• <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 ?

    基于改進(jìn)CNN 和信息融合的動(dòng)力電池組故障診斷方法*

    2020-12-08 03:17:44彭運(yùn)賽王志成羅志疆
    汽車(chē)工程 2020年11期
    關(guān)鍵詞:電池組故障診斷準(zhǔn)確率

    彭運(yùn)賽,夏 飛,袁 博,王志成,羅志疆

    (1.上海電力大學(xué)自動(dòng)化工程學(xué)院,上海 200090; 2.國(guó)家電網(wǎng)南瑞集團(tuán)公司,南京 210000;3.國(guó)家電網(wǎng)浙江送變電有限公司,杭州 310020; 4.國(guó)家電網(wǎng)淮北供電公司,淮北 235000)

    前言

    鋰離子電池具有單體電池電壓高、循環(huán)次數(shù)多、能量密度高和無(wú)污染等優(yōu)點(diǎn)[1-2],已成為一種廣為應(yīng)用的動(dòng)力電池。 確保鋰離子電池安全可靠運(yùn)行是其發(fā)展的核心。 由于我國(guó)的鋰離子電池技術(shù)并未完全成熟,電池組不均衡故障的初期特征不易被發(fā)現(xiàn),因此對(duì)鋰離子電池組進(jìn)行故障診斷,具有重要的現(xiàn)實(shí)意義。

    鋰離子電池組的不均衡指的是同型號(hào)、同規(guī)格電池單體的容量、內(nèi)阻和電壓等參數(shù)存在較大偏差。它會(huì)導(dǎo)致電池在充放電過(guò)程中出現(xiàn)過(guò)充、過(guò)放的現(xiàn)象,嚴(yán)重影響電池組的使用安全與使用壽命。 鋰離子電池組的不均衡故障主要包括容量偏小故障、SOC 偏低故障和內(nèi)阻偏大故障。 目前鋰電池故障診斷方法以神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等淺層網(wǎng)絡(luò)為主。文獻(xiàn)[3]中利用BP 神經(jīng)網(wǎng)絡(luò)對(duì)鋰電池不均衡故障進(jìn)行診斷分析,但僅采用少量樣本,無(wú)法實(shí)現(xiàn)工程應(yīng)用。 文獻(xiàn)[4]中利用RBF 神經(jīng)網(wǎng)絡(luò),基于 dSPACE電池模型,設(shè)計(jì)了一套電動(dòng)汽車(chē)動(dòng)力鋰離子電池的故障診斷系統(tǒng)。 由于鋰電池組自身結(jié)構(gòu)復(fù)雜且工作環(huán)境差異較大,導(dǎo)致其診斷準(zhǔn)確性降低,文獻(xiàn)[5]中在決策層采用改進(jìn)D-S 證據(jù)理論組合規(guī)則,融合BP 網(wǎng)絡(luò)和RBF 網(wǎng)絡(luò)兩種故障診斷結(jié)果,避免了單一方法診斷可能造成故障誤診的狀況。 該方法雖然對(duì)診斷結(jié)果進(jìn)行改進(jìn),卻仍未解決淺層網(wǎng)絡(luò)診斷準(zhǔn)確率低的問(wèn)題。 這是因?yàn)闇\層神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜特征的學(xué)習(xí)能力較弱,不適用于特征提取精度要求高的故障診斷領(lǐng)域。 針對(duì)這種情況,部分學(xué)者提出深度學(xué)習(xí)的故障診斷方法,在更深層次提取信號(hào)特征,實(shí)現(xiàn)更精確的診斷。

    卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network,CNN)作為典型的深度學(xué)習(xí)算法,被廣泛應(yīng)用于圖像識(shí)別領(lǐng)域。 與傳統(tǒng)淺層網(wǎng)絡(luò)相比,卷積神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)大的特征提取能力,運(yùn)算速度快,避免了訓(xùn)練易陷入局部極值的問(wèn)題。 近年來(lái),國(guó)內(nèi)外學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷中并取得了不錯(cuò)的研究成果。 文獻(xiàn)[6]中在傳統(tǒng)CNN 網(wǎng)絡(luò)的基礎(chǔ)上增加反饋機(jī)制通過(guò)調(diào)節(jié)卷積核的數(shù)量與大小,來(lái)提高絕緣子狀態(tài)檢測(cè)的正確率。 文獻(xiàn)[7]中利用短時(shí)傅里葉變換生成軸承振動(dòng)信號(hào)的時(shí)頻譜圖,建立CNN 診斷模型,通過(guò)增加相應(yīng)環(huán)境的數(shù)據(jù)驗(yàn)證了其魯棒性。 文獻(xiàn)[8]中提出一種自適應(yīng)一維卷積神經(jīng)網(wǎng)絡(luò)故障診斷算法,利用深度網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)對(duì)原始振動(dòng)信號(hào)特征的自適應(yīng)層級(jí)化提取,在輸出端利用 Softmax 分類(lèi)器輸出診斷結(jié)果。 但隨著CNN 層數(shù)的增多,最后得到的特征向量的尺寸不斷減小,若僅以最后一層復(fù)雜度最高的特征進(jìn)行分類(lèi)易出現(xiàn)過(guò)擬合的風(fēng)險(xiǎn)。 文獻(xiàn)[9]中將CNN 不同層的特征進(jìn)行可視化分析,發(fā)現(xiàn)不同層次的特征可以互為補(bǔ)充,并對(duì)低層次特征下采樣得到與高層次特征相同維度進(jìn)行融合。 文獻(xiàn)[10]中采用多層特征融合的CNN 優(yōu)化方案,實(shí)現(xiàn)行人與騎車(chē)人的聯(lián)合檢測(cè)。 文獻(xiàn)[11]中利用兩路CNN 分別進(jìn)行特征提取,進(jìn)行不同維度的特征融合,實(shí)現(xiàn)了車(chē)輛型號(hào)的識(shí)別。 綜上所述,本文中擬采用改進(jìn)的CNN深度神經(jīng)網(wǎng)絡(luò)進(jìn)行動(dòng)力電池組的故障診斷。

    在采用一般的CNN 網(wǎng)絡(luò)對(duì)動(dòng)力電池組故障進(jìn)行診斷后,發(fā)現(xiàn)診斷正確率只有92.5%。 為了進(jìn)一步提高CNN 網(wǎng)絡(luò)在動(dòng)力電池組故障診斷中的準(zhǔn)確率,本文中從以下3 方面對(duì) CNN 網(wǎng)絡(luò)進(jìn)行了改進(jìn)。

    (1)在CNN 網(wǎng)絡(luò)中加入了Concat 層,從而可以同時(shí)融合不同層次的特征,減少了僅有深層次特征造成的過(guò)擬合。

    (2)采用帶修正項(xiàng)的最小分類(lèi)誤差(minimum classification error,MCE)目標(biāo)函數(shù)優(yōu)化交叉熵函數(shù),將其作為網(wǎng)絡(luò)的損失函數(shù),彌補(bǔ)了交叉熵函數(shù)對(duì)非標(biāo)簽維梯度不做處理的不足,同時(shí)解決了MCE 梯度反向問(wèn)題。

