• <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)差處理的自適應(yīng)多層次軟測(cè)量建模方法*

    2020-10-30 03:11:24邱禹馬興灶吳菁
    自動(dòng)化與信息工程 2020年5期
    關(guān)鍵詞:建模變量預(yù)測(cè)

    邱禹 馬興灶 吳菁

    學(xué)術(shù)研究

    基于時(shí)差處理的自適應(yīng)多層次軟測(cè)量建模方法*

    邱禹1馬興灶1吳菁2

    (1.嶺南師范學(xué)院機(jī)電工程學(xué)院,廣東 湛江 524048 2.華南理工大學(xué)自動(dòng)化科學(xué)與工程學(xué)院,廣東 廣州 510640)

    在污水處理過(guò)程控制中,軟測(cè)量是針對(duì)難以測(cè)量變量進(jìn)行有效測(cè)量的一種手段。然而,建模輸入的使用限制,使一些與預(yù)測(cè)目標(biāo)相關(guān)但不易獲取的變量不宜作為輸入信息,阻礙了建模。對(duì)此,提出一種多層次軟測(cè)量建模方法。首先,利用支持向量回歸建立多個(gè)軟測(cè)量子模型,輸出與最終目標(biāo)變量相關(guān)但不易獲取的子目標(biāo);然后,利用預(yù)測(cè)的子目標(biāo)與原始輔助變量構(gòu)造主模型的輸入變量集,增加預(yù)測(cè)所需的輸入信息,從而提高預(yù)測(cè)效果;同時(shí),在建模中引入一種時(shí)差處理方法,增強(qiáng)模型的自適應(yīng)能力,應(yīng)對(duì)因外部干擾而導(dǎo)致的性能退化問(wèn)題;最后,通過(guò)仿真案例對(duì)本文所提方法的有效性進(jìn)行驗(yàn)證。結(jié)果表明:本文所提方法相對(duì)于單模型SVR(缺少CODe信息)和單模型SVR(具有完整CODe信息),有更好的預(yù)測(cè)表現(xiàn),為0.0398,為0.9987。

    污水處理;軟測(cè)量;建模;多層次;自適應(yīng)

    0 引言

    在污水處理過(guò)程中,為確保過(guò)程控制系統(tǒng)的有效運(yùn)行和出水水質(zhì)的穩(wěn)定,需監(jiān)測(cè)諸多過(guò)程變量。然而,一些變量,如生化需氧量(biochemical oxygen demand, BOD)等,因內(nèi)在屬性及經(jīng)濟(jì)成本的原因存在實(shí)時(shí)測(cè)量困難的問(wèn)題。對(duì)此,軟測(cè)量技術(shù)提供一種可行的解決方案[1-4]。

    數(shù)據(jù)驅(qū)動(dòng)軟測(cè)量技術(shù)基于系統(tǒng)的過(guò)程歷史數(shù)據(jù),其核心在于建模。常用的建模方法有:線性的主元分析(principal component analysis, PCA)[5]、偏最小二乘(partial least square, PLS)[6-8]等;非線性的神經(jīng)網(wǎng)絡(luò)[9-10]、支持向量機(jī)[11]等。建模方法的考慮在于建立合理的軟測(cè)量系統(tǒng)以滿足需求。其中,一個(gè)常被忽略的問(wèn)題是建模出發(fā)點(diǎn)的偏離。軟測(cè)量要根據(jù)對(duì)象的實(shí)際情況,基于可測(cè)或易測(cè)變量的歷史數(shù)據(jù)建模。然而,輸入信息的使用局限,增加了建模難度。

    輸入信息對(duì)數(shù)據(jù)模型非常重要。一些關(guān)鍵信息的缺失會(huì)導(dǎo)致模型預(yù)測(cè)精度下降或模型結(jié)構(gòu)復(fù)雜化[12]。因此,部分研究在某些場(chǎng)景下不考慮實(shí)際應(yīng)用的限制,而采用與目標(biāo)相關(guān)但不易測(cè)的變量作為輸入。如文獻(xiàn)[13]在預(yù)測(cè)SVI時(shí),采用混合液揮發(fā)性懸浮固體濃度(mixed liquid volatile suspended solids, MLVSS)作為輸入,并在實(shí)驗(yàn)室550℃工況下每周測(cè)定,而不是在線實(shí)時(shí)獲取該變量;文獻(xiàn)[14]在預(yù)測(cè)BOD濃度時(shí),雖然引入了一種基于互信息的特征選取方法,從22個(gè)候選變量中選取10個(gè)作為模型輸入,但仍包含同為難測(cè)變量的進(jìn)水BOD濃度。以上例子都將同屬于不易測(cè)范疇的變量納為輸入信息來(lái)建立模型,這與軟測(cè)量技術(shù)的初衷相違背。因此,如何在滿足精度需求的同時(shí),合理解決輸入端缺失的重要輸入信息,是軟測(cè)量技術(shù)應(yīng)用容易忽略且有待研究的問(wèn)題。多模型策略提供了一種可行的解決思路。

    傳統(tǒng)多模型軟測(cè)量建模方法主要有加權(quán)組合和模型切換。加權(quán)組合方法是針對(duì)非線性系統(tǒng)的每個(gè)子系統(tǒng)設(shè)計(jì)相應(yīng)的局部模型,再通過(guò)一種線性或非線性的關(guān)系構(gòu)成對(duì)應(yīng)母系統(tǒng)的全局模型[15-16]。模型切換方法通過(guò)一個(gè)基于某種性能指標(biāo)的切換函數(shù),在每次預(yù)測(cè)前,選擇使性能指標(biāo)最小的元素模型進(jìn)行輸出[17-18],保證了預(yù)測(cè)精度。

    加權(quán)組合和模型切換建模方法主要針對(duì)多工況復(fù)雜非線性系統(tǒng)的建?;蚩刂茊?wèn)題,利用多模型更好地逼近系統(tǒng)的動(dòng)態(tài)性能,但無(wú)法解決建模輸入限制問(wèn)題,即如何處理重要但不易獲取的輸入變量用于建模。針對(duì)該問(wèn)題,本文提出一種多層次建模方法——自適應(yīng)多層次軟測(cè)量建模。模型框架主要由主模型(primary model)和二次模型(secondary model,也稱輔助模型)2部分構(gòu)成。輔助模型基于并聯(lián)形式串聯(lián)到主模型,輸出主模型輸入中缺少的重要信息,構(gòu)成一種系統(tǒng)軟測(cè)量模型。支持向量機(jī)回歸(support vector regression, SVR)是一種非線性建模方法,已被證實(shí)在軟測(cè)量應(yīng)用中是有效的[19-21]。本文采用SVR建模方法建立主次模型。同時(shí),在系統(tǒng)建模中引入一種時(shí)差(time difference, TD)處理方法,用于應(yīng)對(duì)外部干擾,如傳感器漂移、外界環(huán)境變化(天氣、季節(jié))等導(dǎo)致的性能退化問(wèn)題[22-23],增強(qiáng)模型自適應(yīng)能力。

