• <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BPNN-NCT的風電機組主軸承異常辨識方法

    2022-08-05 07:36:46劉昌杰張瀟丹
    電力系統(tǒng)保護與控制 2022年14期
    關(guān)鍵詞:狀態(tài)參數(shù)殘差波動

    劉昌杰,段 斌,張瀟丹

    基于BPNN-NCT的風電機組主軸承異常辨識方法

    劉昌杰,段 斌,張瀟丹

    (湘潭大學自動化與電子信息學院,湖南 湘潭 411105)

    風電機組主軸承作為傳動系統(tǒng)的重要組成部件,其異常辨識精度受風速波動的影響較大。針對該問題,提出了一種基于BPNN-NCT的風電機組主軸承異常辨識方法。首先,利用相關(guān)系數(shù)法確定了與主軸承狀態(tài)相關(guān)的參數(shù)作為模型的輸入,并基于反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)建立了以主軸承溫度為狀態(tài)參數(shù)的狀態(tài)參數(shù)預測模型。然后,基于非中心(NCT)分布刻畫了不同風速波動區(qū)間下狀態(tài)參數(shù)預測殘差的分布特性,并在此基礎(chǔ)上提出了計及風速波動影響的風電機組主軸承異常狀態(tài)量化指標。最后,以某風電場的2 MW直驅(qū)風力發(fā)電機組為例,驗證了所提方法的有效性和準確性。

    主軸承;狀態(tài)參數(shù);風速波動;預測殘差;異常辨識

    0 引言

    風電機組長期運行在復雜多變的自然環(huán)境中,惡劣的環(huán)境導致機組各部件故障頻發(fā)[1-4]。主軸承作為風電機組傳動系統(tǒng)的核心部件,其是否能正常運行,將直接影響整個機組的安全性與穩(wěn)定性[5]。由于持續(xù)受到交變沖擊力和載荷作用的影響,主軸承極易發(fā)生故障[6-7]。主軸承一旦發(fā)生故障,其維修成本較高,停機運維的時間較長,造成的經(jīng)濟損失大[8]。對主軸承的狀態(tài)進行監(jiān)測,及時發(fā)現(xiàn)其異常,不僅能保證風電機組安全穩(wěn)定運行,還能提升風電場的經(jīng)濟性。

    風電場普遍安裝了數(shù)據(jù)采集與監(jiān)視控制(Supervisory Control and Data Acquisition, SCADA)系統(tǒng)。SCADA系統(tǒng)中存儲了海量的自然環(huán)境與設(shè)備運行參數(shù),通過挖掘其中的隱含信息辨識設(shè)備是否出現(xiàn)異常逐漸成為當前的研究熱點[9]。當前基于SCADA系統(tǒng)數(shù)據(jù)的風電機組主軸承異常辨識,主要是通過建立正常狀態(tài)下與主軸承狀態(tài)相關(guān)的狀態(tài)參數(shù)預測模型,根據(jù)檢測殘差的變化從而實現(xiàn)主軸承的異常辨識。當主軸承運行正常時,其狀態(tài)參數(shù)的殘差較??;當主軸承運行異常時,其狀態(tài)參數(shù)的殘差將明顯增大。文獻[10-11]基于SCADA系統(tǒng)數(shù)據(jù),分別采用逐層編碼網(wǎng)絡(luò)和性能改善深度置信網(wǎng)絡(luò)重構(gòu)與主軸承狀態(tài)相關(guān)的參數(shù),并結(jié)合指數(shù)加權(quán)移動平均法監(jiān)測重構(gòu)殘差,實現(xiàn)了主軸承的異常監(jiān)測。然而風電機組的系統(tǒng)參數(shù)受環(huán)境的影響較大,采用上述方法需要重構(gòu)的參數(shù)較多,極易因參數(shù)的劇烈波動而影響辨識結(jié)果。

