• <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1D-CNN 聯(lián)合特征提取的軸承健康監(jiān)測與故障診斷?

    2021-11-09 02:45:26朱健成韓光潔畢遠國
    軟件學(xué)報 2021年8期
    關(guān)鍵詞:準(zhǔn)確度故障診斷軸承

    劉 立 ,朱健成 ,韓光潔 ,畢遠國

    1(河海大學(xué) 信息學(xué)部物聯(lián)網(wǎng)工程學(xué)院,江蘇 常州 213022)

    2(東北大學(xué) 計算機科學(xué)與工程學(xué)院,遼寧 沈陽 110169)

    工業(yè)物聯(lián)網(wǎng)是驅(qū)動工廠智能化改造與網(wǎng)絡(luò)協(xié)同制造縱深發(fā)展的重要技術(shù)基礎(chǔ)[1,2],由此催生的智能產(chǎn)線已逐步實現(xiàn)柔性化、定制化、自適應(yīng)的混流制造模式.然而,伴隨著不斷增長的設(shè)備規(guī)模、愈發(fā)精密的元件和更加多元的機械組合方式,產(chǎn)線設(shè)備集群協(xié)作的智能化和復(fù)雜度不斷提高,其運維強度和難度均大幅度增大.對于不同設(shè)備可能出現(xiàn)的意外行為模式以及無法用精確數(shù)學(xué)模型描述的工業(yè)流程,傳統(tǒng)的機理模型和經(jīng)驗?zāi)P蛯⑹ξ粗ぷ髂J降慕忉屇芰3].隨著泛在感知和人工智能的興起,依靠部署傳感器網(wǎng)絡(luò)捕獲關(guān)聯(lián)松散的智能產(chǎn)線信息物理要素,結(jié)合基于機器學(xué)習(xí)的數(shù)據(jù)驅(qū)動模型實現(xiàn)設(shè)備運行狀態(tài)特征提取和故障診斷,體現(xiàn)了巨大的潛力[4?6].

    針對特定機械設(shè)備運行數(shù)據(jù)驅(qū)動構(gòu)建的故障診斷模型,僅對該設(shè)備的狀態(tài)具備解釋性,不具備泛化能力;而以機械設(shè)備為單位建立單獨的診斷模型成本極高[7,8].若將目光放在更小但具有代表性的機械元件上,則能大幅度削減診斷模型的建模成本.作為設(shè)備運轉(zhuǎn)的關(guān)鍵部件之一,滾動軸承幾乎存在于所有機械中,是機械設(shè)備中最易損壞、也最能反映機械健康狀態(tài)的元件.研究表明:在工業(yè)物聯(lián)網(wǎng)大型機械的故障中,軸承缺陷占比達40%;在小型機械故障中,軸承缺陷的占比達90%[9].因此,軸承的運行數(shù)據(jù)包含大量機械運行狀況的信息[10],依靠軸承運行數(shù)據(jù)構(gòu)建的故障診斷模型將具備更好的泛化能力[11].

    現(xiàn)有數(shù)據(jù)驅(qū)動的軸承故障建模研究在特征信號選擇上涵蓋了振動、電流、電壓、聲信號.文獻[12]通過融合聲信號和振動信號進行軸承的故障檢測,實驗表明,振動信號比聲信號包含更豐富的狀態(tài)信息.文獻[13]使用聲發(fā)射信號進行故障分類,雖然短時傅里葉變換代替信號處理和特征提取技術(shù)減少了數(shù)據(jù)預(yù)處理的時延,但是模型精度受不規(guī)則噪音影響嚴(yán)重.文獻[14]選擇電動機本身的電流信號結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,簡稱CNN)和信息融合技術(shù)進行故障的分類,復(fù)雜的故障分類過程佐證了電流信號中相關(guān)信息的貧乏.上述文獻表明了,運用振動信號進行軸承故障檢測具有明顯優(yōu)勢.具有分類能力的機器學(xué)習(xí)模型能夠通過訓(xùn)練大量特征信號實現(xiàn)故障模式識別.與淺層學(xué)習(xí)模型相比,深層學(xué)習(xí)模型具有特征自動學(xué)習(xí)能力,診斷準(zhǔn)確度和魯棒性更加優(yōu)越[15?17].作為一種典型的深層學(xué)習(xí)架構(gòu),CNN 將特征提取、特征變換、信息融合、模式識別整合在同一深層結(jié)構(gòu)中.在故障診斷領(lǐng)域,CNN 的應(yīng)用思路主要分為兩個方向.第1 類是將信號轉(zhuǎn)換到頻域,由CNN 提取頻率特征完成分類.如:Janssen 等人[18]采用了離散傅里葉變換將振動信號變換到頻域,并訓(xùn)練帶標(biāo)記樣本的CNN 完成齒輪箱故障診斷;Guo 等人[19]將連續(xù)小波變換后的結(jié)果作為CNN 的輸入矩陣來診斷旋轉(zhuǎn)故障,并取得了良好的診斷效果.在此類研究中,CNN 僅作為分類器,優(yōu)秀的多層特征提取和抽象能力未得到充分利用.第2 類是利用時間序列信號的圖像作為CNN 的輸入,將故障診斷問題視為圖像識別問題.Wen 等人[20]將軸承振動信號圖像作為CNN 的輸入,診斷準(zhǔn)確率在95%以上.Wang 等人[21]對原始信號進行了預(yù)處理,用短時傅里葉變換得到時頻圖,通過CNN 自適應(yīng)提取時頻特征完成診斷.

    以上兩類研究中,引入的CNN 是以二維矩陣為輸入的2D-CNN.然而,機器運行期間產(chǎn)生的振動、壓力等狀態(tài)信號通常是一維向量[22?24].因此,部分學(xué)者嘗試構(gòu)建1D-CNN[25]實現(xiàn)故障診斷.例如,Turker 等人[26]測試了電機的電流,并利用1D-CNN 實現(xiàn)實時狀態(tài)監(jiān)測和故障診斷;Peng 等人[27]利用1D-CNN 對輪轂軸承的振動信號進行故障診斷,取得了較好的效果.與2D-CNN 相比,1D-CNN 對于一維時間序列信號無需傅里葉變換、小波變換等時頻變化處理,而是直接輸入原始的時間序列信號,避免了因時頻變換導(dǎo)致的特征丟失或失真[28].

