3個(gè)區(qū)域,每個(gè)區(qū)域用相應(yīng)的字符來(lái)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(hào)符合人的思維活動(dòng),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(shí)間序列的形態(tài)變化趨勢(shì),圖1中符號(hào)的描述說(shuō)明了時(shí)間序列經(jīng)過(guò)了連續(xù)下降、短暫平緩過(guò)度和慢慢上升3個(gè)階段。

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

    1.2 相似性度量

    通過(guò)符號(hào)化特征表示后,可以識(shí)別發(fā)動(dòng)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(dòng)機(jī)試車(chē)實(shí)驗(yàn)的最重要來(lái)源,也是特征識(shí)別的主要對(duì)象。穩(wěn)態(tài)數(shù)據(jù)中的異常模式發(fā)現(xiàn)是試車(chē)實(shí)驗(yàn)中最主要的目標(biāo)之一。在時(shí)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(guò)程中重要的方法[14,15]。在異常模式發(fā)現(xiàn)任務(wù),通過(guò)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(dòng)機(jī)參數(shù)具有時(shí)間序列的時(shí)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(jì)特征的距離度量方法(Non linear statistical feature based PAA, NLSF_PAA)[16]來(lái)描述特征序列之間的相似性。該方法不僅能有效地對(duì)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(bào)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(duì)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(jì)特征的時(shí)間序列相似性度量方法[16],即

    (6)

    2 發(fā)動(dòng)機(jī)故障檢測(cè)算法

    鑒于發(fā)動(dòng)機(jī)穩(wěn)態(tài)數(shù)據(jù)和過(guò)渡態(tài)數(shù)據(jù)的重要性,結(jié)合基于形態(tài)特征的時(shí)間序列符號(hào)化表示方法提出特征識(shí)別算法對(duì)發(fā)動(dòng)機(jī)參數(shù)進(jìn)行這兩種狀態(tài)數(shù)據(jù)序列的識(shí)別。然而,對(duì)于穩(wěn)態(tài)數(shù)據(jù)序列特征,使用基于非線性統(tǒng)計(jì)特征的發(fā)動(dòng)機(jī)檢測(cè)方法,充分利用均值和方差兩個(gè)統(tǒng)計(jì)量來(lái)描述穩(wěn)態(tài)數(shù)據(jù)波動(dòng)情況,并且結(jié)合相應(yīng)的度量函數(shù)來(lái)實(shí)現(xiàn)故障異常模式。

    2.1 特征識(shí)別

    發(fā)動(dòng)機(jī)參數(shù)通常包括穩(wěn)態(tài)數(shù)據(jù)和過(guò)渡態(tài)數(shù)據(jù),其中過(guò)渡態(tài)數(shù)據(jù)可分成上升和下降兩種狀態(tài)。通過(guò)時(shí)間序列數(shù)據(jù)挖掘中的符號(hào)特征表示方法,可以有效地識(shí)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(dòng)機(jī)參數(shù)的穩(wěn)態(tài)和過(guò)渡態(tài)兩種數(shù)據(jù)。同時(shí),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(dòng)情況來(lái)看,穩(wěn)態(tài)序列和過(guò)渡態(tài)序列中相鄰數(shù)據(jù)之間沒(méi)有一定的規(guī)律性,使得對(duì)它們的識(shí)別存在一定的困難。

    圖2 發(fā)動(dòng)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(dòng)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(guò)渡態(tài)和穩(wěn)態(tài)序列之間不存在明顯的分界點(diǎn),一般即有一事實(shí)上的緩沖過(guò)程,故在特征識(shí)別過(guò)程中,需要考慮此種情況,以便更有效地識(shí)別出這兩大類(lèi)特征。為了解決此問(wèn)題,提出“去頭尾”操作,即經(jīng)符號(hào)特征表示后,刪除字符串序列中相鄰且相異的兩個(gè)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(guò)渡態(tài)序列和上升過(guò)渡態(tài)序列。基于形態(tài)符號(hào)化表示的特征識(shí)別算法如下。

    算法1 [G,U,D]=SSAX_FR(T,k)

    輸入:發(fā)動(dòng)機(jī)參數(shù)T,子序列長(zhǎng)度k。

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

    (3) 針對(duì)每個(gè)子序列Si,利用式(1,2)計(jì)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(duì)R進(jìn)行“去頭尾”操作,即從第2個(gè)字符開(kāi)始至到最后一個(gè)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(hào)意義以及相應(yīng)子序列在參數(shù)中的時(shí)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(cè)算法

    在時(shí)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(shí)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(chēng)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(hào)化過(guò)程和相應(yīng)的啟發(fā)式規(guī)則來(lái)實(shí)現(xiàn)最不相似模式序列的識(shí)別,其算法過(guò)程描述如下。

