• <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LSTM+FP-Growth算法的印刷設(shè)備故障預警及診斷

    2021-10-15 12:40:46江朋陸遠胡瑩
    南昌大學學報(工科版) 2021年3期
    關(guān)鍵詞:項集知識庫故障診斷

    江朋,陸遠,胡瑩

    (南昌大學機電工程學院,江西 南昌 330031)

    隨著科學技術(shù)的發(fā)展,印刷設(shè)備的工作要求不斷提高,其結(jié)構(gòu)也趨于復雜化和精細化。在印刷設(shè)備運行過程中對連續(xù)運行要求高,且其檢修、維護較為困難。因此,如何實現(xiàn)對設(shè)備故障的及時診斷和提前預警成為了印刷企業(yè)最重視的問題。

    傳統(tǒng)的故障診斷技術(shù)多采用單一參數(shù)指標,通過對其特征提取來完成設(shè)備的故障預警,而現(xiàn)代機械設(shè)備由于其復雜性和精密性,運行過程中有著多個關(guān)鍵參數(shù),且常常伴隨著多個故障同時出現(xiàn)的情況。因此傳統(tǒng)故障診斷技術(shù)已遠遠不能滿足企業(yè)的實際需求,采用多參數(shù)融合技術(shù)[1]進行設(shè)備的故障預警逐步成為研究的熱點。近幾年,國內(nèi)外不少學者致力于多參數(shù)融合預警技術(shù)的研究,并取得了很大的成效。對于復雜旋轉(zhuǎn)機械的故障診斷問題,王炳成等[2]提出了一種基于多參數(shù)融合的非線性度來解決,通過運用相空間重構(gòu)理論和信號特征整合的方法,對多個非線性故障信號進行時間序列重構(gòu)及特征參數(shù)融合,實現(xiàn)對不同故障信息的準確識別。馮玉芳等[3]通過將BP神經(jīng)網(wǎng)絡(luò)模型和改進量子蜂群算法相結(jié)合來處理多信號參數(shù)的輸入,完成對旋轉(zhuǎn)機械的故障診斷及預測。Cai等[4]則提出了一種基于面向?qū)ο蟮呢惾~斯網(wǎng)絡(luò)(OOBNs)的復雜系統(tǒng)的實時故障診斷模型,通過多源信息融合技術(shù)來解決故障診斷中的不確定性。Jiang等[5]采用離散熵的多序列聚合方法,結(jié)合LSTM神經(jīng)網(wǎng)絡(luò),對高維度的多個數(shù)據(jù)集進行分解、聚合等處理,最大程度保留了多尺度參數(shù)的有效信息,實現(xiàn)對航空發(fā)動機健康狀態(tài)的預測。

    本文提出了一種新型的集成故障預警模型——基于長短期記憶網(wǎng)絡(luò)和FP-Growth算法相結(jié)合的故障預警方法。該方法針對印刷設(shè)備的特點,采用FP-Growth算法對歷史運行數(shù)據(jù)進行特征提取,并結(jié)合設(shè)備故障檢修記錄對故障進行分類匹配,構(gòu)建設(shè)備故障診斷專家知識庫,完成對設(shè)備運行現(xiàn)場數(shù)據(jù)的故障診斷。核心部分還引入LSTM網(wǎng)絡(luò)處理運行參數(shù)的復雜關(guān)系和時空特征,將多個相關(guān)參數(shù)統(tǒng)一考慮,實現(xiàn)對設(shè)備運行狀態(tài)的有效預測,完成設(shè)備的故障預警。最后,通過相關(guān)仿真測試驗證了模型的可行性。

    1 LSTM網(wǎng)絡(luò)與FP-Growth算法原理

    1.1 長短期記憶(LSTM)網(wǎng)絡(luò)

    1997年,Hochreiter等聯(lián)合發(fā)表了與長短期記憶[6](long short-term memory,LSTM)相關(guān)的論文,自此,長短期記憶網(wǎng)絡(luò)開始逐步進入人們的視野。

    長短期記憶網(wǎng)絡(luò)是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)。RNN結(jié)構(gòu)如圖1(其中w、u、v為各類權(quán)重,X表示輸入,O表示輸出,S表示隱層處理狀態(tài))。

    圖1 RNN模型展開圖

    但當時間序列間隔和延遲較長時,RNN會出現(xiàn)梯度爆炸及梯度消失現(xiàn)象,這嚴重影響了數(shù)據(jù)預測的準確性。因此,引入其改進模型LSTM,來處理和預測長時依賴問題。LSTM模塊結(jié)構(gòu)如圖2所示。

    圖2 LSTM模塊結(jié)構(gòu)圖

    設(shè)定Wf、Wi、Wo、Wc以及bf、bi、bo、bc分別為3個門和單元狀態(tài)輸入的權(quán)重矩陣及偏差項,W為輸出層和隱藏層間的權(quán)重,b為輸出層的偏差項。

    首先計算3個門的值和單元輸入狀態(tài)的值。遺忘門和輸入門用于更新單元內(nèi)部狀態(tài):

    ft=σ(Wf·[ht-1,xt]+bf)

    (1)

    it=σ(Wi·[ht-1,xt]+bi)

    (2)

    輸出門控制當前單元狀態(tài),決定輸出的內(nèi)容:

    Ot=σ(Wo·[ht-1,xt]+bo)

    (3)

    單元狀態(tài)輸入則通過tanh層生成新的候選值添加到單元狀態(tài)中去:

    (4)

    通過遺忘門與前單元狀態(tài)輸入丟棄不必要的信息,輸入門和單元狀態(tài)輸入保留新輸入的有效信息,得到單元的輸出狀態(tài)為:

    (5)

    然后,利用輸出門和單元的輸出狀態(tài)決定處理模塊的輸出:

    ht=Ot·tanh(Ct)

    (6)

    通過上述LSTM模塊計算所得的ht值,預測網(wǎng)絡(luò)的輸出:

    xt+1=W·ht+b

    (7)

    本文主要借助LSTM模塊的神經(jīng)網(wǎng)絡(luò)訓練模型,從一組與時間序列相關(guān)的數(shù)據(jù)中提取出數(shù)據(jù)未來的特征變化,完成對各個參數(shù)的有效預測。