    盡管1D-CNN 能通過數(shù)據(jù)驅(qū)動的方式良好分類軸承工況,但是作為一種深層學(xué)習(xí)模型,1D-CNN 需要大幅度降低硬件設(shè)施的存儲計算負擔(dān)、加速模型訓(xùn)練進程,以適應(yīng)時延敏感的工業(yè)故障診斷應(yīng)用.因此,本文以一維卷積神經(jīng)網(wǎng)絡(luò)為架構(gòu)對軸承振動狀態(tài)進行健康監(jiān)測和故障診斷.為縮減訓(xùn)練時延、去除故障信息重疊的冗余信號區(qū)域,所提算法對軸承不同工況下產(chǎn)生的原始振動信號進行裁剪,將裁剪獲得的信號區(qū)域作為特征學(xué)習(xí)空間,并行輸入1D-CNN 中以提取各工況下的代表性特征,并優(yōu)先針對健康狀態(tài)選擇代表性特征構(gòu)造健康狀態(tài)判別模型.對檢測為非健康狀態(tài)的原始信號,令其與各故障信號裁剪獲得的代表性特征通過自動編碼器進行耦合,學(xué)習(xí)特征間的相關(guān)性和完整性后,進入softmax 層對故障進行具體分類.

    本文第1 節(jié)介紹1D-CNN 模型的理論基礎(chǔ).第2 節(jié)介紹基于1D-CNN 聯(lián)合特征提取的健康狀態(tài)監(jiān)測與故障診斷算法.第3 節(jié)設(shè)計實驗綜合驗證方案的有效性.第4 節(jié)對本文工作進行總結(jié)并提出未來研究方向.

    1 一維卷積神經(jīng)網(wǎng)絡(luò)

    如圖1 所示為具有l(wèi)層的1D-CNN 的網(wǎng)絡(luò)架構(gòu).輸入信號自輸入層進入卷積層后,通過卷積層中的一維卷積核對輸入信號的局部區(qū)域卷積實現(xiàn)特征提取,不同的卷積核可從在輸入中提取不同的特征信號.對于第(l?2)層卷積層,其輸出可以表示為

    其中,k表示卷積核,j表示卷積核數(shù)量,M表示輸入xl?1的通道數(shù),b表示與內(nèi)核對應(yīng)的偏置,f表示激活函數(shù),*表示卷積算子.

    Fig.1 One-dimensional convolution neural networks圖1 一維卷積神經(jīng)網(wǎng)絡(luò)

    經(jīng)卷積層提取的特征信號隨后進入池化層實現(xiàn)特征降維,簡化網(wǎng)絡(luò)計算復(fù)雜度.若最后一個池化層是第(l?1)層,其輸出作為輸入傳遞給全連接層,在全連接層產(chǎn)生的輸出結(jié)果為

    其中,w表示權(quán)重,b表示偏置.最終,全連接層連接softmax 層進行分類操作.

    輸出層的結(jié)果與預(yù)期結(jié)果的誤差反向回傳網(wǎng)絡(luò),依次得到全連接層、池層和卷積層的誤差.通過計算誤差梯度更新權(quán)值和閾值,直至滿足誤差允許條件完成訓(xùn)練.輸入向量a在輸出層的均方誤差所示如下:

    增量誤差可采用梯度下降法更新每個神經(jīng)元的權(quán)重與偏置,增量誤差用于更新該神經(jīng)元的偏差和連接到該神經(jīng)元的上一層神經(jīng)元的所有權(quán)重,其定義如下:

    隨后從全連接層到池化層的執(zhí)行反向傳播:

    其中,rev(?)表示反轉(zhuǎn)數(shù)組,conv1Dz(?)表示完全卷積.

    傳統(tǒng)的深度學(xué)習(xí)模型對樣本數(shù)量的要求極高,而1D-CNN 可在樣本有限的條件下完成模型訓(xùn)練;其次,對比需要經(jīng)時頻域轉(zhuǎn)換或者參量計算從而在振動信號中學(xué)習(xí)故障信息的方法,1D-CNN 無需手工特征提取、特征選擇以及快速傅里葉變換或離散小波變換等任何預(yù)定轉(zhuǎn)換即可開始模型訓(xùn)練;最后,1D-CNN 緊湊的架構(gòu)配置僅執(zhí)行1D 卷積,其經(jīng)濟高效的特性以及簡單的硬件實現(xiàn)適合于實時故障檢測和監(jiān)視.因此,本文以1D-CNN 為基礎(chǔ)架構(gòu),構(gòu)建軸承的健康狀態(tài)判別模型和故障診斷模型.

    2 1D-CNN 聯(lián)合特征提取的軸承故障在線監(jiān)測方案

    2.1 原始振動信號分區(qū)裁剪

    傳統(tǒng)方案在軸承故障診斷模型訓(xùn)練的過程中令健康態(tài)和各故障態(tài)組成完整的工況特征集合U={Wh,Wr,Wo,Wb},通過訓(xùn)練各工況下的故障特征,直接判斷出軸承所處的具體狀態(tài).其中,Wh,Wr,Wo,Wb分別表示健康狀態(tài)、內(nèi)圈故障、外圈故障和滾珠故障的對應(yīng)特征.

    本文考慮健康狀態(tài)作為實際工廠運作時的常態(tài),不應(yīng)當(dāng)與小概率出現(xiàn)的工況(內(nèi)圈故障、外圈故障和滾珠故障)屬于同一優(yōu)先級,而應(yīng)屬于先后關(guān)系,因此優(yōu)先監(jiān)測健康狀態(tài),當(dāng)出現(xiàn)故障時再進行故障診斷.所以首先將工況集合中的元素歸納為健康態(tài)和非健康態(tài),即其中從而對軸承健康狀態(tài)優(yōu)先做出判斷,避免對故障重疊等冗余信息的處理.記軸承的旋轉(zhuǎn)速度為v,軸承旋轉(zhuǎn)一輪所需的時間為單位周期,在單位周期內(nèi)對產(chǎn)生的振動信號進行采樣,采樣頻率為fs,將單位周期內(nèi)獲得的采樣點作為樣本,樣本規(guī)模n=fs/v.如圖2 所示.