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

    輸入:時(shí)間序列Q,模式長(zhǎng)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(shí)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(lái)記錄兩個(gè)模式在Q中的位置信息。

    (2) 對(duì)于外層循環(huán),每個(gè)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(shí)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(jì)特征的時(shí)間序列距離度量方法能較好地對(duì)序列片段進(jìn)行相似性度量,為了提高實(shí)際發(fā)動(dòng)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(lái)進(jìn)行發(fā)動(dòng)機(jī)故障檢測(cè),故在上述模式算法HeuristicSearch中,利用式(6)來(lái)計(jì)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(shí)驗(yàn)

    為了驗(yàn)證發(fā)動(dòng)機(jī)故障檢測(cè)算法的可行性和有效性,采用某型號(hào)發(fā)動(dòng)機(jī)試車(chē)實(shí)驗(yàn)中參數(shù)的仿真數(shù)據(jù)進(jìn)行故障檢測(cè)實(shí)驗(yàn)。本次實(shí)驗(yàn)分為兩個(gè)步驟:特征識(shí)別實(shí)驗(yàn)和故障檢測(cè)實(shí)驗(yàn)。前者通過(guò)基于形態(tài)特征的時(shí)間序列符號(hào)化表示方法對(duì)仿真數(shù)據(jù)進(jìn)行特征識(shí)別,進(jìn)而說(shuō)明基于形態(tài)特征表示方法用來(lái)進(jìn)行發(fā)動(dòng)機(jī)參數(shù)特征識(shí)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(dòng)機(jī)故障檢測(cè)算法來(lái)對(duì)穩(wěn)態(tài)數(shù)據(jù)進(jìn)行異常檢測(cè),同時(shí)與傳統(tǒng)方法相比,驗(yàn)證新方法對(duì)發(fā)動(dòng)機(jī)穩(wěn)態(tài)數(shù)據(jù)故障分析的有效性和檢測(cè)效果。

    3.1 特征識(shí)別實(shí)驗(yàn)

    根據(jù)前面分析易知,發(fā)動(dòng)機(jī)試車(chē)實(shí)驗(yàn)參數(shù)表現(xiàn)出時(shí)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(hào)化表示方法對(duì)其進(jìn)行特征識(shí)別,即穩(wěn)態(tài)特征和過(guò)渡態(tài)特征的識(shí)別。由于這兩類(lèi)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(shí)別過(guò)程中設(shè)置3種字符來(lái)分別表示3種狀態(tài)的情況。根據(jù)算法要求,將長(zhǎng)度為m的發(fā)動(dòng)機(jī)參數(shù)數(shù)據(jù)平均分成w個(gè)序列片段,每個(gè)子列片段的數(shù)據(jù)量(即長(zhǎng)度)為k。同時(shí),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(duì)應(yīng)的符號(hào)分別為A,B和C。通過(guò)特征識(shí)別算法即可將發(fā)動(dòng)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(yǔ)義,提取對(duì)應(yīng)的特征序列。

    在本次算法實(shí)驗(yàn)中,設(shè)定k=100,其表示每個(gè)序列片段的長(zhǎng)度為100,則通過(guò)特征識(shí)別算法即可獲得發(fā)動(dòng)機(jī)參數(shù)序列的特征識(shí)別。為了便于顯示和描述,圖3(a)中實(shí)線和其他3個(gè)子圖中虛線表示同一發(fā)動(dòng)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(shí)別算法的運(yùn)行結(jié)果。從圖中顯示效果容易判斷,參數(shù)特征識(shí)別算法SSAX_FR能有效地對(duì)發(fā)動(dòng)機(jī)參數(shù)序列進(jìn)行3種主要狀態(tài)特征的識(shí)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(guò)渡態(tài)數(shù)據(jù)。

    圖3 發(fā)動(dòng)機(jī)參數(shù)的特征識(shí)別Fig.3 Feature recognition of engine parameter

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

    另外,通過(guò)對(duì)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(shí)別算法SSAX_FR的執(zhí)行,并考查不同k對(duì)穩(wěn)態(tài)特征識(shí)別的質(zhì)量,即穩(wěn)態(tài)特征的識(shí)別率。通過(guò)對(duì)長(zhǎng)度為8 000的參數(shù)時(shí)間序列進(jìn)行穩(wěn)態(tài)特征識(shí)別,在k分別取值為[20,40,80,160,320]情況下,穩(wěn)態(tài)特征識(shí)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(dòng)機(jī)參數(shù)序列中,k值在某一范圍內(nèi)能取得較好的識(shí)別效果。然而,若k值太大,則其穩(wěn)態(tài)識(shí)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(lái)表示長(zhǎng)度為k的序列段過(guò)于粗糙,進(jìn)而降低了穩(wěn)態(tài)特征的識(shí)別質(zhì)量。在發(fā)動(dòng)機(jī)參數(shù)特征識(shí)別過(guò)程中,序列片段長(zhǎng)度k還通常根據(jù)具體發(fā)動(dòng)機(jī)參數(shù)試車(chē)實(shí)驗(yàn)中信息采集頻率來(lái)決定。若試車(chē)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(shí)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(zhǎng)度。