    溫度作為軸承狀態(tài)和負荷變化最敏感的參數(shù)[12],在軸承狀態(tài)異常辨識中取得了較好的效果。文獻[13]建立了正常狀態(tài)下的主軸承溫度多元線性回歸(Multiple Linear Regression, MLR)模型,根據(jù)預測溫度與實際溫度殘差的分布特性,定義了故障預測判別函數(shù),實現(xiàn)了主軸承早期故障的預測。文獻[14-15]分別采用深度信念網(wǎng)絡(luò)(Deep Belief Network, DBN)和極限學習機(Extreme Learning Machine, ELM)建立了主軸承正常行為的溫度預測模型,并基于核密度估計法確定了異常閾值,實現(xiàn)了主軸承的異常狀態(tài)監(jiān)測。為提高溫度的預測精度,文獻[16]組合多元線性回歸模型、灰色預測模型和支持向量機模型建立了溫度預測模型,并結(jié)合預測殘差的分布特性,通過對比預測殘差均值與標準差的置信區(qū)間來判斷主軸承是否出現(xiàn)異常。

    上述研究主要是通過挖掘SCADA系統(tǒng)數(shù)據(jù)構(gòu)建狀態(tài)參數(shù)預測模型,并根據(jù)預測殘差的分布特性整定異常狀態(tài)的判定閾值,從而實現(xiàn)主軸承狀態(tài)異?;驖撛诠收系谋孀R[17]。然而上述研究存在以下問題:(1) 側(cè)重于狀態(tài)參數(shù)的預測精度研究[13-16],對狀態(tài)參數(shù)殘差的特性研究較少。在訓練狀態(tài)參數(shù)預測模型時,其目標是使預測誤差最小,這使得表現(xiàn)較好的模型殘差的分布較為集中,呈現(xiàn)出尖峰厚尾的分布特性。若采用高斯模型擬合殘差分布特性[13],將使得擬合的誤差較大。文獻[14-15]采用核密度法擬合殘差分布特性,雖然能夠較為準確地反映殘差的分布特性,但其擬合性能的好壞取決于帶寬的選擇,且核密度法在估計邊界區(qū)域時存在邊界效應[18],而在整定主軸承閾值時,殘差兩端的分布特性尤為重要,關(guān)系著異常辨識的精度。(2) 忽略了風速波動的影響。風電機組的運行參數(shù)與風速具有高相關(guān)性[19]。在預測風電機組系統(tǒng)參數(shù)時,其預測精度受風速波動的影響較大[20],僅依靠統(tǒng)計規(guī)律得到的預測殘差分布特性而整定的單一閾值判別法難以綜合體現(xiàn)設(shè)備狀態(tài)異常信息,使得在風速劇烈波動及故障發(fā)展初期此類方法的辨識精度較低[21]。

    針對上述問題,提出了一種基于BPNN-NCT風電機組主軸承異常狀態(tài)辨識方法。該方法基于反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network, BPNN)建立了以溫度為狀態(tài)參數(shù)的風電機組主軸承狀態(tài)參數(shù)預測模型;根據(jù)預測殘差分布的尖峰厚尾特性,提出了基于非中心(Non-centraldistribution, NCT)分布擬合主軸承狀態(tài)參數(shù)殘差的模型;考慮到風速波動對預測精度的影響,定義了衡量風速波動劇烈程度的指標,并在此基礎(chǔ)上提出了計及風速波動影響的主軸承狀態(tài)異常程度指標。以某風電場的2 MW直驅(qū)風力發(fā)電機組為例,驗證了所提方法的有效性。

    1 主軸承結(jié)構(gòu)及其異常分析

    風電機組主軸承由外圈、滾動體、內(nèi)圈、保持架、連接螺栓和密封圈等部件構(gòu)成,其外圈固定于軸承座,內(nèi)圈連接著機械傳動軸[22]。當風電機組運行時,主軸承內(nèi)圈隨著機械傳動軸轉(zhuǎn)動。主軸承通過機械傳動軸支撐著風電機組的葉片、輪轂、變槳系統(tǒng)等部件,并承擔著由它們質(zhì)量產(chǎn)生的徑向力與傾覆力矩以及風與葉片相互作用產(chǎn)生的軸向力、徑向力和傾覆力矩[23]。由于主軸承吸收了絕大多數(shù)有害的負載和彎矩,并且持續(xù)地受到交變沖擊力的影響,使得其極易發(fā)生故障。