    1.2 FP-Growth算法

    常用的挖掘頻繁項集的算法主要是Apriori算法,其缺陷在于原始數(shù)據(jù)量過大時,頻繁項集的發(fā)現(xiàn)速率相對低下。為改善其不足,提出FP-Growth算法,通過對原始數(shù)據(jù)集進行兩次掃描完成對頻繁項集的搜索,提高了對數(shù)據(jù)的處理效率。

    FP表示的是一種頻繁模式,其算法步驟如下:

    1) 掃描原始數(shù)據(jù)集,獲取數(shù)據(jù)集中每個元素出現(xiàn)的頻率;

    2) 進行支持度過濾操作,刪去其中不符合最小支持度的元素項;

    3) 掃描保留的頻繁元素項,并按照元素項的關(guān)鍵字進行降序排序,構(gòu)建FP-Tree;

    4) 從構(gòu)建完成的FP-Tree中抽取頻繁項集。

    FP-Tree的構(gòu)建中使用到最小支持度,其描述如下。

    設(shè)

    Z={z1,z2,z3,z4,…,zk}

    (8)

    是由k個不同的數(shù)據(jù)項目組成的集合,其中:每個元素稱為項,項的集合稱為項集。給定一個事務數(shù)據(jù)庫:

    B={T1,T2,T3,T4,…,Tm}

    (9)

    式中:每一個事務T都是項集Z的一個子集,|B|為B中的總事務數(shù),X、Y都是T中的項或項集,且X和Y滿足X∩Y=φ。若事務T同時包含X和Y,設(shè)S為滿足條件的事務T在事務數(shù)據(jù)庫B中的所占的比例,即支持度,則

    (10)

    設(shè)C為B中所包含的事務X中又包含事務Y的比例,即信賴度,則

    (11)

    最小支持度和最小信賴度分別用支持度閾值Smin和信賴度閾值Cmin表示。

    該算法雖能更高效地發(fā)現(xiàn)頻繁項集,但不能直接用于發(fā)現(xiàn)關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則的挖掘還需要利用該算法得出的頻繁項集來產(chǎn)生,其流程如下:

    1) 對事務數(shù)據(jù)庫中的數(shù)據(jù)進行預處理;

    2) 初步設(shè)定事務數(shù)據(jù)庫的支持度閾值和信賴度閾值;

    3) 采用FP-Growth算法構(gòu)建FP-Tree,搜索頻繁項集;

    4) 根據(jù)事務庫中數(shù)據(jù)的實際情況調(diào)整支持度閾值和信賴度閾值,修剪非頻繁項集;

    5) 利用滿足支持度閾值和信賴度閾值的頻繁項集抽取關(guān)聯(lián)規(guī)則。

    同時滿足支持度閾值和信賴度閾值條件的頻繁項集所產(chǎn)生的規(guī)則稱為強關(guān)聯(lián)規(guī)則,即為數(shù)據(jù)挖掘的目標。規(guī)則的抽取就是選取符合條件的頻繁項集按照與預處理步驟相逆的過程所生成的關(guān)聯(lián)規(guī)則。本文目的就是通過關(guān)聯(lián)規(guī)則挖掘算法將各參數(shù)的異常變化與設(shè)備故障類型間的關(guān)聯(lián)規(guī)則進行發(fā)掘,利用各參數(shù)的預測值對設(shè)備的狀態(tài)進行預測。

    2 故障診斷及預警模型設(shè)計

    2.1 模型框架

    印刷凹印設(shè)備常常由于其主傳動軸不對中、不平衡,潤滑及傳動系統(tǒng)故障產(chǎn)生各類事故。因此,本文提出的基于LSTM網(wǎng)絡(luò)和FP-Growth算法相結(jié)合的印刷設(shè)備故障診斷及預警模型用于設(shè)備狀態(tài)預測,其系統(tǒng)架構(gòu)如圖3所示,主要由數(shù)據(jù)采集、數(shù)據(jù)存儲、數(shù)據(jù)預處理、數(shù)據(jù)分析及模型應用五大模塊構(gòu)成。

    圖3 印刷設(shè)備故障診斷及預警系統(tǒng)架構(gòu)

    各功能模塊具體描述如下:

    1) 數(shù)據(jù)采集。數(shù)據(jù)來源主要包括各類型傳感器所采集到的數(shù)據(jù),凹印設(shè)備控制器所記錄的印刷設(shè)備各項運行參數(shù)及專家知識庫中的故障診斷記錄等。其溫度傳感器與流量傳感器安裝的點位分別分布在壓印、印版、集色滾筒兩側(cè),共6個測點。

    2) 數(shù)據(jù)存儲。線邊控制系統(tǒng)通過以太網(wǎng)與PLC、凹印設(shè)備控制器及故障診斷專家知識庫連接,將相關(guān)數(shù)據(jù)提取到線邊數(shù)據(jù)庫,為設(shè)備預警提供信息支撐。線邊數(shù)據(jù)庫又分為實時數(shù)據(jù)庫和關(guān)系數(shù)據(jù)庫兩部分,實時數(shù)據(jù)庫主要用于存儲設(shè)備控制器及PLC采集的實時數(shù)據(jù),然后將這些數(shù)據(jù)信息通過抽取、提煉和持久化轉(zhuǎn)換為有效參數(shù)存入關(guān)系數(shù)據(jù)庫中。

    3) 數(shù)據(jù)預處理。通過設(shè)備管理系統(tǒng)每隔固定時間同步線邊數(shù)據(jù)庫,讀取到相關(guān)數(shù)據(jù)。同時通過數(shù)據(jù)清理和數(shù)據(jù)變換,保證數(shù)據(jù)的準確性和完整性。數(shù)據(jù)清理過程包括對數(shù)據(jù)進行缺失值補充,對錯誤或重復數(shù)據(jù)的剔除等;數(shù)據(jù)變換則是將數(shù)據(jù)規(guī)范化,使其轉(zhuǎn)換成適用于數(shù)據(jù)挖掘的形式,主要方式有數(shù)據(jù)歸一化、文字數(shù)值化等。

    4) 數(shù)據(jù)分析。該模塊在數(shù)據(jù)預處理的基礎(chǔ)上對數(shù)據(jù)的各項特征進行提取。采用FP-Growth算法對各數(shù)據(jù)集進行挖掘,得到與故障類型相關(guān)的關(guān)聯(lián)規(guī)則,并將新規(guī)則存入故障診斷專家知識庫進行規(guī)則更新,用于設(shè)備故障的在線診斷。同時運用LSTM網(wǎng)絡(luò)建立預測模型,通過不同的數(shù)據(jù)集對模型進行訓練,得到各數(shù)據(jù)在下一時段的預測值,然后借助專家?guī)鞂υO(shè)備進行故障預測。

