• <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 ?

    采用深度學(xué)習(xí)的永磁同步電機(jī)匝間短路故障診斷方法

    2020-10-09 10:47:26李垣江張周磊李夢(mèng)含魏海峰張懿
    關(guān)鍵詞:永磁同步電機(jī)故障診斷

    李垣江 張周磊 李夢(mèng)含 魏海峰 張懿

    摘 要:針對(duì)永磁同步電機(jī)匝間短路故障診斷方法因結(jié)構(gòu)復(fù)雜、樣本特征稀少和大數(shù)據(jù)冗余等因素引起的診斷困難問題,基于生成式對(duì)抗和稀疏自編碼深度學(xué)習(xí)網(wǎng)絡(luò)提出一種高效準(zhǔn)確的匝間短路故障診斷方法。該方法通過采集永磁同步電機(jī)負(fù)序電流和轉(zhuǎn)矩特征信號(hào),利用生成式對(duì)抗神經(jīng)網(wǎng)絡(luò)完成樣本數(shù)據(jù)擴(kuò)張,構(gòu)建魯棒、多樣的訓(xùn)練集合,結(jié)合稀疏自編碼網(wǎng)絡(luò)實(shí)現(xiàn)高效準(zhǔn)確的故障特征分類、診斷。實(shí)驗(yàn)表明該方法實(shí)現(xiàn)了對(duì)永磁同步電機(jī)負(fù)序電流和轉(zhuǎn)矩特征信號(hào)的樣本數(shù)據(jù)擴(kuò)張,構(gòu)建了優(yōu)化深度網(wǎng)絡(luò)實(shí)現(xiàn)高效準(zhǔn)確的電機(jī)匝間短路診斷。數(shù)據(jù)顯示,采用此方法的匝間短路故障診斷準(zhǔn)確率高達(dá)99.4%。

    關(guān)鍵詞:永磁同步電機(jī);匝間短路;稀疏自編碼;生成式對(duì)抗神經(jīng)網(wǎng)絡(luò);樣本擴(kuò)張;負(fù)序電流;故障診斷

    DOI:10.15938/j.emc.2020.09.019

    中圖分類號(hào):TP 277

    文獻(xiàn)標(biāo)志碼:A

    文章編號(hào):1007-449X(2020)09-0173-08

    Fault diagnosis of inter-turn short circuit of permanent magnet synchronous motor based on deep learning

    LI Yuan-jiang1,2, ZHANG Zhou-lei1, LI Meng-han1, WEI Hai-feng1,2, ZHANG Yi1,2

    (1.College of Electronic Information, Jiangsu University of Science and Technology, Zhenjiang 212003, China;2.Changshu Rhett Electric Co., Ltd., Changshu 215500,China)

    Abstract:

    An efficient and accurate fault diagnosis of inter-turn short circuit method was proposed to solve the problem that the fault diagnosis of inter-turn short circuit for permanent magnet synchronous motor has difficulty to diagnose caused by motors complex structure, few sample features and large data redundancy, which is based on the generative adversarial nets and sparse auto encoder network. Negative sequence current and torque characteristic signal of permanent magnet synchronous motor were collected to expand sample data and build robust and diverse training set by generative adversarial nets, and sparse auto encoder network was used to realize efficient and accurate classification or diagnosis of fault features by sparse auto encoder network. Experiments show that the expansion of sample data of the negative sequence current and torque characteristic signals of permanent magnet synchronous motors were realized, and an optimized deep network was built to achieve efficient and accurate diagnosis of the inter-turn short circuit.The experimental results show that the accuracy rate of the fault diagnosis of the inter-turn short circuit method is as high as 99.4%.

    Keywords:permanent magnet synchronous motor; inter-turn short circuit; sparse auto encoder; generative adversarial nets; sample expansion; negative sequence current; fault diagnosis

    0 引 言

    匝間短路是一種典型的、破壞性極強(qiáng)的電機(jī)故障。輕微的匝間短路若不加以識(shí)別,會(huì)導(dǎo)致更為嚴(yán)重的相間短路、單相接地故障。因此,基于深度學(xué)習(xí)理論研究匝間短路的故障診斷方法對(duì)于及時(shí)發(fā)現(xiàn)電機(jī)早期故障、提高系統(tǒng)可靠性和降低維護(hù)成本具有重要意義[1-2]。

    現(xiàn)階段,永磁同步電機(jī)(permanent magnet synchronous motor,PMSM)匝間短路的識(shí)別大多通過各種狀態(tài)參數(shù)(負(fù)序特征[3]、振動(dòng)[4]等參數(shù))判斷其運(yùn)行的狀態(tài),確定故障部位和劣化程度。匝間短路引起的負(fù)序電流波動(dòng)、阻抗變化均能有效地表征故障特征,但其易受電源品質(zhì)、電機(jī)結(jié)構(gòu)、固有參數(shù)等客觀條件的影響。將組合特征(如負(fù)序特征+振動(dòng)信號(hào))作為匝間短路的診斷依據(jù),可有效降低環(huán)境因素對(duì)單一參數(shù)的影響,同時(shí)借助于主成份分析[5]、經(jīng)驗(yàn)?zāi)B(tài)分解[6]、BP神經(jīng)網(wǎng)絡(luò)[7]、小波變換[8]、灰色關(guān)聯(lián)理論[9]等機(jī)器學(xué)習(xí)方法可在有限的樣本數(shù)據(jù)下,實(shí)現(xiàn)匝間短路故障的識(shí)別。

    永磁同步電機(jī)的結(jié)構(gòu)結(jié)構(gòu)復(fù)雜,組件內(nèi)部存在的強(qiáng)關(guān)聯(lián)耦合,使得匝間短路的發(fā)生具有隨機(jī)性、繼發(fā)性、并發(fā)性。因此用于診斷的小樣本數(shù)據(jù),失去了實(shí)際意義。在電機(jī)監(jiān)測(cè)大數(shù)據(jù)背景下,基于大量的試驗(yàn)與專業(yè)知識(shí)獲取的海量標(biāo)簽數(shù)據(jù)與非監(jiān)督診斷方法,是提升故障診斷準(zhǔn)確率的關(guān)鍵。

    稀疏自編碼網(wǎng)絡(luò)(sparse auto encoder,SAE)和生成式對(duì)抗網(wǎng)絡(luò)(generative adversarial nets,GAN)作為典型的深度學(xué)習(xí)方法,在圖像識(shí)別、語(yǔ)音識(shí)別、電機(jī)故障診斷等領(lǐng)域,取得了顯著成果。SAE能夠利用非監(jiān)督方式學(xué)習(xí)數(shù)據(jù)特征的簡(jiǎn)明表達(dá),使得特征分類具有準(zhǔn)確性高、復(fù)雜度低的特點(diǎn)。文獻(xiàn)[10]采用SAE深度網(wǎng)絡(luò),結(jié)合SOFTMAX分類器實(shí)現(xiàn)了異步電機(jī)的6類故障診斷,準(zhǔn)確率達(dá)95%以上。文獻(xiàn)[11]采用SAE網(wǎng)絡(luò),引入dropout技巧實(shí)現(xiàn)了感應(yīng)電動(dòng)機(jī)的7類故障診斷,準(zhǔn)確達(dá)97%以上。然而,電機(jī)匝間短路的故障樣本具有偶發(fā)性,難以支撐深度學(xué)習(xí)網(wǎng)絡(luò)所需的樣本數(shù)量,而GAN利用攻擊性原理,使得輸出數(shù)據(jù)與輸入樣本數(shù)據(jù)具有很強(qiáng)的相關(guān)性,因此可將匝間短路故障樣本輸入GAN生成故障樣本數(shù)據(jù),彌補(bǔ)深度網(wǎng)絡(luò)訓(xùn)練不足的缺陷。