    主軸承常見的故障有內(nèi)圈故障、外圈故障、滾動體故障和保持架故障[24]。主軸承從異常到發(fā)生故障的過程是一個累積過程。主軸承初始發(fā)生異常時,稱為初級受損,包括腐蝕、磨損、疲勞等;接著是中級受損,包括散列和破裂;如果在此階段還未對主軸承進行維護,最終將導致其難以修復。導致主軸承發(fā)生初級受損的主要原因有:在有害轉(zhuǎn)矩下長時間運行,電腐蝕、潤滑不良、溫度過高等[25]。

    當軸承發(fā)生初級受損時,其溫度變化最為敏感[12]。因此將溫度作為主軸承的狀態(tài)參數(shù),通過監(jiān)測其變化能夠?qū)崿F(xiàn)主軸承異常狀態(tài)的辨識[13-16]。

    2 主軸承異常辨識模型

    2.1 模型輸入?yún)?shù)的選取

    本文的數(shù)據(jù)來源于某風電場的10臺2 MW直驅(qū)風力發(fā)電機2017年1—12月的運行數(shù)據(jù),其中風電機組的編號為P1—P10。風電機組的基本參數(shù)如下:葉輪直徑為115 m;切入風速為3 m/s;切出風速為25 m/s;運行數(shù)據(jù)的記錄時間間隔為1 min。SCADA系統(tǒng)中記錄的運行參數(shù)包括時間、風速、發(fā)電機輸出功率、輪轂轉(zhuǎn)速、發(fā)電機轉(zhuǎn)矩、主軸承溫度等。

    SCADA系統(tǒng)中的參數(shù)眾多,為了降低狀態(tài)參數(shù)預測模型的復雜度,提高其預測精度,采用相關(guān)系數(shù)法選取與主軸承狀態(tài)參數(shù)具有一定關(guān)聯(lián)的參數(shù)作為模型的輸入。相關(guān)系數(shù)的計算公式為

    選取P1—P3號這3臺風電機組1—12月的正常運行數(shù)據(jù),計算狀態(tài)參數(shù)與其他參數(shù)的相關(guān)系數(shù),得到的部分相關(guān)系數(shù)數(shù)據(jù)如表1所示。采用相關(guān)系數(shù)大于0.6的參數(shù)作為模型的輸入。因此,最終確定主軸承-1時刻溫度、主軸承風輪側(cè)溫度、發(fā)電機輸出功率、發(fā)電機轉(zhuǎn)矩、輪轂轉(zhuǎn)速、風速、機艙溫度和測風塔環(huán)境溫度這8個參數(shù)作為狀態(tài)參數(shù)預測模型的輸入?yún)?shù)。

    表1 模型輸入變量與主軸承狀態(tài)參數(shù)的相關(guān)系數(shù)

    2.2 基于BPNN的預測模型

    BPNN是一種基于誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò),具有很強的非線性映射能力,能夠表達復雜的映射關(guān)系[26]。典型的BPNN由輸入層、隱含層和輸出層構(gòu)成[27],其訓練過程可以分為兩個階段:第一個階段是輸入信號通過網(wǎng)絡(luò)正向流動得到計算輸出,稱其為正向傳播;第二階段是將目標輸出與計算輸出的誤差信號通過反向流動并更新神經(jīng)元的權(quán)值和閾值,稱其為反向傳播[28]。BPNN的具體訓練步驟如下所述。

    1) 隨機初始化各神經(jīng)元的權(quán)值和閾值。

    4) 根據(jù)式(2)—式(4)更新權(quán)值和閾值(反向傳播)。

    5) 判斷是否滿足設(shè)定的誤差精度或者迭代次數(shù),若滿足,則停止訓練,否則,返回步驟3)。

    BPNN的結(jié)構(gòu)直接影響模型的效果,合適的網(wǎng)絡(luò)結(jié)構(gòu)不僅能提高模型訓練時的收斂速度,還能提高模型的精度。隱含層神經(jīng)元的個數(shù)通常依據(jù)如式(5)所示的經(jīng)驗公式確定[29]。考慮到隱含層節(jié)點數(shù)一般為2的整數(shù)次方,結(jié)合經(jīng)驗公式,確定BPNN的隱含層節(jié)點數(shù)為8。