    1 時(shí)差建模方法

    時(shí)差處理能夠消除外部干擾的影響,使變量?jī)?nèi)在分布規(guī)律平穩(wěn),從而提升建模效果[12],其流程如圖1所示。時(shí)差建模方法有助于維持穩(wěn)定的預(yù)測(cè)精度[24-25],避免了相關(guān)問(wèn)題[26]。

    圖1 時(shí)差建模流程

    2 支持向量回歸

    支持向量回歸是基于支持向量機(jī)(support vector machine, SVM)的一種回歸方法,通過(guò)應(yīng)用核技巧(kernel trick)將SVM用于處理非線性回歸問(wèn)題。本質(zhì)上,SVR是一種優(yōu)化問(wèn)題,其主要形式為

    通過(guò)求解式(5),可構(gòu)建一種具有平衡泛化能力和過(guò)擬合的回歸模型:

    通過(guò)式(6)可以看出:SVR的核心在于核函數(shù),不同的核函數(shù)將形成不同算法。實(shí)質(zhì)上,通過(guò)核函數(shù)的非線性映射可將輸入空間映射到一個(gè)高維特征空間,然后在這個(gè)空間中進(jìn)行線性回歸,從而取得原空間非線性回歸的效果。其中研究和應(yīng)用最多的核函數(shù)是高斯核函數(shù):

    3 自適應(yīng)多層次軟測(cè)量建模的實(shí)現(xiàn)

    本文提出一種自適應(yīng)多層次軟測(cè)量建模方法,其框架如圖2所示。

    圖2 自適應(yīng)多層次軟測(cè)量建模方法框架

    多層次建模方法主要是為了解決輸入信息貧乏問(wèn)題。影響模型預(yù)測(cè)能力的主要因素有模型解析能力和輸入信息,其中輸入信息更為重要。當(dāng)輸入與輸出之間的相關(guān)性較弱時(shí),建模難度增大。因?yàn)閮H靠輸入信息已不足以對(duì)輸出變量進(jìn)行準(zhǔn)確預(yù)測(cè),因此需要模型能夠?qū)︻A(yù)測(cè)誤差進(jìn)行補(bǔ)償。誤差越大,模型需要補(bǔ)償?shù)男畔⒕驮蕉?,模型也越?fù)雜。而多層次建模方法能夠豐富預(yù)測(cè)目標(biāo)變量時(shí)缺失的重要輸入信息,對(duì)模型解析能力無(wú)過(guò)高要求,無(wú)需構(gòu)造復(fù)雜的模型結(jié)構(gòu)或訓(xùn)練算法,從而降低了建模難度。

    自適應(yīng)多層次軟測(cè)量建模流程如圖3所示。圖3(a)為系統(tǒng)模型的離線建模部分:首先,與預(yù)測(cè)目標(biāo)相關(guān)的可測(cè)變量集的歷史過(guò)程數(shù)據(jù)經(jīng)過(guò)時(shí)差處理使數(shù)據(jù)序列平穩(wěn)化,目的在于將變量的變化趨勢(shì)包含其中,以便隨時(shí)間衰減的影響能得到解釋;然后,根據(jù)與預(yù)測(cè)目標(biāo)的相關(guān)性程度,選擇二次模型和主模型的輸入,進(jìn)行建模。圖3(b)為系統(tǒng)模型的在線實(shí)施部分。離線部分構(gòu)建的系統(tǒng)軟測(cè)量模型作為核心部分用于預(yù)測(cè),模型輸出需要進(jìn)行反時(shí)差處理以恢復(fù)為原數(shù)據(jù)格式,才能作為最終預(yù)測(cè)結(jié)果。

    圖3 自適應(yīng)多層次軟測(cè)量建模流程

    4 案例研究

    通過(guò)案例驗(yàn)證基于時(shí)差處理的自適應(yīng)多層次軟測(cè)量建模的有效性。首先,本文所提建模方法雖然可以建立多個(gè)輔助模型,但前提是存在多個(gè)與最終預(yù)測(cè)目標(biāo)相關(guān)性高但不易獲取的變量;再者,案例研究的主要目的是驗(yàn)證方法的有效性,模型規(guī)模不是主要考慮方面。因此,為使驗(yàn)證過(guò)程清晰易懂,在本案例中只用到1個(gè)輔助模型進(jìn)行說(shuō)明。

    驗(yàn)證過(guò)程從2方面考慮:

    1)應(yīng)用性能,多層次建??紤]了不易測(cè)輸入變量的信息,為驗(yàn)證本文所提方法比單模型建模具有優(yōu)勢(shì),本文所提方法與單模型SVR(缺少相關(guān)輸入信息)就單目標(biāo)預(yù)測(cè)性能進(jìn)行對(duì)比研究;

    2)理論性能,多層次建模方法需建立多個(gè)層次模型來(lái)構(gòu)造缺失的輸入信息,從而增強(qiáng)預(yù)測(cè)性能;在不考慮實(shí)際應(yīng)用性,具有完整輸入信息的前提下,為驗(yàn)證本文所提方法的性能,本文所提方法與單模型SVR(具有完整輸入信息)進(jìn)行對(duì)比研究。

    評(píng)價(jià)指標(biāo)選用均方根誤差(root mean square error, RMSE)和相關(guān)性系數(shù)。值越小,模型的預(yù)測(cè)性能越好,其定義為

    4.1 基準(zhǔn)仿真模型

    4.1.1 背景簡(jiǎn)介

    基準(zhǔn)仿真模型1(benchmark simulation model 1, BSM1)是由國(guó)際水協(xié)會(huì)(international water association, IWA)提出的一種基準(zhǔn)仿真環(huán)境,其提供一種無(wú)偏差的基準(zhǔn)系統(tǒng),以便比較不同的控制策略而無(wú)需參照具體設(shè)施,如圖4所示。

    圖4 BSM1定義下的污水處理過(guò)程

    在BSM1定義的仿真環(huán)境中,污水處理過(guò)程由5個(gè)活性污泥反應(yīng)池(6000 m3)和1個(gè)二沉池(深4 m,10層,6000 m3)構(gòu)成。其中,活性污泥反應(yīng)池由2個(gè)缺氧池和3個(gè)好氧池組成;日平均處理污水量為20000 m3,可生物降解的化學(xué)需氧量為300 mg/L;同時(shí)涵蓋了硝化和前置反硝化過(guò)程以實(shí)現(xiàn)生物脫氮。1號(hào)活性污泥模型(activated sludge model no.1, ASM1)用于描述生化反應(yīng)池內(nèi)發(fā)生的生化反應(yīng)。