    本文提出一種聯(lián)合GAN和SAE的永磁同步電機(jī)匝間短路診斷方法。該方法首先分析負(fù)序電流、電磁轉(zhuǎn)矩與匝間短路的關(guān)聯(lián)性,其次利用電磁轉(zhuǎn)矩與優(yōu)化后的負(fù)序電流建立組合診斷特征,并采用GAN對(duì)樣本進(jìn)行擴(kuò)張,建立訓(xùn)練集。最后通過SAE網(wǎng)絡(luò)創(chuàng)建/優(yōu)化深度神經(jīng)網(wǎng)絡(luò)模型獲取故障特征的簡(jiǎn)明表達(dá),訓(xùn)練分類器實(shí)現(xiàn)永磁同步電機(jī)的匝間短路診斷。

    1 深度神經(jīng)網(wǎng)絡(luò)

    1.1 生成式對(duì)抗網(wǎng)絡(luò)

    深度學(xué)習(xí)需要大量數(shù)據(jù)樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,而樣本的標(biāo)定過程需要大量的時(shí)間、資源[12]。本文采用GAN來增加數(shù)據(jù)規(guī)模,通過創(chuàng)建偽數(shù)據(jù)增強(qiáng)深度學(xué)習(xí)網(wǎng)絡(luò)模型的泛化能力。GAN包括生成模型、判別模型[13]。它讓2個(gè)模型相互競(jìng)爭(zhēng),通過學(xué)習(xí)本質(zhì)特征,采用生成模型獲得具有相似數(shù)據(jù)屬性的新樣本。如圖1所示。

    定義數(shù)據(jù)參數(shù):

    {(x(t),z(t)),y(t)}Tt=1。(1)

    式中:x(t),z(t)為第t個(gè)電機(jī)樣本數(shù)據(jù)和第t個(gè)隨機(jī)噪聲;y(t)為[1,0],表示將樣本數(shù)據(jù)判別為真的概況為1,將生成數(shù)據(jù)判別為真的概況為0。

    模型表示如下:

    G:x~=g(z,θG)∈Rn。

    D:Feature:X=DF(x,θF),

    X~=DF(x~,θF)。

    Classifier:y=P(L(x))=real|X,θC|,P(L(x~))=real|X~,θC|。(2)

    式中:G,D為生成模型,判別模型;x~為生成數(shù)據(jù);θG為生成模型待優(yōu)化參數(shù);θF為判別模型特征學(xué)習(xí)階段待優(yōu)化參數(shù);θC為判別模型分類器設(shè)計(jì)階段待優(yōu)化參數(shù);g(·),DF(·),P(·)為各模型下的映射函數(shù)。

    另外,只有當(dāng)數(shù)據(jù)量遠(yuǎn)大于生成模型的參數(shù)量時(shí)才會(huì)保證網(wǎng)絡(luò)得到零和博弈解。

    從式(2)可以分析得到判別模型與生成模型的關(guān)系:

    因此,固定生成模型就可以得到對(duì)應(yīng)判別器的損失函數(shù):

    式中:x~P(x)為服從電機(jī)樣本分布;x~~P(x~)為服從生成數(shù)據(jù)分布。

    損失函數(shù)中可以將-log(D(x))理解為x判別為真的概率,將log(1-D(x~))理解為x~判別為偽的概率。而判斷模型的設(shè)計(jì)要求是:將樣本數(shù)據(jù)判斷為真的概率要高,將生成數(shù)據(jù)判斷為偽的概率要高。另外,對(duì)生成模型的設(shè)計(jì)要求是:判別模式固定時(shí),生成數(shù)據(jù)的分布特性盡可能與電機(jī)樣本一致,即P(x)≈P(x~),最大化目標(biāo)函數(shù)如下:

    結(jié)合式(4)和式(5)的損失函數(shù),融合判別模型及生成模型的要求,GAN最終目標(biāo)函數(shù)描述為:

    經(jīng)過梯度下降優(yōu)化參數(shù)(θG,θD),縮短生成數(shù)據(jù)與自然數(shù)據(jù)差距,當(dāng)D(G(z))=1此時(shí)生成數(shù)據(jù)與原電機(jī)樣本之間達(dá)到最理想的狀態(tài),即:D(G(z))~P(x~)~P(x)。網(wǎng)絡(luò)模型如圖2所示。

    1.2 稀疏自編碼網(wǎng)絡(luò)及優(yōu)化

    如圖3所示,稀疏自編碼網(wǎng)絡(luò)通過編碼器獲取隱層特征張量,并使其稀疏化。然后,通過優(yōu)化目標(biāo)函數(shù)即解碼器來判別特征與原始輸入關(guān)聯(lián)性,實(shí)現(xiàn)無監(jiān)督學(xué)習(xí)[14]。稀疏自編碼網(wǎng)絡(luò)存儲(chǔ)能力強(qiáng),并具有聯(lián)想記憶能力,其信號(hào)結(jié)構(gòu)更加清晰,適合表達(dá)、學(xué)習(xí)電機(jī)的樣本數(shù)據(jù)特征。

    自編碼網(wǎng)絡(luò)邏輯回歸問題普遍使用正則化策略約束網(wǎng)絡(luò)從而提高泛化能力。通過對(duì)目標(biāo)函數(shù)J(θ)添加參數(shù)范數(shù)懲罰R(θ)限制模型學(xué)習(xí)能力,此時(shí)優(yōu)化目標(biāo)函數(shù)如下:

    式中:x^(n)為輸入x(n)的預(yù)測(cè),期望與輸入相似;R(θ)為正則項(xiàng);γ為權(quán)衡R(θ)與J(θ)之間相對(duì)貢獻(xiàn)的超參數(shù),γ越大對(duì)應(yīng)正則化限制越大。

    不同于一般神經(jīng)網(wǎng)絡(luò)算法直接懲罰模型參數(shù)實(shí)現(xiàn)泛化,稀疏自編碼網(wǎng)絡(luò)通過約束權(quán)值連接,有效刪減參數(shù)使大部分隱層節(jié)點(diǎn)處于靜默狀態(tài),從而除去冗余基并加強(qiáng)有效目標(biāo)的訓(xùn)練。為了稀疏化激活節(jié)點(diǎn),將Kullback-Leibler散度引入稀疏正則項(xiàng)懲罰網(wǎng)絡(luò)激活單元:

    式中:X-(j)為隱層第j個(gè)節(jié)點(diǎn)相應(yīng)的平均值,j=1,2,…,v;ρ為稀疏性參數(shù),接近于0。

    KL散度懲罰的意義:經(jīng)過懲罰使隱藏神經(jīng)元活躍度處與ρ=X-(j)限制條件下來減少訓(xùn)練過程的泛化誤差。

    最終稀疏自編碼網(wǎng)絡(luò)得到的優(yōu)化目標(biāo)函數(shù)為:

    minθJ(θ)=1N∑Nn=1‖x^(n)-x(n)‖22+

    γR(θ)+β∑vj=1KL(ρ||X-(j))。(11)