    Fig.2 Health monitoring and fault diagnosis based on 1D-CNN joint feature extraction圖2 基于1D-CNN 聯(lián)合特征提取的健康監(jiān)測與故障診斷

    在振動信號分區(qū)裁剪階段,將單位周期內(nèi)的振動信號進一步拆分成若干信號區(qū)間,選擇j個單位周期的采樣數(shù)據(jù),并將其矩陣化表示為

    其中,i表示區(qū)間序號.矩陣的每一行是由i個區(qū)間組成的一個樣本,每一列代表一類信號區(qū)間,每個元素的組成如下所示:

    2.2 基于1D-CNN并行訓(xùn)練的特征域篩選

    1D-CNN 能夠直接學(xué)習(xí)原始信號中的相關(guān)信息,使得偽特征具備該工況對應(yīng)的部分特性.在圖2 所示的特征域篩選階段,通過1D-CNN 并行訓(xùn)練所有工況下的每類偽特征,從中篩選出能準(zhǔn)確反映特定工況(健康狀態(tài)、外圈故障、內(nèi)圈故障、滾珠故障)的偽特征組,構(gòu)建該工況下狀態(tài)檢測模型的特征域.過小的振動信號采樣數(shù)值會增加1D-CNN 學(xué)習(xí)過程中的計算難度,為了避免此類問題,將每個偽特征進行單獨歸一化處理.對于任意一個偽特征的歸一化方式如下:

    其中,xi代表進行歸一化的采樣數(shù)據(jù),max 和min 表示進行歸一化的偽特征中最大和最小的值.每個偽特征歸一化后,能保證并行訓(xùn)練時具有相仿的時延;其次,相同維度的數(shù)據(jù)給予每個偽特征一樣的貢獻能力,在篩選階段提供可靠的敏感度評判結(jié)果.使用1D-CNN 篩選偽特征的過程本質(zhì)上是在單位周期內(nèi)的振動信號上進行的數(shù)據(jù)裁剪,丟棄不具代表性的偽特征,從根本上降低所需處理的數(shù)據(jù)量.

    通過1D-CNN 的并行訓(xùn)練,得到每個偽特征對應(yīng)于每個狀態(tài)(健康狀態(tài)、內(nèi)圈損壞、外圈損壞、滾珠故障)的分類準(zhǔn)確度,作為能夠準(zhǔn)確反映各狀態(tài)的敏感度.

    首先篩選出對于診斷健康狀態(tài)具有高分類準(zhǔn)確率的偽特征:

    Ph(Ci)為第i個偽特征對于判斷軸承健康狀態(tài)的準(zhǔn)確度;Thresholdh是人為設(shè)置的用于判斷偽特征在健康判別時是否具有代表性的閾值;nh為篩選出的偽特征數(shù)量,篩選的數(shù)量應(yīng)當(dāng)不超過總數(shù)的2/3,以免過分增加在線監(jiān)測的時延和硬件負擔(dān);Fh為健康狀態(tài)的特征域.如圖3 所示,本文將篩選出的偽特征進行聯(lián)合特征的提取,即特征域中的元素拼接形成子樣本輸入1D-CNN 學(xué)習(xí),訓(xùn)練后的模型用于判斷軸承是否處于健康狀態(tài).

    Fig.3 Online health monitoring based on feature domain splicing圖3 基于特征域拼接的健康狀態(tài)在線監(jiān)測

    已有文獻表明:軸承健康狀態(tài)的診斷所需要的數(shù)據(jù)量極少,大多數(shù)模型針對的問題是如何實現(xiàn)對軸承4 種工作狀態(tài)的準(zhǔn)確分類.在實際工業(yè)背景下,優(yōu)先發(fā)現(xiàn)故障比花費大量時間直接分類故障更具有實際意義.

    考慮到軸承故障已知且種類較少,本文采用為不同故障選取偽特征的方式降低需要處理的數(shù)據(jù)量.針對故障選出的偽特征組成的特征域涵蓋大量該故障的相關(guān)信息,不易造成故障種類混淆,能夠提高判斷的準(zhǔn)確度.使用公式(14)~公式(16)篩選出對于不同故障狀態(tài)下具有高分類準(zhǔn)確率的偽特征:

    其中,Pr(Ci)是第i個偽特征對于判斷內(nèi)圈故障的準(zhǔn)確度,類似地,Po(Ci)和Pb(Ci)分別表示第i個偽特征對于判斷外圈故障和滾珠故障的準(zhǔn)確度,Thresholdf是人為設(shè)置的閾值,Fr,Fo和Fb是分別針對內(nèi)圈故障、外圈故障、滾珠故障所選擇的偽特征組成的特征域.為故障篩選偽特征是為了篩選出包含特定故障種類相關(guān)信息最多的偽特征,而非直接用于分類故障.并行式1D-CNN 篩選偽特征構(gòu)造的健康狀態(tài)判別模型具有低時延、低復(fù)雜度、強泛化能力的特點,而為故障分類篩選出的偽特征所包含的信息比全局學(xué)習(xí)得到的特征更具針對性,也意味著多個故障信息重疊易造成混淆判斷的區(qū)域會被舍棄.

    2.3 基于聯(lián)合特征提取的故障診斷

    對實時收集的振動信號優(yōu)先采集健康狀態(tài)特征域,并在訓(xùn)練完成的健康狀態(tài)判別模型中對其進行判別,確定軸承的健康狀態(tài),對表現(xiàn)出非健康狀態(tài)的數(shù)據(jù)重新采樣,使用耦合自動編碼器的softmax 層對其進行分類,得出確切的故障類型.

    由于當(dāng)前篩選出的針對3 種故障的3 個特征域本質(zhì)上是軸承旋轉(zhuǎn)一周所得采樣點中富含特定工況信息的段落集合,雖然包含大量特定工況的信息,但是缺少關(guān)聯(lián)性和完整性.如果效仿健康狀態(tài)判別模型將特征域內(nèi)的元素連接成一維數(shù)組形成新的子樣本并通過1D-CNN 學(xué)習(xí),則無法達到良好的故障分類效果.綜合考慮裁剪周期后數(shù)據(jù)不完整、缺少相關(guān)性的特點,將篩選出來的偽特征組與原始信號通過自動編碼器做聯(lián)合特征處理后對具體故障進行識別.

    首先對原始信號采樣數(shù)據(jù)的矩陣進行全局歸一化,數(shù)學(xué)表達式如下:

    p是以周期為行、以樣本數(shù)為列的原始信號數(shù)據(jù)集,表示矩陣中第i行、第j列的數(shù)據(jù)點表示第j列的二范數(shù).上述公式表示每一列的每一個數(shù)據(jù)點除以該列的二范數(shù).

    隨后歸一化每個樣本的特征:

    耦合自動編碼器期望得到一種稀疏且特征間依然具有相關(guān)性的原始信號數(shù)據(jù)集,用來彌補被挑選出來的偽特征間缺失的相關(guān)性和裁剪掉的信息所包含的相關(guān)信息.因此,本文采用兩個自動編碼器進行兩組數(shù)據(jù)間的特征耦合,即:將兩個數(shù)據(jù)集通過編碼器和解碼器進行重構(gòu),通過重構(gòu)誤差和相關(guān)性度量組成的損失函數(shù)實現(xiàn)高準(zhǔn)確度的故障分類.自動編碼器的編碼解碼如下:

    其中,fs為特征提取函數(shù),即編碼器;hi是Ci編碼的表示;gs函數(shù)映射回輸入空間;s是編碼器與解碼器的權(quán)重和偏置的集合{W,b,W′,d}.