    (3)采用信息準(zhǔn)則(information criterion, IC)的方法確定CNN 網(wǎng)絡(luò)的最優(yōu)結(jié)構(gòu),避免以遍歷的方式測(cè)試模型,單純以目標(biāo)測(cè)試集分類(lèi)準(zhǔn)確率作為標(biāo)準(zhǔn)的方法。

    在對(duì)CNN 深度神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)之后,本文中針對(duì)動(dòng)力電池組故障診斷,提出了一種融合診斷的方法,具體步驟如下:首先對(duì)鋰電池的電壓和SOC變化的信號(hào)采用小波包分解分別處理,得到能量值構(gòu)成輸入特征向量;然后采用上述改進(jìn)的CNN 診斷網(wǎng)絡(luò)對(duì)動(dòng)力電池組故障進(jìn)行初步診斷;如果初步診斷結(jié)果滿足確診條件,則得到動(dòng)力電池組的診斷結(jié)果,如果不滿足確診條件,則對(duì)動(dòng)力電池組故障采用CNN 網(wǎng)絡(luò)進(jìn)行輔助診斷,并采用D-S 證據(jù)理論的方法將初步診斷結(jié)果和輔助診斷結(jié)果進(jìn)行融合,從而得到最終的診斷結(jié)果。 該方法的總體框圖如圖1所示。

    圖1 改進(jìn)CNN 的動(dòng)力電池組融合診斷方法框圖

    1 卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)

    1.1 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱含層、全連接層和輸出層,其中隱含層由多個(gè)卷積層與池化層交叉堆疊而成。 原始數(shù)據(jù)通過(guò)在隱含層的逐層特征提取,完成低層次特征到高層次特征的變換,實(shí)現(xiàn)特征學(xué)習(xí)。 由于本文中采用一維向量作為網(wǎng)絡(luò)輸入,隱含層過(guò)多易造成網(wǎng)絡(luò)的過(guò)擬合,因此采用兩層卷積層結(jié)構(gòu)。

    隨著CNN 層數(shù)的增多,提取的特征加深,最終得到的特征向量的尺寸不斷減小。 僅以最終復(fù)雜度最高的特征進(jìn)行分類(lèi)易出現(xiàn)過(guò)擬合的風(fēng)險(xiǎn)。 模型精度達(dá)到飽和后,梯度消失變得明顯,精度反而降低。同時(shí),網(wǎng)絡(luò)層數(shù)增多也會(huì)導(dǎo)致模型的收斂速度變慢,訓(xùn)練時(shí)間拖長(zhǎng)。

    本文中提出在全連接層前加入Concat 層,在Concat 層中同時(shí)融合不同層次特征的方法。 分類(lèi)器進(jìn)行分類(lèi)時(shí),以相互補(bǔ)充的融合特征作為標(biāo)準(zhǔn),減少了僅有深層次特征造成的過(guò)擬合。 Concat 層的操作過(guò)程為

    式中:Xc為融合后的特征;fconcat(·)為特征融合操作;xc-1為Concat 層前一層的特征向量;xm為第m層待融合的特征向量。

    Concat 層融合時(shí)若選擇最后一層特征與未經(jīng)池化的低層特征,高層特征的占比將會(huì)很小,勢(shì)必會(huì)影響故障診斷的精度。 因此Concat 層對(duì)第一層池化后的淺層特征與最后一層卷積層提取的高層特征進(jìn)行融合。 在全連接層將Concat 層中融合結(jié)果連接成一條一維向量。 由于本方法中采用一維數(shù)據(jù)作為特征向量,所以特征的融合無(wú)需考慮特征數(shù)據(jù)的大小,避免了傳統(tǒng)CNN 特征融合中結(jié)構(gòu)限制或特征數(shù)據(jù)丟失的問(wèn)題。

    添加了Contact 層的卷積神經(jīng)網(wǎng)絡(luò)模型如圖2所示。 輸入層的1*18 維特征數(shù)據(jù)和卷積層中3 個(gè)1*3 維卷積核進(jìn)行卷積操作,形成3 個(gè)1*16 維特征向量,并繼續(xù)進(jìn)行池化、卷積操作,在Concat 層融合池化層和C2 卷積層中的不同層次特征,在全連接層連接為一維向量,最終通過(guò)分類(lèi)器完成診斷輸出。

    圖2 改進(jìn)的CNN 模型

    1.2 基于MCE 準(zhǔn)則的交叉熵函數(shù)優(yōu)化

    在CNN 的訓(xùn)練過(guò)程中,目標(biāo)函數(shù)的選擇尤為重要。 常見(jiàn)的損失函數(shù)有均方誤差函數(shù)和交叉熵函數(shù)。 由于交叉熵函數(shù)比均方誤差函數(shù)平坦區(qū)域小,容易跳出局部最優(yōu)值,所以更適用于多分類(lèi)問(wèn)題[12],而均方誤差函數(shù)則更適合于解決回歸問(wèn)題[13]。 但交叉熵存在對(duì)非標(biāo)簽維數(shù)據(jù)不做處理而直接進(jìn)行訓(xùn)練的問(wèn)題,這會(huì)影響對(duì)網(wǎng)絡(luò)的訓(xùn)練精度和收斂速度。 文獻(xiàn)[14]中最早引入最小分類(lèi)誤差(minimum classification error, MCE)準(zhǔn)則,來(lái)優(yōu)化淺層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。 為克服深度網(wǎng)絡(luò)中因目標(biāo)函數(shù)梯度飽和而影響網(wǎng)絡(luò)訓(xùn)練的問(wèn)題,文獻(xiàn)[15]中提出基于最大間隔最小分類(lèi)誤差的方法建立目標(biāo)函數(shù),但該方法在錯(cuò)誤分類(lèi)時(shí)部分非標(biāo)簽維和交叉熵梯度方向會(huì)出現(xiàn)相反的情況,導(dǎo)致網(wǎng)絡(luò)在反向傳播的過(guò)程中無(wú)法充分訓(xùn)練。 文獻(xiàn)[12]中提出帶修正項(xiàng)的MCE 目標(biāo)函數(shù)優(yōu)化交叉熵函數(shù),彌補(bǔ)了交叉熵函數(shù)對(duì)非標(biāo)簽維梯度不做處理的不足,同時(shí)解決了MCE梯度反向問(wèn)題。

    分類(lèi)損失函數(shù)[12]定義為

    因此,加入MCE 準(zhǔn)則修正項(xiàng)后的交叉熵?fù)p失函數(shù)表示為

    此時(shí),當(dāng)模型錯(cuò)誤分類(lèi)時(shí),優(yōu)化后的損失函數(shù)可對(duì)非標(biāo)簽維的梯度進(jìn)行區(qū)分處理,保證梯度方向與交叉熵方向一致。