    5) 模型應用。根據(jù)數(shù)據(jù)分析模塊對設(shè)備故障的診斷和預測,對其分析結(jié)果進行可視化操作,以圖或表等形式向用戶直觀地展現(xiàn)各類故障預警信息。

    2.2 基于FP-Growth算法構(gòu)建專家知識庫

    對印刷設(shè)備來說,不同的故障類型直接反映在設(shè)備的故障維修記錄中,因此印刷設(shè)備故障關(guān)聯(lián)規(guī)則挖掘的首要目標是各個故障維修記錄。根據(jù)故障維修記錄中設(shè)備各運行參數(shù)的數(shù)據(jù)特征與設(shè)備故障代碼、維修診斷結(jié)果等的相關(guān)關(guān)系,產(chǎn)生一定的關(guān)聯(lián)規(guī)則,用于構(gòu)建初始的故障診斷專家知識庫。其構(gòu)建流程如下:

    1) 讀取設(shè)備故障維修記錄中的各項數(shù)據(jù);

    2) 對數(shù)據(jù)進行預處理,并設(shè)定支持度與可信度閾值;

    3) 構(gòu)建FP-Tree,搜索頻繁項集;

    4) 調(diào)整閾值,修剪非頻繁項集;

    5) 搜索完成,抽取關(guān)聯(lián)規(guī)則;

    6) 將獲取的規(guī)則進行規(guī)則邏輯性檢驗,檢測無誤后存入故障診斷專家知識庫中,完成初始專家?guī)斓臉?gòu)建。

    運用專家知識庫進行印刷設(shè)備的在線故障診斷,其診斷流程圖如圖4所示。對于與專家知識庫既有規(guī)則不匹配的故障類型進行規(guī)則檢驗,若其不包含錯誤信息,則根據(jù)實際維修情況增加新規(guī)則。對于可通過專家知識庫診斷出的實時故障,應及時出具診斷說明,并制定相應的維修計劃對設(shè)備進行檢修。每次診斷完成后,還應實時更新專家知識庫(包括診斷規(guī)則、故障類型及規(guī)則信賴度等)。

    圖4 在線故障診斷流程圖

    2.3 基于LSTM網(wǎng)絡(luò)的設(shè)備狀態(tài)預測模型的建立與仿真

    2.3.1 構(gòu)造模型的輸入與輸出

    設(shè)備狀態(tài)預測模型的輸入主要為設(shè)備故障特征參數(shù)A、設(shè)備運行參數(shù)B及環(huán)境因素C等,對應的設(shè)備的每一個工作狀態(tài)X都有對應的A、B、C值,如式(12)。

    X={A,B,C}

    (12)

    1) 故障特征參數(shù):印刷設(shè)備可依據(jù)各類傳感器反映的設(shè)備故障特征參數(shù)來監(jiān)控設(shè)備運行狀態(tài),例如:使用電渦流傳感器測得軸的徑向位移,監(jiān)控軸的平衡與對稱性;采用紅外溫度傳感器測量滾筒的軸承溫度,以保障合適的設(shè)備運行溫度;使用流量計計量潤滑油脂流量,監(jiān)測設(shè)備潤滑系統(tǒng)的工作。

    從印刷凹印設(shè)備的實際工作情況出發(fā),發(fā)現(xiàn)設(shè)備出現(xiàn)故障時,易導致其溫度和潤滑油脂流量產(chǎn)生較明顯的異常變化,如軸故障、齒輪故障等。溫度的變化對于運動件來說,是其是否在正常工作范圍的重要指標,而潤滑油的作用則是對運動件進行潤滑、降溫,減少機械磨損等,故選取軸承溫度及潤滑油脂流量作為設(shè)備主要的故障特征參數(shù)。

    2) 設(shè)備運行參數(shù):主要是原凹印設(shè)備控制器在設(shè)備運行時所監(jiān)控的各項參數(shù)值,包括設(shè)備運行時的電壓、電流、工作負載、運行轉(zhuǎn)速等數(shù)值。

    3) 環(huán)境因素:包括設(shè)備工作空間的溫度、濕度等。

    為保證各輸入?yún)?shù)在同一量綱下,需要采用不同的數(shù)據(jù)處理方式對不同的參數(shù)類型進行規(guī)范化處理。待各參數(shù)特征提取完成后,按以下規(guī)則構(gòu)造模型的輸入與輸出:

    1) 數(shù)值分布較為集中的數(shù)值類變量(如軸承溫度、潤滑油脂流量等)采用離差標準化的方法處理,通過對原始數(shù)據(jù)的線性變換,使其結(jié)果值映射到[0,1]之間,如式(13)。

    2) 原始數(shù)據(jù)分布呈近似正態(tài)分布的數(shù)值類變量(如環(huán)境溫度、濕度等自然因素)采用Z-Score標準化方式處理,使變量數(shù)值都聚集在0附近,方差為1,如式(14)。

    3) 文字類型變量,則需先對變量進行分類,然后按照順序分別轉(zhuǎn)成數(shù)值1,2,3,…進行處理;若此類變量只存在發(fā)生與不發(fā)生兩種情況,則按情況有無發(fā)生轉(zhuǎn)換成數(shù)值1或0。

    (13)

    (14)

    其中:xmax、xmin分別為某參數(shù)樣本數(shù)據(jù)中的最大值與最小值;μ為某參數(shù)所有樣本數(shù)據(jù)的均值;σ為其標準差;x為參數(shù)變量處理前的指標數(shù)值;x*為處理后的指標數(shù)值。

    2.3.2 構(gòu)建設(shè)備狀態(tài)預測模型

    設(shè)備的工作狀態(tài)與其運行過程中的關(guān)鍵參數(shù)息息相關(guān),且各參數(shù)間也存在著特定的聯(lián)系,故本文采用LSTM網(wǎng)絡(luò)構(gòu)建印刷設(shè)備工作狀態(tài)預測模型。本模型的輸入與輸出參數(shù)一致,其核心模塊為一個3層的循環(huán)模塊,其結(jié)構(gòu)如圖5虛線部分所示。主要包括兩個全連接層和一個隱藏處理層,第1個全連接層負責對輸入的不同參數(shù)進行特征整合;第2個連接層則作為數(shù)據(jù)分類層,輸出不同類型參數(shù)的預測值;隱藏層即為LSTM神經(jīng)網(wǎng)絡(luò)處理模塊,實現(xiàn)對輸入值的預測。其余參數(shù)再選取為工業(yè)界常用的一般值,這些參數(shù)包括學習率、初始權(quán)重、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)等,模型架構(gòu)如圖5所示(圖中at表示t時刻參數(shù)a的值)。