    最后將稀疏自編碼的訓(xùn)練流程如圖4所示。

    2 匝間短路特征分析

    永磁同步電機(jī)的匝間短路、不平衡的電源電壓等因素均會(huì)影響負(fù)序電流。若直接使用負(fù)序電流特征對(duì)匝間短路進(jìn)行診斷會(huì)嚴(yán)重影響診斷結(jié)果[15-16]。因此需對(duì)負(fù)序電流進(jìn)行優(yōu)化,使其與匝間短路程度具有相同的變化趨勢(shì),使診斷特征更具魯棒性。同時(shí),將電磁轉(zhuǎn)矩特征引入故障特征,聯(lián)合負(fù)序電流構(gòu)建樣本集,提升診斷方法的有效性。定義電機(jī)平衡狀態(tài)下的負(fù)序電流是匝間短路條件下的負(fù)序電流。當(dāng)電機(jī)處于電壓不平衡狀態(tài)時(shí),負(fù)序電流由誤差負(fù)序電流和故障負(fù)序電流共同決定。

    經(jīng)永磁同步電機(jī)實(shí)驗(yàn)平臺(tái),得到負(fù)序電流如表1所示,表中:|I+|為正序電流模值;|I-|為總負(fù)序電流模值;|I-f|為優(yōu)化后的負(fù)序電流模值。

    由表1可知,平衡狀態(tài)下電機(jī)健康時(shí)|I-|幾乎為0,而當(dāng)短路匝數(shù)遞增時(shí),|I-|同步升高。此時(shí)|I-f|即為|I-|。而在不平衡電壓狀態(tài)下,隨著不平衡度的上升,相同短路匝數(shù)條件的|I-|也會(huì)上升。此時(shí)定義|I-f|為|I-|與不平衡負(fù)序電流的差值,可抑制不平衡度上升帶來的影響。因此將|I-f|作為匝間短路故障特征項(xiàng)是合理的。

    為了提高診斷特征的多樣性,引入電磁轉(zhuǎn)矩特征。電磁轉(zhuǎn)矩特征與匝間短路故障的關(guān)聯(lián)性證明如下。假設(shè)磁芯飽和并且反電動(dòng)勢(shì)為正弦,永磁同步電機(jī)的模型為:

    式中: θ為電機(jī)機(jī)械角;wr為機(jī)械速度;B為阻尼系數(shù);J 為轉(zhuǎn)子轉(zhuǎn)動(dòng)慣性;TL,Te為負(fù)載轉(zhuǎn)矩、電磁轉(zhuǎn)矩;S為相繞組;Ki為第i相的電動(dòng)勢(shì)系數(shù);Ii為第i相的相電流;Km為相位電動(dòng)勢(shì)系數(shù)峰值;we為電速度(we=pwr,p表示極對(duì)數(shù));θei為第i相的初始相角。

    式中:Sn為正常相繞組;Sf為故障相繞組;Tu為可控電磁轉(zhuǎn)矩,保證故障后電機(jī)的繼續(xù)運(yùn)行;Tr為不可控電磁轉(zhuǎn)矩,取決于電機(jī)故障類型。

    永磁同步電機(jī)處于健康運(yùn)行情況下,瞬時(shí)相電流可以表示為

    從式(17),式(18)可以看出故障情況下瞬時(shí)相位電流會(huì)存在高次諧波分量。匝間短路條件下,短路電流僅限于額定電流,因此由匝間短路引起的轉(zhuǎn)矩可以表示為

    式中:Im為相電流峰值;θi為相位角度。

    另外根據(jù)式(17)~式(19)可以求取匝間短路下的健康相位電流

    式中:θ′if為第i相發(fā)生匝間短路電磁相角;

    由式(19)可知影響電磁轉(zhuǎn)矩的因素為相位電動(dòng)勢(shì)系數(shù)以及相電流。當(dāng)永磁同步電機(jī)的某相繞組發(fā)生匝間短路時(shí),該相電流增加。隨著短路匝數(shù)的增多,相電流峰值會(huì)不斷升高,最后帶動(dòng)電磁轉(zhuǎn)矩的上升。因此永磁同步電機(jī)電磁轉(zhuǎn)矩可以作為研究匝間短路的有效特征。不同平衡狀態(tài)下電磁轉(zhuǎn)矩特征對(duì)比,如下圖所示。

    圖5呈現(xiàn)40~60 ms穩(wěn)定運(yùn)行時(shí)間內(nèi)的電磁轉(zhuǎn)矩。隨著短路匝數(shù)增大,電磁轉(zhuǎn)矩平均值亦呈上升趨勢(shì)。圖6表示繞組發(fā)生37匝短路時(shí)不同平衡度電壓下對(duì)應(yīng)的電磁轉(zhuǎn)矩分布??梢姡嚯妷簩?duì)稱性越差則電磁轉(zhuǎn)矩受到的影響程度也會(huì)加深。因此,引入跟蹤誤差優(yōu)化函數(shù)J優(yōu)化電磁轉(zhuǎn)矩[12],即

    J=λte|T*e(k)-Te(k)|。(21)

    式中:λte為優(yōu)化權(quán)重系數(shù);T*e(k),Te(k)為不平衡時(shí)刻預(yù)測(cè)電磁轉(zhuǎn)矩,平衡時(shí)刻已知電磁轉(zhuǎn)矩。

    通過控制電磁轉(zhuǎn)矩優(yōu)化權(quán)重系數(shù)使誤差J達(dá)到極小值,實(shí)現(xiàn)T*e(k)→Te(k)。最終優(yōu)化后的電磁轉(zhuǎn)矩可達(dá)到規(guī)避電壓不平衡的目的。

    因此本文通過組合優(yōu)化后的負(fù)序分量及電磁轉(zhuǎn)矩,抵抗由電機(jī)非平衡電壓狀態(tài)帶來的誤差效應(yīng),提升故障診斷的可靠性。

    3 試驗(yàn)分析

    本文搭建的永磁同步電機(jī)實(shí)驗(yàn)測(cè)試平臺(tái)如圖7所示。電機(jī)參數(shù)如表2所示。

    通過更改并聯(lián)繞組匝數(shù)模擬匝間短路,樣本標(biāo)簽如下表所示。

    3.1 網(wǎng)絡(luò)參數(shù)優(yōu)化

    本文從隱層、學(xué)習(xí)率以及內(nèi)嵌優(yōu)化算法3個(gè)指標(biāo)進(jìn)行優(yōu)化,通過損失函數(shù)(均方誤差)判斷最優(yōu)情況。優(yōu)化結(jié)果如表4所示。

    對(duì)比在不同隱層數(shù)狀態(tài)下所對(duì)應(yīng)的損失值可知,3層隱層訓(xùn)練的效果最優(yōu)。隱藏層太少無法完成學(xué)習(xí)任務(wù),而隱藏層太多會(huì)使網(wǎng)絡(luò)變得緩慢難以訓(xùn)練。同理,學(xué)習(xí)率在處于0.01時(shí)損失值最小。學(xué)習(xí)率太高會(huì)影響整體網(wǎng)絡(luò)的訓(xùn)練效率,太低使得訓(xùn)練過程變慢,也讓學(xué)習(xí)趨勢(shì)不可預(yù)測(cè)。另外訓(xùn)練算法對(duì)最終結(jié)果以及訓(xùn)練時(shí)間會(huì)有很大的影響,本文選取Adam(Adaptive Moment Estimation)作為網(wǎng)絡(luò)的最優(yōu)算法,在確定參數(shù)后測(cè)試得到的網(wǎng)絡(luò)損失值達(dá)到最小。

