• <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 ?

    采用奇異能量譜與改進(jìn)ELM的軸承故障診斷方法

    2021-06-10 05:39:20葛興來張?chǎng)?/span>
    關(guān)鍵詞:特征提取分類器故障診斷

    葛興來, 張?chǎng)?2

    (1.西南交通大學(xué) 磁浮技術(shù)與磁浮列車教育部重點(diǎn)實(shí)驗(yàn)室,成都 611756;2.西南交通大學(xué) 唐山研究生院,河北 唐山 063000)

    0 引 言

    異步電機(jī)因其調(diào)速范圍寬、效率高、結(jié)構(gòu)簡(jiǎn)單等優(yōu)點(diǎn)廣泛應(yīng)用于高速列車牽引傳動(dòng)系統(tǒng)中[1-3]。異步電機(jī)軸承作為轉(zhuǎn)子系統(tǒng)中最重要的組成部分,其運(yùn)行環(huán)境極為復(fù)雜,并長(zhǎng)期處于高速、高載、高溫狀態(tài)下,故障發(fā)生頻率較高。相關(guān)數(shù)據(jù)表明,軸承類故障占電機(jī)總故障類型的40%~50%[4-6],是異步電機(jī)最常發(fā)生的故障類型,嚴(yán)重威脅著高速列車的安全穩(wěn)定運(yùn)行。因此,實(shí)現(xiàn)軸承故障的有效診斷已成為學(xué)者們的研究熱點(diǎn)。

    文獻(xiàn)[7]采用Hilbert變換構(gòu)造定子電流解析信號(hào)并提取其平方包絡(luò)線,利用平方包絡(luò)線中的故障特征頻率進(jìn)行電機(jī)軸承的故障診斷,但在空載條件下,異步電機(jī)的定子電流較小,故障特征較為微弱,不利于軸承故障的特征提取。因此,不受負(fù)載條件影響的振動(dòng)信號(hào)廣泛應(yīng)用于電機(jī)軸承故障之中。文獻(xiàn)[8]將小波包分解法、經(jīng)驗(yàn)?zāi)B(tài)分解法與雙譜分析法相結(jié)合實(shí)現(xiàn)了軸承故障特征頻率的提取;文獻(xiàn)[9]采用奇異值分解技術(shù)解決了經(jīng)驗(yàn)?zāi)B(tài)分解存在的模態(tài)混疊問題,實(shí)現(xiàn)了軸承內(nèi)圈、外圈的故障診斷,但是存在奇異值分解中Hankel矩陣行列數(shù)選取困難的問題;文獻(xiàn)[10]利用變分模態(tài)分解提取軸承振動(dòng)信號(hào)的故障特征,并采用標(biāo)準(zhǔn)模糊C均值聚類法進(jìn)行故障辨識(shí),但存在變分模態(tài)分解參數(shù)影響特征提取效果的問題;文獻(xiàn)[11]提出一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解-Hilbert包絡(luò)譜與深度信念網(wǎng)絡(luò)的滾動(dòng)軸承狀態(tài)識(shí)別方法,但是該方法存在滾珠體故障狀態(tài)辨識(shí)精度低的問題;文獻(xiàn)[12]提出了基于時(shí)域、頻域、時(shí)頻域的多域特征提取方法,實(shí)現(xiàn)了軸承不同類故障與故障程度的有效評(píng)估,但是該方法對(duì)于訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)存在分布差異時(shí),會(huì)出現(xiàn)模型泛化能力差的問題。

    極限學(xué)習(xí)機(jī)(extreme learning algorithm, ELM)具有結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練速度快、泛化能力強(qiáng)的優(yōu)點(diǎn),在模式識(shí)別中有著廣泛的應(yīng)用[13]。但是傳統(tǒng)的ELM由于輸入權(quán)值與隱含層閾值的隨機(jī)性,會(huì)對(duì)其訓(xùn)練效果與診斷效果產(chǎn)生一定的影響。針對(duì)上述存在的問題,本文將差分演化算法與ELM相融合,采用自適應(yīng)差分演化極限學(xué)習(xí)機(jī)(self-adaptive different evolution extreme learning algorithm,SADE-ELM)進(jìn)行故障辨識(shí),進(jìn)而研究了一種異步電機(jī)軸承故障診斷的新方法。針對(duì)于變分模態(tài)分解(variational mode decomposition,VMD)存在分解層數(shù)與懲罰因子選擇困難的問題,本文采用粒子群算法,通過迭代尋優(yōu)確定最優(yōu)參數(shù)組合,并利用最優(yōu)參數(shù)組合對(duì)軸承振動(dòng)信號(hào)進(jìn)行VMD分解得到若干本征模態(tài)函數(shù)(intrinsic mode function,IMF),并計(jì)算不同故障類型的奇異能量譜;根據(jù)不同故障下奇異能量譜的差異建立故障特征向量;并通過SADE-ELM進(jìn)行故障辨識(shí),以提升傳統(tǒng)ELM模型的泛化能力。并通過對(duì)不同負(fù)載條件下的內(nèi)圈、外圈、滾珠故障進(jìn)行診斷,驗(yàn)證了所提出方法的可行性。

    1 基于改進(jìn)VMD的特征提取方法

    1.1 VMD原理

    VMD分解是一種新興的信號(hào)處理方法[14],分解的關(guān)鍵在于對(duì)變分模型的構(gòu)造與求解。相應(yīng)的變分模型為:

    (1)

    式中:f為輸入信號(hào);t為時(shí)間;δ為狄拉克分布;{uk}={u1,u2,…,uk}代表分解得到的k個(gè)IMF分量;{ωk}={ω1,ω2,…,ωk}為各IMF的頻率中心。