    自動編碼器在訓(xùn)練過程中減小重構(gòu)誤差:

    L(?)表示重構(gòu)函數(shù).

    通常情況下,使用平方誤差表示重構(gòu)誤差,訓(xùn)練則使用反向傳播,通過梯度下降實現(xiàn)最小化.

    Fr,Fo和Fb分別與p進行重構(gòu)耦合,以外圈故障為例,為重構(gòu)誤差增加相關(guān)性度量項,相關(guān)性度量定義如下:

    由于兩數(shù)據(jù)集同源,兩個自動編碼器的耦合能夠很快捕獲兩者間的相似性,彌補缺失信息.fa與fo分別是數(shù)據(jù)集p和Fo的映射函數(shù),Ca和Co是輸入的數(shù)據(jù),Sa和So是權(quán)重和偏置的集合,所以更新?lián)p失函數(shù)為

    其中,μi是控制重構(gòu)誤差和相似性度量的參數(shù)且訓(xùn)練過程依舊由反向傳播和梯度下降進行,在模型最后加入softmax 層進行分類.本文針對兩個同源數(shù)據(jù)集開展特征耦合:一類數(shù)據(jù)剔除了采樣周期內(nèi)受噪聲影響,包含故障重疊信息的部分,保留特定工況信息最豐富的區(qū)域;一類具有強相關(guān)性、稀疏性,通過自動編碼器耦合之后能夠發(fā)揮出兩類數(shù)據(jù)的優(yōu)勢,故障分類的準(zhǔn)確度優(yōu)于其中的任何一類數(shù)據(jù).本文所提基于1D-CNN 聯(lián)合特征提取的軸承健康監(jiān)測與故障診斷算法偽代碼如下.

    3 實驗仿真與性能評估

    3.1 參數(shù)設(shè)置

    實驗采用凱斯西儲大學(xué)(Case Western Reserve University)軸承數(shù)據(jù)中心提供的軸承數(shù)據(jù)進行實驗,數(shù)據(jù)以12 000 個采樣點每秒從機械的加速度計上收集,采樣點/圈數(shù)=采樣頻率×60/旋轉(zhuǎn)速度=12000×60/1797=400,因此固定單位周期的振動信號長度為400 個采樣點,即每個樣本由400 個采樣點組成.軸承健康狀態(tài)及不同故障狀態(tài)各選取1 000 個樣本,訓(xùn)練與測試所用數(shù)據(jù)比例為9:1.實驗所用1D-CNN 的激活函數(shù)為Relu,而網(wǎng)絡(luò)層數(shù)包括5 層卷積、5 層池化以及2 層完全連接層,卷積核大小為10,數(shù)量分別是27,27,27,36,36.

    如圖4(a)~圖4(d)所示為軸承正常運轉(zhuǎn)、內(nèi)圈故障、外圈故障、滾珠故障下產(chǎn)生的一個樣本長度的振動信號時域波形圖.

    Fig.4 Vibration signal under four working conditions per cycle圖4 4 種工況下單位周期長度的振動信號

    4 種工況單位周期長度的振動信號圖表明,不同信號區(qū)間包含不同的相關(guān)信息.依據(jù)本文提出的方案對每個樣本進行裁剪,將每個樣本平均裁剪成10 個信號區(qū)間,每個信號區(qū)間中的采樣點集合作為一個偽特征,可獲得數(shù)據(jù)矩陣:

    3.2 健康診斷和聯(lián)合特征故障模式識別

    將數(shù)據(jù)矩陣中每一列分別作為一個樣本集,并行地進入1D-CNN 中訓(xùn)練,圖5 為分別使用10 個偽特征(分別記為PF1,PF2,..,PF10)診斷健康狀態(tài)、滾珠故障、內(nèi)圈故障、外圈故障的準(zhǔn)確度.

    Fig.5 Diagnosis accuracy of different bearing states using 10 pseudo-features圖5 使用10 個偽特征診斷不同軸承狀態(tài)的準(zhǔn)確度

    如圖所示,使用不同偽特征判斷4 種工況的準(zhǔn)確度是具有差異性的,即單位周期長度的樣本內(nèi)每個信號區(qū)間所包含的相關(guān)信息差異很大,主要原因在于:(1) 部分信號區(qū)間包含大量的混淆信息,往往是造成傳統(tǒng)方法中錯誤分類故障的原因;(2) 一些區(qū)域?qū)τ诠r信息不敏感,特定工況的相關(guān)信息少.而診斷健康狀態(tài)的準(zhǔn)確度比診斷其他故障的準(zhǔn)確度明顯要高,因為健康狀態(tài)的信號在某些區(qū)域與故障的信號有明顯差異,便于分辨出數(shù)據(jù)是否健康.因此,可以將針對健康狀態(tài)的閾值設(shè)置在較高水平,Thresholdh=0.95,隨后針對故障的分類結(jié)果設(shè)置閾值.圖5 中結(jié)果表明:僅靠一小部分區(qū)域來分類故障很難達到令人滿意的結(jié)果,但是分類的準(zhǔn)確度可以提供每個區(qū)域?qū)τ谂袛嗵囟ür的敏感性.因此,設(shè)置故障準(zhǔn)確度閾值時不必太高,本文設(shè)置Thresholdf=0.85.

    在實驗過程中,存在不同偽特征判斷的準(zhǔn)確度普遍不高或準(zhǔn)確度區(qū)分性不明顯的情況.可通過適當(dāng)減少每個樣本切割出的偽特征數(shù)量,增加切割出的偽特征即信號區(qū)間長度,或切割時不從信號初始點位開始切割,使每個偽特征包含最多且最具針對性的軸承工況的相關(guān)信息.

    基于特征域拼接的健康狀態(tài)檢測有效性的實驗結(jié)果如圖6 所示,根據(jù)閾值篩選出針對健康狀態(tài)的偽特征組成特征域Fh=[Ch,1,Ch,3,Ch,5],將選擇出的特征域中元素拼接成子樣本進入1D-CNN 訓(xùn)練健康狀態(tài)判別模型.本實驗將3 個偽特征分別診斷健康狀態(tài)的準(zhǔn)確度與使用特征域拼接構(gòu)建子樣本進行診斷健康狀態(tài)的準(zhǔn)確度以及傳統(tǒng)一維卷積診斷健康狀態(tài)的準(zhǔn)確度進行了比較,結(jié)果如圖6 所示.3 個元素連接形成的子樣本因為包含最多的健康狀態(tài)相關(guān)信息,比3 個偽特征單獨分類的結(jié)果具有更高的準(zhǔn)確度,證明了偽特征連接成子樣本的有效性.