    3.2 樣本擴(kuò)張的有效性分析

    將負(fù)序電流、電磁轉(zhuǎn)矩作為匝間短路故障的聯(lián)合特征項(xiàng)。為研究GAN實(shí)現(xiàn)樣本數(shù)據(jù)擴(kuò)張的合理性,隨機(jī)抽取樣本輸入GAN,對(duì)比擴(kuò)張樣本與輸入電機(jī)樣本的分布。如圖8所示,負(fù)序電流、電磁轉(zhuǎn)矩特征處于非線性狀態(tài),各樣本之間無規(guī)律可尋。在經(jīng)過GAN后,新生成數(shù)據(jù)樣本接近真實(shí)數(shù)據(jù)的分布趨勢(shì),證明了GAN生成模型的衍生能力。

    同時(shí),為了證明經(jīng)GAN擴(kuò)張后的樣本對(duì)提升匝間短路故障診斷準(zhǔn)確性的意義,將”正?!睌?shù)據(jù)樣本與“故障樣本”以3∶1的比例建立訓(xùn)練集,共計(jì)1 000個(gè)樣本。從兩類訓(xùn)練樣本中,各隨機(jī)抽取100個(gè)樣本輸入GAN完成數(shù)據(jù)擴(kuò)張,因此新生成訓(xùn)練集中的樣本數(shù)量為1 200個(gè),其“正?!睌?shù)據(jù)樣本與“故障樣本”的比例約為2.5∶1。另外給予20個(gè)已知的故障樣本(非訓(xùn)練集)用于測(cè)試診斷效果,如表5所示。

    如表5所示,擴(kuò)張后的訓(xùn)練集能充分解決深度網(wǎng)絡(luò)故障樣本訓(xùn)練不足的問題,使得故障診斷的準(zhǔn)確率提高了15%,從而證明擴(kuò)張后的樣本有助于提升網(wǎng)絡(luò)的泛化能力。同時(shí),本文采用交叉熵?fù)p失函數(shù)評(píng)價(jià)在不同訓(xùn)練集條件下本文算法的診斷偏差。

    由圖9可知,將原始訓(xùn)練集直接輸入優(yōu)化后的SAE,由于其并未充分學(xué)習(xí)匝間短路的故障特征,因此最終診斷偏差達(dá)5.8%,嚴(yán)重限制了算法在實(shí)際工程中的應(yīng)用。而經(jīng)過GAN擴(kuò)張后的訓(xùn)練集,彌補(bǔ)了訓(xùn)練不足的問題,其最終診斷誤差只有1.5%,可見深度網(wǎng)絡(luò)可充分學(xué)習(xí)電機(jī)的匝間短路特征。

    3.3 與傳統(tǒng)方法對(duì)比

    為了展示深度學(xué)習(xí)電機(jī)故障診斷的有效性,實(shí)驗(yàn)采用Geforce GTX 1070 GPU顯卡,基于CUDA8.0-CUDNN5.1 Tensorflow平臺(tái)實(shí)現(xiàn)不同方法深度學(xué)習(xí)訓(xùn)練,并與傳統(tǒng)網(wǎng)絡(luò)診斷進(jìn)行對(duì)比分析。其結(jié)果如表6所示。

    主成分分析(PCA)及經(jīng)驗(yàn)?zāi)B(tài)分解(EDM)是傳統(tǒng)信號(hào)數(shù)據(jù)挖掘的主要方法。PCA和EDM分解組合特征信號(hào)分別獲得2~100特征數(shù)或7個(gè)IMF能量值,通過2層SVM神經(jīng)網(wǎng)絡(luò)迭代50次達(dá)到診斷作用,此方法相對(duì)其他算法比較,診斷效率較為低下。而基于3層BP神經(jīng)網(wǎng)絡(luò)的故障診斷準(zhǔn)確率高達(dá)88.7%,證明具有強(qiáng)泛化能力的BP神經(jīng)網(wǎng)絡(luò)能夠良好的學(xué)習(xí)和識(shí)別故障類型。后3組實(shí)驗(yàn)在深度學(xué)習(xí)框架下,固定深度神經(jīng)網(wǎng)絡(luò)參數(shù)(隱藏層:3;隱層節(jié)點(diǎn):10;批處理量:500;步數(shù)50 000)比較不同方法診斷結(jié)果的優(yōu)劣程度。SAE網(wǎng)絡(luò)的泛化能力優(yōu)于BP神經(jīng)網(wǎng)絡(luò),可對(duì)匝間短路故障的特征進(jìn)行主動(dòng)學(xué)習(xí)、分類,其準(zhǔn)確率高達(dá)97.1%。相同SAE網(wǎng)絡(luò)及算法條件下,考慮到不對(duì)稱性三相電壓,依據(jù)本文特征優(yōu)化方法重新組合特征樣本,診斷結(jié)果有顯著的提升,上升了1.7%。而在此基礎(chǔ)上本文另外通過GAN網(wǎng)絡(luò)擴(kuò)張6 000個(gè)額外訓(xùn)練樣本,一方面增加了樣本數(shù)量,另一方面增強(qiáng)了數(shù)據(jù)集,由噪聲生成的偽數(shù)據(jù)可以彌補(bǔ)網(wǎng)絡(luò)訓(xùn)練不足的缺陷,防止過擬合現(xiàn)象,最終使得故障診斷準(zhǔn)確率達(dá)到99.4%,實(shí)現(xiàn)了高效的電機(jī)匝間故障診斷。

    4 結(jié) 論

    本文聯(lián)合GAN和SAE提出了一種高效準(zhǔn)確的永磁同步電機(jī)匝間短路診斷方法。該方法采用GAN實(shí)現(xiàn)對(duì)永磁同步電機(jī)負(fù)序電流和轉(zhuǎn)矩特征信號(hào)的樣本數(shù)據(jù)擴(kuò)張,豐富了訓(xùn)練集的樣本種類,彌補(bǔ)了深度網(wǎng)絡(luò)訓(xùn)練不足的難題,同時(shí)基于Kullback-Leibler距離及SAE稀疏正則項(xiàng),構(gòu)建優(yōu)化深度網(wǎng)絡(luò)實(shí)現(xiàn)高效準(zhǔn)確的電機(jī)匝間短路診斷。與其他人工智能故障診斷方法優(yōu)勢(shì)在于:

    1)采用GAN擴(kuò)展訓(xùn)練集,增加數(shù)據(jù)集的多樣性,彌補(bǔ)了深度網(wǎng)絡(luò)訓(xùn)練不足的問題。

    2)提高網(wǎng)絡(luò)對(duì)輸入樣本數(shù)據(jù)的稀疏性表達(dá),提升了網(wǎng)絡(luò)泛化能力和分類識(shí)別能力。

    因此本文方法可以更加準(zhǔn)確地應(yīng)用于永磁同步電機(jī)匝間短路故障診斷。

    參 考 文 獻(xiàn):

    [1] 任浩,屈劍鋒,柴毅,等. 深度學(xué)習(xí)在故障診斷領(lǐng)域中的研究現(xiàn)狀與挑戰(zhàn)[J].控制與決策,2017, 32(8):1345.