    3.2 異常檢測(cè)實(shí)驗(yàn)

    通過(guò)基于時(shí)間序列形態(tài)符號(hào)化表示的參數(shù)特征識(shí)

    別算法,可以從發(fā)動(dòng)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(duì)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(cè)分析。為了更好地說(shuō)明本文提出的基于統(tǒng)計(jì)特征的相似性度量[15]進(jìn)行發(fā)動(dòng)機(jī)參數(shù)穩(wěn)態(tài)特征數(shù)據(jù)異常檢測(cè)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(cè)方法來(lái)進(jìn)行實(shí)驗(yàn),即利用歐氏距離和基于PAA的距離度量函數(shù)來(lái)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(guò)故障檢測(cè)算法分析,其實(shí)驗(yàn)結(jié)果如圖5所示。在圖5(a)中,給出了檢測(cè)發(fā)動(dòng)機(jī)參數(shù)中某個(gè)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(dòng)范圍,且序列片段是異常模式;圖5(b)則給出了發(fā)動(dòng)機(jī)參數(shù)中另外某個(gè)水平狀態(tài)下的穩(wěn)態(tài)數(shù)據(jù)中,某段子序列的波動(dòng)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(dòng)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(cè)結(jié)果Fig.5 Abnormal detection for two kinds of stable feature data

    實(shí)驗(yàn)結(jié)果顯示,3種方法對(duì)于發(fā)動(dòng)機(jī)參數(shù)中穩(wěn)態(tài)數(shù)據(jù)片段波動(dòng)性較大的異常模式都可以有效地識(shí)別,如圖5(a)所示。 然而,對(duì)于波動(dòng)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(cè)方法無(wú)法進(jìn)行有效識(shí)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(jì)特征表示的故障檢測(cè)方法能較好地對(duì)發(fā)動(dòng)機(jī)的異常模式進(jìn)行識(shí)別。

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

    針對(duì)上面兩種情況,利用文獻(xiàn)[7]提出的發(fā)動(dòng)機(jī)故障檢測(cè)方法ATA進(jìn)行數(shù)據(jù)實(shí)驗(yàn),該方法的發(fā)動(dòng)機(jī)故障檢測(cè)結(jié)果如圖6所示。該實(shí)驗(yàn)結(jié)果表示,ATA把超出門(mén)限范圍的數(shù)據(jù)點(diǎn)視為了數(shù)據(jù)異常點(diǎn),沒(méi)能有效地對(duì)故障模式片段進(jìn)行識(shí)別。與實(shí)驗(yàn)結(jié)果圖5(b)相比,本文提出的基于時(shí)間序列數(shù)據(jù)挖掘的發(fā)動(dòng)機(jī)故障檢測(cè)方法NLSF_AbnormSearch能夠很好地檢測(cè)出發(fā)動(dòng)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(dòng)機(jī)故障提供了可行的技術(shù)和方法。

    4 結(jié)束語(yǔ)