    求解變分模型最優(yōu)解時(shí)需構(gòu)建增廣Lagrange函數(shù),其表達(dá)式為:

    L({uk},{ωk},λ)=

    (2)

    式中:α為二次懲罰因子;λ為拉格朗日因子。

    (3)

    將式(3)變換至頻域求解,并寫成非負(fù)頻率積分的形式,經(jīng)過二次優(yōu)化,最終可得各模態(tài)分量的表達(dá)式為

    (4)

    同理,中心頻率更新的表達(dá)式為

    (5)

    而λ更新的表達(dá)式為

    (6)

    式中τ表示對(duì)噪聲的容許參數(shù)。

    重復(fù)式(4)~式(6),當(dāng)滿足迭代條件時(shí)可以停止更新,得到若干個(gè)IMF分量,否則,繼續(xù)進(jìn)行迭代。迭代停止條件為

    (7)

    1.2 基于改進(jìn)VMD的特征提取

    VMD算法在進(jìn)行信號(hào)分解時(shí),需要人為選擇分解層數(shù)K與懲罰因子α,而K與α的選擇對(duì)分解效果有著極為重要的影響。由于電機(jī)振動(dòng)信號(hào)較為復(fù)雜,K與α兩個(gè)參數(shù)的選擇通常十分困難,因而合適的參數(shù)組合是準(zhǔn)確提取軸承故障特征的關(guān)鍵。本文采用粒子群優(yōu)化算法對(duì)K與α兩個(gè)參數(shù)進(jìn)行以優(yōu)化,以確定最優(yōu)的參數(shù)組合。

    在采用粒子群算法對(duì)VMD算法進(jìn)行優(yōu)化時(shí),需要先確定適應(yīng)度函數(shù),通過對(duì)比粒子適應(yīng)度值進(jìn)行迭代更新。Shannon熵作為一種評(píng)價(jià)信號(hào)稀疏特性的標(biāo)準(zhǔn),其大小反映了概率分布的均勻性[15]。本文將局部極小熵值作為適應(yīng)度值,則粒子群算法優(yōu)化VMD的步驟為:

    1)初始化粒子群算法的各項(xiàng)參數(shù)并確定尋優(yōu)過程中的適應(yīng)度函數(shù);

    2)初始化粒子群,以待優(yōu)化參數(shù)組合[K,α]作為粒子群的位置;并隨機(jī)產(chǎn)生粒子的初始位置與移動(dòng)速度;

    3)在不同的粒子位置下對(duì)信號(hào)進(jìn)行VMD分解,計(jì)算每個(gè)粒子位置相應(yīng)的適應(yīng)度值;

    4)對(duì)比適應(yīng)度值的大小并更新個(gè)體局部極值與種群全局極值;

    5)更新粒子的速度與位置;

    6)循環(huán)迭代,轉(zhuǎn)至步驟(3),直至迭代次數(shù)達(dá)到最大設(shè)定值后輸出最佳適應(yīng)度值及粒子位置。

    軸承信號(hào)經(jīng)過改進(jìn)VMD分解,可以得到若干IMF分量,可將其組成初始的特征矩陣B,即

    B=[IMF1,IMF2,…,IMFk]T。

    (8)

    式中k為分解得到的IMF個(gè)數(shù)。

    當(dāng)異步電機(jī)發(fā)生軸承故障時(shí),各IMF能量發(fā)生變化,可以作為區(qū)分各類故障的依據(jù)。而信號(hào)的能量可表示為信號(hào)奇異值的平方和,兩者關(guān)系如下:

    (9)

    由式(9)可知,要想表達(dá)信號(hào)的能量,需要先求出信號(hào)的奇異值。因此,需要對(duì)特征矩陣B進(jìn)行奇異值分解(singular value decomposition,SVD),得到的奇異值矩陣為

    S=[s1,s2,…,sk]T。

    (10)

    為了增強(qiáng)特征向量的魯棒性,需要對(duì)其進(jìn)行歸一化處理,以奇異值能量譜構(gòu)建故障特征向量,則奇異值能量譜為

    (11)

    根據(jù)奇異能量譜在不同故障間的差異即可實(shí)現(xiàn)軸承故障的特征提取。

    2 基于改進(jìn)ELM的故障辨識(shí)

    為了進(jìn)一步優(yōu)化ELM模型,提升其故障辨識(shí)能力,本文將差分進(jìn)化算法與極限學(xué)習(xí)機(jī)相融合,采用SADE-ELM分類器進(jìn)行故障辨識(shí),以實(shí)現(xiàn)電機(jī)軸承準(zhǔn)確故障診斷。

    2.1 ELM原理

    ELM是針對(duì)單隱含層前饋神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法,由輸入層、隱含層和輸出層組成。對(duì)于N個(gè)不同的訓(xùn)練樣本(xi,ti)其中xi是輸入向量,ti是目標(biāo)向量,則ELM的輸出函數(shù)為

    i=1,2,…,N。

    (12)

    式中:?為激活函數(shù);ωi為輸入層與隱含層間的連接權(quán)值;βi為隱含層與輸出層間的連接權(quán)值;bi為第i個(gè)隱含層神經(jīng)元的閾值;ωi×xi代表著ωi與xi的內(nèi)積。式(12)簡(jiǎn)化可得

    Hβ=T。

    (13)

    式中H為隱含層的輸出矩陣。則ELM的學(xué)習(xí)過程為:

    1)確定隱含層神經(jīng)元個(gè)數(shù),隨機(jī)確定輸入層與隱含層間的連接權(quán)值ωi與隱含層神經(jīng)元的閾值bi。

    2)確定激活函數(shù),確定隱含層的輸出矩陣H。

    3)計(jì)算輸出層權(quán)值β=H+T。其中H+為H的Moore-Penrose廣義逆矩陣。

    2.2 SADE-ELM分類器

    傳統(tǒng)ELM的輸入權(quán)值與隱含層閾值的隨機(jī)性選擇,會(huì)對(duì)其訓(xùn)練效果與診斷精度產(chǎn)生一定的影響。差分進(jìn)化算法在尋優(yōu)方面是一種高效、快速的算法,在解決優(yōu)化問題時(shí),收斂速度較快。然而在差分演化算法中,種群大小、放縮因子、雜交概率三個(gè)參數(shù)對(duì)算法的收斂性和收斂速度有著重要的影響[16],而如何選擇合理的參數(shù)值十分困難。本文采用SADE-ELM分類器實(shí)現(xiàn)對(duì)差分進(jìn)化算法參數(shù)的自適應(yīng)選擇,以提升分類器的分類效果。其訓(xùn)練步驟為:

    1)初始化ELM的隱含層神經(jīng)元個(gè)數(shù)l以及激活函數(shù)?,確定種群的維數(shù)D與迭代次數(shù)g。第一代種群θ為

    (14)

    式中:G代表進(jìn)化代數(shù);k=1,2,…,D。

    2)根據(jù)種群對(duì)網(wǎng)絡(luò)的輸出層權(quán)重與均方根誤差進(jìn)行計(jì)算,其計(jì)算公式為

    (15)

    (16)

    式中m代表分類個(gè)數(shù)。

    并根據(jù)RMSE值來計(jì)算新一代種群,其計(jì)算公式為

    (17)

    式中:uk,G+1代表第G+1代個(gè)體向量;λ為最小容錯(cuò)率。

    3)接著重復(fù)進(jìn)行變異、交叉、選擇操作,當(dāng)達(dá)到所設(shè)定的訓(xùn)練誤差或者達(dá)到最大迭代次數(shù)時(shí),即可得到最優(yōu)的輸入權(quán)值與隱含層閾值。通過對(duì)輸出權(quán)值的計(jì)算,即可得到用于故障辨識(shí)的SADE-ELM分類器。

    本文所研究的故障診斷方法流程如圖1所示,采用改進(jìn)VMD分解與奇異值分解相結(jié)合的信號(hào)處理方法進(jìn)行故障特征提取,并采用SADE-ELM分類器用于故障辨識(shí),訓(xùn)練好的SADE-ELM分類器即可實(shí)現(xiàn)電機(jī)軸承故障診斷。

    圖1 軸承故障診斷框圖Fig.1 Block diagram of bearing fault diagnosis

    3 軸承故障實(shí)驗(yàn)分析

    本文的實(shí)測(cè)數(shù)據(jù)集來源于美國凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心[17]。該軸承數(shù)據(jù)中心采用電機(jī)主軸承型號(hào)為6205-2RS的深溝球軸承,其相關(guān)參數(shù)如表1所示。該數(shù)據(jù)中心通過電火花技術(shù)在軸承上人為引入軸承故障,采用電機(jī)驅(qū)動(dòng)軸承上方的加速度傳感器進(jìn)行加速度信號(hào)采集,進(jìn)而得到軸承數(shù)據(jù)集,其中數(shù)據(jù)的采樣頻率分為12 kHz與48 kHz兩種。

    表1 電機(jī)軸承參數(shù)

    本文選擇采樣頻率為12 kHz、不同負(fù)載條件下、故障尺寸為0.177 8 mm的軸承故障數(shù)據(jù)與軸承正常數(shù)據(jù)作為數(shù)據(jù)集,來驗(yàn)證所提出診斷算法的有效性。

    3.1 基于改進(jìn)VMD分解的特征提取

    本文采用粒子群算法對(duì)VMD參數(shù)進(jìn)行優(yōu)化以尋求最優(yōu)參數(shù)組合。由于軸承故障種類較多,限于篇幅,以空載時(shí)軸承內(nèi)圈故障時(shí)的振動(dòng)信號(hào)為例,振動(dòng)信號(hào)如圖2所示。

    圖2 空載時(shí)軸承內(nèi)圈故障振動(dòng)信號(hào)波形Fig.2 Waveform of vibration signal of inner race fault in the case of no-load

    通過粒子群算法對(duì)VMD參數(shù)進(jìn)行尋優(yōu)時(shí),其局部極小熵值的變化曲線如圖3所示。

    圖3 粒子群優(yōu)化VMD參數(shù)適應(yīng)度值的更新圖Fig.3 Fitness value update of VMD parameters byusingthe swarm optimization method

    由圖3可知,經(jīng)歷5次迭代,得到局部最小包絡(luò)熵值2.142 0。由于故障種類較多,為得到更為精確的分解層數(shù)K與懲罰因子α,本文采用了對(duì)不同故障時(shí)的振動(dòng)信號(hào)進(jìn)行10次尋優(yōu),并求取平均值,最后的得到的最優(yōu)參數(shù)組合(K,α)=(4,162 3)。并利用該參數(shù)對(duì)軸承內(nèi)圈故障信號(hào)進(jìn)行粒子群優(yōu)化VMD分解,得到的IMF分量時(shí)頻域波形如圖4所示。

    圖4 改進(jìn)VMD分解得到的IMF時(shí)頻域波形Fig.4 Time-domain and frequency-domain waveforms of IMFs obtained by the improved VMD

    為驗(yàn)證所提出方法的有效性,根據(jù)中心頻率確定VMD參數(shù)的方法,對(duì)軸承內(nèi)圈故障信號(hào)進(jìn)行傳統(tǒng)VMD分解,得到IMF分量的時(shí)頻域波形如圖5所示。

    圖5 VMD分解得到的IMF時(shí)頻域波形Fig.5 Time-domain and frequency-domain waveforms of IMFs obtained by the VMD