    REN Hao, QU Jianfeng, CHAI Yi, et al. Deep learning for fault diagnosis: The state of the art and challenge[J].Control and Decision,2017, 32(8):1345.

    [2] 辛鵬, 戈寶軍, 陶大軍, 等.同步發(fā)電定子繞組匝間短路故障特征規(guī)律研究[J]. 電機(jī)與控制學(xué)報(bào), 2019, 23(01):45.

    XIN Peng, GE Baojun, TAO Dajun, et al. Characteristic law of synchronous generator with stator winding inter-turn short circuit fault[J]. Electric Machines and Control,2019,23(01):45.

    [3] 劉沛津,谷立臣.異步電機(jī)負(fù)序分量融合方法及其在定子匝間短路故障診斷中的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào),2013,33(15):119.

    LIU Peijin, GU Lichen. A negative sequence component fusion method and its applications in diagnosis of inter-turn short circuit faults in induction motor stator windings[J].Proceedings of the CSEE,2013,33(15):119.

    [4] 丁鋒, 秦峰偉. 小波降噪及Hilbert變換在電機(jī)軸承故障診斷中的應(yīng)用[J]. 電機(jī)與控制學(xué)報(bào), 2017, 21(6):89.

    DING Feng, QIN Fengwei. Application of wavelet denoising and Hilbert transform in fault diagnosis of motor bearing[J].Electric Machines and Control,2017,21(6):89.

    [5] XIE Y, ZHANG T. A fault diagnosis approach using SVM with data dimension reduction by PCA and LDA method[C]// Chinese Automation Congress. IEEE, 2015:869-874.

    [6] DU Wei,LIU Quan.Advanced Electrical and Electronics Engineering[M].Springer-Verlag Berlin Heidelberg,2011:423-428.

    [7] 史麗萍, 湯家升, 王攀攀,等. 采用最優(yōu)小波樹和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的感應(yīng)電動(dòng)機(jī)定子故障診斷[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(24):38.

    SHI Liping, TANG Jiasheng, WANG Panpan, et.al. Stator fault diagnosis of induction motors using the optimal wavelet tree and improved BP neural network[J].Transactions of China Electrotechnical Society,2015,30(24):38.

    [8] 陳勇, 梁洪, 王成棟, 等. 基于改進(jìn)小波包變換和信號(hào)融合的永磁同步電機(jī)匝間短路故障檢測(cè)[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(S1):228.

    CHEN Yong,LIANG Hong,WANG Chengdong, et al. Detection of stator inter-turn short-circuit fault in PMSM based on improved wavelet packet transform and signal fusion[J].Transactions of China Electrotechnical Society,2020,35(S1):228.

    [9] 李永剛, 馬明晗, 武玉才,等. 汽輪發(fā)電機(jī)轉(zhuǎn)子繞組匝間短路故障程度診斷方法[J].電機(jī)與控制學(xué)報(bào),2018, 22(6):62.

    LI Yonggang, MA Minghan,WU Yucai, et al. Diagnostic method of turbo generator rotor winding inter-turn short circuit fault degree[J].Electric Machines and Control,2018,22(6):62.

    [10] 王麗華, 謝陽(yáng)陽(yáng), 張永宏,等. 采用深度學(xué)習(xí)的異步電機(jī)故障診斷方法[J]. 西安交通大學(xué)學(xué)報(bào), 2017, 51(10):128.

    WANG Lihua, XIE Yangyang, ZHANG Yonghong, et al.A fault diagnosis method for asynchronous motor using deep learning[J].Journal of Xi′an Jiaotong University,2017,51(10):128.

    [11] 孫文珺,邵思羽,嚴(yán)如強(qiáng).基于稀疏自動(dòng)編碼深度神經(jīng)網(wǎng)絡(luò)的感應(yīng)電動(dòng)機(jī)故障診斷[J].機(jī)械工程學(xué)報(bào),2016,52(9):65.

    SUN Wenjun, SHAO Siyu, YAN Ruqiang. Induction motor fault diagnosis based on deep neural network of sparse auto-encoder[J].Journal of Mechanical Engineering.2016,52(9):65.

    [12] 焦李成,趙進(jìn),楊淑媛,劉芳. 深度學(xué)習(xí)、優(yōu)化與識(shí)別[M].北京:清華大學(xué)社,2017.

    [13] WANG H G, XIN L I, ZHANG T. Generative adversarial network based novelty detection using minimized reconstruction error[J]. Frontiers of Information Technology & Electronic Engineering,2018,19(01):116.

    [14] LIN D , WAN Q . Faulty elements diagnosis of phased array antennas using a generative adversarial learning-based stacked denoising sparse auto-encoder[J]. Journal of Electromagnetic Waves, 2019, 33(3):382.

    [15] 李俊卿, 康文強(qiáng), 沈亮印. 不平衡電壓下基于負(fù)序電流法的雙饋感應(yīng)發(fā)電機(jī)定子繞組匝間短路故障仿真研究[J]. 電機(jī)與控制應(yīng)用,2016, 43(11):80.

    LI Junqing,KANG Wenqiang,SHEN Liangyin.Simulation research on stator winding inter turn short circuit fault of doubly fed induction generator based on negative sequence current method under unbalanced voltage[J]. Electric Machines and Control Application,2016,43(11):80.

    [16] 劉志勇, 孫俊, 高海波,等. 永磁同步電機(jī)匝間短路對(duì)電機(jī)性能影響研究[J]. 武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版), 2019, 043(003):471.

    LIU Zhiyong, SUN Jun, GAO Haibo, et al. Research on on influence of permanent magnet synchronous motor inter-turn short circuit on motor performance[J].Journal of Wuhan University of Technology(Transportation Science & Engineering),2019, 043(003):471.

    (編輯:劉素菊)

    收稿日期: 2018-07-23

    基金項(xiàng)目:國(guó)家自然科學(xué)基金(61503161,61771225);江蘇省產(chǎn)學(xué)研前瞻性聯(lián)合研究項(xiàng)目(BY2016073-01);江蘇省重點(diǎn)研發(fā)計(jì)劃社會(huì)發(fā)展項(xiàng)目(BE2016723);江蘇省高校自然科學(xué)研究項(xiàng)目(15KJB510008)

    作者簡(jiǎn)介:李垣江(1981—),男,博士,副教授,研究方向?yàn)楣收显\斷、視覺傳感;

    張周磊(1994—),男,碩士,研究方向?yàn)樯疃葘W(xué)習(xí)、故障診斷;

    李夢(mèng)含(1993—),女,碩士,研究方向?yàn)樯疃葘W(xué)習(xí)、故障診斷;

    魏海峰(1981—),男,博士,副教授,研究方向?yàn)殡姍C(jī)控制、船舶電力系統(tǒng);