    1.3 基于BIC 信息準(zhǔn)則的卷積核尺寸確定

    CNN 結(jié)構(gòu)的確定迄今缺乏統(tǒng)一的標(biāo)準(zhǔn)。 依賴人工經(jīng)驗(yàn)進(jìn)行結(jié)構(gòu)選取時(shí)通常采用遍歷的方式測(cè)試模型,單純以目標(biāo)測(cè)試集的分類(lèi)準(zhǔn)確率作為標(biāo)準(zhǔn)。而目標(biāo)測(cè)試集數(shù)據(jù)量較少,模型可能存在對(duì)目標(biāo)測(cè)試集數(shù)據(jù)過(guò)擬合的情況,對(duì)目標(biāo)數(shù)據(jù)集以外數(shù)據(jù)效果不理想。 針對(duì)無(wú)法準(zhǔn)確確定最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)的問(wèn)題,文獻(xiàn)[16]和文獻(xiàn)[17]中提出采用赤池信息準(zhǔn)則(Akaike information criterion,AIC)對(duì)樣本輸入信息與輸出信息同時(shí)考慮以確定最優(yōu)RBF 網(wǎng)絡(luò)的方法,但AIC 準(zhǔn)則存在懲罰因子與樣本容量無(wú)關(guān)的缺陷,在樣本容量較大時(shí)對(duì)模型的懲罰相對(duì)較小。 文獻(xiàn)[18]中基于改進(jìn)的AIC 準(zhǔn)則確定電池RC 等效電路模型的階數(shù),通過(guò)改變懲罰項(xiàng)的階數(shù)增大樣本容量的懲罰,但階數(shù)的確定仍依賴主觀判斷。 對(duì)此,文獻(xiàn)[19]中基于貝葉斯信息準(zhǔn)則(Bayesian information criterion,BIC)建立鋰電池最優(yōu)變階RC 等效電路模型,有效改善了AIC 準(zhǔn)則的缺陷。 因此本文中采用BIC 信息準(zhǔn)則確定改進(jìn)CNN 網(wǎng)絡(luò)中卷積核的個(gè)數(shù)。

    BIC 準(zhǔn)則的定義為

    式中:L為極大似然函數(shù)值;n為樣本容量;T為模型中未知的參數(shù)個(gè)數(shù)。 BIC 一般為負(fù)值,其值越小(即絕對(duì)值越大)表示模型的擬合程度越好。

    當(dāng)CNN 模型的誤差服從正態(tài)分布時(shí),BIC 準(zhǔn)則可改寫(xiě)為

    式中SSE(sum of squares for error)為殘差平方和。在本模型中T和SSE分別表示為

    式中:h為單個(gè)卷積核內(nèi)參數(shù)的數(shù)量;mh為參數(shù)數(shù)量為h的卷積核的個(gè)數(shù);Tf為全連接層的參數(shù)個(gè)數(shù);和yi分別為第i個(gè)實(shí)驗(yàn)數(shù)據(jù)的診斷輸出和實(shí)際輸出值。

    通過(guò)計(jì)算不同卷積核的BIC 值,就可以確定其中的最優(yōu)卷積核的個(gè)數(shù)。

    2 融合診斷方法

    當(dāng)采用以上改進(jìn)的CNN 深度神經(jīng)網(wǎng)絡(luò)進(jìn)行動(dòng)力電池組故障診斷時(shí),在得到初步診斷結(jié)果后,將根據(jù)以下的確診條件判斷是否結(jié)束診斷:即對(duì)輸出結(jié)果中的最大值和次最大值進(jìn)行求差運(yùn)算。 當(dāng)兩者的差值大于等于0.1 時(shí),滿足診斷條件,此時(shí)的診斷結(jié)果為最終診斷結(jié)果。 而當(dāng)兩者的差值小于0.1 時(shí),則不滿足確診條件,須啟動(dòng)復(fù)診過(guò)程。

    復(fù)診診斷過(guò)程包括兩個(gè)部分。 第一部分,調(diào)用一般CNN 網(wǎng)絡(luò),對(duì)剛才進(jìn)行診斷的電池組故障進(jìn)行輔助診斷。 第二部分,采用D-S 證據(jù)理論的方法,將一般CNN 網(wǎng)絡(luò)得到的輔助診斷結(jié)果和之前改進(jìn)CNN 網(wǎng)絡(luò)得到的初步診斷結(jié)果進(jìn)行融合,從而得到最終診斷結(jié)果。

    其中,D-S 證據(jù)理論的組合規(guī)則為

    式中:m(A)為基本概率分配(basic probability assignment,BPA)函數(shù),表示證據(jù)體對(duì)A的支持程度;k =為證據(jù)體之間的沖突系數(shù)。

    按照式(8)對(duì)動(dòng)力電池組故障的初步診斷結(jié)果和輔助診斷結(jié)果進(jìn)行融合后,確定最終的診斷結(jié)果須滿足以下條件。

    (1)輸出狀態(tài)的BPA 為所有狀態(tài)BPA 的最大值,即

    (2)融合結(jié)果中最大BPA 與次最大BPA 的差異足夠大,即

    式中:At為證據(jù)體中最大BPA;Ar為證據(jù)體中次最大BPA。

    (3)輸出狀態(tài)的BPA 值大于一定閾值,即

    ε1和ε2一般根據(jù)經(jīng)驗(yàn)選取,本文中選擇ε1=0.2,ε2=0.5。

    3 實(shí)驗(yàn)驗(yàn)證

    3.1 實(shí)驗(yàn)數(shù)據(jù)描述

    由于單體電池?zé)o法滿足電動(dòng)汽車(chē)的電壓需求,須將單體電池串聯(lián)成電池組使用。 電動(dòng)汽車(chē)電池組又分為若干模組串聯(lián),每個(gè)模組由多個(gè)并聯(lián)的電芯結(jié)構(gòu)串聯(lián)組成。 實(shí)際應(yīng)用中無(wú)法監(jiān)測(cè)并聯(lián)結(jié)構(gòu)中單體電池的電壓,因此可將每個(gè)電芯并聯(lián)結(jié)構(gòu)等效成一個(gè)大電池。 文獻(xiàn)[20]中采用6 個(gè)單體鋰離子電池構(gòu)成電池組進(jìn)行均衡研究,本文中參照該結(jié)構(gòu),利用6 個(gè)3 階高精度RC 等效電池模型構(gòu)建電池組Simulink 模型。 模型的參數(shù)通過(guò)混合脈沖功率特性(hybrid pulse power characterization test, HPPC)測(cè)試辨識(shí)得到。 電池組模型可根據(jù)各單體電池初始SOC和各個(gè)性能參數(shù)的衰減狀況,得到不同狀態(tài)下的電壓和SOC 值。 本文中在美國(guó)城市循環(huán)工況(urban dynamometer driving schedule,UDDS)下采集電池組中不同性能參數(shù)衰減狀態(tài)下的各單體電池的電壓、SOC 變化數(shù)據(jù)作為故障診斷的原始數(shù)據(jù)信號(hào)。