    通過(guò)對(duì)傳統(tǒng)發(fā)動(dòng)機(jī)故障檢測(cè)方法的分析,本文提出一種基于時(shí)間序列數(shù)據(jù)挖掘的故障檢測(cè)方法。根據(jù)發(fā)動(dòng)機(jī)試車(chē)參數(shù)的時(shí)間序列特性以及參數(shù)中穩(wěn)態(tài)數(shù)據(jù)和過(guò)渡態(tài)數(shù)據(jù)的重要性,利用基于時(shí)間序列數(shù)據(jù)挖掘中形態(tài)特征符號(hào)化表示方法對(duì)參數(shù)時(shí)間序列進(jìn)行字符串轉(zhuǎn)化,使其轉(zhuǎn)化為具有實(shí)際語(yǔ)義的字符,并以此對(duì)發(fā)動(dòng)機(jī)參數(shù)序列的兩種狀態(tài)特征進(jìn)行有效的識(shí)別。另外,本文針對(duì)發(fā)動(dòng)機(jī)試車(chē)實(shí)驗(yàn)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(jì)特征表示的時(shí)間序列距離度量方法實(shí)現(xiàn)該特征數(shù)據(jù)的異常模式檢測(cè)。在數(shù)值仿真實(shí)驗(yàn)中,通過(guò)特征識(shí)別和異常檢測(cè)結(jié)果的比較,驗(yàn)證了新方法對(duì)發(fā)動(dòng)機(jī)參數(shù)故障檢測(cè)的有效性。同時(shí),與傳統(tǒng)方法相比,新方法能夠較好地發(fā)現(xiàn)和檢測(cè)異常模式,具有較強(qiáng)的魯棒性。然而,本文的重點(diǎn)主要在于發(fā)動(dòng)機(jī)參數(shù)序列數(shù)據(jù)中狀態(tài)特征的識(shí)別和穩(wěn)態(tài)數(shù)據(jù)中和異常故障檢測(cè),對(duì)于過(guò)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(cè)發(fā)動(dòng)機(jī)參數(shù)時(shí)間序列過(guò)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(shí)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(dòng)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(dòng)機(jī)故障診斷方法研究[J]. 制造業(yè)自動(dòng)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(dòng)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(shí)規(guī)則的發(fā)動(dòng)機(jī)磨損故障診斷專(zhuān)家系統(tǒng)[J]. 航空動(dòng)力學(xué)報(bào), 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(guó)軍. 基于模式矩陣的液體火箭發(fā)動(dòng)機(jī)試車(chē)臺(tái)故障關(guān)聯(lián)規(guī)則挖掘[J]. 宇航學(xué)報(bào), 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(shí)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(lèi)再回歸方法在機(jī)場(chǎng)噪聲時(shí)間序列預(yù)測(cè)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(wàn)里, 廖建新, 朱曉民. 一種時(shí)間序列頻繁模式挖掘算法及其在WSAN行為預(yù)測(cè)中的應(yīng)用[J]. 電子與信息學(xué)報(bào), 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(shí)間序列符號(hào)聚合近似方法[J]. 模式識(shí)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(shí)間序列相似度量[J]. 電子與信息學(xué)報(bào), 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(guó)家自然科學(xué)基金(61300139)資助項(xiàng)目;華僑大學(xué)中青年教師科研提升資助計(jì)劃(ZQN-PY220)資助項(xiàng)目。

    2014-09-12;