    4.1.2 場(chǎng)景定義

    本案例中,選擇出水BOD5作為目標(biāo)變量來(lái)驗(yàn)證模型的有效性。BOD是反映水體被有機(jī)物污染程度的一種重要綜合指標(biāo)。對(duì)于大多數(shù)的中小型污水處理廠而言,BOD大多通過(guò)人工化驗(yàn)方式確定,即5天培養(yǎng)法測(cè)定BOD值,因此稱為BOD5。這種測(cè)量方式實(shí)時(shí)性較差,化驗(yàn)結(jié)果大大滯后于污水的排放過(guò)程,容易造成二次污染。BOD5的實(shí)時(shí)檢測(cè)一直是污水處理軟測(cè)量研究的主要內(nèi)容。本案例根據(jù)工藝機(jī)理分析,初步選取與BOD5相關(guān)的初始輔助變量,最終通過(guò)實(shí)地考察選取可(易)測(cè)量且經(jīng)濟(jì)性高的初始輔助變量作為輔助變量,如表1所示。其中,CODe是出水總化學(xué)需氧量,反映水體受還原性物質(zhì)污染程度的一種綜合指標(biāo),同時(shí)也是一種不易測(cè)量變量?;诂F(xiàn)實(shí)可行性操作,不建議其作為輸入用于模型預(yù)測(cè)。因此,本案例中CODe作為二次模型的預(yù)測(cè)目標(biāo),用于補(bǔ)充主模型的輸入信息,而其余變量則同時(shí)作為主、次模型的輸入。

    表1 輔助變量

    在雨天場(chǎng)景下,閉環(huán)運(yùn)行BSM1仿真模型2周。設(shè)定15 min采樣率,共采集1344個(gè)樣本數(shù)據(jù)。選擇雨天場(chǎng)景是因?yàn)閻毫犹鞖鈼l件具有外部干擾等因素,能進(jìn)一步考驗(yàn)本文所提方法的有效性(泛化性能)。

    4.2 測(cè)試結(jié)果

    在測(cè)試前,對(duì)軟測(cè)量模型的一些重要參數(shù)進(jìn)行預(yù)定義:

    1)時(shí)差間隔,時(shí)差處理需明確時(shí)差間隔,本案例將時(shí)差間隔設(shè)定為變量的采樣間隔,即15 min,時(shí)差間隔較小時(shí),時(shí)差變量雖然可以反映更多的短期變化,但也因此包含更多噪聲;反之,時(shí)差間隔較大時(shí),無(wú)法準(zhǔn)確反映過(guò)程狀態(tài)的短期變動(dòng)信息,因此,通常將采樣間隔設(shè)為最小可行的時(shí)差處理間隔;

    2)核函數(shù),選用高斯函數(shù)作為SVR模型的核函數(shù),具體參照式(7);

    3)模型參數(shù),正則化參數(shù)、準(zhǔn)確度閾值和核參數(shù)采用遺傳算法來(lái)確定,即選取代表模型性能指標(biāo)的均方誤差(mean square error, MSE)作為適應(yīng)度(fitness value)來(lái)迭代。

    雨天場(chǎng)景下的進(jìn)水流量圖如圖5所示。整個(gè)運(yùn)行周期可分為2個(gè)階段:前5日為第一階段(晴天),此階段的進(jìn)水量在10000 m3~33000 m3區(qū)間平穩(wěn)波動(dòng);從第6日開(kāi)始為第二階段(雨天),進(jìn)水量有較大波動(dòng),可分為雨天早期、峰期和雨天后期。雨天早期因?yàn)闇笮杂炅课捶从车竭M(jìn)水量,反而相對(duì)于晴天有所回落。隨著雨天的推進(jìn),雨量開(kāi)始反映到進(jìn)水量,在第9日左右進(jìn)入峰期,進(jìn)水量爆發(fā)性地增加到50000 m3以上,并在30000 m3~ 50000 m3區(qū)間劇烈波動(dòng)數(shù)日,這意味著反映水體質(zhì)量的參數(shù)變量也將劇烈變化,這對(duì)模型是一個(gè)挑戰(zhàn),因?yàn)檫@需要模型在持續(xù)幾天的新?tīng)顟B(tài)下給出目標(biāo)變量的精準(zhǔn)預(yù)測(cè)。隨著雨天的消除(雨天后期),進(jìn)水量逐步回落,并趨于平穩(wěn)??紤]現(xiàn)實(shí)情況,污水處理在大多處于晴天場(chǎng)景下連續(xù)運(yùn)行,數(shù)據(jù)也在晴天場(chǎng)景采集的較多?;谏鲜龇治觯玫谝浑A段采集的數(shù)據(jù)訓(xùn)練模型,第二階段的數(shù)據(jù)測(cè)試模型,目的在于驗(yàn)證模型的泛化性能,以更好地反映實(shí)際運(yùn)行場(chǎng)景。訓(xùn)練數(shù)據(jù)和測(cè)試輸入數(shù)據(jù)在進(jìn)入模型前(時(shí)差處理后)統(tǒng)一進(jìn)行歸一化處理。所有與輸入變量相關(guān)的傳感器在仿真運(yùn)行過(guò)程中都是可靠的,以上處理方式著重于模型預(yù)測(cè)性能的變化,無(wú)需考慮其他影響因素。

    圖5 雨天場(chǎng)景下的進(jìn)水流量圖

    圖6(a)為本文所提方法的二次模型基于遺傳算法技巧的參數(shù)搜尋結(jié)果。可以看出:當(dāng)適應(yīng)度值趨于穩(wěn)定時(shí),計(jì)算出的最佳參數(shù)= 0.7905,= 2.0180,= 0.0168。同理,圖6(b)為主模型的參數(shù)搜尋結(jié)果,計(jì)算出的最佳參數(shù)= 23.8675,= 0.1545,= 0.0101。

    圖6 適應(yīng)度曲線

    圖7和圖8為本文所提方法的預(yù)測(cè)結(jié)果。由圖7可以看出:降雨期間目標(biāo)變量CODe的預(yù)測(cè)值曲線緊密貼合實(shí)際值曲線,說(shuō)明在劇烈干擾下本文所提方法能夠很好地跟蹤目標(biāo)的變化趨勢(shì),評(píng)價(jià)指標(biāo)和分別為0.7709和0.9953。由圖8可以看出:基于二次模型提供的CODe信息,主模型對(duì)于BODe的預(yù)測(cè)總體上符合預(yù)期,預(yù)測(cè)值曲線不僅能夠很好地跟蹤實(shí)際值曲線的走勢(shì),且沒(méi)有出現(xiàn)明顯偏差;雖然在降雨峰期有些許波動(dòng),但考慮到劇烈外部干擾等因素的影響,其結(jié)果可以接受,評(píng)價(jià)指標(biāo)和分別為0.0398和0.9987。