    張 懿(1982—),女,博士,副教授,研究方向?yàn)榇半娏ο到y(tǒng)。

    通信作者:魏海峰

    猜你喜歡
    永磁同步電機(jī)故障診斷
    凍干機(jī)常見故障診斷與維修
    EPS用永磁同步電機(jī)弱磁控制研究
    基于IMM的永磁電機(jī)無速度傳感器技術(shù)
    永磁同步電機(jī)弱磁控制策略仿真分析與驗(yàn)證
    基于量子萬(wàn)有引力搜索的SVM自駕故障診斷
    永磁同步電機(jī)在拖動(dòng)系統(tǒng)中的應(yīng)用與降噪
    電動(dòng)汽車永磁同步電機(jī)DTC 策略優(yōu)化研究
    永磁同步電動(dòng)機(jī)自抗擾控制器設(shè)計(jì)
    科技視界(2016年12期)2016-05-25 11:07:56
    因果圖定性分析法及其在故障診斷中的應(yīng)用
    基于LCD和排列熵的滾動(dòng)軸承故障診斷
    国产不卡av网站在线观看| 麻豆国产av国片精品| 男女无遮挡免费网站观看| 国产老妇伦熟女老妇高清| 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| 亚洲专区字幕在线| 免费av中文字幕在线| 免费高清在线观看视频在线观看| 午夜福利视频在线观看免费| 国产免费一区二区三区四区乱码| 人人妻人人添人人爽欧美一区卜| 国产伦人伦偷精品视频| 夜夜骑夜夜射夜夜干| 最黄视频免费看| 国产成人精品久久二区二区91| 性高湖久久久久久久久免费观看| 午夜精品国产一区二区电影| 一级毛片精品| 丝袜美腿诱惑在线| 乱人伦中国视频| 亚洲自偷自拍图片 自拍| 丰满迷人的少妇在线观看| 三级毛片av免费| kizo精华| 动漫黄色视频在线观看| a级毛片黄视频| 美女扒开内裤让男人捅视频| 免费观看人在逋| 亚洲国产看品久久| 久久久久久久大尺度免费视频| 亚洲欧美清纯卡通| 亚洲国产精品一区三区| 99久久精品国产亚洲精品| 国产免费福利视频在线观看| avwww免费| 不卡一级毛片| a级毛片黄视频| 热re99久久国产66热| 美女福利国产在线| 亚洲中文日韩欧美视频| 久久精品国产综合久久久| 国产高清videossex| 免费人妻精品一区二区三区视频| 亚洲av美国av| 涩涩av久久男人的天堂| 又紧又爽又黄一区二区| 国产成人精品久久二区二区免费| 欧美大码av| 一级毛片电影观看| 亚洲免费av在线视频| 这个男人来自地球电影免费观看| 满18在线观看网站| 99久久99久久久精品蜜桃| xxxhd国产人妻xxx| 纯流量卡能插随身wifi吗| 成年人午夜在线观看视频| 50天的宝宝边吃奶边哭怎么回事| 自拍欧美九色日韩亚洲蝌蚪91| 久久九九热精品免费| 麻豆av在线久日| 叶爱在线成人免费视频播放| www.999成人在线观看| 午夜影院在线不卡| 日韩欧美国产一区二区入口| 亚洲精品中文字幕在线视频| 国产日韩欧美视频二区| 丰满少妇做爰视频| 青春草亚洲视频在线观看| 精品国产一区二区久久| 操出白浆在线播放| 成年女人毛片免费观看观看9 | 美女脱内裤让男人舔精品视频| 99精品欧美一区二区三区四区| 国产真人三级小视频在线观看| 999久久久国产精品视频| 老汉色∧v一级毛片| 黄色 视频免费看| 一本久久精品| 精品国内亚洲2022精品成人 | 男人爽女人下面视频在线观看| 91九色精品人成在线观看| 亚洲精品av麻豆狂野| 日本av手机在线免费观看| 青春草亚洲视频在线观看| 2018国产大陆天天弄谢| av网站在线播放免费| 成人国产av品久久久| 国产成人系列免费观看| 三上悠亚av全集在线观看| 侵犯人妻中文字幕一二三四区| av不卡在线播放| 91精品国产国语对白视频| 欧美大码av| av天堂久久9| 首页视频小说图片口味搜索| 69精品国产乱码久久久| 午夜福利在线观看吧| av超薄肉色丝袜交足视频| 99国产精品一区二区蜜桃av | 午夜成年电影在线免费观看| 99久久精品国产亚洲精品| av福利片在线| 91国产中文字幕| 欧美激情高清一区二区三区| 亚洲精品美女久久av网站| 国产xxxxx性猛交| 天天影视国产精品| 999久久久国产精品视频| 精品国产超薄肉色丝袜足j| 亚洲国产欧美网| 热re99久久国产66热| 两性午夜刺激爽爽歪歪视频在线观看 | 视频在线观看一区二区三区| 成在线人永久免费视频| 日本黄色日本黄色录像| 亚洲av电影在线进入| 天天添夜夜摸| 免费观看人在逋| 伊人亚洲综合成人网| 国产成人精品无人区| h视频一区二区三区| 精品视频人人做人人爽| 自线自在国产av| 国产亚洲精品第一综合不卡| 欧美av亚洲av综合av国产av| 不卡一级毛片| av天堂在线播放| 欧美+亚洲+日韩+国产| 美女视频免费永久观看网站| 妹子高潮喷水视频| 亚洲精品日韩在线中文字幕| 在线精品无人区一区二区三| 天天影视国产精品| 国产成人系列免费观看| 国产成人系列免费观看| 80岁老熟妇乱子伦牲交| 午夜福利一区二区在线看| 巨乳人妻的诱惑在线观看| 91成人精品电影| kizo精华| 日韩大片免费观看网站| 国产欧美日韩一区二区精品| 超色免费av| 丝袜美腿诱惑在线| 亚洲av日韩在线播放| 狠狠婷婷综合久久久久久88av| 日韩欧美免费精品| 99国产精品一区二区蜜桃av | 精品一区二区三区四区五区乱码| 三级毛片av免费| 国产成人免费观看mmmm| 国产欧美日韩精品亚洲av| 国产人伦9x9x在线观看| 欧美精品av麻豆av| 国产成人av激情在线播放| 黄色怎么调成土黄色| 国产老妇伦熟女老妇高清| 亚洲专区中文字幕在线| 午夜福利乱码中文字幕| 国产av精品麻豆| 成年美女黄网站色视频大全免费| 亚洲色图 男人天堂 中文字幕| 国产精品 欧美亚洲| 国产精品熟女久久久久浪| 啦啦啦啦在线视频资源| 日本欧美视频一区| 精品乱码久久久久久99久播| 蜜桃在线观看..