    圖5 設(shè)備狀態(tài)預測模型架構(gòu)圖

    2.3.3 模型訓練及仿真

    為保證模型訓練精度,選取南昌市某特種印刷企業(yè)某臺凹印設(shè)備2019年全年運行數(shù)據(jù)的數(shù)據(jù)集作為訓練樣本對設(shè)備狀態(tài)預測模型進行訓練,全部樣本數(shù)為300組,約3 600條數(shù)據(jù)記錄。通過對設(shè)備歷史運行數(shù)據(jù)進行預處理,將其分割成多個連續(xù)的時間序列數(shù)據(jù),其中80%作為訓練樣本,20%作為測試樣本。每個訓練樣本都由兩個相鄰時間段的時間序列組成,隨機選取訓練樣本對構(gòu)建完成的狀態(tài)預測模型進行訓練。

    為了使模型訓練過程可視化,引入平均絕對誤差(mean absolute error,MAE)作為損失函數(shù),對模型的訓練結(jié)果進行監(jiān)測。當該數(shù)值越趨近于0時,則說明預測模型的擬合度越好,預測數(shù)據(jù)的準確度越高,其計算公式如式(15)。根據(jù)MAE值及誤差反向傳播算法不斷調(diào)整模型各權(quán)重系數(shù),經(jīng)過預測值與真實值的對比分析,最終得出擬合準確度較高的預測模型。

    (15)

    式中:NMAE為網(wǎng)絡(luò)模型訓練時的損失函數(shù)值;y(i)為數(shù)據(jù)的實際監(jiān)測值;y*(i)為設(shè)備狀態(tài)預測模型輸出的預測值。

    1) 計算不同時間步長下訓練數(shù)據(jù)集的MAE值確定模型的時間步長。取不同的時間步長的對模型進行訓練,觀測其訓練效果,如圖6所示。

    由圖6可知,不同時間步長下,模型的訓練效果有差異,隨著步長的增加,模型訓練效果逐漸變好,但當時間步長增加到6時,模型表現(xiàn)變差。故時間步長為5時,模型訓練效果最好,即通過參數(shù)前5個時間序列的數(shù)據(jù)預測第6個數(shù)據(jù)值。

    時間步長

    2) 取時間步長為5,對模型進行訓練并觀察其損失值變化,其模型訓練過程中損失函數(shù)的變化如圖7所示。

    從圖7可以看出,經(jīng)過600次左右的模型訓練后,損失函數(shù)指標穩(wěn)定在0.25左右,最終訓練樣本的擬合度約為98.5%,模型訓練效果較好。擬合度計算公式如式(16)、式(17)所示:

    訓練周期

    Q=∑(y-y*)2

    (16)

    (17)

    式中:Q為殘差平方和;Rnew為擬合度指標;y為實測值;y*為預測值。

    模型訓練完成后,通過測試樣本中t時刻的設(shè)備運行參數(shù)值at即可得出其下一相鄰時刻t+1的參數(shù)預測值at+1,然后采用迭代方法[8]逐點預測設(shè)備未來各時刻的運行參數(shù)值。通過設(shè)備狀態(tài)預測模型完成對各關(guān)鍵參數(shù)值的預測,針對其中異常的A、B、C參數(shù),會觸發(fā)對異常數(shù)據(jù)的提取過程,然后結(jié)合專家知識庫進行故障在線診斷,完成對設(shè)備工作狀態(tài)的預測,實現(xiàn)對設(shè)備的有效預警。

    3 模型驗證

    在設(shè)備正常運轉(zhuǎn)過程中,其運動件的溫度、潤滑油脂流量在預警系統(tǒng)中實時顯示(圖8),且都有一定的限值(溫度限制值為48 ℃,流量上、下限值分別為65 mL·min-1及80 mL·min-1),超限則意味著設(shè)備發(fā)生故障,例如:油管破裂、臟堵及閥門損壞易引起流量超限,軸承、軸等的變形及磨損易導致溫度超限。通過對不同的溫度、流量監(jiān)測曲線與正常工作曲線的比較分析,借助溫度與流量的變化幅度來判斷運動件的工作狀態(tài),如圖9所示。

    圖8 系統(tǒng)實時畫面

    如圖9(a)中監(jiān)測的溫度發(fā)生了尖峰突變,可判斷出運動件發(fā)生損壞等情況,發(fā)出預警信號。圖9(c)處流量曲線發(fā)生階梯變化,根據(jù)曲線階梯的大小,發(fā)出管道破裂或堵塞的預警信號。圖9(b)、(d)中,溫度、流量曲線發(fā)生波動,可依據(jù)波動范圍的大小及曲線斜率的突變,判斷設(shè)備相關(guān)部件的狀態(tài),超限時發(fā)出預警信號。通過模型故障特征參數(shù)溫度、流量,設(shè)備運行參數(shù)工作負載、運行轉(zhuǎn)速等因素的異常變化,結(jié)合專家知識庫來判斷設(shè)備所存在的故障及其故障類型。

    t/min

    3.1 狀態(tài)預測模型預測效果測試

    通過樣本的隨機選取,確定以2019年7月9日設(shè)備運行數(shù)據(jù)作為測試樣本對訓練模型進行測試,用于預測后1 d設(shè)備全天(9:00—20:00)運行各參數(shù)值,并與當天設(shè)備實際記錄的各參數(shù)值進行對比,采用相對誤差作為衡量標準來評價模型預測的準確度,如表1(選取軸承溫度、潤滑油脂流量兩個重要的故障特征參數(shù)作為模型驗證參數(shù))。

    表1 模型部分參數(shù)的預測值及相對誤差表

    由表1的預測結(jié)果可以看出,該模型對不同參數(shù)的預測值與其實際檢測值近似,相對誤差基本控制在4%以內(nèi),表明模型預測準確度較高。

    3.2 專家知識庫故障診斷測試

    測試一:通過對設(shè)備歷史維修記錄的收集,得到了233條故障記錄,以此分別建立含200條故障記錄的挖掘庫和含33條故障記錄的測試庫,在計算機上進行故障診斷實驗。