    式中:為隱含層節(jié)點數(shù);為輸入層節(jié)點數(shù);為輸出層節(jié)點數(shù);為常數(shù),其取值為(1,10)。

    為了得到更好的狀態(tài)參數(shù)預測模型,以P1—P5號風電機組1—12月的正常運行數(shù)據(jù)作為訓練集,以P6與P7號風電機組1—12月的正常運行數(shù)據(jù)作為測試集。對訓練集和測試集均作歸一化處理后,分別構(gòu)建了單隱含層、雙隱含層、三隱含層和四隱含層的BPNN,為防止BPNN出現(xiàn)局部最優(yōu),通過反復調(diào)節(jié)學習率和batch值,多次訓練后,得到它們關(guān)于測試集的均方誤差(MSE)、均方根誤差(RMSE)和平均絕對誤差(MAE),如表2所示。

    表2 不同隱含層BPNN模型的狀態(tài)參數(shù)預測精度

    由表2可以看出,雙隱含層BPNN的MSE、RMSE和MAE的值均為最小,說明雙隱含層的BPNN能夠更為精確地預測狀態(tài)參數(shù),因此選取訓練的隱含層節(jié)點數(shù)為8的雙隱含層BPNN作為本文的主軸承狀態(tài)參數(shù)預測模型。

    2.3 殘差的分布特性

    2.3.1 NCT分布

    NCT分布是一種非中心對稱的連續(xù)分布[30],具有尖峰厚尾的特征,廣泛地應用于統(tǒng)計推斷、樣本估計等領(lǐng)域[31]。NCT分布的概率密度函數(shù)為

    2.3.2考慮風速波動的殘差分布特性

    在預測風電機組系統(tǒng)參數(shù)時,其預測精度受風速波動的影響較大,預測殘差的分布特性與風速具有高相關(guān)性[34]。在不考慮風速波動的影響下,直接擬合預測殘差使得判定異常狀態(tài)的閾值較為單一,難以滿足系統(tǒng)動態(tài)變化的要求。

    風速的波動性可以通過時間段內(nèi)風速的離散程度來衡量。時間段內(nèi)風速的離散程度越高,風速波動性越大,反之亦然。而標準差可以用來衡量一組數(shù)據(jù)的離散程度。因此,基于標準差定義了風速波動率,其計算公式為

    為了得到不同風速波動劇烈程度下狀態(tài)參數(shù)殘差的分布特性,本文將風速波動率劃分為4個子區(qū)間。為保證各區(qū)間的樣本量,首先需要對風速波動率的分布特性進行分析。以2.2節(jié)中的測試集為例,計算其風速波動率,由于其分布特性未知,故采用高斯核密度估計法擬合風速波動率的分布特性,得到其累積分布曲線如圖1所示。

    由圖1可以看出,風速波動率的取值主要集中在(0.00, 0.18)。將風速波動率均分為4個區(qū)間,得到(0.00, 0.07)、(0.07, 0.12)、(0.12, 0.18)和(0.18, 1.00)這4個子區(qū)間。

    圖1 風速波動率的累積分布曲線

    以2.2節(jié)中測試集的殘差為例,采用NCT分布擬合不同風速波動區(qū)間下的殘差分布特性,得到其概率密度曲線如圖2所示。

    圖2 主軸承狀態(tài)參數(shù)預測殘差的概率分布

    由圖2可以看出,不同風速波動區(qū)間下狀態(tài)參數(shù)殘差的概率密度曲線存在明顯的差異,殘差的分散性隨著風速波動率的增大而增大;風速波動率越小,殘差的分布越集中,其波動范圍越?。伙L速波動率越大,殘差的分布越分散,其波動范圍越大。風電機組主軸承狀態(tài)參數(shù)的殘差與風速波動的劇烈程度有著緊密的聯(lián)系,在整定主軸承狀態(tài)異常判定閾值時不能忽略風速波動的影響。