| 亚洲av日韩精品久久久久久密| 日韩三级视频一区二区三区| 亚洲国产欧美一区二区综合| 免费观看a级毛片全部| 日本wwww免费看| 一区二区av电影网| 免费不卡黄色视频| 夜夜夜夜夜久久久久| 少妇的丰满在线观看| 欧美一级毛片孕妇| √禁漫天堂资源中文www| 777米奇影视久久| 制服人妻中文乱码| 真人做人爱边吃奶动态| 热99国产精品久久久久久7| 国产成人精品久久二区二区免费| 夜夜骑夜夜射夜夜干| 我的亚洲天堂| 欧美人与性动交α欧美软件| 秋霞在线观看毛片| 999久久久国产精品视频| tube8黄色片| 日韩视频在线欧美| 国产精品国产av在线观看| 99re6热这里在线精品视频| 女性生殖器流出的白浆| a级片在线免费高清观看视频| 久久久精品免费免费高清| 99精品欧美一区二区三区四区| 精品国产一区二区三区久久久樱花| 日韩视频一区二区在线观看| 免费看十八禁软件| 日本av免费视频播放| 亚洲一卡2卡3卡4卡5卡精品中文| 国产精品亚洲av一区麻豆| 欧美精品av麻豆av| 亚洲精品国产av成人精品| 两性午夜刺激爽爽歪歪视频在线观看 | xxxhd国产人妻xxx| 亚洲情色 制服丝袜| 高潮久久久久久久久久久不卡| xxxhd国产人妻xxx| 欧美人与性动交α欧美软件| 麻豆乱淫一区二区| 欧美 日韩 精品 国产| 少妇粗大呻吟视频| 国产日韩欧美亚洲二区| 天天影视国产精品| 亚洲精品久久成人aⅴ小说| 亚洲人成77777在线视频| 亚洲九九香蕉| 啪啪无遮挡十八禁网站| 久久天躁狠狠躁夜夜2o2o| 欧美精品人与动牲交sv欧美| 中文欧美无线码| 精品一区二区三区四区五区乱码| 少妇的丰满在线观看| www.精华液| 亚洲色图综合在线观看| 天天躁日日躁夜夜躁夜夜| 精品福利观看| 亚洲精品中文字幕在线视频| 国产成人系列免费观看| 国产av一区二区精品久久| 天天添夜夜摸| 午夜福利在线观看吧| 国产成人免费观看mmmm| 亚洲国产中文字幕在线视频| 黄片播放在线免费| 99久久综合免费| 天堂俺去俺来也www色官网| 午夜福利视频在线观看免费| 女性生殖器流出的白浆| 中文字幕人妻丝袜制服| 久久久国产成人免费| 色综合欧美亚洲国产小说| 人人妻人人添人人爽欧美一区卜| 久久精品亚洲熟妇少妇任你| 欧美成人午夜精品| 丰满饥渴人妻一区二区三| 国产在线观看jvid| 人妻一区二区av| 肉色欧美久久久久久久蜜桃| 视频区图区小说| 久久久国产一区二区| 色播在线永久视频| 亚洲三区欧美一区| 久久久国产欧美日韩av| 国产淫语在线视频| 视频区欧美日本亚洲| 两性夫妻黄色片| 大片电影免费在线观看免费| 黑人操中国人逼视频| 高清欧美精品videossex| 建设人人有责人人尽责人人享有的| 午夜免费成人在线视频| 国产精品国产av在线观看| 成人亚洲精品一区在线观看| 中文欧美无线码| 777米奇影视久久| 色视频在线一区二区三区| 欧美性长视频在线观看| 中文字幕制服av| 国产精品久久久人人做人人爽| 久久人妻福利社区极品人妻图片| 国产色视频综合| 亚洲国产中文字幕在线视频| 99久久99久久久精品蜜桃| 超碰97精品在线观看| 亚洲第一av免费看| 午夜福利在线免费观看网站| 亚洲熟女精品中文字幕| 国产精品欧美亚洲77777| 午夜日韩欧美国产| 国产视频一区二区在线看| 国产日韩欧美亚洲二区| 中文字幕人妻丝袜一区二区| 男女免费视频国产| 女警被强在线播放| 91大片在线观看| 国产在视频线精品| 成人av一区二区三区在线看 | 中文欧美无线码| 2018国产大陆天天弄谢| 国产成人精品久久二区二区免费| 一区二区三区激情视频| 美女午夜性视频免费| 国内毛片毛片毛片毛片毛片| 国产麻豆69| 国产av国产精品国产| 成年人午夜在线观看视频| 婷婷色av中文字幕| 亚洲成人国产一区在线观看| 脱女人内裤的视频| 欧美国产精品一级二级三级| 超碰成人久久| 精品亚洲乱码少妇综合久久| 国产在线视频一区二区| 香蕉国产在线看| 91老司机精品| 亚洲精品在线美女| 宅男免费午夜| av网站免费在线观看视频| 老司机午夜福利在线观看视频 | 亚洲精华国产精华精| 熟女少妇亚洲综合色aaa.| 夜夜骑夜夜射夜夜干| 国产野战对白在线观看| 久久女婷五月综合色啪小说| 制服诱惑二区| 久久热在线av| 狂野欧美激情性bbbbbb| 考比视频在线观看| 汤姆久久久久久久影院中文字幕| 欧美国产精品一级二级三级| 两性午夜刺激爽爽歪歪视频在线观看 | 欧美老熟妇乱子伦牲交| 交换朋友夫妻互换小说| 亚洲成国产人片在线观看| 王馨瑶露胸无遮挡在线观看| 成年av动漫网址| 视频区欧美日本亚洲| 国产精品秋霞免费鲁丝片| 国产1区2区3区精品| 999精品在线视频| 80岁老熟妇乱子伦牲交| 高清黄色对白视频在线免费看| 女人精品久久久久毛片| 丝袜美足系列| 亚洲专区中文字幕在线| 亚洲男人天堂网一区| 伊人亚洲综合成人网| 可以免费在线观看a视频的电影网站| 精品国产国语对白av| 狠狠精品人妻久久久久久综合| 黄片小视频在线播放| 亚洲av国产av综合av卡| √禁漫天堂资源中文www| 老司机亚洲免费影院| 亚洲国产毛片av蜜桃av| 丝袜美腿诱惑在线| 日本vs欧美在线观看视频| 美女福利国产在线| 纯流量卡能插随身wifi吗| 精品少妇黑人巨大在线播放| 国产色视频综合| 精品第一国产精品| 精品国产超薄肉色丝袜足j| 在线永久观看黄色视频| 久久性视频一级片| 免费在线观看日本一区| 亚洲专区中文字幕在线| 人人妻人人澡人人爽人人夜夜| 99热国产这里只有精品6| av在线播放精品| 成人国产一区最新在线观看| 国产一区二区三区在线臀色熟女 | 如日韩欧美国产精品一区二区三区| av国产精品久久久久影院| 好男人电影高清在线观看| 亚洲九九香蕉| 亚洲avbb在线观看| 啦啦啦啦在线视频资源| 久久久水蜜桃国产精品网| 日韩一卡2卡3卡4卡2021年| 又黄又粗又硬又大视频| 精品一区二区三卡| 丝袜人妻中文字幕| 99久久99久久久精品蜜桃| 国产日韩欧美亚洲二区| 最新的欧美精品一区二区| 一区二区三区四区激情视频| 午夜视频精品福利| 最近最新中文字幕大全免费视频| 国产人伦9x9x在线观看| 乱人伦中国视频| 中国美女看黄片| 一本综合久久免费| 国产真人三级小视频在线观看| 俄罗斯特黄特色一大片| av又黄又爽大尺度在线免费看| 久久久久网色| 国产91精品成人一区二区三区 | 啪啪无遮挡十八禁网站| 国产精品一区二区免费欧美 | 这个男人来自地球电影免费观看| 丰满迷人的少妇在线观看| 国产欧美日韩一区二区三区在线| 一个人免费在线观看的高清视频 | 国产1区2区3区精品| 日本五十路高清| 国产成人精品久久二区二区91| www.