    3.2 故障特征提取

    采用3 層小波包分別對(duì)UDDS 工況下的動(dòng)力電池電壓和SOC 信號(hào)進(jìn)行分解。 第3 層小波包可將各信號(hào)分成由低頻至高頻的8 個(gè)信號(hào)分量,分別對(duì)信號(hào)分量進(jìn)行小波包系數(shù)重構(gòu),利用能量公式計(jì)算得到節(jié)點(diǎn)的能量值。 模型輸入特征數(shù)據(jù)采用每組數(shù)據(jù)的電壓、SOC 能量值、電壓初值、SOC 初值的數(shù)據(jù)組合,即特征向量的尺寸為1*18 維。

    SOC 偏低故障A1、容量偏小故障A2、內(nèi)阻偏大故障A3和正常狀況A4分別在網(wǎng)絡(luò)中采用矢量(1,0,0,0)、(0,1,0,0)、(0,0,1,0)和(0,0,0,1)來(lái)表示輸出。

    3.3 改進(jìn)的CNN 結(jié)構(gòu)

    為分析改進(jìn)CNN 的特征提取能力與分類(lèi)效果,分別采用加入Concat 層與未加Concat 層的相同卷積層結(jié)構(gòu)的CNN 網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)對(duì)比,隱含層選擇結(jié)構(gòu)為:C1(1*3*3)-P-C2(1*3*3),其中 C 代表卷積層,(1*3*3)代表該層有3 個(gè)1*3 的卷積核,P 代表池化層。 訓(xùn)練過(guò)程中學(xué)習(xí)率設(shè)定為0.1,迭代次數(shù)設(shè)定為300 次,訓(xùn)練結(jié)果如圖3 所示。

    圖3 不同結(jié)構(gòu)的CNN 準(zhǔn)確率

    從圖中可以看出,改進(jìn)前后的整體趨勢(shì)大致相同,均能夠在快速達(dá)到收斂狀態(tài),但是加入Concat層后的改進(jìn)CNN 網(wǎng)絡(luò)明顯具有更高的診斷準(zhǔn)確率,達(dá)到92.5%。 同時(shí)由于訓(xùn)練過(guò)程中完成淺層次特征提取的進(jìn)程較快,加入Concat 層的改進(jìn)CNN 訓(xùn)練速度有所提升。 可見(jiàn),采用改進(jìn)的CNN 結(jié)構(gòu)融合不同層次數(shù)據(jù)特征,可以實(shí)現(xiàn)更加準(zhǔn)確的分類(lèi)。

    3.4 損失函數(shù)優(yōu)化

    采用上文加入Concat 層的CNN 網(wǎng)絡(luò)結(jié)構(gòu)與訓(xùn)練參數(shù),利用MCE 準(zhǔn)則對(duì)其訓(xùn)練過(guò)程中的交叉熵函數(shù)進(jìn)行優(yōu)化,其結(jié)果如圖4 所示。

    圖4 優(yōu)化損失函數(shù)后對(duì)準(zhǔn)確率的影響

    從圖中可以看到,對(duì)交叉熵進(jìn)行優(yōu)化后,收斂速度未受到過(guò)多影響。 交叉熵函數(shù)在訓(xùn)練過(guò)程中對(duì)非標(biāo)簽維數(shù)據(jù)不做處理產(chǎn)生的影響主要體現(xiàn)在訓(xùn)練精度中,優(yōu)化模型訓(xùn)練過(guò)程中精度有較明顯的提升,訓(xùn)練完成時(shí)MCE 優(yōu)化后的改進(jìn)CNN 模型的診斷精度達(dá)到93.5%,比未優(yōu)化模型的準(zhǔn)確率提高1 個(gè)百分點(diǎn)。

    ALE,可以將SAP系統(tǒng)中的信息分享到別的系統(tǒng)中,其主要功能是為兩個(gè)有關(guān)聯(lián)的SAP系統(tǒng)提供信息同步服務(wù),在SAP應(yīng)用體系中發(fā)揮著非常重要的作用。IDoc是一個(gè)中間文件,也可以成為數(shù)據(jù)容器,主要功能是實(shí)現(xiàn)SAP系統(tǒng)與其他系統(tǒng)之間的信息交換。

    3.5 基于BIC 準(zhǔn)則的卷積核確定

    根據(jù)BIC 準(zhǔn)則的“吝嗇原理”,其值最小代表模型最佳。 在確定CNN 網(wǎng)絡(luò)結(jié)構(gòu)后,對(duì)卷積層不同的卷積核尺寸分別進(jìn)行了實(shí)驗(yàn),得到其BIC 值,實(shí)驗(yàn)結(jié)果如表1 所示。 表中的“準(zhǔn)確度值”即為式(5)中的第1 項(xiàng),它皆為負(fù)值,其絕對(duì)值越大,表示準(zhǔn)確度越高;“過(guò)擬合懲罰”即為式(5)中的第2 項(xiàng),其數(shù)值越小,表示模型越簡(jiǎn)單。

    表1 CNN 網(wǎng)絡(luò)中不同卷積核尺寸的BIC 值

    由表1 可知,當(dāng)采用“C1(1*3*3)-P-C2(1*4*3)”的卷積層結(jié)構(gòu)時(shí),BIC 值為-698,準(zhǔn)確度值和過(guò)擬合懲罰值分別為-1 347 和649,均為測(cè)試結(jié)構(gòu)中的最低值,故本文中的改進(jìn)CNN 網(wǎng)絡(luò)中采用了以上卷積層結(jié)構(gòu)。

    為了進(jìn)一步說(shuō)明通過(guò)BIC 準(zhǔn)則確定的CNN 結(jié)構(gòu)具有較好的診斷效果,分別采用該結(jié)構(gòu)CNN 網(wǎng)絡(luò)和一般CNN 網(wǎng)絡(luò)對(duì)動(dòng)力電池組數(shù)據(jù)進(jìn)行測(cè)試。 這里分別選擇了4 組故障數(shù)據(jù)集進(jìn)行測(cè)試,測(cè)試結(jié)果如圖5 所示。

    圖5 不同測(cè)試集下的準(zhǔn)確率

    從圖5 中可以看出,除測(cè)試數(shù)據(jù)集3 中兩個(gè)網(wǎng)絡(luò)的準(zhǔn)確率相同外,其余數(shù)據(jù)集中通過(guò)BIC 準(zhǔn)則確定的最優(yōu)網(wǎng)絡(luò)均具有較高的準(zhǔn)確率。 可見(jiàn)采用BIC準(zhǔn)則確立的CNN 模型在動(dòng)力電池組故障診斷中具有較高的準(zhǔn)確率。