    2.4 主軸承異常狀態(tài)的量化

    主軸承正常運行狀態(tài)下的狀態(tài)參數(shù)殘差分布特性反應了其處于正常狀態(tài)下的特征。主軸承運行正常時,狀態(tài)參數(shù)的殘差在小范圍內(nèi)波動,當殘差較大時,主軸承異常的概率增大[14-16]?;诖?,對預測殘差的取值范圍進行劃分,以分位數(shù)0.025和0.975對應的殘差值將其劃分為2個區(qū)間,如圖3所示。

    圖3 狀態(tài)參數(shù)預測殘差的區(qū)間劃分

    采用滑動窗口統(tǒng)計狀態(tài)參數(shù)預測殘差落在兩個區(qū)間的個數(shù),其中窗口的寬度為20 min,窗口的移動步長為1 min。定義狀態(tài)參數(shù)異常程度指數(shù)(Abnormal Level Index, ALI)來表征其異常程度,其計算公式為

    2.5 主軸承異常狀態(tài)的辨識流程

    圖4為風電機組主軸承狀態(tài)參數(shù)異常辨識流程。

    基于BPNN-NCT的風電機組主軸承異常辨識的具體步驟如下。

    2) 預測狀態(tài)參數(shù)。根據(jù)輸入?yún)?shù),預測時刻主軸承的狀態(tài)參數(shù)。

    3) 計算殘差和風速波動率。計算時刻主軸承狀態(tài)參數(shù)的殘差與-到時間段內(nèi)的風速波動率。

    4) 統(tǒng)計殘差落入NCT分布中不同區(qū)間的數(shù)目。依據(jù)時刻計算的風速波動率,統(tǒng)計落入對應風速波動率下NCT分布中不同區(qū)間的殘差數(shù)目。

    5) 計算ALI。根據(jù)式(10)計算主軸承狀態(tài)參數(shù)異常程度指數(shù)ALI。

    6) 主軸承異常辨識。根據(jù)設(shè)定的ALI閾值判斷主軸承是否異常。

    圖4 主軸承異常辨識流程圖

    3 實例分析

    3.1 狀態(tài)參數(shù)預測模型的預測效果分析

    為了驗證基于BPNN的狀態(tài)參數(shù)預測模型的預測效果,以P8號風電機組某日00:00—24:00的運行數(shù)據(jù)為例,預測主軸承狀態(tài)參數(shù),得到實際狀態(tài)參數(shù)與預測狀態(tài)參數(shù)的曲線和預測殘差曲線如圖5所示。

    由圖5可以看出,訓練的模型能夠很好地跟隨實際的狀態(tài)參數(shù),且大部分數(shù)據(jù)的預測殘差都小于0.2 ℃,表明基于BPNN的主軸承狀態(tài)參數(shù)預測模型具有很高的預測精度。

    3.2 基于NCT分布的殘差擬合效果分析

    為驗證NCT分布擬合殘差的效果,以P8與P9號風電機組1—12月的正常運行數(shù)據(jù)為例,采用高斯分布、柯西分布和高斯核密度分布,并引入擬合誤差計算不同曲線的擬合誤差,與NCT分布進行對比。得到各分布的擬合誤差如表3所示,擬合曲線如圖6所示。其中,擬合誤差的計算公式為[18]

    圖5 狀態(tài)參數(shù)預測模型的預測結(jié)果

    表3 4種分布對主軸承狀態(tài)參數(shù)殘差的擬合誤差

    圖6 4種分布對主軸承狀態(tài)參數(shù)殘差的擬合曲線

    由表3和圖6可以看出,高斯分布對殘差的擬合程度最差;柯西分布雖能較為準確地刻畫殘差尖峰厚尾的特性,但對頂部的擬合程度較差;NCT分布和高斯核密度分布對殘差的擬合誤差相差較小,但高斯核密度分布對頂部的擬合程度較差,且在右端尾部產(chǎn)生了過擬合;而NCT分布能夠準確地刻畫殘差的整體分布特性,擬合誤差也最小。因此,采用NCT分布能夠更加精確地反映主軸承狀態(tài)參數(shù)殘差的分布特性。