    正交性指數(shù)(index of orthogonality,IO)與能量保存度(index of energy conservation,IEC)是衡量VMD分解效果的重要參數(shù)[18],其計(jì)算公式如下:

    (18)

    (19)

    式中:ci(t)代表分解得到的各IMF;x(t)為原始信號(hào);rn(t)為趨勢(shì)項(xiàng)。

    IO代表分解得到的各IMF的整體正交性,并且,IO值越小表示各IMF分量的正交性越好,分解精度越高。IEC則表征了信號(hào)在分解前后能量的對(duì)比度,在信號(hào)分解中,IEC值越接近1,說明分解過程中能量泄漏越少,分解效果越好。VMD分解與改進(jìn)VMD算法的IO、IEC值如表2所示。

    表2 VMD與改進(jìn)VMD效果比對(duì)表

    由表2可知,改進(jìn)VMD分解的IO值更小,IEC值更接近1,表明改進(jìn)VMD分解得到的各IMF分量整體正交性更好,且分解過程中能量泄漏更少,即改進(jìn)VMD分解的特征提取效果更好。

    在利用改進(jìn)VMD分解對(duì)軸承故障進(jìn)行分解后,需要根據(jù)分解得到的IMF分量構(gòu)建特征矩陣B,并對(duì)矩陣B進(jìn)行奇異值分解,進(jìn)而計(jì)算出各類故障的奇異能量譜,根據(jù)奇異能量譜在不同故障之間的差異可以建立各類故障的特征向量。

    3.2 基于SADE-ELM分類器的故障診斷

    本實(shí)驗(yàn)一共提取了600組數(shù)據(jù),隨機(jī)選取500組數(shù)據(jù)用作訓(xùn)練集,余下數(shù)據(jù)作為測(cè)試集。在對(duì)SADE-ELM分類器進(jìn)行訓(xùn)練前需要對(duì)種群進(jìn)行初始化。設(shè)置種群數(shù)D=100,雜交概率CR=0.6,縮放因子F=0.5,最大迭代次數(shù)G=100[19]。在選擇不同的隱含層神經(jīng)元個(gè)數(shù),SADE-ELM分類器的訓(xùn)練效果也是不同的。模型的訓(xùn)練精度與隱含層神經(jīng)元個(gè)數(shù)的關(guān)系如圖6所示。

    由圖6可知,隨著隱含層神經(jīng)元個(gè)數(shù)的增加,SADE-ELM分類器誤差降低、訓(xùn)練精度得到提升,但是也會(huì)使網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜化。當(dāng)隱含層個(gè)數(shù)為17時(shí),網(wǎng)絡(luò)的訓(xùn)練精度趨于平穩(wěn),繼續(xù)增加隱含層神經(jīng)元個(gè)數(shù)時(shí),網(wǎng)絡(luò)的訓(xùn)練精度不會(huì)明顯提升,還會(huì)導(dǎo)致模型過于復(fù)雜,故本文選擇隱含層神經(jīng)元個(gè)數(shù)為17。

    圖6 隱含層神經(jīng)元個(gè)數(shù)與分類器訓(xùn)練精度關(guān)系圖Fig.6 Relationship between the number of neurons in hidden layer and training accuracy of classifier

    圖7 SADE-ELM分類器分類效果圖Fig.7 Test result of the SADE-ELM classifier

    在確定好隱含層神經(jīng)元個(gè)數(shù)時(shí),利用測(cè)試集數(shù)據(jù)對(duì)SADE-ELM分類器效果進(jìn)行驗(yàn)證,驗(yàn)證結(jié)果如圖7所示,為對(duì)比SADE-ELM分類器的效果,利用該測(cè)試集分別對(duì)ELM分類器、DE-ELM分類器進(jìn)行測(cè)試,驗(yàn)證結(jié)果分別如圖8、圖9所示。

    圖8 ELM分類器分類效果圖Fig.8 Test result of the ELM classifier

    由圖7~圖9可知,針對(duì)于本文測(cè)試集,ELM分類器、DE-ELM分類器與SADE-ELM分類器的測(cè)試精度分別為96%、98%、99%。為進(jìn)一步驗(yàn)證本文所提出的SADE-ELM分類器的分類效果,將相應(yīng)的數(shù)據(jù)集進(jìn)行10次分類測(cè)試,并計(jì)算平均值,得到的測(cè)試結(jié)果如表3所示。

    圖9 DE-ELM分類器分類效果圖Fig.9 Test result of the DE-ELM classifier

    由表3可知,本文采用的SADE-ELM分類器,相對(duì)于傳統(tǒng)的ELM分類器,采用自適應(yīng)差分進(jìn)化算法對(duì)ELM的輸入權(quán)重與隱含層神經(jīng)元閾值進(jìn)行優(yōu)化,使得在訓(xùn)練過程中均采用最優(yōu)網(wǎng)絡(luò)參數(shù)。由實(shí)驗(yàn)結(jié)果可知,本文所采用的SADE-ELM分類器由于在訓(xùn)練過程中進(jìn)一步對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行尋優(yōu),網(wǎng)絡(luò)的收斂時(shí)間相比于ELM分類器、DE-ELM分類器變長(zhǎng),但在訓(xùn)練集精度與測(cè)試集精度上都得到了提升,進(jìn)而說明SADE-ELM分類器有著更好的分類能力,診斷精度也得到進(jìn)一步提升。為驗(yàn)證本文所提出方法的診斷性能,將本文所研究的方法與基于EMD、VMD進(jìn)行故障特征提取的診斷方法進(jìn)行比對(duì),其結(jié)果如表4所示。