    2014-09-30

    TP18

    A

    猜你喜歡
    發(fā)動(dòng)機(jī)特征故障
    故障一點(diǎn)通
    如何表達(dá)“特征”
    發(fā)動(dòng)機(jī)空中起動(dòng)包線擴(kuò)展試飛組織與實(shí)施
    不忠誠(chéng)的四個(gè)特征
    抓住特征巧觀察
    奔馳R320車(chē)ABS、ESP故障燈異常點(diǎn)亮
    故障一點(diǎn)通
    江淮車(chē)故障3例
    新一代MTU2000發(fā)動(dòng)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
    国产一区二区激情短视频| 欧美黄色片欧美黄色片| 亚洲五月天丁香| 禁无遮挡网站| 18禁黄网站禁片午夜丰满| 国产蜜桃级精品一区二区三区| 在线观看一区二区三区| 久久久成人免费电影| 99热只有精品国产| 大型黄色视频在线免费观看| 一区福利在线观看| www.999成人在线观看| 18禁国产床啪视频网站| 国产一区二区在线av高清观看| 亚洲欧美一区二区三区黑人| 亚洲人与动物交配视频| 亚洲av电影不卡..在线观看| 欧美大码av| 女人被狂操c到高潮| 天堂影院成人在线观看| 成人亚洲精品av一区二区| 婷婷丁香在线五月| 在线看三级毛片| 亚洲成a人片在线一区二区| 人妻久久中文字幕网| 午夜激情欧美在线| 性色avwww在线观看| 天天躁日日操中文字幕| 亚洲成a人片在线一区二区| 熟女少妇亚洲综合色aaa.| 日本一二三区视频观看| 可以在线观看的亚洲视频| 99riav亚洲国产免费| 十八禁人妻一区二区| 亚洲五月天丁香| 色精品久久人妻99蜜桃| 国模一区二区三区四区视频 | 热99re8久久精品国产| 欧美日韩一级在线毛片| 日韩有码中文字幕| 国产淫片久久久久久久久 | 最新中文字幕久久久久 | 韩国av一区二区三区四区| 成人国产一区最新在线观看| 欧美日韩乱码在线| 成年女人毛片免费观看观看9| 久久伊人香网站| 国产亚洲精品av在线| 午夜福利在线观看免费完整高清在 | www.精华液| 国产av麻豆久久久久久久| 国产探花在线观看一区二区| 欧美日本视频| 免费在线观看视频国产中文字幕亚洲| 在线a可以看的网站| 亚洲 国产 在线| 热99在线观看视频| 久久久久久大精品| 久久中文字幕人妻熟女| 午夜影院日韩av| www.精华液| 国产男靠女视频免费网站| 99久久久亚洲精品蜜臀av| 亚洲精品在线美女| 亚洲熟女毛片儿| 两个人的视频大全免费| 日本免费一区二区三区高清不卡| 欧美黄色片欧美黄色片| 国产一区二区激情短视频| 免费看十八禁软件| 18禁黄网站禁片午夜丰满| 亚洲天堂国产精品一区在线| 国产毛片a区久久久久| 99久久久亚洲精品蜜臀av| 国产伦精品一区二区三区视频9 | 精品久久久久久久人妻蜜臀av| 精品福利观看| 日本黄色视频三级网站网址| 91av网一区二区| 五月玫瑰六月丁香| 老司机在亚洲福利影院| 丁香六月欧美| 国产日本99.免费观看| 一区二区三区国产精品乱码| 三级男女做爰猛烈吃奶摸视频| 亚洲片人在线观看| av视频在线观看入口| 一个人免费在线观看电影 | 99在线视频只有这里精品首页| 免费高清视频大片| а√天堂www在线а√下载| 成人午夜高清在线视频| 国产69精品久久久久777片 | 少妇裸体淫交视频免费看高清| 桃红色精品国产亚洲av| 免费看十八禁软件| 99久久精品国产亚洲精品| 国产淫片久久久久久久久 | 岛国视频午夜一区免费看| 亚洲av第一区精品v没综合| 精品一区二区三区四区五区乱码| 久久久久精品国产欧美久久久| 久久精品亚洲精品国产色婷小说| 每晚都被弄得嗷嗷叫到高潮| 深夜精品福利| 香蕉国产在线看| 非洲黑人性xxxx精品又粗又长| 人妻丰满熟妇av一区二区三区| 国产精品1区2区在线观看.| 国产野战对白在线观看| 色综合站精品国产| 久9热在线精品视频| 99热这里只有精品一区 | 午夜福利高清视频| www日本黄色视频网| 欧美日韩乱码在线| 久久午夜亚洲精品久久| 国产v大片淫在线免费观看| 搡老熟女国产l中国老女人| 1000部很黄的大片| 亚洲国产欧洲综合997久久,| 亚洲七黄色美女视频| 少妇的丰满在线观看| 一本综合久久免费| 亚洲精品一区av在线观看| 久久久精品欧美日韩精品| 给我免费播放毛片高清在线观看| 久久午夜综合久久蜜桃| 久久国产精品影院| www.