    3.3 考慮風速波動的有效性分析

    為驗證考慮風速波動影響的有效性,首先利用訓練的BPNN模型預測P8與P9號風電機組1—12月主軸承的狀態(tài)參數(shù),得到其狀態(tài)參數(shù)的殘差;然后根據(jù)2.3節(jié)中劃分的風速波動區(qū)間,采用NCT分布分別擬合各風速波動區(qū)間的殘差,并計算其0.025分位數(shù)和0.975分位數(shù);最后得到不同風速波動區(qū)間下NCT分布區(qū)間的閾值如表4所示,其中(0.00, 1.00)表示忽略風速波動影響。

    由表4可以看出,不同風速波動區(qū)間下,判定主軸承異常的閾值相差較大;當風速波動率在(0.00, 0.18)時,隨著風速波動率的增大,閾值區(qū)間逐漸增大,說明隨著風速波動率的增大,殘差的分散性逐漸增大。當風速波動率處于(0.18, 1.00)時,結(jié)合圖2分析可知,其分布曲線較為扁平,厚尾特征明顯,因此相對波動區(qū)間(0.12, 0.18)的閾值范圍有所減小。主軸承異常區(qū)間的判定閾值在考慮風速波動影響時與不考慮風速波動影響時相差較大。因此,在對主軸承異常狀態(tài)進行辨識時不能忽略風速波動的影響。

    表4 不同風速波動區(qū)間下狀態(tài)異常的區(qū)間閾值

    3.4 異常辨識案例分析

    查閱風電機組主軸承故障數(shù)據(jù)報表,P10號機組在3月3日11:23—11:25因潤滑不良使得軸承溫度持續(xù)過高而停機。為了驗證所提方案的有效性,對其進行仿真計算,得到主軸承ALI值的曲線如圖7所示。

    由圖7可以看出,在11:13—11:35時段ALI值大于0.5,根據(jù)設(shè)定的狀態(tài)異常閾值可以判定,在這個時間段內(nèi)主軸承出現(xiàn)了異常。因此,所提方法能夠?qū)崿F(xiàn)主軸承的異常辨識。

    圖7 eALI時間序列

    3.5 與傳統(tǒng)方法的對比

    為進一步驗證所提方法的有效性,從該風電場的歷史故障數(shù)據(jù)報表中選取了與主軸承故障相關(guān)的180個異常樣本,并與傳統(tǒng)采用MLR模型[13]、DBN模型[14]和ELM模型[15]的方法進行對比,結(jié)果如表5所示。

    表5 不同方法的實驗結(jié)果對比

    由表5可以看出,本文所提的基于BPNN-NCT考慮風速波動的主軸承異常辨識方法的準確率明顯高于其他方法。

    4 結(jié)論

    針對風電機組主軸承受風速波動影響而導致其異常辨識精度低的問題,提出了一種基于BPNN- NCT的風電機組主軸承異常辨識方法。經(jīng)過實驗與分析得到如下結(jié)論。

    1) 采用NCT分布擬合主軸承狀態(tài)參數(shù)殘差,能夠更加精確地反映其尖峰厚尾的分布特性,比傳統(tǒng)的方法更精確。

    2) 主軸承狀態(tài)參數(shù)殘差受風速波動的影響較大,不同風速波動區(qū)間下殘差的分布具有明顯的差異。風速波動的劇烈程度越大,其殘差越分散。

    3) 計及風速波動影響的風電機組主軸承異常辨識方法,不僅能滿足系統(tǒng)動態(tài)變化的要求,還能提升主軸承異常辨識的精度。

    [1] 陳俊生, 李劍, 陳偉根, 等. 采用滑動窗口及多重加噪比堆棧降噪自編碼的風電機組狀態(tài)異常檢測方法[J]. 電工技術(shù)學報, 2020, 35(2): 346-358.

    CHEN Junsheng, LI Jian, CHEN Weigen, et al. A method for detecting anomaly conditions of wind turbines using stacked denoising autoencoders with sliding window and multiple noise ratios[J]. Transactions of China Electrotechnical Society, 2020, 35(2): 346-358.

    [2] 劉軍, 汪繼勇. 基于風電機組健康狀態(tài)的風電場功率分配研究[J]. 電力系統(tǒng)保護與控制, 2020, 48(20): 106-113.