    圖7 二次模型預(yù)測(cè)結(jié)果

    圖8 主模型預(yù)測(cè)結(jié)果

    在缺少CODe輸入信息下的單模型SVR預(yù)測(cè)結(jié)果如圖9所示??梢钥闯觯篊ODe信息的缺失對(duì)模型性能產(chǎn)生了負(fù)面影響,主要表現(xiàn)在峰期結(jié)束后的一段時(shí)間無(wú)法跟蹤到目標(biāo)變化,且偏差較大;在其他時(shí)刻(峰期),預(yù)測(cè)結(jié)果也不太穩(wěn)定,同樣存在波動(dòng),無(wú)法很好地貼合實(shí)際值曲線,評(píng)價(jià)指標(biāo)和分別為0.0566和0.9973。

    圖9 單模型SVR預(yù)測(cè)結(jié)果(缺少CODe信息)

    具有實(shí)際CODe輸入信息的單模型SVR預(yù)測(cè)結(jié)果如圖10所示??梢钥闯觯寒?dāng)具有確定、充足的輸入信息時(shí),模型對(duì)目標(biāo)的預(yù)測(cè)結(jié)果令人滿意,在降雨峰期以及峰期結(jié)束后的反復(fù)波動(dòng)期間,都比前述2種模型表現(xiàn)優(yōu)秀,評(píng)價(jià)指標(biāo)和分別為0.0215和0.9966。

    圖10 單模型SVR預(yù)測(cè)結(jié)果(具有完整CODe信息)

    3種測(cè)試模型目標(biāo)變量的評(píng)價(jià)指標(biāo)和結(jié)果如表2所示。

    表2 3種測(cè)試模型目標(biāo)變量的評(píng)價(jià)指標(biāo)RMSE和r結(jié)果

    4.3 討論

    本文通過(guò)案例驗(yàn)證了基于時(shí)差處理的自適應(yīng)多層次軟測(cè)量建模的有效性。基于BSM1仿真環(huán)境,對(duì)比模型在雨天場(chǎng)景下進(jìn)行測(cè)試。結(jié)果表明:本文所提方法考慮了不易測(cè)的輸入信息,對(duì)比缺失相關(guān)信息的單模型而言具有更好的預(yù)測(cè)表現(xiàn);而對(duì)比具有完整輸入信息的單模型,性能表現(xiàn)差距不大。綜合結(jié)果分析有如下結(jié)論:

    1)輸入信息對(duì)于模型預(yù)測(cè)性能至關(guān)重要,多層次軟測(cè)量建模方法考慮了與目標(biāo)相關(guān)但不易測(cè)的重要輸入信息,提高了預(yù)測(cè)表現(xiàn)力,從而在實(shí)際應(yīng)用中更具優(yōu)勢(shì);

    2)與具有完整輸入信息的單模型相比,多層次建模方法雖然在預(yù)測(cè)結(jié)果上略有不及,且存在計(jì)算負(fù)荷稍重等問(wèn)題,但該方法易實(shí)現(xiàn),且經(jīng)濟(jì)性高。對(duì)于大多數(shù)經(jīng)費(fèi)有限的中小型污水處理廠而言,在誤差允許的范圍內(nèi),以高經(jīng)濟(jì)性方式獲得重要的水質(zhì)參數(shù)是可行且可接受的。而完整的輸入信息在實(shí)際操作中是不可行的,一些不易測(cè)量的變量無(wú)法作為正常獲取的輸入信息用于構(gòu)造模型和預(yù)測(cè),即使可獲取也存在實(shí)現(xiàn)成本高昂等代價(jià),難以在實(shí)際應(yīng)用中推廣。

    5 結(jié)論

    在污水處理過(guò)程控制中,多個(gè)難以獲取的變量阻礙軟測(cè)量建模,降低模型的預(yù)測(cè)能力。為此,本文提出基于時(shí)差處理的自適應(yīng)多層次軟測(cè)量建模方法。通過(guò)建立多個(gè)輔助模型以并聯(lián)方式預(yù)測(cè)主模型建模所缺少的關(guān)鍵信息,從而有效提高主模型的預(yù)測(cè)能力。同時(shí),采用時(shí)差建模方法,提高系統(tǒng)模型的自適應(yīng)能力,解決模型性能退化問(wèn)題。最后,通過(guò)一個(gè)仿真案例驗(yàn)證了本文所提方法的有效性。多層次建模方法可以進(jìn)一步拓展到多個(gè)層次,其需求在于模型輸入變量的不可獲取性。

    [1] 黃道平,劉乙奇,李艷.軟測(cè)量在污水處理過(guò)程中的研究與應(yīng)用[J].化工學(xué)報(bào),2011,62(1):1-9.

    [2] 曹鵬飛,羅雄麟.化工過(guò)程軟測(cè)量建模方法研究進(jìn)展[J].化工學(xué)報(bào),2013,64(3):788-800.

    [3] HAIMI H, MULAS M, CORONA F, et al. Data-derived soft-sensors for biological wastewater treatment plants: an overview[J]. Environmental Modelling & Software, 2013, 47: 88-107.

    [4] KADLEC P, GABRYS B, STRANDT S. Data-driven soft sensors in the process industry[J]. Computers & Chemical Engineering (S0098-1354), 2009, 33(4), 795-814.

    [5] 朱群雄,張曉晗,顧祥柏,等.基于特征提取的函數(shù)連接神經(jīng)網(wǎng)絡(luò)研究及其化工過(guò)程建模應(yīng)用[J].化工學(xué)報(bào),2018,69(3):907-912,883

    [6] QIN S J. Recursive PLS algorithms for adaptive data modelling[J]. Computers & Chemical Engineering, 1998, 22(4-5): 503-514.

    [7] 劉乙奇,黃道平,李艷.基于改進(jìn)JIT算法的軟測(cè)量建模及其在污水處理中的應(yīng)用[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2011, 39(5): 55-60,67.

    [8] 王功明,李文靜,喬俊飛.基于PLSR自適應(yīng)深度信念網(wǎng)絡(luò)的出水總磷預(yù)測(cè)[J].化工學(xué)報(bào),2017,68(5):1987-1997.

    [9] QIU Y, LIU Y, HUANG D. Date-driven soft-sensor design for biological wastewater treatment using deep neural networks and genetic algorithms[J]. Journal of Chemical Engineering of Japan, 2016, 49(10): 925-936.

    [10] 韓紅桂,陳治遠(yuǎn),喬俊飛,等.基于區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)的出水氨氮軟測(cè)量[J].化工學(xué)報(bào),2017,68(3):1032-1040.

    [11] VAPNIK V N, VAPNIK V. Statistical learning theory[M]. New York: Wiley, 1998.