    Fig.6 Experimental analysis of the validity of health status detection based on feature domain splicing圖6 基于特征域拼接的健康狀態(tài)檢測有效性實驗分析

    圖7 所示分別是:1) TR1D-CNN:傳統(tǒng)一維卷積健康狀態(tài)判別模型;2) CFC1D-CNN:健康狀態(tài)的特征域中元素連接成子樣本通過1D-CNN 構(gòu)建健康狀態(tài)判別模型分別診斷相同數(shù)量的信號所需的時延.如圖所示,隨著樣本數(shù)量的增加,本文的健康狀態(tài)判別模型因為只對每個樣本特征域所在區(qū)域進行處理,所以實際處理的數(shù)據(jù)量遠小于傳統(tǒng)的1D-CNN.傳統(tǒng)的1D-CNN 模型本身因為能夠直接學(xué)習(xí)原始信號而具有低時延特點,本文在此基礎(chǔ)上進一步降低了訓(xùn)練時延,兼顧了工業(yè)場景下對診斷精度與診斷時延的服務(wù)質(zhì)量要求.

    圖8 所示分別是:1) TR1D-CNN:基于傳統(tǒng)一維卷積的軸承故障診斷模型;2) CFC1D-CNN:故障的特征域中元素連接成子樣本通過1D-CNN 構(gòu)建的故障診斷模型;3) CFJ1D-CNN:故障特征域中每個偽特征的故障分類結(jié)果以投票方式進行決策級融合構(gòu)建的故障診斷模型;4) CFCAE:本文所提的特征域與原始信號做聯(lián)合特征,最后在softmax 中進行分類構(gòu)建的故障診斷模型.TR1D-CNN 因為數(shù)據(jù)包含冗余和故障信息重疊的部分,在準(zhǔn)確度上并不突出.而CFC1D-CNN 和CFJ1D-CNN 雖然都比各自特征域中任意一個偽特征故障分類的準(zhǔn)確度高,但是提升的準(zhǔn)確度很有限,而由于處理的數(shù)據(jù)量最少,在時延方面占優(yōu).最后,CFCAE 因只聯(lián)合同源數(shù)據(jù),不會顯著提升時延,其次,耦合的過程對于數(shù)據(jù)完整性和相關(guān)性的彌補大大提高了故障分類的準(zhǔn)確度.

    Fig.7 Time delay comparison of different health discrimination models圖7 不同健康狀態(tài)判別模型的時延對比

    Fig.8 Comparison of diagnosis accuracy of different fault diagnosis models圖8 不同故障診斷模型的診斷精度對比

    4 總結(jié)

    基于價值驅(qū)動的工業(yè)故障診斷應(yīng)當(dāng)是時延與準(zhǔn)確度拉鋸平衡下的技術(shù),及時發(fā)現(xiàn)故障避免災(zāi)難性損失,再進行精準(zhǔn)的故障模式識別,能對當(dāng)前工業(yè)生產(chǎn)產(chǎn)生實際價值.本文提出了一種基于1D-CNN 聯(lián)合特征提取的軸承健康監(jiān)測與故障診斷算法,該算法優(yōu)先通過健康狀態(tài)特征域組成的子樣本訓(xùn)練1D-CNN 模型,高效、準(zhǔn)確地發(fā)現(xiàn)故障,隨后使用故障的特征域和原始信號耦合模型進行故障的模式識別.實驗結(jié)果表明:本文在追求分類故障準(zhǔn)確度的同時,降低了分類延遲,且模型的存儲和計算復(fù)雜度弱化了對基礎(chǔ)硬件設(shè)施的承載能力要求.在未來的工作中,我們將在本文提出的算法基礎(chǔ)上對軸承復(fù)合故障診斷進行研究,分析并發(fā)故障對軸承運轉(zhuǎn)數(shù)據(jù)變化規(guī)律的影響,消除由單故障和復(fù)合故障共存引起的診斷歧義.