熟女人妻精品国产| av免费在线观看网站| 亚洲国产精品999| 国产一区二区三区av在线| 美女福利国产在线| 久久精品aⅴ一区二区三区四区| 久久九九热精品免费| 一区二区三区乱码不卡18| 涩涩av久久男人的天堂| 最近最新免费中文字幕在线| 午夜免费鲁丝| 国产在线一区二区三区精| 免费观看人在逋| 免费av中文字幕在线| 婷婷成人精品国产| 精品国产一区二区三区久久久樱花| 亚洲精品国产一区二区精华液| 久久久精品区二区三区| 大香蕉久久网| 亚洲综合色网址| 亚洲精品中文字幕在线视频| 人人妻人人澡人人爽人人夜夜| 欧美中文综合在线视频| 亚洲熟女毛片儿| 久久九九热精品免费| 久久国产精品人妻蜜桃| 男人舔女人的私密视频| 叶爱在线成人免费视频播放| 大码成人一级视频| 欧美成人午夜精品| 国产精品.久久久| 国产成人欧美在线观看 | videosex国产| 欧美一级毛片孕妇| 天堂俺去俺来也www色官网| 日韩熟女老妇一区二区性免费视频| 亚洲免费av在线视频| 欧美精品亚洲一区二区| 一二三四社区在线视频社区8| 精品久久久久久电影网| 老熟妇乱子伦视频在线观看 | 中亚洲国语对白在线视频| 淫妇啪啪啪对白视频 | 欧美日本中文国产一区发布| av片东京热男人的天堂| 国产精品一区二区精品视频观看| 老汉色av国产亚洲站长工具| 首页视频小说图片口味搜索| 一区二区三区激情视频| 国产精品.久久久| 免费av中文字幕在线| www.自偷自拍.com| 亚洲一区二区三区欧美精品| 50天的宝宝边吃奶边哭怎么回事| 18禁观看日本| 他把我摸到了高潮在线观看 | 午夜福利在线观看吧| 亚洲中文日韩欧美视频| 国产精品久久久人人做人人爽| 久久久国产一区二区| 三上悠亚av全集在线观看| 欧美精品人与动牲交sv欧美| 亚洲av片天天在线观看| 人妻一区二区av| 久久久久国产一级毛片高清牌| 建设人人有责人人尽责人人享有的| 香蕉丝袜av| 精品国产乱子伦一区二区三区 | 一区在线观看完整版| 欧美激情久久久久久爽电影 | a级毛片黄视频| 国产又色又爽无遮挡免| 日韩中文字幕视频在线看片| 999精品在线视频| 天天操日日干夜夜撸| 久久久久久久精品精品| av欧美777| 亚洲天堂av无毛| 免费日韩欧美在线观看| 欧美黑人欧美精品刺激| 精品国产乱码久久久久久小说| 美女国产高潮福利片在线看| 国产精品二区激情视频| 午夜激情久久久久久久| 国产成人欧美| 亚洲av国产av综合av卡| 9191精品国产免费久久| 国产在线观看jvid| 在线观看免费午夜福利视频| 日韩 亚洲 欧美在线| 大陆偷拍与自拍| 久久人人爽av亚洲精品天堂| 国产主播在线观看一区二区| 波多野结衣一区麻豆| 欧美精品啪啪一区二区三区 | 俄罗斯特黄特色一大片| 午夜免费鲁丝| 80岁老熟妇乱子伦牲交| 亚洲第一欧美日韩一区二区三区 | 亚洲情色 制服丝袜| 亚洲国产看品久久| 女警被强在线播放| 激情视频va一区二区三区| 男女下面插进去视频免费观看| 热re99久久国产66热| 国产伦理片在线播放av一区| 老司机福利观看| av天堂在线播放| 最近最新免费中文字幕在线| 中文字幕av电影在线播放| 欧美97在线视频| 日本vs欧美在线观看视频| 黄色 视频免费看| 久久久久国内视频| 一边摸一边抽搐一进一出视频| 天天添夜夜摸| 窝窝影院91人妻| 久久精品国产亚洲av香蕉五月 | 精品亚洲乱码少妇综合久久| 1024视频免费在线观看| 国产在视频线精品| 久久女婷五月综合色啪小说| 久久青草综合色| 久久av网站| 精品一区在线观看国产| 在线观看一区二区三区激情| 亚洲国产av影院在线观看| 麻豆乱淫一区二区| 久久人妻熟女aⅴ| 亚洲 欧美一区二区三区| 国产精品久久久人人做人人爽| 日韩大片免费观看网站| 国产精品影院久久| 三级毛片av免费| 丰满饥渴人妻一区二区三| 天天操日日干夜夜撸| 欧美人与性动交α欧美软件| 中文字幕另类日韩欧美亚洲嫩草| 丰满人妻熟妇乱又伦精品不卡| 青春草视频在线免费观看| 成人国语在线视频| 精品亚洲乱码少妇综合久久| 国产欧美日韩综合在线一区二区| 不卡一级毛片| 久久性视频一级片| 秋霞在线观看毛片| 老鸭窝网址在线观看| a 毛片基地| 欧美日韩亚洲综合一区二区三区_| 国产成人精品久久二区二区免费| 大香蕉久久网| 一区二区三区四区激情视频| 宅男免费午夜| www.精华液| 精品一区二区三卡| 欧美黄色淫秽网站| 99国产极品粉嫩在线观看| 欧美日韩一级在线毛片| 久久久久久免费高清国产稀缺| 亚洲一区二区三区欧美精品| 男人爽女人下面视频在线观看| 国产有黄有色有爽视频| 国产成人精品久久二区二区免费| 日本黄色日本黄色录像| 久久人人爽av亚洲精品天堂| 热99久久久久精品小说推荐| 国产成人啪精品午夜网站| 精品国产一区二区三区四区第35| 一本—道久久a久久精品蜜桃钙片| 老熟女久久久| 国产极品粉嫩免费观看在线| 国产精品国产三级国产专区5o| 国产精品久久久久久人妻精品电影 | 极品少妇高潮喷水抽搐| 中国美女看黄片| 曰老女人黄片| 男女免费视频国产| 欧美国产精品va在线观看不卡| 肉色欧美久久久久久久蜜桃| 女人爽到高潮嗷嗷叫在线视频| 久久女婷五月综合色啪小说| 男男h啪啪无遮挡| 久久精品人人爽人人爽视色| 在线观看免费高清a一片| 亚洲中文av在线| 看免费av毛片| 中文字幕人妻丝袜一区二区| 黄片播放在线免费| 欧美黑人欧美精品刺激| 黄色a级毛片大全视频| 亚洲精品美女久久久久99蜜臀| 人人妻人人添人人爽欧美一区卜| 欧美黑人欧美精品刺激| 淫妇啪啪啪对白视频 | 久久精品成人免费网站| 国产精品久久久久久精品电影小说| 满18在线观看网站| 一边摸一边抽搐一进一出视频| 美女大奶头黄色视频| 久久国产精品影院| 大香蕉久久成人网| 黄色 视频免费看| 亚洲欧美成人综合另类久久久| 99国产极品粉嫩在线观看| 少妇人妻久久综合中文| 人人妻,人人澡人人爽秒播| 久久这里只有精品19| 日本五十路高清| 欧美一级毛片孕妇| 成年动漫av网址| 青春草亚洲视频在线观看| 精品人妻熟女毛片av久久网站| 免费一级毛片在线播放高清视频 | 一级毛片精品|