自偷自拍.com| 亚洲熟妇中文字幕五十中出| 免费人成视频x8x8入口观看| 久久久久国产一级毛片高清牌| 亚洲自偷自拍图片 自拍| 亚洲av成人不卡在线观看播放网| av天堂在线播放| 国产亚洲欧美在线一区二区| 99在线视频只有这里精品首页| 观看免费一级毛片| 美女被艹到高潮喷水动态| av福利片在线观看| 国产精品av视频在线免费观看| 久久中文字幕一级| 精品欧美国产一区二区三| 亚洲人成伊人成综合网2020| 天堂影院成人在线观看| 亚洲最大成人中文| 人人妻,人人澡人人爽秒播| 日韩免费av在线播放| 丰满的人妻完整版| 亚洲国产欧美一区二区综合| 精品免费久久久久久久清纯| 国产精品美女特级片免费视频播放器 | 免费观看人在逋| 国产av不卡久久| 日本五十路高清| 国产精品国产高清国产av| 欧美国产日韩亚洲一区| 香蕉国产在线看| 国产精品自产拍在线观看55亚洲| 美女免费视频网站| 国产亚洲精品久久久久久毛片| 久久久国产欧美日韩av| 国产一区二区在线av高清观看| 一个人看视频在线观看www免费 | 国产成人欧美在线观看| 国产熟女xx| 国产野战对白在线观看| 一a级毛片在线观看| 麻豆国产97在线/欧美| 天天躁日日操中文字幕| 99久久精品国产亚洲精品| 成人欧美大片| 国产精品99久久99久久久不卡| 亚洲国产精品999在线| 欧美黄色片欧美黄色片| 国内毛片毛片毛片毛片毛片| 亚洲国产色片| 一本精品99久久精品77| 免费无遮挡裸体视频| 97人妻精品一区二区三区麻豆| 中文字幕熟女人妻在线| 男人和女人高潮做爰伦理| 高清在线国产一区| www日本在线高清视频| 神马国产精品三级电影在线观看| 久久精品影院6| 无人区码免费观看不卡| 国内精品久久久久精免费| 日本黄大片高清| 极品教师在线免费播放| 天堂网av新在线| 亚洲国产精品sss在线观看| 美女cb高潮喷水在线观看 | 亚洲aⅴ乱码一区二区在线播放| 99热这里只有是精品50| 国产高清激情床上av| 免费观看的影片在线观看| 国产精品野战在线观看| 男人舔女人下体高潮全视频| 99久久精品国产亚洲精品| 亚洲成av人片在线播放无| 国产男靠女视频免费网站| 欧美成人性av电影在线观看| 高清在线国产一区| 男女做爰动态图高潮gif福利片| 久久国产乱子伦精品免费另类| 97超视频在线观看视频| 18禁美女被吸乳视频| 99久国产av精品| 欧美日韩精品网址| 日本与韩国留学比较| 国产亚洲欧美在线一区二区| 男人和女人高潮做爰伦理| 高清在线国产一区| 全区人妻精品视频| 九九久久精品国产亚洲av麻豆 | 麻豆国产av国片精品| 91老司机精品| 变态另类成人亚洲欧美熟女| 一a级毛片在线观看| 91久久精品国产一区二区成人 | 亚洲无线在线观看| 好男人在线观看高清免费视频| 亚洲天堂国产精品一区在线| 成年版毛片免费区| 宅男免费午夜| 久久久国产成人免费| 亚洲欧美日韩高清在线视频| 欧美三级亚洲精品| 成人特级av手机在线观看| av片东京热男人的天堂| 国产又黄又爽又无遮挡在线| 黄色成人免费大全| 男人舔女人下体高潮全视频| 欧美激情在线99| 亚洲国产精品久久男人天堂| 国产免费男女视频| av国产免费在线观看| а√天堂www在线а√下载| 午夜成年电影在线免费观看| 手机成人av网站| 国产精品久久久久久精品电影| 欧美色视频一区免费| 国产欧美日韩精品一区二区| 小说图片视频综合网站| 免费看a级黄色片| 最近视频中文字幕2019在线8| 桃色一区二区三区在线观看| 国产综合懂色| ponron亚洲| 精品久久久久久久毛片微露脸| xxxwww97欧美| 一个人看视频在线观看www免费 | 老熟妇仑乱视频hdxx| 视频区欧美日本亚洲| 国产视频内射| 中文字幕高清在线视频| www.自偷自拍.com| 嫩草影院精品99| 99久国产av精品| 亚洲成人免费电影在线观看| 美女高潮喷水抽搐中文字幕| 青草久久国产| 精品午夜福利视频在线观看一区| 一区二区三区国产精品乱码| 亚洲精品一区av在线观看| 亚洲精品美女久久久久99蜜臀| 日韩有码中文字幕| 久久精品国产综合久久久| 国产三级中文精品| 99国产综合亚洲精品| e午夜精品久久久久久久| 搡老熟女国产l中国老女人| 不卡一级毛片| 麻豆国产97在线/欧美| 中文字幕精品亚洲无线码一区| 9191精品国产免费久久| 丁香欧美五月| 成年人黄色毛片网站| 看片在线看免费视频| 成人三级黄色视频| 狠狠狠狠99中文字幕| 法律面前人人平等表现在哪些方面| av福利片在线观看| 国产精品,欧美在线| 男插女下体视频免费在线播放| 天堂av国产一区二区熟女人妻| 国产野战对白在线观看| 在线观看美女被高潮喷水网站 | 免费一级毛片在线播放高清视频| 999久久久国产精品视频| 亚洲欧美一区二区三区黑人| 亚洲成a人片在线一区二区| 成人午夜高清在线视频| 亚洲人成伊人成综合网2020| 搡老熟女国产l中国老女人| 国产私拍福利视频在线观看| 男人的好看免费观看在线视频| 国产av麻豆久久久久久久| 免费看a级黄色片| 欧美成人一区二区免费高清观看 | 久久久久国内视频| www.