    [12] 邱禹.面向污水處理的軟測(cè)量建模研究及其應(yīng)用[D].廣州:華南理工大學(xué),2018.

    [13] BAGHERI M, MIRBAGHERI S A, BAGHERI Z, et al. Modeling and optimization of activated sludge bulking for a real wastewater treatment plant using hybrid artificial neural networks-genetic algorithm approach[J]. Process Safety and Environmental Protection, 2015, 95: 12-25.

    [14] 李文靜,李萌,喬俊飛.基于互信息和自組織RBF神經(jīng)網(wǎng)絡(luò)的出水BOD軟測(cè)量方法[J].化工學(xué)報(bào), 2019, 70(2): 687-695.

    [15] HUNT K J, JOHANSEN T A. Design and analysis of gain-scheduled control using local controller networks[J]. International Journal of Control, 1997, 66(5): 619-652.

    [16] 梅從立,楊銘,劉國(guó)海.基于證據(jù)合成的高斯過(guò)程回歸多模型軟測(cè)量方法[J].化工學(xué)報(bào),2015,66(11):4555-4564.

    [17] NARENDRA K S, BALAKRISHNAN J. Improving transient response of adaptive control system multiple models and switching[J]. IEEE Transactions on Automatic Control, 1994, 39(9): 1861-1866.

    [18] 龐強(qiáng),鄒濤,叢秋梅,等.基于高斯混合模型與主元分析的多模型切換方法[J].化工學(xué)報(bào),2013,64(8):2938-2946.

    [19] HIROMASA K, KIMITO F. Adaptive soft sensor model using online support vector regression with time variable and discussion of appropriate hyperparameter settings and window size[J]. Computers & Chemical Engineering, 2013, 58(11): 288-297.

    [20] 馬建,鄧曉剛,王磊.基于深度集成支持向量機(jī)的工業(yè)過(guò)程軟測(cè)量方法[J].化工學(xué)報(bào),2018,69(3):1121-1128.

    [21] 吳菁,劉乙奇,劉堅(jiān),等.基于動(dòng)態(tài)多核相關(guān)向量機(jī)的軟測(cè)量建模研究[J].化工學(xué)報(bào),2019,70(4):1472-1484.

    [22] SOUZA F, RUI A, MENDES J. Review of soft sensor methods for regression applications[J]. Chemometrics and Intelligent Laboratory Systems, 2016, 152: 69-79.

    [23] KANEKO H, FUNATSU K. Classification of the degradation of soft sensor models and discussion on adaptive models[J]. AIChE Journal, 2013, 59(7): 2339-2347.

    [24] KADLEC P, Grbi? R, GABRYS B. Review of adaptation mechanisms for data-driven soft sensors[J]. Computers & Chemical Engineering, 2011, 35(1): 1-24.

    [25] 邱禹,劉乙奇,吳菁,等.基于深層神經(jīng)網(wǎng)絡(luò)的多輸出自適應(yīng)軟測(cè)量建模[J].化工學(xué)報(bào),2018,69(7):3101-3113.

    [26] KANEKO H, FUNATSU K. Maintenance-free soft sensor models with time difference of process variables[J]. Chemometrics and Intelligent Laboratory Systems, 2011, 107(2): 312-317.

    Self-Adaptive Multilevel Soft Sensor Modeling Method Based on Time Difference Processing

    Qiu Yu1Ma Xingzao1Wu Jing2

    (1. College of Mechanical and Electrical Engineering, LingNan Normal University,Zhanjiang 524048, China 2. School of Automation Science and Engineering,South China University of Technology, Guangzhou 510640, China)

    In the process control of wastewater treatment, soft sensing is an effective mean to measure the difficult variables. However, the limitation of modeling input makes some variables that are related to the target but not easy to obtain unsuitable as input information, hindering modeling. Therefore, a novel multiple-level of soft sensor modeling method is proposed. First, multiple soft sensor sub-models are built using support vector regression to output sub-objectives which are related to the final objective variable but are hard to acquire. Then, the sub-objectives and original secondary variables are constructed as the inputs of the primary model to increase the information needed for the prediction, thus improve the final prediction effect. Meanwhile, a time difference modeling method is introduced in the modeling to deal with the performance degradation caused by external interference. The proposed method is validated through a case study of simulation and real application. The results show that Compared with single model SVR (lack of coder information) and single model SVR (with complete coder information), the method proposed in this paper has better prediction performance.is 0.0398,is 0.9987.