    為了測試借助FP-Growth算法所構(gòu)建的專家?guī)煊糜谠O(shè)備故障診斷的優(yōu)越性和準確性,設(shè)計測試內(nèi)容如下。

    1) 將挖掘庫中200條故障記錄通過數(shù)據(jù)預處理按故障性質(zhì)分組,分別采用FP-Growth算法和Apriori算法挖掘頻繁項集,產(chǎn)生關(guān)聯(lián)規(guī)則,構(gòu)建專家知識庫。

    2) 設(shè)備實際運行過程中發(fā)生故障概率較低,因此向測試庫中繼續(xù)添加567條設(shè)備正常運行的數(shù)據(jù)記錄,利用專家知識庫對共600條測試數(shù)據(jù)分別分成3組(每組包含189條正常數(shù)據(jù)和11條故障數(shù)據(jù),數(shù)據(jù)隨機抽選),針對軸故障、軸承故障、潤滑故障、閥故障、齒輪故障、電機故障等多種設(shè)備常見故障進行故障診斷。測試結(jié)果如表2所示。

    表2 不同算法故障診斷的效果比較

    測試二:隨機選取2020年某個月(測試中選取4月份數(shù)據(jù),共30組,約360個數(shù)據(jù)樣本)的設(shè)備運行數(shù)據(jù),記錄該月凹印設(shè)備實際的故障發(fā)生情況,通過設(shè)備狀態(tài)預測模型對該月設(shè)備的故障特征參數(shù)溫度、流量的變化,設(shè)備運行參數(shù)工作電壓、電流及環(huán)境因素等進行預測,將預測數(shù)據(jù)作為測試樣本,借助測試一中FP-Growth算法所構(gòu)建的專家知識庫進行設(shè)備故障診斷測試。

    針對測試結(jié)果與實際故障情況進行比較,其診斷結(jié)果如表3所示??芍?,該模型故障預測的準確率為90%,且誤診率較低,約為1.67%,診斷效果較好。

    表3 模型故障診斷的測試記錄

    續(xù)表3 模型故障診斷的測試記錄

    4 結(jié)束語

    結(jié)合設(shè)備中多個監(jiān)測參數(shù)間的耦合關(guān)系,本文采用多參數(shù)信息融合預警技術(shù)及關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘算法提出了一種基于LSTM和FP-Growth算法相結(jié)合的印刷設(shè)備故障預警模型,并通過相關(guān)的模型仿真及故障測試,取得了期望的預測效果,充分證明了模型的有效性和可行性。綜上所述,得出結(jié)論:

    1) 過LSTM網(wǎng)絡(luò)來處理和預測時間序列參數(shù),有效解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)構(gòu)建模型中的權(quán)值更新問題,提升了模型的訓練效果。

    2) 用FP-Growth算法產(chǎn)生關(guān)聯(lián)規(guī)則,用其所構(gòu)建的專家知識庫對于印刷設(shè)備的故障預警效果更好,故障預測準確率更高,且其算法速度快,對設(shè)備的故障診斷效率大大提高。

    故采用LSTM網(wǎng)絡(luò)結(jié)合FP-Growth算法所構(gòu)建的預警模型滿足模型預測標準,能夠應用于印刷設(shè)備的故障診斷與預警。進一步提高對設(shè)備故障預測的準確性及實現(xiàn)設(shè)備狀態(tài)的長時間預測是下一步的研究目標。