    3.6 基于融合診斷的動(dòng)力電池組故障診斷

    根據(jù)3.3 節(jié)和3.5 節(jié)的實(shí)驗(yàn)結(jié)果,本文中最終確定了改進(jìn)的CNN 診斷網(wǎng)絡(luò)用于動(dòng)力電池組故障診斷。 為分析該診斷網(wǎng)絡(luò)的性能,分別采用BP 神經(jīng)網(wǎng)絡(luò)、LSTM 網(wǎng)絡(luò)、一般CNN 網(wǎng)絡(luò)和本文中提出的改進(jìn)CNN 網(wǎng)絡(luò)在相同的訓(xùn)練集與測(cè)試集中進(jìn)行特征學(xué)習(xí)與故障診斷。 表2 給出了不同方法在電池組不一致故障數(shù)據(jù)集中的診斷準(zhǔn)確率。

    表2 不同方法的診斷準(zhǔn)確率

    從表2 可以看到,BP 神經(jīng)網(wǎng)絡(luò)的診斷準(zhǔn)確率明顯低于其余3 種深度學(xué)習(xí)算法。 本文中提出的改進(jìn)CNN 方法對(duì)于動(dòng)力電池組故障具有較好的診斷效果。 尤其對(duì)另外3 種方法均無(wú)法高效檢測(cè)出的容量偏小故障,改進(jìn)CNN 的準(zhǔn)確率可達(dá)98%。 但對(duì)正常狀態(tài)的診斷準(zhǔn)確率相對(duì)較低,僅有88%。 與改進(jìn)CNN 相比,一般 CNN 網(wǎng)絡(luò)的診斷準(zhǔn)確率也可達(dá)到92.5%。

    因此為進(jìn)一步提高動(dòng)力電池組故障診斷的準(zhǔn)確率,可對(duì)改進(jìn)CNN 網(wǎng)絡(luò)的診斷結(jié)果加入確診條件判斷。 當(dāng)不滿足確診條件時(shí),可將一般CNN 網(wǎng)絡(luò)作為輔助診斷網(wǎng)絡(luò)對(duì)動(dòng)力電池組故障進(jìn)行診斷,并將輔助診斷結(jié)果和改進(jìn)CNN 網(wǎng)絡(luò)得到的初步診斷網(wǎng)絡(luò)結(jié)果采用D-S 理論進(jìn)行融合,并根據(jù)決策條件得到最終診斷結(jié)果。

    該電池組實(shí)際情況為正常,而故障初步診斷的結(jié)果如表3 第1 行所示。 由表3 可知,在改進(jìn)CNN網(wǎng)絡(luò)診斷中,雖然根據(jù)輸出最大值原則,判斷該故障為容量偏小故障,但容量偏小對(duì)應(yīng)的輸出和正常的輸出差值僅為0.04,不符合確診條件。 所以對(duì)該故障繼續(xù)采用一般CNN 網(wǎng)絡(luò)進(jìn)行輔助診斷,診斷結(jié)果如表3 第2 行所示,判定為正常。

    表3 動(dòng)力電池組故障融合診斷舉例

    進(jìn)一步對(duì)表3 中的初步診斷結(jié)果和輔助診斷結(jié)果進(jìn)行融合,得到融合診斷結(jié)果。 其中,診斷結(jié)果為正常的數(shù)值為0.75,遠(yuǎn)大于排在第2 位的診斷結(jié)果,故該動(dòng)力電池組為正常狀態(tài)。 從表3 中可以看到,改進(jìn)CNN 方法中錯(cuò)誤診斷的數(shù)據(jù)經(jīng)D-S 融合后輸出正確的判定結(jié)果,證明了本文中提出的融合診斷方法是可行的。

    接下來(lái),對(duì)相同的動(dòng)力電池組故障采用本文中提出的融合診斷方法進(jìn)行了測(cè)試,得到的測(cè)試結(jié)果如圖6 所示。

    從圖6 中可以看出,采用融合診斷的方法之后,整體故障診斷準(zhǔn)確率由僅采用改進(jìn)CNN 網(wǎng)絡(luò)得到的95%提高到96%。 特別是采用該方法后,電池組正常狀態(tài)的準(zhǔn)確率由88%提升至94%,明顯減少了電池組故障診斷中誤診的情況。 當(dāng)然,在采用融合診斷后,對(duì)于容量偏小的診斷準(zhǔn)確率相比于改進(jìn)CNN 網(wǎng)絡(luò)診斷的診斷準(zhǔn)確率低了2%,這一問(wèn)題需要在后續(xù)工作中進(jìn)行深入研究。

    4 結(jié)論

    (1) 在全連接層前增加Concat 層,提出不同層次特征融合的改進(jìn)CNN 模型,提高了網(wǎng)絡(luò)的訓(xùn)練速度與診斷精度。 并在訓(xùn)練過(guò)程中利用MCE 準(zhǔn)則優(yōu)化交叉熵函數(shù),解決了其非標(biāo)簽維梯度在反向傳播中不做處理的問(wèn)題。

    (2) 通過(guò)BIC 準(zhǔn)則確定卷積層中最優(yōu)的卷積核尺寸與數(shù)量,解決了主觀選擇CNN 結(jié)構(gòu)導(dǎo)致的模型適用范圍小的缺點(diǎn)。

    (3) 在得到改進(jìn)CNN 診斷結(jié)果后,采用確診條件進(jìn)行判斷。 對(duì)不符合確診條件的診斷結(jié)果,進(jìn)一步采用輔助診斷網(wǎng)絡(luò),將初步診斷結(jié)果和輔助診斷結(jié)果采用D-S 證據(jù)理論進(jìn)行融合,從而提高了動(dòng)力電池組的故障診斷準(zhǔn)確率。