    表3 不同分類器測(cè)試結(jié)果

    由表4可知,與基于VMD、EMD算法進(jìn)行故障特征提取的故障診斷算法相比,本文所提出的軸承故障診斷算法具有更高的診斷精度,驗(yàn)證了本文所采用的特征提取方法具有更好的特征提取能力。

    表4 不同診斷方法測(cè)試結(jié)果

    4 結(jié) 論

    為解決基于振動(dòng)信號(hào)的異步電機(jī)軸承故障診斷存在的振動(dòng)信號(hào)噪聲復(fù)雜,故障特征提取困難,診斷精度難以提升的問題,本文研究了一種基于奇異值能量譜與改進(jìn)ELM的軸承故障診斷新方法并得出如下結(jié)論:

    1)所研究的方法能夠自適應(yīng)選擇VMD算法的分解層數(shù)與懲罰因子,使得VMD分解效果更優(yōu);并將奇異值分解加入故障征提取過程,提高了故障特征提取能力;

    2)將自適應(yīng)差分優(yōu)化算法融入ELM模型之中,優(yōu)化了傳統(tǒng)ELM模型的隱含層神經(jīng)元閾值與輸入權(quán)重,提升了ELM模型的泛化能力;

    3)雖然所研究方法采用的分類器模型收斂速度較慢,但是分類器的訓(xùn)練精度與診斷精度均得到提升。

    猜你喜歡
    特征提取分類器故障診斷
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    BP-GA光照分類器在車道線識(shí)別中的應(yīng)用
    Bagging RCSP腦電特征提取算法
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器
    因果圖定性分析法及其在故障診斷中的應(yīng)用
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    基于LLE降維和BP_Adaboost分類器的GIS局部放電模式識(shí)別
    基于LCD和排列熵的滾動(dòng)軸承故障診斷
    基于WPD-HHT的滾動(dòng)軸承故障診斷
    国产亚洲精品综合一区在线观看 | www.www免费av| 女警被强在线播放| 超碰成人久久| 日韩av在线大香蕉| 成人高潮视频无遮挡免费网站| 1024香蕉在线观看| 日本一本二区三区精品| 一二三四社区在线视频社区8| 免费观看精品视频网站| 国产黄色小视频在线观看| 国产黄片美女视频| 高清毛片免费观看视频网站| videosex国产| 亚洲成人中文字幕在线播放| 亚洲色图av天堂| 精品日产1卡2卡| 啪啪无遮挡十八禁网站| 深夜精品福利| 天天躁夜夜躁狠狠躁躁| 亚洲国产欧美网| 亚洲第一欧美日韩一区二区三区| 中国美女看黄片| 国产精品九九99| 草草在线视频免费看| 此物有八面人人有两片| 777久久人妻少妇嫩草av网站| 欧美高清成人免费视频www| 国产v大片淫在线免费观看| 日韩大码丰满熟妇| 亚洲精品美女久久av网站| 美女午夜性视频免费| 999久久久精品免费观看国产| 成人精品一区二区免费| 亚洲一区高清亚洲精品| 给我免费播放毛片高清在线观看| 久久久久久久精品吃奶| 久久中文字幕人妻熟女| 久久香蕉国产精品| 国产精品久久久人人做人人爽| 精品国产亚洲在线| 中文资源天堂在线| 一卡2卡三卡四卡精品乱码亚洲| 亚洲人成电影免费在线| 国产精品 国内视频| 久久香蕉国产精品| 久久香蕉国产精品| 亚洲精品粉嫩美女一区| 亚洲成人精品中文字幕电影| 精品少妇一区二区三区视频日本电影| 50天的宝宝边吃奶边哭怎么回事| 亚洲人成电影免费在线| 老鸭窝网址在线观看| 黄色视频不卡| а√天堂www在线а√下载| 亚洲性夜色夜夜综合| 久久中文字幕一级| 日韩av在线大香蕉| 日本黄大片高清| 白带黄色成豆腐渣| 九色国产91popny在线| 久久久久久亚洲精品国产蜜桃av| 久久亚洲真实| 变态另类丝袜制服| 免费人成视频x8x8入口观看| 亚洲,欧美精品.| 一边摸一边抽搐一进一小说| 免费看十八禁软件| 久久久久久久久免费视频了| 国产三级黄色录像| 老汉色∧v一级毛片| 久久久精品大字幕| 亚洲欧美日韩高清专用| 日韩av在线大香蕉| 午夜免费激情av| 亚洲黑人精品在线| av视频在线观看入口| 色播亚洲综合网| 国产亚洲精品av在线| 一本精品99久久精品77| 叶爱在线成人免费视频播放| 欧美在线黄色| 亚洲精品在线美女| 亚洲国产精品合色在线| 免费看美女性在线毛片视频| 国产一级毛片七仙女欲春2| 日本一区二区免费在线视频| 精华霜和精华液先用哪个| 级片在线观看| 久9热在线精品视频| 亚洲av第一区精品v没综合| 曰老女人黄片| 后天国语完整版免费观看| 久久精品国产亚洲av香蕉五月| 中文字幕久久专区| 黄片小视频在线播放| 搞女人的毛片| 亚洲人成伊人成综合网2020| 久久精品国产亚洲av香蕉五月| 欧美日韩瑟瑟在线播放| 精品一区二区三区四区五区乱码| 琪琪午夜伦伦电影理论片6080| 在线观看www视频免费| 亚洲在线自拍视频| 黄色视频,在线免费观看| 一二三四在线观看免费中文在| a在线观看视频网站| 欧美又色又爽又黄视频| www.