    wastewater treatment; soft sensor; modeling; multilevel; self-adaptive

    國(guó)家自然科學(xué)基金項(xiàng)目(51705228);廣東省教育廳項(xiàng)目(2017KQNCX123)。

    邱禹,男,1988年生,博士,主要研究方向:軟測(cè)量,過(guò)程控制。E-mail: qy-zq1988@163.com

    馬興灶(通信作者),男,1984年生,博士,講師,主要研究方向:智能控制。E-mail: maxz@lingnan.edu.cn

    吳菁,女,1988年生,博士,主要研究方向:軟測(cè)量。

    TP 277

    A

    1674-2605(2020)05-0003-08

    10.3969/j.issn.1674-2605.2020.05.003

    猜你喜歡
    建模變量預(yù)測(cè)
    無(wú)可預(yù)測(cè)
    黃河之聲(2022年10期)2022-09-27 13:59:46
    選修2-2期中考試預(yù)測(cè)卷(A卷)
    選修2-2期中考試預(yù)測(cè)卷(B卷)
    抓住不變量解題
    聯(lián)想等效,拓展建模——以“帶電小球在等效場(chǎng)中做圓周運(yùn)動(dòng)”為例
    也談分離變量
    基于PSS/E的風(fēng)電場(chǎng)建模與動(dòng)態(tài)分析
    電子制作(2018年17期)2018-09-28 01:56:44
    不對(duì)稱半橋變換器的建模與仿真
    不必預(yù)測(cè)未來(lái),只需把握現(xiàn)在
    SL(3,3n)和SU(3,3n)的第一Cartan不變量
    国产在视频线精品| 亚洲精品国产av成人精品| 在线观看免费午夜福利视频| 在线看a的网站| 大陆偷拍与自拍| 国产在线免费精品| 亚洲av美国av| 深夜精品福利| 美女高潮喷水抽搐中文字幕| 国产一卡二卡三卡精品| 午夜福利一区二区在线看| 日韩视频在线欧美| 天天躁狠狠躁夜夜躁狠狠躁| 91精品伊人久久大香线蕉| 国产成人欧美在线观看 | 亚洲综合色网址| 国产一区二区三区在线臀色熟女 | 亚洲欧美日韩另类电影网站| 淫妇啪啪啪对白视频 | 桃花免费在线播放| 欧美精品一区二区大全| 国产又爽黄色视频| 制服诱惑二区| 国产在线免费精品| 国产在线一区二区三区精| 欧美日韩一级在线毛片| 99精品欧美一区二区三区四区| 午夜福利乱码中文字幕| 日韩欧美国产一区二区入口| 建设人人有责人人尽责人人享有的| www日本在线高清视频| 高清欧美精品videossex| 久久久久网色| 亚洲欧美激情在线| 国产无遮挡羞羞视频在线观看| 久久久久久人人人人人| 国产日韩欧美视频二区| 不卡一级毛片| 嫩草影视91久久| 国产成人系列免费观看| 国产精品久久久av美女十八| 久久久国产欧美日韩av| 一区二区日韩欧美中文字幕| 青春草视频在线免费观看| 国产不卡av网站在线观看| 国产一卡二卡三卡精品| 五月开心婷婷网| 国产男女超爽视频在线观看| 久久中文字幕一级| 十八禁网站免费在线| 黄色 视频免费看| 欧美日韩av久久| 日日爽夜夜爽网站| 高清av免费在线| 欧美日韩福利视频一区二区| 日韩人妻精品一区2区三区| 国产男女超爽视频在线观看| 亚洲国产精品999| 亚洲成人免费av在线播放| 在线观看www视频免费| 人妻人人澡人人爽人人| 精品一区二区三区av网在线观看 | 国产91精品成人一区二区三区 | 超碰成人久久| 亚洲中文日韩欧美视频| 免费一级毛片在线播放高清视频 | 97精品久久久久久久久久精品| 午夜福利影视在线免费观看| 2018国产大陆天天弄谢| 日韩有码中文字幕| 久久精品国产亚洲av高清一级| 国产欧美日韩一区二区三 | 曰老女人黄片| 久久精品久久久久久噜噜老黄| 亚洲色图 男人天堂 中文字幕| 性少妇av在线| 正在播放国产对白刺激| 黑人欧美特级aaaaaa片| 丰满迷人的少妇在线观看| 50天的宝宝边吃奶边哭怎么回事| 国产免费一区二区三区四区乱码| 热99国产精品久久久久久7| 亚洲精品成人av观看孕妇| 中文字幕制服av| 免费在线观看影片大全网站| 欧美av亚洲av综合av国产av| 美女高潮喷水抽搐中文字幕| 久久国产精品大桥未久av| 欧美日韩中文字幕国产精品一区二区三区 | 亚洲精品第二区| 999久久久精品免费观看国产| 老汉色∧v一级毛片| 亚洲伊人色综图| 午夜福利一区二区在线看| 性高湖久久久久久久久免费观看| 中文字幕人妻丝袜制服| 日韩人妻精品一区2区三区| 亚洲av日韩精品久久久久久密| 精品乱码久久久久久99久播| 午夜福利一区二区在线看| 巨乳人妻的诱惑在线观看| 亚洲伊人色综图| 午夜福利视频在线观看免费| 涩涩av久久男人的天堂| 天天影视国产精品| 一区福利在线观看| h视频一区二区三区| 国产av一区二区精品久久| 国产99久久九九免费精品| 国产欧美日韩综合在线一区二区| 国产欧美日韩综合在线一区二区| √禁漫天堂资源中文www| 青青草视频在线视频观看| 在线观看免费高清a一片| 99久久综合免费| 男人爽女人下面视频在线观看| 另类精品久久| 日本欧美视频一区| 老汉色av国产亚洲站长工具| 黄色视频,在线免费观看| 亚洲人成电影观看| 两人在一起打扑克的视频| 亚洲avbb在线观看| 国产成人av激情在线播放| 色老头精品视频在线观看| 亚洲情色 制服丝袜| 中国国产av一级| 久久久久精品国产欧美久久久 | 国产亚洲午夜精品一区二区久久| 亚洲第一欧美日韩一区二区三区 | 精品乱码久久久久久99久播| 免费黄频网站在线观看国产| 丁香六月天网| 日本91视频免费播放| 日韩视频在线欧美| 日韩视频在线欧美| 欧美在线黄色| 久久精品aⅴ一区二区三区四区| 午夜福利乱码中文字幕| 天天影视国产精品| 精品人妻在线不人妻| 国产又色又爽无遮挡免| a级片在线免费高清观看视频| 男女免费视频国产| 国产精品亚洲av一区麻豆| 母亲3免费完整高清在线观看| 99国产精品免费福利视频| 波多野结衣av一区二区av| 国产欧美日韩精品亚洲av| 啪啪无遮挡十八禁网站| 亚洲国产av新网站| 欧美久久黑人一区二区| 久久久久网色| 国产深夜福利视频在线观看| 欧美av亚洲av综合av国产av| 亚洲中文av在线| 天天操日日干夜夜撸| 久久性视频一级片| 久久久久国产一级毛片高清牌| 