精华液| 超碰成人久久| 搡老岳熟女国产| 亚洲精华国产精华精| www.熟女人妻精品国产| 国产99白浆流出| 欧美成人性av电影在线观看| 国产人伦9x9x在线观看| 国产午夜福利久久久久久| 19禁男女啪啪无遮挡网站| 99久久国产精品久久久| 免费在线观看视频国产中文字幕亚洲| 黄色女人牲交| 久久久色成人| 在线十欧美十亚洲十日本专区| 久久久久久久久久黄片| aaaaa片日本免费| 亚洲国产高清在线一区二区三| 久久精品综合一区二区三区| 非洲黑人性xxxx精品又粗又长| 黑人操中国人逼视频| 亚洲乱码一区二区免费版| 精品国产乱码久久久久久男人| 色尼玛亚洲综合影院| 欧美+亚洲+日韩+国产| 欧美色视频一区免费| 久久精品91蜜桃| 欧美成人一区二区免费高清观看 | 俺也久久电影网| 一二三四在线观看免费中文在| 成人午夜高清在线视频| 成年版毛片免费区| 岛国在线免费视频观看| 免费看光身美女| 欧美日韩乱码在线| 欧美精品啪啪一区二区三区| 18禁美女被吸乳视频| 国产成+人综合+亚洲专区| 嫩草影院精品99| 亚洲中文日韩欧美视频| 亚洲精品美女久久av网站| 国产精品一区二区免费欧美| 亚洲熟妇中文字幕五十中出| 99精品在免费线老司机午夜| 久久精品综合一区二区三区| 亚洲午夜理论影院| 免费看美女性在线毛片视频| 欧美乱色亚洲激情| 两个人视频免费观看高清| 亚洲自偷自拍图片 自拍| 免费大片18禁| 免费在线观看视频国产中文字幕亚洲| 两个人视频免费观看高清| 亚洲欧美日韩东京热| 亚洲欧美一区二区三区黑人| 白带黄色成豆腐渣| 最近最新免费中文字幕在线| 日本成人三级电影网站| 午夜免费激情av| 精品不卡国产一区二区三区| 国产精华一区二区三区| 悠悠久久av| 一级作爱视频免费观看| 日韩精品青青久久久久久| 精品无人区乱码1区二区| 久久久久亚洲av毛片大全| 很黄的视频免费| 99国产极品粉嫩在线观看| 在线免费观看不下载黄p国产 | 色尼玛亚洲综合影院| 黄色女人牲交| 99热这里只有是精品50| 麻豆国产97在线/欧美| 国产欧美日韩精品一区二区| 亚洲狠狠婷婷综合久久图片| 免费在线观看视频国产中文字幕亚洲| 免费人成视频x8x8入口观看| 久久久久国产精品人妻aⅴ院| 国产av不卡久久| 国产成人啪精品午夜网站| 黑人巨大精品欧美一区二区mp4| 国产精品一及| 亚洲人成电影免费在线| 午夜两性在线视频| 91久久精品国产一区二区成人 | 一卡2卡三卡四卡精品乱码亚洲| 大型黄色视频在线免费观看| cao死你这个sao货| 色综合婷婷激情| 午夜福利18| 极品教师在线免费播放| 真实男女啪啪啪动态图| 午夜两性在线视频| 国产一区二区激情短视频| 国产aⅴ精品一区二区三区波| 日本 av在线| 国产v大片淫在线免费观看| 日本五十路高清| 精品欧美国产一区二区三| 日韩国内少妇激情av| 综合色av麻豆| 午夜久久久久精精品| 国产av在哪里看| 国产精品久久久久久人妻精品电影| 高潮久久久久久久久久久不卡| 日本与韩国留学比较| 黄片大片在线免费观看| 熟妇人妻久久中文字幕3abv| 亚洲精品美女久久久久99蜜臀| 欧美中文综合在线视频| 午夜福利在线在线| 成年人黄色毛片网站| 亚洲午夜精品一区,二区,三区| 国产精品女同一区二区软件 | 男女之事视频高清在线观看| 免费av不卡在线播放| 桃红色精品国产亚洲av| 国产乱人视频| 欧美中文日本在线观看视频| 国产主播在线观看一区二区| 国产成人av激情在线播放| 久久久久久国产a免费观看| 亚洲成av人片在线播放无| 日本免费a在线| 两性午夜刺激爽爽歪歪视频在线观看| 夜夜爽天天搞| 亚洲精品在线美女| 免费在线观看亚洲国产| 美女午夜性视频免费| 欧美另类亚洲清纯唯美| 88av欧美| 欧美高清成人免费视频www| 日本免费a在线| 精品福利观看| 真人一进一出gif抽搐免费| 日韩免费av在线播放| 国产亚洲欧美98| 男人舔女人下体高潮全视频| 午夜福利成人在线免费观看| 在线视频色国产色| 美女cb高潮喷水在线观看 | 亚洲中文日韩欧美视频| 久久伊人香网站| 日韩欧美国产在线观看| 此物有八面人人有两片| 日韩高清综合在线| 一个人看视频在线观看www免费 | 搡老妇女老女人老熟妇| 国产黄片美女视频| 亚洲国产色片| 