    猜你喜歡
    準(zhǔn)確度故障診斷軸承
    軸承知識
    哈爾濱軸承(2022年2期)2022-07-22 06:39:32
    軸承知識
    哈爾濱軸承(2022年1期)2022-05-23 13:13:24
    軸承知識
    哈爾濱軸承(2021年2期)2021-08-12 06:11:46
    軸承知識
    哈爾濱軸承(2021年1期)2021-07-21 05:43:16
    幕墻用掛件安裝準(zhǔn)確度控制技術(shù)
    建筑科技(2018年6期)2018-08-30 03:40:54
    動態(tài)汽車衡準(zhǔn)確度等級的現(xiàn)實意義
    因果圖定性分析法及其在故障診斷中的應(yīng)用
    基于LCD和排列熵的滾動軸承故障診斷
    高爐重量布料準(zhǔn)確度的提高
    天津冶金(2014年4期)2014-02-28 16:52:58
    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
    亚洲精品国产一区二区精华液| 女性生殖器流出的白浆| 人人妻,人人澡人人爽秒播 | 国产熟女午夜一区二区三区| 日本黄色日本黄色录像| 精品亚洲成国产av| 欧美 日韩 精品 国产| 纯流量卡能插随身wifi吗| 人人妻,人人澡人人爽秒播 | 国产1区2区3区精品| 亚洲国产中文字幕在线视频| 久久久久视频综合| 性少妇av在线| 国产精品人妻久久久影院| 午夜久久久在线观看| 精品一区在线观看国产| 亚洲国产中文字幕在线视频| 人人澡人人妻人| 卡戴珊不雅视频在线播放| 婷婷色综合www| 亚洲精品成人av观看孕妇| 少妇人妻精品综合一区二区| 欧美日韩av久久| 另类精品久久| 女人高潮潮喷娇喘18禁视频| 久热这里只有精品99| 欧美激情极品国产一区二区三区| 国产成人精品在线电影| 黑丝袜美女国产一区| 亚洲人成网站在线观看播放| 亚洲av成人不卡在线观看播放网 | 少妇人妻 视频| 亚洲熟女精品中文字幕| 精品久久久久久电影网| e午夜精品久久久久久久| 久久久精品国产亚洲av高清涩受| 如日韩欧美国产精品一区二区三区| 亚洲精品自拍成人| 国产精品国产三级专区第一集| av在线观看视频网站免费| 精品福利永久在线观看| 高清黄色对白视频在线免费看| 国产av码专区亚洲av| 日韩,欧美,国产一区二区三区| 国产亚洲一区二区精品| 国产精品国产三级国产专区5o| 9热在线视频观看99| 精品少妇一区二区三区视频日本电影 | 看免费成人av毛片| 无遮挡黄片免费观看| 啦啦啦啦在线视频资源| 黄色视频在线播放观看不卡| 青春草亚洲视频在线观看| 一本—道久久a久久精品蜜桃钙片| 日韩av不卡免费在线播放| videosex国产| a级片在线免费高清观看视频| 欧美97在线视频| 国产精品久久久久久精品电影小说| 亚洲精品日本国产第一区| 精品少妇内射三级| 亚洲 欧美一区二区三区| 欧美日韩福利视频一区二区| 国产黄色免费在线视频| 丝袜人妻中文字幕| 两性夫妻黄色片| 国产精品成人在线| 观看av在线不卡| 如日韩欧美国产精品一区二区三区| av免费观看日本| 欧美精品av麻豆av| 亚洲av国产av综合av卡| 色精品久久人妻99蜜桃| 满18在线观看网站| 久久亚洲国产成人精品v| 侵犯人妻中文字幕一二三四区| 亚洲精品av麻豆狂野| 久久综合国产亚洲精品| 国产av国产精品国产| 一级a爱视频在线免费观看| 久久人人97超碰香蕉20202| 午夜免费男女啪啪视频观看| 考比视频在线观看| 精品国产露脸久久av麻豆| 欧美精品一区二区免费开放| 母亲3免费完整高清在线观看| 色婷婷av一区二区三区视频| av天堂久久9| 亚洲五月色婷婷综合| videos熟女内射| 宅男免费午夜| 欧美日韩一区二区视频在线观看视频在线| 久久久久久久久久久久大奶| 亚洲av电影在线观看一区二区三区| 日韩成人av中文字幕在线观看| 欧美 亚洲 国产 日韩一| 久久久久久免费高清国产稀缺| 欧美在线黄色| 国产欧美亚洲国产| 如日韩欧美国产精品一区二区三区| 丰满乱子伦码专区| 亚洲自偷自拍图片 自拍| 18禁动态无遮挡网站| 国产又色又爽无遮挡免| 国产伦人伦偷精品视频| 一区二区三区精品91| 亚洲国产中文字幕在线视频| 不卡av一区二区三区| 国产日韩欧美视频二区| 欧美av亚洲av综合av国产av | 啦啦啦在线观看免费高清www| 精品少妇内射三级| 国产精品久久久久久久久免| 伊人久久大香线蕉亚洲五| 亚洲国产毛片av蜜桃av| 成年人免费黄色播放视频| 久久免费观看电影| 久久久久视频综合| 91精品伊人久久大香线蕉| 久久久久久免费高清国产稀缺| 男女无遮挡免费网站观看| 久久精品人人爽人人爽视色| 亚洲精品日韩在线中文字幕| 成年女人毛片免费观看观看9 | 天堂中文最新版在线下载| 日本一区二区免费在线视频| √禁漫天堂资源中文www| 丝袜美足系列| 99热全是精品| 秋霞伦理黄片| 精品国产乱码久久久久久男人| 午夜av观看不卡| 爱豆传媒免费全集在线观看| 青青草视频在线视频观看| 老司机影院成人| 黑人巨大精品欧美一区二区蜜桃| 日韩欧美一区视频在线观看| 国产精品av久久久久免费| 欧美日韩视频精品一区| 亚洲综合色网址| 毛片一级片免费看久久久久| 激情视频va一区二区三区| 搡老岳熟女国产| 男女之事视频高清在线观看 | 亚洲欧美精品自产自拍| 日本av免费视频播放| 国产精品欧美亚洲77777| 欧美人与性动交α欧美软件| 九色亚洲精品在线播放| 亚洲av成人不卡在线观看播放网 | 成年人午夜在线观看视频| 欧美亚洲日本最大视频资源| 精品视频人人做人人爽| 国产精品一区二区在线观看99| 国产精品国产三级专区第一集| 2018国产大陆天天弄谢| 91精品伊人久久大香线蕉| 日韩中文字幕欧美一区二区 | 久久毛片免费看一区二区三区| 99国产综合亚洲精品| 亚洲精品视频女| av又黄又爽大尺度在线免费看| 色视频在线一区二区三区| 五月天丁香电影| 午夜精品国产一区二区电影| 免费看不卡的av| 国产成人精品久久久久久| 免费在线观看黄色视频的| 欧美国产精品一级二级三级| 国产在视频线精品| 亚洲专区中文字幕在线 | 久久影院123| 国产片特级美女逼逼视频| 亚洲欧美色中文字幕在线| 女人久久www免费人成看片| 