    LIU Jun, WANG Jiyong. Research on power distribution of a wind farm based on the healthy state of wind turbines[J]. Power System Protection and Control, 2020, 48(20): 106-113.

    [3] 常淼, 沈艷霞. 基于改進卷積神經(jīng)網(wǎng)絡(luò)的風電軸承故障診斷策略[J]. 電力系統(tǒng)保護與控制, 2021, 49(6): 131-137.

    CHANG Miao, SHEN Yanxia.Fault diagnosis strategy of a wind power bearing based on an improved convolutional neural network[J]. Power System Protection and Control, 2021, 49(6): 131-137.

    [4] 王杰, 彭志煒, 田宇, 等. 雙饋風電機組故障穿越對系統(tǒng)暫態(tài)穩(wěn)定的影響[J]. 電測與儀表, 2021, 58(5): 112-118.

    WANG Jie, PENG Zhiwei, TIAN Yu, et al. Influence of fault ride-through of doubly-fed induction generators on transient stability of power systems[J]. Electrical Measurement & Instrumentation, 2021, 58(5): 112-118.

    [5] 盧錦玲, 張祥國, 張偉, 等. 基于改進輔助分類生成對抗網(wǎng)絡(luò)的風機主軸承故障診斷[J]. 電力系統(tǒng)自動化, 2021, 45(7): 148-154.

    LU Jinling, ZHANG Xiangguo, ZHANG Wei, et al. Fault diagnosis of main bearing of wind turbine based on improved auxiliary classifier generative adversarial network[J]. Automation of Electric Power Systems, 2021, 45(7): 148-154.

    [6] 張鑫, 徐遵義, 何慧茹, 等. 基于RBM和SVM的風電機組葉片開裂故障預測[J]. 電力系統(tǒng)保護與控制, 2020, 48(15): 134-140.

    ZHANG Xin, XU Zunyi, HE Huiru, et al. Wind turbine blade cracking fault prediction based on RBM and SVM[J]. Power System Protection and Control, 2020, 48(15): 134-140.

    [7] 黃南天, 楊學航, 蔡國偉, 等. 采用非平衡小樣本數(shù)據(jù)的風機主軸承故障深度對抗診斷[J]. 中國電機工程學報, 2020, 40(2): 563-574.

    HUANG Nantian, YANG Xuehang, CAI Guowei, et al. A deep adversarial diagnosis method for wind turbine main bearing fault with imbalanced small sample scenarios[J]. Proceedings of the CSEE, 2020, 40(2): 563-574.

    [8] LIU Zepeng, ZHANG Long. A review of failure modes, condition monitoring and fault diagnosis methods for large-scale wind turbine bearings[J]. Measurement, 2020, 149.

    [9] 馬然, 栗文義, 齊詠生. 風電機組健康狀態(tài)預測中異常數(shù)據(jù)在線清洗[J]. 電工技術(shù)學報, 2021, 36(10): 2127-2139.

    MA Ran, LI Wenyi, QI Yongsheng. Online cleaning of abnormal data for the prediction of wind turbine health condition[J]. Transactions of China Electrotechnical Society, 2021, 36(10): 2127-2139.

    [10]趙洪山, 劉輝海. 基于深度學習網(wǎng)絡(luò)的風電機組主軸承故障檢測[J]. 太陽能學報, 2018, 39(3): 588-595.

    ZHAO Hongshan, LIU Huihai. Fault detection of wind turbine main bearing based on deep learning network[J]. Acta Energiae Solaris Sinica, 2018, 39(3): 588-595.

    [11] 趙洪山, 劉輝海. 基于性能改善深度置信網(wǎng)絡(luò)的風電機組主軸承狀態(tài)分析[J]. 電力自動化設(shè)備, 2018, 38(2): 44-49.

    ZHAO Hongshan, LIU Huihai. Condition analysis of wind turbine main bearing based on deep belief network with improved performance[J]. Electric Power Automation Equipment, 2018, 38(2): 44-49.

    [12]周林, 趙杰, 馮廣飛. 裝備故障預測與健康管理技術(shù)[M]. 北京: 國防工業(yè)出版社, 2015.