    猜你喜歡
    電池組故障診斷準(zhǔn)確率
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    高速公路車(chē)牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
    2017年7月原電池及原電池組產(chǎn)量同比增長(zhǎng)2.53%
    因果圖定性分析法及其在故障診斷中的應(yīng)用
    基于LTC6802的電池組均衡電路設(shè)計(jì)
    一種優(yōu)化的基于ARM Cortex-M3電池組均衡控制算法應(yīng)用
    基于LCD和排列熵的滾動(dòng)軸承故障診斷
    鋰離子電池組不一致性及其彌補(bǔ)措施
    极品少妇高潮喷水抽搐| 亚洲情色 制服丝袜| 精品福利永久在线观看| 国产成人精品在线电影| 在线观看免费视频网站a站| 涩涩av久久男人的天堂| 婷婷成人精品国产| 亚洲五月色婷婷综合| 久久久精品94久久精品| 久久女婷五月综合色啪小说| www.自偷自拍.com| av在线播放精品| 国产成人91sexporn| 国产黄色免费在线视频| 人人妻人人爽人人添夜夜欢视频| 久热这里只有精品99| 黄网站色视频无遮挡免费观看| 777久久人妻少妇嫩草av网站| 五月天丁香电影| 水蜜桃什么品种好| 亚洲精品一区蜜桃| 美女午夜性视频免费| 免费在线观看黄色视频的| 国产一区二区激情短视频 | 丰满迷人的少妇在线观看| 久久影院123| 人人澡人人妻人| 亚洲精品av麻豆狂野| 人人妻人人爽人人添夜夜欢视频| 老熟女久久久| 九九爱精品视频在线观看| 国产无遮挡羞羞视频在线观看| 在线天堂最新版资源| 日韩,欧美,国产一区二区三区| 蜜桃在线观看..| avwww免费| 久久天堂一区二区三区四区| 国产日韩欧美在线精品| 亚洲av福利一区| 七月丁香在线播放| 亚洲激情五月婷婷啪啪| 欧美精品人与动牲交sv欧美| 中文天堂在线官网| 亚洲av欧美aⅴ国产| 亚洲精品视频女| 久久久久精品久久久久真实原创| 一本—道久久a久久精品蜜桃钙片| 最新的欧美精品一区二区| 午夜91福利影院| 久久人人爽av亚洲精品天堂| 国精品久久久久久国模美| 看免费av毛片| 两个人看的免费小视频| 中国三级夫妇交换| 亚洲色图 男人天堂 中文字幕| 男女床上黄色一级片免费看| 一本一本久久a久久精品综合妖精| 国产精品国产av在线观看| 精品视频人人做人人爽| 国产精品一区二区在线观看99| 久久久国产精品麻豆| 大香蕉久久成人网| av一本久久久久| 在线 av 中文字幕| 国产日韩欧美在线精品| 国产伦人伦偷精品视频| 一级毛片 在线播放| 久久韩国三级中文字幕| 国产一级毛片在线| 99re6热这里在线精品视频| 又大又爽又粗| 久久ye,这里只有精品| 国产 精品1| 日韩电影二区| 老司机影院毛片| 久久鲁丝午夜福利片| 最近中文字幕高清免费大全6| 久久午夜综合久久蜜桃| 天美传媒精品一区二区| 国产精品三级大全| 激情五月婷婷亚洲| 制服人妻中文乱码| 精品久久蜜臀av无| 一边亲一边摸免费视频| 色播在线永久视频| 熟妇人妻不卡中文字幕| 黄色视频不卡| 少妇被粗大猛烈的视频| 久久青草综合色| 妹子高潮喷水视频| 午夜福利,免费看| 老鸭窝网址在线观看| 久久久国产一区二区| av不卡在线播放| 欧美精品高潮呻吟av久久| 制服丝袜香蕉在线| 成年女人毛片免费观看观看9 | 国产1区2区3区精品| 飞空精品影院首页| 大香蕉久久网| 欧美日韩福利视频一区二区| 高清不卡的av网站| 国产爽快片一区二区三区| 国产精品.久久久| 久久久久精品久久久久真实原创| 久久韩国三级中文字幕| 人人妻,人人澡人人爽秒播 | 电影成人av| 国产精品 欧美亚洲| 久久久久国产精品人妻一区二区| 国产又色又爽无遮挡免| 亚洲精品,欧美精品| 国产亚洲最大av| 亚洲欧美精品综合一区二区三区| 男人添女人高潮全过程视频| 免费观看av网站的网址| 亚洲综合色网址| 曰老女人黄片| 一区二区日韩欧美中文字幕| 久久精品国产a三级三级三级| 欧美激情极品国产一区二区三区| 国产在线免费精品| 成人18禁高潮啪啪吃奶动态图| 国产日韩一区二区三区精品不卡| 麻豆乱淫一区二区| 欧美黑人欧美精品刺激| 免费高清在线观看视频在线观看| 久久影院123| 久久久精品区二区三区| 国产精品二区激情视频| 91aial.com中文字幕在线观看| 两个人看的免费小视频| 欧美亚洲日本最大视频资源| 国产探花极品一区二区| 成人黄色视频免费在线看| 色视频在线一区二区三区| 亚洲av综合色区一区| 91精品三级在线观看| 少妇被粗大猛烈的视频| 精品国产国语对白av| videos熟女内射| 亚洲av电影在线进入| 精品一区二区免费观看| 国语对白做爰xxxⅹ性视频网站| 熟妇人妻不卡中文字幕| 免费看不卡的av| 国产一区二区 视频在线| 成人国产av品久久久| 一区二区三区精品91| 制服丝袜香蕉在线| 中文字幕人妻熟女乱码| 午夜久久久在线观看| 午夜日韩欧美国产| 欧美亚洲日本最大视频资源| 久久婷婷青草| 啦啦啦 在线观看视频| 水蜜桃什么品种好| 久久人人爽人人片av| 天天影视国产精品| 久久av网站| 亚洲成av片中文字幕在线观看| 亚洲在久久综合| 最近最新中文字幕大全免费视频 | 十八禁人妻一区二区| 亚洲综合色网址| 校园人妻丝袜中文字幕| 啦啦啦在线免费观看视频4| 久久青草综合色| 亚洲欧美清纯卡通| 丝袜脚勾引网站| 成年av动漫网址| 亚洲,欧美精品.