国产精品 国内视频| 亚洲欧洲国产日韩| 色综合欧美亚洲国产小说| 啦啦啦在线免费观看视频4| 久久久久久免费高清国产稀缺| 欧美97在线视频| 亚洲欧美一区二区三区黑人| av免费观看日本| 亚洲精品国产一区二区精华液| av卡一久久| 久久久久久免费高清国产稀缺| 日韩 欧美 亚洲 中文字幕| 久久久欧美国产精品| 看十八女毛片水多多多| 国产黄色免费在线视频| 操美女的视频在线观看| 久久精品久久精品一区二区三区| 97精品久久久久久久久久精品| 精品人妻一区二区三区麻豆| 精品酒店卫生间| 超色免费av| 亚洲欧洲日产国产| 一区二区三区四区激情视频| 亚洲国产精品成人久久小说| 亚洲av成人不卡在线观看播放网 | 丰满乱子伦码专区| 国产精品久久久久久精品电影小说| 肉色欧美久久久久久久蜜桃| 日本wwww免费看| av卡一久久| 亚洲av在线观看美女高潮| 波野结衣二区三区在线| 日韩不卡一区二区三区视频在线| 国产一区二区 视频在线| 亚洲精品第二区| 久久毛片免费看一区二区三区| 婷婷色麻豆天堂久久| 亚洲av电影在线观看一区二区三区| 国产精品国产三级国产专区5o| 1024香蕉在线观看| 亚洲精品自拍成人| 黑人欧美特级aaaaaa片| 男女午夜视频在线观看| 亚洲av中文av极速乱| 久久精品国产综合久久久| 少妇被粗大的猛进出69影院| 亚洲精品乱久久久久久| 欧美成人精品欧美一级黄| 欧美xxⅹ黑人| 热re99久久国产66热| 久久天堂一区二区三区四区| 又粗又硬又长又爽又黄的视频| 超碰97精品在线观看| 亚洲av日韩在线播放| 黄色怎么调成土黄色| 男女无遮挡免费网站观看| 日本一区二区免费在线视频| 最近的中文字幕免费完整| 成人亚洲欧美一区二区av| 亚洲精品国产色婷婷电影| 韩国精品一区二区三区| 波多野结衣一区麻豆| 美女国产高潮福利片在线看| 欧美最新免费一区二区三区| 日韩成人av中文字幕在线观看| 日韩 欧美 亚洲 中文字幕| 99热国产这里只有精品6| 久久久久精品性色| 亚洲第一区二区三区不卡| av在线播放精品| avwww免费| 日本一区二区免费在线视频| 99热全是精品| 永久免费av网站大全| 亚洲精品av麻豆狂野| 考比视频在线观看| 熟女少妇亚洲综合色aaa.| 老熟女久久久| 免费在线观看黄色视频的| 亚洲五月色婷婷综合| 欧美激情高清一区二区三区 | 亚洲男人天堂网一区| 亚洲一卡2卡3卡4卡5卡精品中文| 我的亚洲天堂| 国产精品免费视频内射| 国产免费又黄又爽又色| 男女下面插进去视频免费观看| 色吧在线观看| 欧美国产精品va在线观看不卡| 欧美精品高潮呻吟av久久| 亚洲精品aⅴ在线观看| 国产亚洲午夜精品一区二区久久| 亚洲欧美激情在线| 亚洲成av片中文字幕在线观看| 波多野结衣一区麻豆| 中文字幕高清在线视频| 999久久久国产精品视频| 叶爱在线成人免费视频播放| 中文精品一卡2卡3卡4更新| 男人爽女人下面视频在线观看| 美女中出高潮动态图| 亚洲色图 男人天堂 中文字幕| 黄色视频在线播放观看不卡| 国产成人精品久久二区二区91 | 亚洲成av片中文字幕在线观看| 亚洲国产中文字幕在线视频| 精品国产一区二区三区四区第35| 最新在线观看一区二区三区 | 国产精品久久久av美女十八| 久久久久精品久久久久真实原创| 女人被躁到高潮嗷嗷叫费观| 哪个播放器可以免费观看大片| 侵犯人妻中文字幕一二三四区| 51午夜福利影视在线观看| 久久人人爽av亚洲精品天堂| 伊人久久国产一区二区| 亚洲男人天堂网一区| 国产在线一区二区三区精| 捣出白浆h1v1| 丝袜人妻中文字幕| 天美传媒精品一区二区| 自线自在国产av| 国产一区二区激情短视频 | 精品国产超薄肉色丝袜足j| 日日啪夜夜爽| 亚洲精品美女久久av网站| 日韩制服骚丝袜av| 2021少妇久久久久久久久久久| 亚洲成人国产一区在线观看 | 国产麻豆69| 亚洲精品成人av观看孕妇| 久久av网站| av免费观看日本| 99九九在线精品视频| 咕卡用的链子| 咕卡用的链子| 天天躁夜夜躁狠狠躁躁| 国产一区二区激情短视频 | 国产亚洲av高清不卡| 亚洲国产日韩一区二区| 看非洲黑人一级黄片| 精品久久久精品久久久| 日韩欧美一区视频在线观看| 观看av在线不卡| 高清欧美精品videossex| 两个人免费观看高清视频| 亚洲色图 男人天堂 中文字幕| 亚洲综合精品二区| 一区二区日韩欧美中文字幕| 中文字幕人妻熟女乱码| 免费日韩欧美在线观看| 人妻一区二区av| 日韩制服骚丝袜av| 在线免费观看不下载黄p国产| 久久精品人人爽人人爽视色| 久久久久精品国产欧美久久久 | 91国产中文字幕| 国产黄色视频一区二区在线观看| 日韩av不卡免费在线播放| av女优亚洲男人天堂| 精品免费久久久久久久清纯 | 欧美在线黄色| 一边亲一边摸免费视频| 青春草视频在线免费观看| 日韩中文字幕视频在线看片| 丰满少妇做爰视频| 国产成人精品在线电影| 久久 成人 亚洲| 黄色视频不卡| 丝袜美足系列| 精品国产露脸久久av麻豆| 国产免费一区二区三区四区乱码| 人体艺术视频欧美日本| 一区二区三区乱码不卡18| 人人妻人人澡人人爽人人夜夜| 波多野结衣一区麻豆| 一级毛片我不卡| 免费高清在线观看日韩| 91精品伊人久久大香线蕉| 美女高潮到喷水免费观看| 国精品久久久久久国模美| 在线精品无人区一区二区三| 亚洲,一卡二卡三卡| 中文字幕人妻丝袜一区二区 | 90打野战视频偷拍视频| 亚洲国产最新在线播放| 天堂中文最新版在线下载| 我要看黄色一级片免费的| 99精国产麻豆久久婷婷| 老司机深夜福利视频在线观看 | 久久久久精品人妻al黑| 日日摸夜夜添夜夜爱| 黄色一级大片看看| 日本爱情动作片www.