    猜你喜歡
    項集知識庫故障診斷
    基于TRIZ與知識庫的創(chuàng)新模型構(gòu)建及在注塑機設(shè)計中的應用
    高速公路信息系統(tǒng)維護知識庫的建立和應用
    因果圖定性分析法及其在故障診斷中的應用
    基于Drupal發(fā)布學者知識庫關(guān)聯(lián)數(shù)據(jù)的研究
    圖書館研究(2015年5期)2015-12-07 04:05:48
    關(guān)聯(lián)規(guī)則中經(jīng)典的Apriori算法研究
    卷宗(2014年5期)2014-07-15 07:47:08
    基于LCD和排列熵的滾動軸承故障診斷
    基于WPD-HHT的滾動軸承故障診斷
    機械與電子(2014年1期)2014-02-28 02:07:31
    一種頻繁核心項集的快速挖掘算法
    計算機工程(2014年6期)2014-02-28 01:26:12
    高速泵的故障診斷
    河南科技(2014年3期)2014-02-27 14:05:48
    一種新的改進Apriori算法*
    天天添夜夜摸| 亚洲精品乱久久久久久| 亚洲情色 制服丝袜| 国产免费男女视频| 女人高潮潮喷娇喘18禁视频| 国产精品.久久久| 久久精品91无色码中文字幕| av网站在线播放免费| 精品久久久久久久久久免费视频 | 岛国在线观看网站| 久久精品熟女亚洲av麻豆精品| 亚洲熟妇中文字幕五十中出 | 中文字幕最新亚洲高清| 精品少妇一区二区三区视频日本电影| 欧美午夜高清在线| 桃红色精品国产亚洲av| 精品第一国产精品| 超碰97精品在线观看| 国产蜜桃级精品一区二区三区 | 超碰97精品在线观看| 他把我摸到了高潮在线观看| 这个男人来自地球电影免费观看| 亚洲欧洲精品一区二区精品久久久| www日本在线高清视频| 99久久人妻综合| 亚洲精品美女久久久久99蜜臀| 这个男人来自地球电影免费观看| 国产在线精品亚洲第一网站| 国产一区二区三区视频了| 国产一卡二卡三卡精品| 一区二区三区精品91| √禁漫天堂资源中文www| 又黄又粗又硬又大视频| 亚洲第一av免费看| 亚洲黑人精品在线| 在线播放国产精品三级| 亚洲欧美激情在线| 在线免费观看的www视频| 老鸭窝网址在线观看| 精品午夜福利视频在线观看一区| 国产乱人伦免费视频| 天天躁狠狠躁夜夜躁狠狠躁| 国产成人精品无人区| 亚洲精品乱久久久久久| 精品福利观看| 91麻豆精品激情在线观看国产 | 成人18禁在线播放| 国产亚洲精品久久久久久毛片 | 日日摸夜夜添夜夜添小说| 国产无遮挡羞羞视频在线观看| 他把我摸到了高潮在线观看| 成年人黄色毛片网站| 最新美女视频免费是黄的| 少妇 在线观看| av欧美777| 亚洲精品中文字幕一二三四区| 国产区一区二久久| 岛国在线观看网站| 91麻豆精品激情在线观看国产 | 亚洲情色 制服丝袜| 亚洲熟女毛片儿| 国产精品久久久人人做人人爽| 老鸭窝网址在线观看| 国产成人啪精品午夜网站| 岛国在线观看网站| 亚洲成人国产一区在线观看| 一区在线观看完整版| 黄片播放在线免费| 日韩免费av在线播放| av有码第一页| e午夜精品久久久久久久| 在线国产一区二区在线| 午夜福利视频在线观看免费| 欧美精品人与动牲交sv欧美| 精品一区二区三区av网在线观看| 国产精品综合久久久久久久免费 | 天天躁夜夜躁狠狠躁躁| 大陆偷拍与自拍| 日本撒尿小便嘘嘘汇集6| 丝袜美足系列| 欧美av亚洲av综合av国产av| 亚洲五月天丁香| 成人18禁在线播放| 国产成人欧美| 国产午夜精品久久久久久| 99精品久久久久人妻精品| 国产精品电影一区二区三区 | 91麻豆av在线| 久久国产精品影院| 亚洲久久久国产精品| 国产成人影院久久av| 国产高清国产精品国产三级| 成人av一区二区三区在线看| 国产一区二区三区在线臀色熟女 | 两性午夜刺激爽爽歪歪视频在线观看 | 女人被躁到高潮嗷嗷叫费观| 日韩视频一区二区在线观看| 久久久国产一区二区| 9热在线视频观看99| 在线观看免费视频网站a站| 母亲3免费完整高清在线观看| 国内久久婷婷六月综合欲色啪| 久热爱精品视频在线9| 国产不卡av网站在线观看| 18在线观看网站| 丰满迷人的少妇在线观看| 妹子高潮喷水视频| 捣出白浆h1v1| 国产成人欧美在线观看 | 国产精品偷伦视频观看了| 精品少妇久久久久久888优播| 飞空精品影院首页| 日韩视频一区二区在线观看| 多毛熟女@视频| 亚洲五月色婷婷综合| 人人妻人人爽人人添夜夜欢视频| 美女 人体艺术 gogo| 香蕉久久夜色| 日韩欧美一区二区三区在线观看 | 老熟妇乱子伦视频在线观看| 国产一卡二卡三卡精品| 高清欧美精品videossex| 巨乳人妻的诱惑在线观看| 亚洲aⅴ乱码一区二区在线播放 | 老熟妇乱子伦视频在线观看| 美女高潮喷水抽搐中文字幕| 亚洲人成伊人成综合网2020| 欧美精品亚洲一区二区| 天堂√8在线中文| 美女 人体艺术 gogo| 欧美 亚洲 国产 日韩一| 日韩欧美一区视频在线观看| 一区二区三区精品91| 丁香六月欧美| 啦啦啦免费观看视频1| 久久久久久久久久久久大奶| 久久国产精品人妻蜜桃| av中文乱码字幕在线| 国产男女超爽视频在线观看| 午夜久久久在线观看| 一边摸一边做爽爽视频免费| 午夜福利在线免费观看网站| √禁漫天堂资源中文www| 日本黄色视频三级网站网址 | 超碰成人久久| 亚洲成av片中文字幕在线观看| 操出白浆在线播放| 9热在线视频观看99| 欧美黄色片欧美黄色片| 国产精品亚洲av一区麻豆| 久久久久国产精品人妻aⅴ院 | 国产1区2区3区精品| 久久国产乱子伦精品免费另类| 久久久久久久久久久久大奶| 久久青草综合色| 国产精品影院久久| 久久精品91无色码中文字幕| 黑人操中国人逼视频| 国产xxxxx性猛交| 免费看十八禁软件| 色综合婷婷激情| 丁香欧美五月| 成人黄色视频免费在线看| 精品久久久精品久久久| 亚洲第一青青草原| 国产区一区二久久| 激情视频va一区二区三区| 女人久久www免费人成看片| 欧美丝袜亚洲另类 | 国产精品久久久久成人av| av视频免费观看在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美日韩瑟瑟在线播放| 亚洲精品粉嫩美女一区| 亚洲精品乱久久久久久| 