熟女人妻精品国产| 久久这里只有精品中国| 国产激情偷乱视频一区二区| 麻豆国产97在线/欧美 | 欧美日韩瑟瑟在线播放| 成人av在线播放网站| 搡老岳熟女国产| 国产精品电影一区二区三区| 久久午夜亚洲精品久久| 香蕉av资源在线| 国产精品1区2区在线观看.| 国产成人精品无人区| 色老头精品视频在线观看| 国产真实乱freesex| 久久国产乱子伦精品免费另类| 国产熟女午夜一区二区三区| 亚洲电影在线观看av| 欧美成人性av电影在线观看| 亚洲av成人一区二区三| 欧美日韩中文字幕国产精品一区二区三区| 两个人看的免费小视频| 欧美午夜高清在线| 久久人妻av系列| 美女午夜性视频免费| 欧美一级a爱片免费观看看 | 国产91精品成人一区二区三区| 久久草成人影院| 亚洲自拍偷在线| 热99re8久久精品国产| 老汉色∧v一级毛片| 别揉我奶头~嗯~啊~动态视频| 成人av一区二区三区在线看| 青草久久国产| 欧美日韩黄片免| 国产免费男女视频| 日韩 欧美 亚洲 中文字幕| 狂野欧美激情性xxxx| 国产一区二区在线av高清观看| 国内揄拍国产精品人妻在线| 最好的美女福利视频网| 不卡一级毛片| 熟妇人妻久久中文字幕3abv| 欧美久久黑人一区二区| www国产在线视频色| 久久香蕉激情| 99久久无色码亚洲精品果冻| av有码第一页| 男女下面进入的视频免费午夜| 亚洲 国产 在线| 亚洲精品一卡2卡三卡4卡5卡| 精品高清国产在线一区| 精品久久久久久久久久久久久| 桃色一区二区三区在线观看| 亚洲精品一区av在线观看| 亚洲中文字幕日韩| 手机成人av网站| 国产成人精品久久二区二区免费| 亚洲av成人精品一区久久| 精品午夜福利视频在线观看一区| 18禁黄网站禁片午夜丰满| 成人手机av| 国产亚洲精品久久久久5区| 色综合站精品国产| 99热只有精品国产| av在线播放免费不卡| 999精品在线视频| 国产精品1区2区在线观看.| 两性午夜刺激爽爽歪歪视频在线观看 | svipshipincom国产片| 夜夜夜夜夜久久久久| 中亚洲国语对白在线视频| 嫩草影院精品99| 国产三级黄色录像| 国产精品爽爽va在线观看网站| 在线观看午夜福利视频| 极品教师在线免费播放| 天堂√8在线中文| 免费在线观看完整版高清| 国产精品香港三级国产av潘金莲| 亚洲av成人不卡在线观看播放网| 免费在线观看影片大全网站| 夜夜看夜夜爽夜夜摸| 精品少妇一区二区三区视频日本电影| 精品福利观看| 国产伦在线观看视频一区| 国产片内射在线| 成人18禁在线播放| 法律面前人人平等表现在哪些方面| 90打野战视频偷拍视频| 精华霜和精华液先用哪个| 色在线成人网| 日本五十路高清| 亚洲精品在线观看二区| www.自偷自拍.com| 午夜两性在线视频| 激情在线观看视频在线高清| 欧美乱色亚洲激情| 好看av亚洲va欧美ⅴa在| 人人妻人人看人人澡| 脱女人内裤的视频| 夜夜躁狠狠躁天天躁| 啦啦啦观看免费观看视频高清| 国产精品 欧美亚洲| 亚洲第一电影网av| 中文在线观看免费www的网站 | 免费看美女性在线毛片视频| 国产一区二区激情短视频| 亚洲熟妇熟女久久| 亚洲精品美女久久久久99蜜臀| 99热只有精品国产| 夜夜爽天天搞| 色av中文字幕| 在线十欧美十亚洲十日本专区| 嫩草影视91久久| 1024香蕉在线观看| 岛国在线免费视频观看| 国内精品久久久久久久电影| 窝窝影院91人妻| 国产精品久久久久久久电影 | 成人18禁在线播放| 两性午夜刺激爽爽歪歪视频在线观看 | 哪里可以看免费的av片| 一边摸一边抽搐一进一小说| aaaaa片日本免费| 国产99久久九九免费精品| 亚洲熟女毛片儿| 午夜福利在线在线| 久久精品影院6| 高清毛片免费观看视频网站| 国内久久婷婷六月综合欲色啪| 18禁国产床啪视频网站| 不卡av一区二区三区| 日本黄大片高清| 久久精品aⅴ一区二区三区四区| 岛国在线免费视频观看| 一进一出抽搐动态| 男女那种视频在线观看| 一级黄色大片毛片| 国产三级在线视频| 免费高清视频大片| 一边摸一边抽搐一进一小说| 亚洲av电影不卡..在线观看| 一本综合久久免费| 亚洲全国av大片| 精品国产美女av久久久久小说| 国内毛片毛片毛片毛片毛片| 欧美日韩福利视频一区二区| 亚洲精品av麻豆狂野| 国产99白浆流出| 国产av一区二区精品久久| 叶爱在线成人免费视频播放| 在线看三级毛片| 国产精品野战在线观看| 日韩欧美 国产精品| 久久久久久久久久黄片| 一边摸一边抽搐一进一小说| www.