在线观看| 不卡视频在线观看欧美| 亚洲 欧美一区二区三区| 欧美黑人欧美精品刺激| 校园人妻丝袜中文字幕| 看十八女毛片水多多多| 女人爽到高潮嗷嗷叫在线视频| 亚洲人成77777在线视频| 99九九在线精品视频| 欧美日韩综合久久久久久| 女人爽到高潮嗷嗷叫在线视频| 国产有黄有色有爽视频| 亚洲一区中文字幕在线| 老鸭窝网址在线观看| 一级a爱视频在线免费观看| 午夜日本视频在线| 亚洲成人一二三区av| 免费观看a级毛片全部| 欧美日韩亚洲高清精品| 日本色播在线视频| 狠狠精品人妻久久久久久综合| 观看av在线不卡| 男人舔女人的私密视频| 色吧在线观看| 成年动漫av网址| 国产精品免费大片| 尾随美女入室| 久久 成人 亚洲| 夫妻性生交免费视频一级片| 热99国产精品久久久久久7| 51午夜福利影视在线观看| 老司机影院成人| 伊人亚洲综合成人网| 免费黄色在线免费观看| 男人操女人黄网站| 乱人伦中国视频| 99久久精品国产亚洲精品| 国产一级毛片在线| 男女边摸边吃奶| 久久人人爽av亚洲精品天堂| 亚洲av福利一区| 丰满饥渴人妻一区二区三| 欧美黑人欧美精品刺激| 自拍欧美九色日韩亚洲蝌蚪91| 天天躁夜夜躁狠狠躁躁| 免费高清在线观看视频在线观看| 不卡av一区二区三区| 伦理电影大哥的女人| 黑人欧美特级aaaaaa片| 日韩精品免费视频一区二区三区| 日韩制服骚丝袜av| 亚洲国产欧美日韩在线播放| 久久天躁狠狠躁夜夜2o2o | 天堂中文最新版在线下载| 亚洲精品av麻豆狂野| 欧美激情 高清一区二区三区| 自拍欧美九色日韩亚洲蝌蚪91| 99久久人妻综合| bbb黄色大片| 免费看av在线观看网站| 香蕉国产在线看| 另类精品久久| 精品一区二区免费观看| 久久人妻熟女aⅴ| 99久国产av精品国产电影| 一级片免费观看大全| 一区二区三区激情视频| 人人妻人人澡人人看| 久久久久久人妻| 成人国产av品久久久| 亚洲伊人久久精品综合| 亚洲成人免费av在线播放| 在线观看三级黄色| 熟女av电影| 亚洲精品av麻豆狂野| 精品国产一区二区三区久久久樱花| 婷婷色综合www| 老鸭窝网址在线观看| 激情视频va一区二区三区| 日韩伦理黄色片| 晚上一个人看的免费电影| 又大又爽又粗| av女优亚洲男人天堂| 18禁国产床啪视频网站| 香蕉丝袜av| 一区二区三区四区激情视频| 亚洲视频免费观看视频| 国产男人的电影天堂91| 男女午夜视频在线观看| 久久久精品国产亚洲av高清涩受| 欧美亚洲日本最大视频资源| 免费人妻精品一区二区三区视频| 九色亚洲精品在线播放| 亚洲一码二码三码区别大吗| 人妻人人澡人人爽人人| 在线精品无人区一区二区三| 国产一区二区 视频在线| 国产午夜精品一二区理论片| 2018国产大陆天天弄谢| 无遮挡黄片免费观看| 亚洲国产av影院在线观看| 亚洲精品国产区一区二| 亚洲国产欧美一区二区综合| av女优亚洲男人天堂| 亚洲欧美一区二区三区黑人| 亚洲精品国产av成人精品| 久久久国产精品麻豆| 国产一区二区 视频在线| 热99久久久久精品小说推荐| 久久国产亚洲av麻豆专区| 丝袜美腿诱惑在线| 国产亚洲av高清不卡| 99香蕉大伊视频| 亚洲国产毛片av蜜桃av| 9色porny在线观看| 叶爱在线成人免费视频播放| 亚洲欧美日韩另类电影网站| 亚洲精品,欧美精品| 中文字幕亚洲精品专区| 中文精品一卡2卡3卡4更新| 久久av网站| 午夜91福利影院| 久久免费观看电影| 亚洲专区中文字幕在线 | 亚洲av在线观看美女高潮| 自拍欧美九色日韩亚洲蝌蚪91| 熟女av电影| av卡一久久| 交换朋友夫妻互换小说| 美女视频免费永久观看网站| 可以免费在线观看a视频的电影网站 | 日韩一本色道免费dvd| 老汉色∧v一级毛片| 一本—道久久a久久精品蜜桃钙片| 久热这里只有精品99| 啦啦啦在线免费观看视频4| 国产免费福利视频在线观看| 日韩一区二区三区影片| 99热网站在线观看| 亚洲精品久久成人aⅴ小说| 观看美女的网站| 美女脱内裤让男人舔精品视频| 亚洲精品成人av观看孕妇| 亚洲美女视频黄频| 亚洲婷婷狠狠爱综合网| 久久免费观看电影| 嫩草影视91久久| √禁漫天堂资源中文www| 亚洲国产日韩一区二区| 男人爽女人下面视频在线观看| 成人黄色视频免费在线看| 日本91视频免费播放| 久久久久精品国产欧美久久久 | 国产乱人偷精品视频| 亚洲综合色网址| 亚洲成av片中文字幕在线观看| 无限看片的www在线观看| 男女下面插进去视频免费观看| 亚洲国产欧美日韩在线播放| 可以免费在线观看a视频的电影网站 | 国产精品人妻久久久影院| 亚洲第一青青草原| 亚洲精品国产av成人精品| 汤姆久久久久久久影院中文字幕| 久久精品国产a三级三级三级| 成人国产麻豆网| 精品国产超薄肉色丝袜足j| 99热网站在线观看| 亚洲,欧美精品.| 日韩欧美精品免费久久| 汤姆久久久久久久影院中文字幕| 国产日韩欧美亚洲二区| 久久久精品94久久精品| 色94色欧美一区二区| 九色亚洲精品在线播放| 精品一区二区免费观看| 国产又色又爽无遮挡免| 人妻人人澡人人爽人人| 香蕉国产在线看| 少妇精品久久久久久久| 亚洲精品久久午夜乱码| 亚洲国产精品一区二区三区在线| 女的被弄到高潮叫床怎么办| 精品久久蜜臀av无| 看免费成人av毛片| 下体分泌物呈黄色| 精品一区二区三区四区五区乱码 | 大香蕉久久网| 黄色视频在线播放观看不卡| 人人妻人人澡人人看| 国产精品久久久人人做人人爽| 国产免费视频播放在线视频| 欧美日韩综合久久久久久| 国产精品嫩草影院av在线观看| 波野结衣二区三区在线| 午夜日本视频在线| 亚洲五月色婷婷综合| 超色免费av| 亚洲精品国产av蜜桃| 少妇人妻 视频| 精品亚洲乱码少妇综合久久| 操美女的视频在线观看| 涩涩av久久男人的天堂| av网站在线播放免费| 精品人妻在线不人妻| 国产男人的电影天堂91| 精品国产一区二区三区四区第35| www.精华液| 亚洲精品一二三| 啦啦啦视频在线资源免费观看| 久久鲁丝午夜福利片| 午夜91福利影院| 国产成人精品无人区| 亚洲精品成人av观看孕妇| 亚洲熟女精品中文字幕| 99久久人妻综合| 日韩中文字幕视频在线看片| 国产成人午夜福利电影在线观看| 人人澡人人妻人| 精品国产一区二区三区久久久樱花| 免费日韩欧美在线观看| 超色免费av| 国产欧美日韩一区二区三区在线| 日本vs欧美在线观看视频| 国产精品麻豆人妻色哟哟久久| 久久久国产一区二区| 国产一卡二卡三卡精品 | 亚洲欧美一区二区三区国产| 国产精品成人在线| 久久精品国产a三级三级三级| 久久久国产一区二区| 亚洲,欧美,日韩| 久久 成人 亚洲| 人成视频在线观看免费观看| 亚洲av综合色区一区| 成人国产av品久久久| 亚洲七黄色美女视频| 一级a爱视频在线免费观看| 在线观看免费日韩欧美大片| 蜜桃国产av成人99| 香蕉国产在线看| 韩国精品一区二区三区| 亚洲国产欧美在线一区| 国产又色又爽无遮挡免| 久久精品久久精品一区二区三区| 老司机影院毛片| 中文乱码字字幕精品一区二区三区|