久久久久久人人人人人| 精品福利永久在线观看| 亚洲 欧美一区二区三区| 极品少妇高潮喷水抽搐| 夜夜爽天天搞| 人妻丰满熟妇av一区二区三区 | 免费在线观看黄色视频的| 天天躁日日躁夜夜躁夜夜| 日韩精品免费视频一区二区三区| 欧美成狂野欧美在线观看| 在线观看舔阴道视频| 一区福利在线观看| 日韩一卡2卡3卡4卡2021年| 久久久久国产精品人妻aⅴ院 | 成人永久免费在线观看视频| 深夜精品福利| 人妻久久中文字幕网| 热re99久久精品国产66热6| 一个人免费在线观看的高清视频| 大片电影免费在线观看免费| 乱人伦中国视频| 69av精品久久久久久| 欧美久久黑人一区二区| 午夜福利欧美成人| 视频区图区小说| 欧美日韩精品网址| 亚洲中文av在线| 亚洲熟女精品中文字幕| 我的亚洲天堂| 精品一品国产午夜福利视频| 亚洲一码二码三码区别大吗| 制服人妻中文乱码| 欧美在线黄色| 日本wwww免费看| 亚洲欧美精品综合一区二区三区| 黑丝袜美女国产一区| 国内久久婷婷六月综合欲色啪| 自线自在国产av| 人成视频在线观看免费观看| 国产精品电影一区二区三区 | 最新美女视频免费是黄的| 精品人妻1区二区| 中国美女看黄片| 午夜91福利影院| 国产av一区二区精品久久| 18禁黄网站禁片午夜丰满| 精品福利观看| 黑丝袜美女国产一区| 国产aⅴ精品一区二区三区波| 婷婷精品国产亚洲av在线 | 伊人久久大香线蕉亚洲五| 男女下面插进去视频免费观看| 亚洲欧美日韩高清在线视频| 亚洲精品久久成人aⅴ小说| 99香蕉大伊视频| 欧美激情久久久久久爽电影 | 热99久久久久精品小说推荐| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲国产欧美日韩在线播放| 午夜福利在线观看吧| 丝袜美足系列| 在线天堂中文资源库| 精品午夜福利视频在线观看一区| av天堂在线播放| 丝袜人妻中文字幕| 亚洲色图av天堂| 美女高潮到喷水免费观看| 色尼玛亚洲综合影院| 一进一出抽搐gif免费好疼 | 我的亚洲天堂| 亚洲视频免费观看视频| 日本vs欧美在线观看视频| 激情视频va一区二区三区| 18禁美女被吸乳视频| 免费观看精品视频网站| 久久国产精品男人的天堂亚洲| 亚洲人成电影免费在线| 久久国产精品影院| 交换朋友夫妻互换小说| 午夜91福利影院| 99国产精品免费福利视频| 久久久久国产一级毛片高清牌| 国产成人欧美| 国产精品成人在线| 亚洲欧美日韩另类电影网站| 亚洲九九香蕉| 热re99久久国产66热| 亚洲第一青青草原| 国产精品秋霞免费鲁丝片| 99国产精品一区二区三区| 欧美黄色淫秽网站| 亚洲自偷自拍图片 自拍| 免费在线观看完整版高清| 三级毛片av免费| 丰满迷人的少妇在线观看| 999久久久国产精品视频| 99国产综合亚洲精品| 欧洲精品卡2卡3卡4卡5卡区| 欧美激情久久久久久爽电影 | 亚洲色图综合在线观看| 久久久国产欧美日韩av| 久久人妻熟女aⅴ| 午夜成年电影在线免费观看| 亚洲欧美一区二区三区久久| 不卡一级毛片| 亚洲视频免费观看视频| 中文欧美无线码| 丰满迷人的少妇在线观看| 美女视频免费永久观看网站| 岛国毛片在线播放| 午夜老司机福利片| 国产亚洲精品一区二区www | 性少妇av在线| 岛国在线观看网站| 亚洲视频免费观看视频| 免费观看a级毛片全部| 王馨瑶露胸无遮挡在线观看| 亚洲国产精品sss在线观看 | 亚洲av日韩精品久久久久久密| 成人国语在线视频| 精品少妇一区二区三区视频日本电影| 老汉色av国产亚洲站长工具| e午夜精品久久久久久久| 下体分泌物呈黄色| 国产xxxxx性猛交| 国产极品粉嫩免费观看在线| 亚洲国产欧美日韩在线播放| 波多野结衣一区麻豆| 一二三四在线观看免费中文在| 91av网站免费观看| 亚洲欧美一区二区三区久久| 色94色欧美一区二区| 亚洲在线自拍视频| 欧美激情 高清一区二区三区| 国产激情久久老熟女| tube8黄色片| 99久久国产精品久久久| 中文字幕制服av| 中文欧美无线码| 又紧又爽又黄一区二区| 亚洲一码二码三码区别大吗| 欧美性长视频在线观看| 亚洲七黄色美女视频| 99久久99久久久精品蜜桃| 亚洲精品国产精品久久久不卡| 制服人妻中文乱码| 久久中文看片网| 免费av中文字幕在线| 欧美精品高潮呻吟av久久| 午夜老司机福利片| 国产在线一区二区三区精| 久99久视频精品免费| 婷婷成人精品国产| 中文欧美无线码| 国产精品亚洲一级av第二区| 国产成人影院久久av| 九色亚洲精品在线播放| 母亲3免费完整高清在线观看| 在线十欧美十亚洲十日本专区| 极品教师在线免费播放| 成人永久免费在线观看视频| 成在线人永久免费视频| 久久精品亚洲精品国产色婷小说| 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| 免费高清在线观看日韩| 搡老熟女国产l中国老女人| 90打野战视频偷拍视频| 色综合婷婷激情| 女人久久www免费人成看片| 看免费av毛片| 亚洲精品美女久久av网站| 黄片播放在线免费| 久久久久精品人妻al黑| 99精品在免费线老司机午夜| 女性生殖器流出的白浆| 国产成人免费无遮挡视频| 老汉色av国产亚洲站长工具| 丁香六月欧美| 免费高清在线观看日韩| 国产成+人综合+亚洲专区| 久久中文字幕一级| 美国免费a级毛片| 午夜福利在线免费观看网站| 午夜福利影视在线免费观看| 国产精品二区激情视频| 国产亚洲欧美98| 久久精品国产a三级三级三级| 这个男人来自地球电影免费观看| 欧美乱色亚洲激情| 成在线人永久免费视频| 黄色a级毛片大全视频| 亚洲第一av免费看| 日本wwww免费看| 久久国产精品影院| 亚洲性夜色夜夜综合| 成人18禁在线播放| 另类亚洲欧美激情| 国产日韩一区二区三区精品不卡| 91精品三级在线观看| 高潮久久久久久久久久久不卡| 免费在线观看完整版高清| 两个人看的免费小视频| 日韩三级视频一区二区三区| 91精品国产国语对白视频| 女性生殖器流出的白浆| 好看av亚洲va欧美ⅴa在| 国产男女超爽视频在线观看| 欧美人与性动交α欧美软件| 人成视频在线观看免费观看| 一边摸一边做爽爽视频免费| 国产欧美日韩一区二区精品| 亚洲av成人不卡在线观看播放网| av片东京热男人的天堂| 欧美在线黄色| 久久久久精品国产欧美久久久| 