精华液| 国产成+人综合+亚洲专区| 免费在线观看影片大全网站| 一进一出好大好爽视频| 一个人免费在线观看电影 | 听说在线观看完整版免费高清| 免费在线观看亚洲国产| 窝窝影院91人妻| 久久婷婷成人综合色麻豆| 久久精品国产清高在天天线| 亚洲五月天丁香| 99久久精品国产亚洲精品| 99精品在免费线老司机午夜| 精品国产超薄肉色丝袜足j| 2021天堂中文幕一二区在线观| 香蕉av资源在线| 99国产精品一区二区蜜桃av| 国产区一区二久久| 日韩欧美在线乱码| 又粗又爽又猛毛片免费看| 久久久水蜜桃国产精品网| 麻豆av在线久日| 国产av一区在线观看免费| 99热6这里只有精品| 亚洲国产欧美一区二区综合| 老司机福利观看| 国产乱人伦免费视频| 男女做爰动态图高潮gif福利片| 性色av乱码一区二区三区2| 国产v大片淫在线免费观看| 一本综合久久免费| 亚洲成人精品中文字幕电影| 51午夜福利影视在线观看| 99久久精品国产亚洲精品| 99久久99久久久精品蜜桃| 国产av在哪里看| 亚洲中文av在线| 日韩有码中文字幕| 精品国内亚洲2022精品成人| 国产99白浆流出| 波多野结衣高清作品| 久久香蕉激情| 麻豆一二三区av精品| 天天躁夜夜躁狠狠躁躁| 亚洲熟妇中文字幕五十中出| 午夜福利视频1000在线观看| 欧美大码av| 午夜两性在线视频| 美女高潮喷水抽搐中文字幕| 精品欧美国产一区二区三| 久久久精品大字幕| 999久久久国产精品视频| 19禁男女啪啪无遮挡网站| 99精品久久久久人妻精品| 精品久久久久久久久久久久久| 手机成人av网站| 久久精品aⅴ一区二区三区四区| 最近最新免费中文字幕在线| 精品久久久久久成人av| 超碰成人久久| 欧美在线黄色| 最近最新中文字幕大全免费视频| 男人的好看免费观看在线视频 | 九色成人免费人妻av| 亚洲七黄色美女视频| 亚洲五月婷婷丁香| 嫩草影院精品99| 91av网站免费观看| 深夜精品福利| 亚洲九九香蕉| 制服诱惑二区| 高清毛片免费观看视频网站| av视频在线观看入口| xxxwww97欧美| 精品一区二区三区四区五区乱码| 正在播放国产对白刺激| 窝窝影院91人妻| 国产乱人伦免费视频| 婷婷精品国产亚洲av在线| 男女下面进入的视频免费午夜| 久久久水蜜桃国产精品网| 一级片免费观看大全| 免费在线观看黄色视频的| 热99re8久久精品国产| 特大巨黑吊av在线直播| 日本三级黄在线观看| 两个人看的免费小视频| 又黄又粗又硬又大视频| 欧美三级亚洲精品| 久久国产乱子伦精品免费另类| 草草在线视频免费看| 久久久久久大精品| 久久精品国产亚洲av香蕉五月| 老熟妇仑乱视频hdxx| 午夜福利18| 妹子高潮喷水视频| 欧美成人午夜精品| 午夜福利在线在线| 国产高清激情床上av| 制服丝袜大香蕉在线| 久久久久九九精品影院| 在线看三级毛片| 色尼玛亚洲综合影院| 欧美最黄视频在线播放免费| 天天一区二区日本电影三级| 亚洲全国av大片| 最好的美女福利视频网| 亚洲男人天堂网一区| 69av精品久久久久久| 国产精品久久电影中文字幕| 真人做人爱边吃奶动态| 女同久久另类99精品国产91| 少妇被粗大的猛进出69影院| 男女视频在线观看网站免费 | 日本在线视频免费播放| 观看免费一级毛片| 欧美日韩国产亚洲二区| 亚洲中文字幕一区二区三区有码在线看 | 少妇人妻一区二区三区视频| 国产精品久久久久久精品电影| 成年人黄色毛片网站| 在线看三级毛片| 看免费av毛片| 日韩国内少妇激情av| 999精品在线视频| 欧美av亚洲av综合av国产av| 91麻豆精品激情在线观看国产| 一二三四社区在线视频社区8| 一个人免费在线观看电影 | 国产熟女xx| 中文亚洲av片在线观看爽| 久久久久亚洲av毛片大全| av在线播放免费不卡| 久久久精品欧美日韩精品| 国产欧美日韩一区二区精品| 精品久久蜜臀av无| 精品久久久久久成人av| 国产熟女xx| 悠悠久久av| 国产av一区二区精品久久| 亚洲人成77777在线视频| 欧美zozozo另类| 麻豆国产av国片精品| 国产成人啪精品午夜网站| 欧美乱码精品一区二区三区| 999久久久精品免费观看国产| av天堂在线播放| 日韩欧美三级三区| 亚洲无线在线观看| 最近在线观看免费完整版| 国产成人啪精品午夜网站| 看免费av毛片| 香蕉久久夜色| 欧美激情久久久久久爽电影| 又黄又爽又免费观看的视频| 人妻夜夜爽99麻豆av| 亚洲片人在线观看| 国产精品日韩av在线免费观看| 丝袜人妻中文字幕| 欧美黄色淫秽网站| 欧美一级a爱片免费观看看 | 日韩精品中文字幕看吧| 神马国产精品三级电影在线观看 | 床上黄色一级片| 大型av网站在线播放| 99在线视频只有这里精品首页| 丰满人妻熟妇乱又伦精品不卡| 久久精品国产综合久久久| 国内少妇人妻偷人精品xxx网站 | 欧美 亚洲 国产 日韩一| avwww免费| 欧美在线一区亚洲| www国产在线视频色| 日韩大尺度精品在线看网址| 久久久久久九九精品二区国产 | 久久久久国内视频| 两人在一起打扑克的视频| 怎么达到女性高潮| 精品不卡国产一区二区三区| 亚洲国产看品久久| 