国产片内射在线| 国产亚洲精品一区二区www | 欧美xxⅹ黑人| 99热国产这里只有精品6| 多毛熟女@视频| 国产日韩一区二区三区精品不卡| 91九色精品人成在线观看| 亚洲精品国产区一区二| 人妻 亚洲 视频| 国产有黄有色有爽视频| 免费观看a级毛片全部| 国产精品免费大片| 国产1区2区3区精品| 一边摸一边做爽爽视频免费| 欧美日韩精品网址| 亚洲欧美激情在线| 动漫黄色视频在线观看| 精品国产超薄肉色丝袜足j| 亚洲中文字幕日韩| 国产成人系列免费观看| 久久亚洲国产成人精品v| 久久精品熟女亚洲av麻豆精品| 国产精品麻豆人妻色哟哟久久| 日韩欧美国产一区二区入口| 日本五十路高清| 国产成人系列免费观看| 久久毛片免费看一区二区三区| 亚洲av美国av| 老汉色av国产亚洲站长工具| 国产亚洲欧美在线一区二区| 久久久水蜜桃国产精品网| 99精国产麻豆久久婷婷| 黄频高清免费视频| 亚洲国产欧美一区二区综合| 中亚洲国语对白在线视频| 一级,二级,三级黄色视频| 99热国产这里只有精品6| 色综合欧美亚洲国产小说| 午夜福利视频精品| 曰老女人黄片| 丝袜在线中文字幕| 日韩视频在线欧美| 性高湖久久久久久久久免费观看| 亚洲国产精品一区二区三区在线| 国产色视频综合| 国产97色在线日韩免费| 自拍欧美九色日韩亚洲蝌蚪91| 午夜免费鲁丝| 国产在视频线精品| 亚洲熟女毛片儿| 女人高潮潮喷娇喘18禁视频| 国产91精品成人一区二区三区 | 欧美+亚洲+日韩+国产| 老熟妇仑乱视频hdxx| h视频一区二区三区| 国产精品自产拍在线观看55亚洲 | 美女国产高潮福利片在线看| 999精品在线视频| 在线天堂中文资源库| 国产免费福利视频在线观看| 丝袜人妻中文字幕| 午夜精品久久久久久毛片777| 天天躁日日躁夜夜躁夜夜| 一级片'在线观看视频| 精品国产国语对白av| 亚洲欧美激情在线| 1024香蕉在线观看| 色精品久久人妻99蜜桃| 亚洲国产欧美在线一区| 99久久99久久久精品蜜桃| 妹子高潮喷水视频| 久久毛片免费看一区二区三区| 免费高清在线观看日韩| 亚洲美女黄色视频免费看| 精品一区在线观看国产| 亚洲精品国产av成人精品| 久久久久久久国产电影| 亚洲第一青青草原| 纵有疾风起免费观看全集完整版| 亚洲精品乱久久久久久| 啦啦啦视频在线资源免费观看| 天堂俺去俺来也www色官网| 精品人妻在线不人妻| av超薄肉色丝袜交足视频| 国产男女内射视频| 亚洲一区中文字幕在线| 男人添女人高潮全过程视频| 亚洲av日韩在线播放| 色综合欧美亚洲国产小说| 亚洲va日本ⅴa欧美va伊人久久 | 国产免费av片在线观看野外av| 日韩,欧美,国产一区二区三区| 国产免费福利视频在线观看| 亚洲激情五月婷婷啪啪| 视频区图区小说| 91麻豆av在线| 精品国产乱子伦一区二区三区 | 久久av网站| 电影成人av| 91麻豆av在线| 欧美乱码精品一区二区三区| 不卡一级毛片| 国产av一区二区精品久久| 欧美日韩亚洲综合一区二区三区_| 99久久国产精品久久久| 搡老乐熟女国产| 中文字幕av电影在线播放| 热re99久久精品国产66热6| 欧美日本中文国产一区发布| 日本av免费视频播放| 可以免费在线观看a视频的电影网站| 国产1区2区3区精品| 曰老女人黄片| 午夜福利一区二区在线看| 老鸭窝网址在线观看| 成人三级做爰电影| 老司机在亚洲福利影院| 精品一品国产午夜福利视频| 伊人亚洲综合成人网| 高清在线国产一区| 一边摸一边做爽爽视频免费| 亚洲精品美女久久av网站| 三级毛片av免费| 日韩免费高清中文字幕av| 欧美在线黄色| 国产精品 国内视频| av一本久久久久| 欧美成人午夜精品| 99re6热这里在线精品视频| 亚洲一卡2卡3卡4卡5卡精品中文| 丁香六月欧美| 亚洲精品一区蜜桃| 欧美xxⅹ黑人| 夫妻午夜视频| 亚洲熟女毛片儿| 啦啦啦 在线观看视频| 菩萨蛮人人尽说江南好唐韦庄| 午夜福利视频精品| 欧美av亚洲av综合av国产av| 精品福利永久在线观看| 国产成人免费观看mmmm| 美国免费a级毛片| 伊人久久大香线蕉亚洲五| 久久中文看片网| 在线看a的网站| 国产麻豆69| 丝袜美足系列| 亚洲全国av大片| 啦啦啦 在线观看视频| 精品熟女少妇八av免费久了| 精品第一国产精品| 国产精品熟女久久久久浪| 国产野战对白在线观看| 叶爱在线成人免费视频播放| 18禁裸乳无遮挡动漫免费视频| 一本久久精品| av视频免费观看在线观看| 免费看十八禁软件| 看免费av毛片| 在线亚洲精品国产二区图片欧美| 国产有黄有色有爽视频| 亚洲国产中文字幕在线视频| 女性被躁到高潮视频| 成年动漫av网址| 日韩大码丰满熟妇| 亚洲 欧美一区二区三区| 少妇粗大呻吟视频| 99国产精品免费福利视频| 亚洲欧美精品自产自拍| 一本—道久久a久久精品蜜桃钙片| 99国产精品一区二区三区| 人妻 亚洲 视频| 亚洲熟女精品中文字幕| 国产免费视频播放在线视频| 一个人免费看片子| 国产精品国产av在线观看| 最新的欧美精品一区二区| 精品国内亚洲2022精品成人 | 老司机靠b影院| 国产淫语在线视频| 亚洲精华国产精华精| 精品少妇久久久久久888优播| 18禁观看日本| 成年美女黄网站色视频大全免费| www.熟女人妻精品国产| 久久久久久久大尺度免费视频| 大陆偷拍与自拍| √禁漫天堂资源中文www| 婷婷色av中文字幕| 天天添夜夜摸| 国产激情久久老熟女| 亚洲三区欧美一区| 久久精品人人爽人人爽视色| 国产男人的电影天堂91| 丰满饥渴人妻一区二区三| 天天添夜夜摸| 国产亚洲午夜精品一区二区久久| 老汉色∧v一级毛片| 精品免费久久久久久久清纯 | 精品一区二区三卡| 99精国产麻豆久久婷婷| 99热网站在线观看| 精品少妇内射三级| 国产在线一区二区三区精| 成人免费观看视频高清| 国产成人一区二区三区免费视频网站| 91精品国产国语对白视频| 亚洲 国产 在线| 欧美激情极品国产一区二区三区| 亚洲美女黄色视频免费看| 在线观看舔阴道视频| 久久精品aⅴ一区二区三区四区| 亚洲色图 男人天堂 中文字幕| 啦啦啦在线免费观看视频4| 丁香六月天网| 国产成人精品久久二区二区91| 两个人看的免费小视频| 丝袜在线中文字幕| 美女脱内裤让男人舔精品视频| 久久久国产一区二区| 亚洲精品第二区| 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| 99精品欧美一区二区三区四区| 一进一出抽搐动态| 女人爽到高潮嗷嗷叫在线视频| 日韩精品免费视频一区二区三区| 