午夜福利一区二区在线看| svipshipincom国产片| 日韩欧美一区视频在线观看| 久久人妻av系列| 欧美黄色片欧美黄色片| 日日摸夜夜添夜夜添小说| 色94色欧美一区二区| 91九色精品人成在线观看| 大陆偷拍与自拍| 一本大道久久a久久精品| 亚洲欧美一区二区三区黑人| 一级a爱视频在线免费观看| 又大又爽又粗| 身体一侧抽搐| 18禁黄网站禁片午夜丰满| 精品人妻1区二区| 欧美黄色淫秽网站| 欧美黑人精品巨大| 国产精品一区二区在线不卡| 久久久水蜜桃国产精品网| 久久 成人 亚洲| 老司机影院毛片| 亚洲国产欧美网| 欧美激情高清一区二区三区| 久久久久国产精品人妻aⅴ院 | 中文字幕制服av| 国产精品秋霞免费鲁丝片| 涩涩av久久男人的天堂| 免费久久久久久久精品成人欧美视频| a级片在线免费高清观看视频| 久久热在线av| 亚洲中文av在线| 亚洲欧美一区二区三区久久| 69av精品久久久久久| 少妇 在线观看| 欧美精品一区二区免费开放| 韩国精品一区二区三区| 欧美一级毛片孕妇| 国产91精品成人一区二区三区| xxx96com| av有码第一页| av不卡在线播放| 久久亚洲真实| 国产99白浆流出| 精品熟女少妇八av免费久了| 女人高潮潮喷娇喘18禁视频| 老司机福利观看| 热99久久久久精品小说推荐| 国产精品电影一区二区三区 | 一级a爱视频在线免费观看| 久久精品亚洲av国产电影网| 成人国产一区最新在线观看| 久久久国产成人免费| 人人妻人人爽人人添夜夜欢视频| 亚洲国产中文字幕在线视频| 亚洲久久久国产精品| 看片在线看免费视频| 国产三级黄色录像| av不卡在线播放| 久久天躁狠狠躁夜夜2o2o| 国产无遮挡羞羞视频在线观看| 18禁黄网站禁片午夜丰满| 国产亚洲精品第一综合不卡| www.精华液| 男女床上黄色一级片免费看| 亚洲中文日韩欧美视频| 亚洲精品中文字幕一二三四区| 一级a爱视频在线免费观看| 欧美成狂野欧美在线观看| 国产深夜福利视频在线观看| 精品久久蜜臀av无| 国产欧美日韩一区二区三| 淫妇啪啪啪对白视频| 91成年电影在线观看| 一本大道久久a久久精品| a级毛片在线看网站| 999精品在线视频| 老司机午夜十八禁免费视频| 日韩精品免费视频一区二区三区| 黄色a级毛片大全视频| 国产精品一区二区在线观看99| 757午夜福利合集在线观看| 高清毛片免费观看视频网站 | 国产在线观看jvid| 成人18禁高潮啪啪吃奶动态图| 国产三级黄色录像| 久久久久国产精品人妻aⅴ院 | 亚洲少妇的诱惑av| 久久久久国产一级毛片高清牌| 久久精品国产清高在天天线| 啦啦啦视频在线资源免费观看| 男女之事视频高清在线观看| 建设人人有责人人尽责人人享有的| av福利片在线| 国产一区有黄有色的免费视频| 国产人伦9x9x在线观看| 国产一区二区激情短视频| 亚洲一区二区三区不卡视频| 性色av乱码一区二区三区2| 曰老女人黄片| 久久香蕉激情| 巨乳人妻的诱惑在线观看| 国产aⅴ精品一区二区三区波| 久久精品人人爽人人爽视色| 又黄又爽又免费观看的视频| 国产欧美日韩一区二区精品| 天天影视国产精品| 丰满迷人的少妇在线观看| 亚洲av电影在线进入| 又黄又爽又免费观看的视频| 欧美色视频一区免费| 精品久久久久久,| 搡老乐熟女国产| 国产成人精品在线电影| 下体分泌物呈黄色| 精品熟女少妇八av免费久了| 国产不卡一卡二| 91老司机精品| 久久人妻熟女aⅴ| 久久久精品区二区三区| 十分钟在线观看高清视频www| 午夜免费观看网址| 久久精品国产综合久久久| 亚洲五月天丁香| 大型黄色视频在线免费观看| 国产亚洲欧美精品永久| 天堂√8在线中文| 亚洲va日本ⅴa欧美va伊人久久| 一区二区三区精品91| 国产男靠女视频免费网站| 久久久久精品国产欧美久久久| videosex国产| 国产乱人伦免费视频| 免费在线观看黄色视频的| 国产淫语在线视频| 免费观看精品视频网站| 男女下面插进去视频免费观看| 老司机靠b影院| 国产单亲对白刺激| 午夜福利,免费看| 国产在视频线精品| 超色免费av| 精品亚洲成国产av| 久久久久久久久免费视频了| 国产精品av久久久久免费| 亚洲熟女毛片儿| 亚洲免费av在线视频| 亚洲第一青青草原| 高清欧美精品videossex| 国产色视频综合| 欧美精品高潮呻吟av久久| 午夜免费鲁丝| 亚洲aⅴ乱码一区二区在线播放 | 精品久久久久久久毛片微露脸| 亚洲欧美精品综合一区二区三区| 久久久精品国产亚洲av高清涩受| 国产精品国产av在线观看| 热re99久久国产66热| 免费看十八禁软件| 国产亚洲精品第一综合不卡| 人人澡人人妻人| 免费观看人在逋| 老汉色∧v一级毛片| 亚洲第一欧美日韩一区二区三区| 欧美激情 高清一区二区三区| 无限看片的www在线观看| tocl精华| 午夜福利欧美成人| 99国产精品99久久久久| 久久久久国内视频| 国产男靠女视频免费网站| 9色porny在线观看| 亚洲七黄色美女视频| 午夜视频精品福利| svipshipincom国产片| 日韩视频一区二区在线观看| 精品国产亚洲在线| 免费不卡黄色视频| 天堂动漫精品| 亚洲色图av天堂| 免费在线观看亚洲国产| 日韩欧美三级三区| 亚洲自偷自拍图片 自拍| 一区在线观看完整版| 精品一品国产午夜福利视频| 亚洲av片天天在线观看| 最新的欧美精品一区二区| 新久久久久国产一级毛片| 精品久久久久久久久久免费视频 | 亚洲熟女精品中文字幕| av在线播放免费不卡| 亚洲欧美日韩高清在线视频| 啪啪无遮挡十八禁网站| 老熟女久久久| 制服人妻中文乱码| 久久精品国产亚洲av高清一级| 欧美 日韩 精品 国产| 国产精品 欧美亚洲| 一个人免费在线观看的高清视频| 久久久精品区二区三区| 久久久国产一区二区| 久久精品人人爽人人爽视色| 日韩中文字幕欧美一区二区| 色综合欧美亚洲国产小说| 日韩熟女老妇一区二区性免费视频| 欧美成人午夜精品| 亚洲成国产人片在线观看| 久久香蕉国产精品| 久久香蕉精品热| 777米奇影视久久| 国产免费现黄频在线看| 久久久精品区二区三区| 欧美日韩亚洲国产一区二区在线观看 | 男人的好看免费观看在线视频 | 久久久久久久精品吃奶| 乱人伦中国视频| 伊人久久大香线蕉亚洲五| 亚洲精品乱久久久久久| 久久香蕉国产精品| 久久香蕉精品热| 色综合欧美亚洲国产小说| 国产精品一区二区在线观看99| 妹子高潮喷水视频| 熟女少妇亚洲综合色aaa.|