国产精品精品国产色婷婷| 首页视频小说图片口味搜索| 久久热在线av| 麻豆国产97在线/欧美 | www日本黄色视频网| 色综合站精品国产| www.www免费av| 亚洲免费av在线视频| 一二三四在线观看免费中文在| 免费看a级黄色片| 十八禁网站免费在线| 99riav亚洲国产免费| av福利片在线| 欧美极品一区二区三区四区| 国产精品野战在线观看| 国产精品99久久99久久久不卡| 日韩 欧美 亚洲 中文字幕| 黄色视频,在线免费观看| 亚洲人成伊人成综合网2020| 99热6这里只有精品| 精品一区二区三区av网在线观看| 欧美激情久久久久久爽电影| 最好的美女福利视频网| 亚洲精品国产精品久久久不卡| 午夜亚洲福利在线播放| 日本一区二区免费在线视频| 精品一区二区三区av网在线观看| 亚洲色图av天堂| 日韩欧美国产一区二区入口| 午夜免费观看网址| 色精品久久人妻99蜜桃| 婷婷丁香在线五月| 超碰成人久久| 国产欧美日韩精品亚洲av| 国产亚洲av嫩草精品影院| av福利片在线| 免费在线观看亚洲国产| 免费在线观看成人毛片| 日本在线视频免费播放| 精品第一国产精品| 亚洲午夜理论影院| 免费在线观看视频国产中文字幕亚洲| 99久久久亚洲精品蜜臀av| 免费看a级黄色片| 国产精品一区二区免费欧美| 人妻久久中文字幕网| 99热这里只有是精品50| 怎么达到女性高潮| 国产黄片美女视频| 国产精品亚洲一级av第二区| 天天躁夜夜躁狠狠躁躁| 久久这里只有精品中国| 亚洲国产欧洲综合997久久,| 久久久精品欧美日韩精品| 夜夜爽天天搞| 欧美人与性动交α欧美精品济南到| 熟女少妇亚洲综合色aaa.| 欧美乱码精品一区二区三区| 男人舔奶头视频| 少妇被粗大的猛进出69影院| 2021天堂中文幕一二区在线观| 叶爱在线成人免费视频播放| 91麻豆av在线| 黄色成人免费大全| 黄色视频不卡| 免费在线观看亚洲国产| 欧美激情久久久久久爽电影| 亚洲乱码一区二区免费版| 一边摸一边抽搐一进一小说| 日韩大尺度精品在线看网址| 免费在线观看影片大全网站| 亚洲熟妇中文字幕五十中出| 国产久久久一区二区三区| 亚洲一区中文字幕在线| or卡值多少钱| 日韩有码中文字幕| 国产亚洲精品一区二区www| 日本五十路高清| 两性夫妻黄色片| 精品久久久久久久人妻蜜臀av| 2021天堂中文幕一二区在线观| 69av精品久久久久久| 波多野结衣巨乳人妻| 亚洲精品一区av在线观看| 中文字幕人妻丝袜一区二区| 久久草成人影院| 亚洲专区中文字幕在线| 搡老妇女老女人老熟妇| 国产精品永久免费网站| 搡老岳熟女国产| 在线观看免费日韩欧美大片| 99久久99久久久精品蜜桃| 亚洲熟妇中文字幕五十中出| 最近在线观看免费完整版| 久久久久免费精品人妻一区二区| 国产av一区二区精品久久| 亚洲欧美日韩高清专用| 国产精品电影一区二区三区| 亚洲国产精品sss在线观看| 国产麻豆成人av免费视频| 亚洲国产精品合色在线| 免费在线观看完整版高清| 国产久久久一区二区三区| 亚洲成人久久性| 最近视频中文字幕2019在线8| 最近在线观看免费完整版| 黑人巨大精品欧美一区二区mp4| 五月玫瑰六月丁香| 欧美黄色淫秽网站| 国产精品1区2区在线观看.| 在线永久观看黄色视频| 久久精品成人免费网站| 欧美极品一区二区三区四区| 脱女人内裤的视频| 少妇粗大呻吟视频| 国产精品精品国产色婷婷| 人妻久久中文字幕网| 亚洲专区国产一区二区| 国产三级黄色录像| 人妻丰满熟妇av一区二区三区| 久久久精品国产亚洲av高清涩受| 国语自产精品视频在线第100页| 亚洲av成人av| 亚洲免费av在线视频| 97碰自拍视频| 51午夜福利影视在线观看| 欧美日本视频| 国产三级在线视频| 亚洲五月天丁香| 欧美高清成人免费视频www| 露出奶头的视频| 亚洲 欧美一区二区三区| 亚洲乱码一区二区免费版| 俺也久久电影网| 99国产精品99久久久久| 久久精品国产亚洲av香蕉五月| 天堂影院成人在线观看| 亚洲专区中文字幕在线| 一级作爱视频免费观看| 国产精品国产高清国产av| 19禁男女啪啪无遮挡网站| 伦理电影免费视频| 亚洲,欧美精品.| 日韩欧美在线二视频| 精品国产亚洲在线| 成年人黄色毛片网站| 欧美不卡视频在线免费观看 | 国产亚洲精品第一综合不卡| 国产区一区二久久| 免费在线观看影片大全网站| 69av精品久久久久久| 欧美精品亚洲一区二区| 久久精品综合一区二区三区| 最近最新中文字幕大全电影3| 美女大奶头视频| 日韩有码中文字幕| 欧美三级亚洲精品| 国产熟女午夜一区二区三区| 欧美精品啪啪一区二区三区| 欧美性猛交黑人性爽| 人人妻人人看人人澡| 88av欧美| 亚洲男人的天堂狠狠| 色综合亚洲欧美另类图片| 狂野欧美激情性xxxx| 久久久久久九九精品二区国产 | 看片在线看免费视频| 精品国产美女av久久久久小说| 亚洲欧美激情综合另类| 日本黄大片高清| 最近最新中文字幕大全免费视频|