| 免费观看人在逋| 久久99精品国语久久久| 国产免费视频播放在线视频| 国产乱人偷精品视频| 永久免费av网站大全| 精品第一国产精品| 欧美成人精品欧美一级黄| 成人免费观看视频高清| av又黄又爽大尺度在线免费看| 欧美精品亚洲一区二区| 老汉色av国产亚洲站长工具| 国产一区二区在线观看av| 免费在线观看视频国产中文字幕亚洲 | 国产一区亚洲一区在线观看| 一级黄片播放器| 中文字幕人妻丝袜一区二区 | 久久狼人影院| 在线观看免费日韩欧美大片| 黄色怎么调成土黄色| 午夜激情av网站| 啦啦啦啦在线视频资源| 久久人人97超碰香蕉20202| 少妇精品久久久久久久| 日本黄色日本黄色录像| 电影成人av| 最新在线观看一区二区三区 | 老鸭窝网址在线观看| 婷婷色麻豆天堂久久| 中文字幕色久视频| 亚洲 欧美一区二区三区| 国产精品免费视频内射| 巨乳人妻的诱惑在线观看| 欧美97在线视频| 热99久久久久精品小说推荐| a级毛片在线看网站| 9色porny在线观看| 乱人伦中国视频| 亚洲av日韩在线播放| 久久久久人妻精品一区果冻| 精品国产超薄肉色丝袜足j| 亚洲精品美女久久av网站| 精品一区二区免费观看| 9热在线视频观看99| 欧美黑人欧美精品刺激| 日韩制服骚丝袜av| 黄色视频在线播放观看不卡| 十八禁网站网址无遮挡| 久久这里只有精品19| av不卡在线播放| 热99久久久久精品小说推荐| 欧美人与性动交α欧美精品济南到| av一本久久久久| 日韩一区二区三区影片| 亚洲人成77777在线视频| 大片电影免费在线观看免费| 欧美成人精品欧美一级黄| 欧美xxⅹ黑人| 久久青草综合色| 欧美在线黄色| 日本av免费视频播放| 综合色丁香网| 韩国av在线不卡| 亚洲自偷自拍图片 自拍| 久久精品国产综合久久久| 黄片小视频在线播放| 在线看a的网站| 久久热在线av| tube8黄色片| 日本色播在线视频| a 毛片基地| 人人妻人人澡人人爽人人夜夜| 777米奇影视久久| 老司机靠b影院| 中文字幕另类日韩欧美亚洲嫩草| 青青草视频在线视频观看| 日本欧美视频一区| 国产国语露脸激情在线看| 在现免费观看毛片| 久久亚洲国产成人精品v| 久久久久久久久久久久大奶| 亚洲三区欧美一区| 精品人妻一区二区三区麻豆| 黄色视频不卡| 国产精品欧美亚洲77777| 国产在线一区二区三区精| 久久免费观看电影| av电影中文网址| 看免费成人av毛片| 国产人伦9x9x在线观看| 巨乳人妻的诱惑在线观看| 亚洲美女黄色视频免费看| 久久精品亚洲熟妇少妇任你| 亚洲视频免费观看视频| 丝袜美腿诱惑在线| 欧美中文综合在线视频| 欧美精品av麻豆av| 精品亚洲成国产av| 亚洲精品aⅴ在线观看| 高清不卡的av网站| videos熟女内射| 中文字幕另类日韩欧美亚洲嫩草| 日韩不卡一区二区三区视频在线| 亚洲五月色婷婷综合| 在线天堂中文资源库| 日韩伦理黄色片| 少妇猛男粗大的猛烈进出视频| 久久婷婷青草| 国产一区二区三区综合在线观看| 午夜91福利影院| 亚洲精品第二区| 亚洲成人一二三区av| 赤兔流量卡办理| 十八禁人妻一区二区| 国产97色在线日韩免费| 国产一区二区三区av在线| 日本wwww免费看| 日韩av免费高清视频| 卡戴珊不雅视频在线播放| 韩国av在线不卡| 无遮挡黄片免费观看| 国产成人精品无人区| 99久久综合免费| 久久久久久人妻| 亚洲一区二区三区欧美精品| 最近手机中文字幕大全| 亚洲第一青青草原| 日本猛色少妇xxxxx猛交久久| 国产精品久久久久久久久免| 人人妻人人澡人人爽人人夜夜| 观看美女的网站| av在线app专区| 一区在线观看完整版| 又大又黄又爽视频免费| 亚洲精品日本国产第一区| 国产伦理片在线播放av一区| 亚洲欧美成人综合另类久久久| 性色av一级| 美女大奶头黄色视频| 国产精品女同一区二区软件| 免费看不卡的av| 2018国产大陆天天弄谢| 老熟女久久久| 视频在线观看一区二区三区| 国产精品久久久久久精品电影小说| 亚洲久久久国产精品| 中文字幕最新亚洲高清| 精品亚洲乱码少妇综合久久| 别揉我奶头~嗯~啊~动态视频 | 18在线观看网站| 亚洲,一卡二卡三卡| 日韩精品免费视频一区二区三区| 如日韩欧美国产精品一区二区三区| 99久久99久久久精品蜜桃| 国产精品一二三区在线看| 男的添女的下面高潮视频| 久久影院123| 少妇被粗大的猛进出69影院| 日本午夜av视频| 黄网站色视频无遮挡免费观看| 久久久亚洲精品成人影院| 国产高清国产精品国产三级| 黑人猛操日本美女一级片| 香蕉丝袜av| 亚洲av福利一区| 日韩一区二区三区影片| 99国产精品免费福利视频| 亚洲综合色网址| 99热全是精品| 欧美xxⅹ黑人| 国产日韩一区二区三区精品不卡| 999精品在线视频| 国产免费又黄又爽又色| 国产一区二区三区综合在线观看| 国产成人精品无人区| 国产男女内射视频| 亚洲色图综合在线观看| 亚洲精品成人av观看孕妇| 久久精品aⅴ一区二区三区四区| 欧美日韩一区二区视频在线观看视频在线| 99热国产这里只有精品6| av片东京热男人的天堂| 中国国产av一级| 在线观看www视频免费| 亚洲国产精品999| 日韩av不卡免费在线播放| 日韩中文字幕视频在线看片| 一区二区三区四区激情视频| 国产亚洲一区二区精品| 国产av一区二区精品久久| 天天操日日干夜夜撸| 国产在视频线精品| 在线精品无人区一区二区三| 国产av一区二区精品久久| 亚洲欧美精品综合一区二区三区| 亚洲国产成人一精品久久久| 黄色一级大片看看| 黄片无遮挡物在线观看| 两个人看的免费小视频| 亚洲精品在线美女| 国产精品久久久久久精品古装| 日本91视频免费播放| 人人妻人人澡人人爽人人夜夜| 国产成人欧美在线观看 | 国产免费一区二区三区四区乱码| av在线老鸭窝| 久久久久视频综合| 国产精品久久久久久久久免| 久久久国产精品麻豆| 又大又黄又爽视频免费| 十八禁人妻一区二区| 久久久国产精品麻豆| 日韩av在线免费看完整版不卡| 色婷婷av一区二区三区视频| 国产在视频线精品| a级片在线免费高清观看视频| 一级,二级,三级黄色视频| 黑人欧美特级aaaaaa片| 嫩草影视91久久| 亚洲人成77777在线视频| 日本av免费视频播放| 国产亚洲午夜精品一区二区久久| 一区二区三区四区激情视频| 一级毛片我不卡| 国产精品99久久99久久久不卡 | 欧美黑人精品巨大| 又大又爽又粗| 国产亚洲最大av| 亚洲欧美激情在线| 国产免费又黄又爽又色| 精品国产一区二区三区久久久樱花| 中文字幕色久视频| 最近2019中文字幕mv第一页| 黄色一级大片看看| 国产精品人妻久久久影院| 