这个男人来自地球电影免费观看| 中文字幕最新亚洲高清| 老熟妇仑乱视频hdxx| 18在线观看网站| 女性被躁到高潮视频| 19禁男女啪啪无遮挡网站| 久久影院123| 日韩 欧美 亚洲 中文字幕| 女警被强在线播放| 曰老女人黄片| 中文字幕另类日韩欧美亚洲嫩草| 亚洲欧美日韩高清在线视频 | 亚洲欧美色中文字幕在线| 极品人妻少妇av视频| 一区二区三区激情视频| 啦啦啦 在线观看视频| 中国国产av一级| 男人舔女人的私密视频| 免费看十八禁软件| 国产成人精品久久二区二区免费| 国产欧美日韩一区二区三 | 午夜免费鲁丝| 久久久欧美国产精品| 国产精品亚洲av一区麻豆| 婷婷色av中文字幕| 黄频高清免费视频| 一级毛片女人18水好多| 久久国产精品男人的天堂亚洲| 18禁黄网站禁片午夜丰满| 曰老女人黄片| 男女免费视频国产| 欧美 亚洲 国产 日韩一| 黄片小视频在线播放| 午夜成年电影在线免费观看| 天天躁狠狠躁夜夜躁狠狠躁| 女人精品久久久久毛片| 99久久人妻综合| 99热国产这里只有精品6| 少妇粗大呻吟视频| 中文字幕人妻丝袜制服| 亚洲精品av麻豆狂野| 捣出白浆h1v1| 人人澡人人妻人| 欧美老熟妇乱子伦牲交| 国产片内射在线| 午夜福利乱码中文字幕| 精品一区二区三区四区五区乱码| 水蜜桃什么品种好| 国产伦人伦偷精品视频| 一本大道久久a久久精品| 天天添夜夜摸| 大片免费播放器 马上看| 啦啦啦 在线观看视频| xxxhd国产人妻xxx| 老汉色av国产亚洲站长工具| 老熟女久久久| 国产老妇伦熟女老妇高清| 黄频高清免费视频| 国产精品久久久久成人av| 天天躁狠狠躁夜夜躁狠狠躁| 一进一出抽搐动态| 男人舔女人的私密视频| 最黄视频免费看| 黄网站色视频无遮挡免费观看| 51午夜福利影视在线观看| 两性午夜刺激爽爽歪歪视频在线观看 | 亚洲精品国产色婷婷电影| h视频一区二区三区| 大码成人一级视频| 91成人精品电影| 亚洲欧美成人综合另类久久久| 亚洲国产欧美日韩在线播放| 国产黄频视频在线观看| 国产精品免费视频内射| cao死你这个sao货| www日本在线高清视频| 91av网站免费观看| 欧美日韩国产mv在线观看视频| 久久天躁狠狠躁夜夜2o2o| 中文字幕精品免费在线观看视频| 五月开心婷婷网| 亚洲 欧美一区二区三区| 亚洲久久久国产精品| 国产高清国产精品国产三级| av欧美777| 国产精品免费大片| 日韩电影二区| 各种免费的搞黄视频| 在线观看人妻少妇| 99久久精品国产亚洲精品| 久久精品国产a三级三级三级| 黄色片一级片一级黄色片| 老熟妇仑乱视频hdxx| 日本av免费视频播放| 啦啦啦啦在线视频资源| 国产精品成人在线| 精品国产超薄肉色丝袜足j| 超色免费av| 久久久精品区二区三区| 国产欧美日韩一区二区精品| 成人av一区二区三区在线看 | 97人妻天天添夜夜摸| 满18在线观看网站| 亚洲精品国产av成人精品| videosex国产| 男男h啪啪无遮挡| 成人免费观看视频高清| 国精品久久久久久国模美| 亚洲精品美女久久av网站| 精品国内亚洲2022精品成人 | 国产片内射在线| 精品人妻在线不人妻| 法律面前人人平等表现在哪些方面 | 成年美女黄网站色视频大全免费| 国产亚洲精品一区二区www | 欧美日韩亚洲高清精品| 美女主播在线视频| 亚洲专区中文字幕在线| 一区二区av电影网| 女人高潮潮喷娇喘18禁视频| 操美女的视频在线观看| 亚洲精品久久成人aⅴ小说| 国产成人av激情在线播放| 香蕉丝袜av| 日韩一区二区三区影片| 夜夜夜夜夜久久久久| 国产不卡av网站在线观看| 久久久久久久精品精品| 国产精品九九99| 热re99久久国产66热| 捣出白浆h1v1| 窝窝影院91人妻| 日韩欧美一区二区三区在线观看 | 热re99久久精品国产66热6| 精品国产乱码久久久久久小说| 女人被躁到高潮嗷嗷叫费观| 男人操女人黄网站| 啦啦啦啦在线视频资源| 欧美日韩成人在线一区二区| 99热全是精品| 国产黄色免费在线视频| 麻豆乱淫一区二区| 日韩大码丰满熟妇| 黄网站色视频无遮挡免费观看| 一区二区三区精品91| 妹子高潮喷水视频| 亚洲熟女精品中文字幕| 老熟妇仑乱视频hdxx| 午夜老司机福利片| 午夜免费成人在线视频| 国产97色在线日韩免费| 在线观看一区二区三区激情| av网站在线播放免费| 精品人妻在线不人妻| 国产精品一区二区在线不卡| 久久亚洲国产成人精品v| 50天的宝宝边吃奶边哭怎么回事| 男女床上黄色一级片免费看| 日日夜夜操网爽| 日韩视频一区二区在线观看| 中文字幕高清在线视频| 国产精品久久久久久人妻精品电影 | av线在线观看网站| 搡老乐熟女国产| 香蕉丝袜av| 国产无遮挡羞羞视频在线观看| 久久久久久亚洲精品国产蜜桃av| 男女床上黄色一级片免费看| www日本在线高清视频| 欧美日韩一级在线毛片| 久久久精品免费免费高清| 9191精品国产免费久久| 国产精品偷伦视频观看了| 午夜影院在线不卡| 啦啦啦视频在线资源免费观看| 亚洲精华国产精华精| 十八禁高潮呻吟视频| 亚洲情色 制服丝袜| 亚洲国产精品一区二区三区在线| 午夜精品国产一区二区电影| 亚洲欧洲日产国产| 大陆偷拍与自拍| 热re99久久精品国产66热6| 国产男人的电影天堂91| 亚洲av日韩精品久久久久久密| 国产精品一区二区精品视频观看| 日本撒尿小便嘘嘘汇集6| 宅男免费午夜| 老司机亚洲免费影院| 久9热在线精品视频| 日韩欧美一区视频在线观看| 丰满少妇做爰视频| 成人黄色视频免费在线看| 久久亚洲精品不卡| 天天躁日日躁夜夜躁夜夜| 大香蕉久久成人网| 日本a在线网址| 一本大道久久a久久精品| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美黑人精品巨大| 国产高清国产精品国产三级| 日韩,欧美,国产一区二区三区| 中文字幕高清在线视频| 欧美成人午夜精品| 欧美日韩成人在线一区二区| 一区二区三区激情视频| 大香蕉久久成人网| 成年av动漫网址| 十分钟在线观看高清视频www| 91字幕亚洲| 成人免费观看视频高清| av电影中文网址| 亚洲一区二区三区欧美精品| 国产一级毛片在线| 桃花免费在线播放| 免费少妇av软件| 中文字幕最新亚洲高清| 美女高潮到喷水免费观看| 无限看片的www在线观看| 亚洲国产欧美一区二区综合| 老汉色∧v一级毛片| 女人精品久久久久毛片| 国产av一区二区精品久久| 午夜免费鲁丝| 俄罗斯特黄特色一大片| 狂野欧美激情性bbbbbb| 成年人黄色毛片网站| videos熟女内射|