日韩欧美精品v在线| 午夜成年电影在线免费观看| 天堂√8在线中文| 国产亚洲精品综合一区在线观看| 国产成人精品无人区| 熟女电影av网| 热99re8久久精品国产| 丁香欧美五月| 国产高清三级在线| 最近视频中文字幕2019在线8| 日韩精品中文字幕看吧| 男人和女人高潮做爰伦理| 好男人电影高清在线观看| 中出人妻视频一区二区| 国产精品免费一区二区三区在线| 成人精品一区二区免费| 91久久精品国产一区二区成人 | 又粗又爽又猛毛片免费看| 久久久久性生活片| 免费看a级黄色片| 欧洲精品卡2卡3卡4卡5卡区| 五月玫瑰六月丁香| 国产欧美日韩精品一区二区| 亚洲七黄色美女视频| 亚洲国产高清在线一区二区三| 三级毛片av免费| 午夜福利欧美成人| 天堂网av新在线| av在线天堂中文字幕| 国产毛片a区久久久久| 青草久久国产| 村上凉子中文字幕在线| 久久午夜综合久久蜜桃| 舔av片在线| 国产黄片美女视频| 操出白浆在线播放| 一a级毛片在线观看| 高潮久久久久久久久久久不卡| 99国产综合亚洲精品| 亚洲专区国产一区二区| 成人无遮挡网站| 亚洲人成网站在线播放欧美日韩| 久久久久九九精品影院| 午夜日韩欧美国产| 国产91精品成人一区二区三区| 亚洲国产中文字幕在线视频| 精华霜和精华液先用哪个| 别揉我奶头~嗯~啊~动态视频| 伊人久久大香线蕉亚洲五| 欧美丝袜亚洲另类 | 99re在线观看精品视频| 精品久久蜜臀av无| 午夜影院日韩av| 在线免费观看不下载黄p国产 | 露出奶头的视频| 国产伦精品一区二区三区四那| 19禁男女啪啪无遮挡网站| 国产精品野战在线观看| 亚洲精品国产精品久久久不卡| 欧美日本视频| 欧美成人一区二区免费高清观看 | 校园春色视频在线观看| 波多野结衣高清作品| 欧美绝顶高潮抽搐喷水| 亚洲五月婷婷丁香| 亚洲乱码一区二区免费版| 久久午夜综合久久蜜桃| 国产精品av久久久久免费| 一二三四在线观看免费中文在| 国产成人aa在线观看| 午夜福利欧美成人| 美女被艹到高潮喷水动态| 99国产精品一区二区蜜桃av| 国产精品综合久久久久久久免费| 亚洲avbb在线观看| 亚洲熟妇熟女久久| 白带黄色成豆腐渣| 国产成人av教育| 男女做爰动态图高潮gif福利片| 看片在线看免费视频| 天天躁日日操中文字幕| 神马国产精品三级电影在线观看| 伦理电影免费视频| 99国产综合亚洲精品| 夜夜看夜夜爽夜夜摸| 美女高潮的动态| 美女高潮喷水抽搐中文字幕| 老司机深夜福利视频在线观看| 香蕉国产在线看| 巨乳人妻的诱惑在线观看| 看免费av毛片| 日本a在线网址| 麻豆久久精品国产亚洲av| 色综合欧美亚洲国产小说| 99在线人妻在线中文字幕| 婷婷亚洲欧美| 午夜激情欧美在线| 精品国产美女av久久久久小说| 9191精品国产免费久久| 亚洲五月婷婷丁香| 美女免费视频网站| 国产欧美日韩精品一区二区| 色精品久久人妻99蜜桃| 女人高潮潮喷娇喘18禁视频| 两个人看的免费小视频| 亚洲精品中文字幕一二三四区| 黄色 视频免费看| 午夜福利成人在线免费观看| 琪琪午夜伦伦电影理论片6080| 亚洲专区国产一区二区| 夜夜夜夜夜久久久久| 亚洲精品色激情综合| 天天一区二区日本电影三级| 成人性生交大片免费视频hd| 久久精品国产亚洲av香蕉五月| 亚洲中文日韩欧美视频| 俺也久久电影网| 97人妻精品一区二区三区麻豆| 日日夜夜操网爽| 国产精品 国内视频| 此物有八面人人有两片| 久久午夜综合久久蜜桃| 国产黄色小视频在线观看| 午夜视频精品福利| www.精华液| 成在线人永久免费视频| 身体一侧抽搐| 亚洲男人的天堂狠狠| 国产一区二区三区在线臀色熟女| 亚洲电影在线观看av| 色综合欧美亚洲国产小说| 色综合站精品国产| 亚洲中文字幕日韩| 国产69精品久久久久777片 | 天天一区二区日本电影三级| 国产精品美女特级片免费视频播放器 | 狂野欧美白嫩少妇大欣赏| 久久精品国产清高在天天线| 国产精品久久久av美女十八| bbb黄色大片| 欧美日本亚洲视频在线播放| 一卡2卡三卡四卡精品乱码亚洲| 国产欧美日韩一区二区三| 国产成人av激情在线播放| 最近视频中文字幕2019在线8| 成人高潮视频无遮挡免费网站| 久久久久九九精品影院| 18禁观看日本| 亚洲第一欧美日韩一区二区三区| 午夜福利18| 久久精品国产99精品国产亚洲性色| 草草在线视频免费看| 亚洲在线观看片| 噜噜噜噜噜久久久久久91| 激情在线观看视频在线高清| 丝袜人妻中文字幕| 成人av一区二区三区在线看| 欧美3d第一页| 国产欧美日韩一区二区三| 真人做人爱边吃奶动态| 两个人视频免费观看高清| 欧美三级亚洲精品|