美女视频免费永久观看网站| 亚洲欧美成人综合另类久久久| 麻豆精品久久久久久蜜桃| 在线观看免费日韩欧美大片| 老司机在亚洲福利影院| 一级,二级,三级黄色视频| 高清不卡的av网站| 亚洲精品久久成人aⅴ小说| 中文天堂在线官网| 少妇的丰满在线观看| 亚洲精品av麻豆狂野| 秋霞伦理黄片| 欧美黄色片欧美黄色片| 久久精品亚洲av国产电影网| 日韩av免费高清视频| 国产又爽黄色视频| 亚洲综合色网址| 五月天丁香电影| 亚洲精品一二三| 国产欧美日韩综合在线一区二区| 国产精品一二三区在线看| 欧美激情 高清一区二区三区| 亚洲综合色网址| 建设人人有责人人尽责人人享有的| 成人免费观看视频高清| 人人妻人人添人人爽欧美一区卜| 99久国产av精品国产电影| 久久毛片免费看一区二区三区| 又大又爽又粗| 日韩免费高清中文字幕av| 午夜福利一区二区在线看| 免费高清在线观看视频在线观看| 国产av国产精品国产| 精品视频人人做人人爽| 精品久久蜜臀av无| 一边摸一边做爽爽视频免费| 久久人妻熟女aⅴ| 毛片一级片免费看久久久久| 在线观看一区二区三区激情| 极品人妻少妇av视频| 日韩制服丝袜自拍偷拍| 男的添女的下面高潮视频| 王馨瑶露胸无遮挡在线观看| 91成人精品电影| h视频一区二区三区| 亚洲一码二码三码区别大吗| 青春草亚洲视频在线观看| 亚洲精品国产区一区二| 成人手机av| 久久久久久免费高清国产稀缺| 人体艺术视频欧美日本| 一区二区三区乱码不卡18| 亚洲精品美女久久久久99蜜臀 | 狂野欧美激情性xxxx| 丰满迷人的少妇在线观看| 午夜精品国产一区二区电影| 九草在线视频观看| 精品国产露脸久久av麻豆| 搡老乐熟女国产| 老汉色∧v一级毛片| 精品国产一区二区三区四区第35| 99热国产这里只有精品6| 一级a爱视频在线免费观看| 中文字幕另类日韩欧美亚洲嫩草| 亚洲精品成人av观看孕妇| 久久国产精品大桥未久av| 欧美日韩国产mv在线观看视频| av视频免费观看在线观看| 中文精品一卡2卡3卡4更新| 久久久久久免费高清国产稀缺| 久久精品国产亚洲av涩爱| 亚洲欧美一区二区三区久久| 90打野战视频偷拍视频| 中文乱码字字幕精品一区二区三区| 啦啦啦 在线观看视频| 国产在视频线精品| 黑丝袜美女国产一区| 老司机影院成人| 国产伦人伦偷精品视频| www日本在线高清视频| av.在线天堂| 免费在线观看视频国产中文字幕亚洲 | 成人亚洲精品一区在线观看| 男男h啪啪无遮挡| 男女下面插进去视频免费观看| 日本欧美国产在线视频| 青草久久国产| 999久久久国产精品视频| 久久久久精品久久久久真实原创| 搡老岳熟女国产| 中文字幕色久视频| 另类亚洲欧美激情| 国产日韩一区二区三区精品不卡| 久久女婷五月综合色啪小说| 亚洲国产欧美网| 午夜福利网站1000一区二区三区| 久久精品亚洲熟妇少妇任你| 香蕉国产在线看| 另类精品久久| 最新在线观看一区二区三区 | 国产成人a∨麻豆精品| 大话2 男鬼变身卡| 最近手机中文字幕大全| 亚洲精品,欧美精品| 黄色视频在线播放观看不卡| 精品国产乱码久久久久久小说| 亚洲av综合色区一区| 亚洲一级一片aⅴ在线观看| 亚洲国产精品国产精品| 国产人伦9x9x在线观看| 亚洲av电影在线进入| 99久久99久久久精品蜜桃| 久久久亚洲精品成人影院| 久久精品亚洲熟妇少妇任你| 亚洲天堂av无毛| 亚洲欧美精品综合一区二区三区| 麻豆av在线久日| 男人舔女人的私密视频| 日本一区二区免费在线视频| 一区二区日韩欧美中文字幕| 免费久久久久久久精品成人欧美视频| 欧美激情极品国产一区二区三区| 久久 成人 亚洲| av网站免费在线观看视频| 一边摸一边抽搐一进一出视频| 国产一区二区三区av在线| 黄色 视频免费看| 色综合欧美亚洲国产小说| 亚洲成人免费av在线播放| 久久ye,这里只有精品| 赤兔流量卡办理| 大片免费播放器 马上看| 久久婷婷青草| 毛片一级片免费看久久久久| 伊人亚洲综合成人网| 狂野欧美激情性bbbbbb| 日韩制服骚丝袜av| 精品亚洲成国产av| 国产成人av激情在线播放| 精品国产乱码久久久久久男人| 免费在线观看视频国产中文字幕亚洲 | 男男h啪啪无遮挡| 美女大奶头黄色视频| 黑人巨大精品欧美一区二区蜜桃| 国产成人免费观看mmmm| 亚洲男人天堂网一区| 欧美久久黑人一区二区| 丝袜美腿诱惑在线| 不卡av一区二区三区| 亚洲av中文av极速乱| 老熟女久久久| 爱豆传媒免费全集在线观看| 亚洲精品美女久久av网站| 啦啦啦在线免费观看视频4| 一级片免费观看大全| 黄色视频在线播放观看不卡| 国产国语露脸激情在线看| 如何舔出高潮| 日本一区二区免费在线视频| 欧美黑人精品巨大| 精品一区二区三区av网在线观看 | 一本—道久久a久久精品蜜桃钙片| 午夜福利一区二区在线看| 国产免费一区二区三区四区乱码| 国产精品国产三级专区第一集| 国产亚洲av片在线观看秒播厂| 亚洲美女视频黄频| 亚洲成人国产一区在线观看 | 十八禁高潮呻吟视频| 久久热在线av| 成年美女黄网站色视频大全免费| 老汉色∧v一级毛片| 视频区图区小说| 亚洲成人国产一区在线观看 | 99久久99久久久精品蜜桃| 亚洲精品美女久久av网站| 97人妻天天添夜夜摸| 大香蕉久久成人网| 日韩 欧美 亚洲 中文字幕| 午夜激情久久久久久久| 国产在线免费精品| 嫩草影院入口| 亚洲av电影在线进入| 啦啦啦啦在线视频资源| 大码成人一级视频| 一区福利在线观看| 亚洲国产最新在线播放| 久久人妻熟女aⅴ| 国产爽快片一区二区三区| 亚洲欧美成人综合另类久久久| 欧美老熟妇乱子伦牲交| 成人18禁高潮啪啪吃奶动态图| 亚洲七黄色美女视频| 777久久人妻少妇嫩草av网站| 永久免费av网站大全| 嫩草影视91久久| 一级毛片 在线播放| 在线精品无人区一区二区三| 亚洲 欧美一区二区三区| 亚洲精品自拍成人| 秋霞在线观看毛片| 18禁裸乳无遮挡动漫免费视频| 亚洲欧美色中文字幕在线| 中文精品一卡2卡3卡4更新| 亚洲人成77777在线视频| 婷婷色综合www| 丝袜人妻中文字幕| 亚洲精品国产av成人精品| 久久av网站|