    [13] 張小田, 鄢盛騰, 周雪青, 等. 基于狀態(tài)監(jiān)測的風電機組主軸承早期故障預測方法[J]. 廣東電力, 2012, 25(11): 6-9, 50.

    ZHANG Xiaotian, YAN Shengteng, ZHOU Xueqing, et al. Early fault prediction method of wind turbine main bearing based on condition monitoring[J]. Guangdong Electric Power, 2012, 25(11): 6-9, 50.

    [14] 王洪斌, 王紅, 何群, 等. 基于深度信念網(wǎng)絡(luò)的風機主軸承狀態(tài)監(jiān)測方法[J]. 中國機械工程, 2018, 29(8): 948-953.

    WANG Hongbin, WANG Hong, HE Qun, et al. Condition monitoring method for wind turbine main bearing based on DBN[J]. China Mechanical Engineering, 2018, 29(8): 948-953.

    [15] 何群, 王紅, 江國乾, 等. 基于相關(guān)主成分分析和極限學習機的風電機組主軸承狀態(tài)監(jiān)測研究[J]. 計量學報, 2018, 39(1): 89-93.

    HE Qun, WANG Hong, JIANG Guoqian, et al. Research of wind turbine main bearing condition monitoring based on correlation PCA and ELM[J]. Acta Metrologica Sinica, 2018, 39(1): 89-93.

    [16] 鄭玉巧, 魏劍峰, 朱凱, 等. 風力機主軸承故障監(jiān)測方法[J]. 振動.測試與診斷, 2021, 41(2): 341-347, 415.

    ZHENG Yuqiao, WEI Jianfeng, ZHU Kai, et al. Fault monitoring method of wind turbine main bearing[J]. Journal of Vibration, Measurement & Diagnosis, 2021, 41(2): 341-347, 415.

    [17] KUSIAK A, VERMA A. Analyzing bearing faults in wind turbines: a data-mining approach[J]. Renewable Energy, 2012, 48: 110-116.

    [18] 楊茂, 杜剛. 基于Location-Scale分布的風電功率概率預測研究[J]. 中國電力, 2017, 50(1): 140-145.

    YANG Mao, DU Gang. Wind power probability prediction based onLocation-Scale distribution[J]. Electric Power, 2017, 50(1): 140-145.

    [19] 沈小軍, 周沖成, 呂洪. 基于運行數(shù)據(jù)的風電機組間風速相關(guān)性統(tǒng)計分析[J]. 電工技術(shù)學報, 2017, 32(16): 265-274.

    SHEN Xiaojun, ZHOU Chongcheng, Lü Hong. Statistical analysis of wind speed correlation between wind turbines based on operational data[J]. Transactions of China Electrotechnical Society, 2017, 32(16): 265-274.

    [20] LI Zhi, YE Lin, ZHAO Yongning, et al. Short-term wind power prediction based on extreme learning machine with error correction[J]. Protection and Control of Modern Power Systems, 2016, 1(1): 9-16.

    [21] SUN Peng, LI Jian, WANG Caisheng, et al. A generalized model for wind turbine anomaly identification based on SCADA data[J]. Applied Energy, 2016, 168: 550-567.

    [22] 郭鵬, 王兆光. 基于高斯過程回歸和雙滑動窗口殘差處理的風電機組主軸狀態(tài)監(jiān)測[J]. 電力自動化設(shè)備, 2018, 38(6): 34-40.

    GUO Peng, WANG Zhaoguang. Wind turbine spindle state monitoring based on Gaussian process regression and double moving window residual processing[J]. Electric Power Automation Equipment, 2018, 38(6): 34-40.

    [23] 張宏偉, 閆瑞志, 薛鵬, 等. 風電機組主軸承的設(shè)計與技術(shù)要求[J]. 軸承, 2014(4): 14-19.

    ZHANG Hongwei, YAN Ruizhi, XUE Peng, et al. Design and technical requirements of main bearings in wind turbines[J]. Bearing, 2014(4): 14-19.

    [24] 金曉航, 王宇, ZHANG Bin. 工業(yè)大數(shù)據(jù)驅(qū)動的故障預測與健康管理[J/OL]. 計算機集成制造系統(tǒng): 1-12 [2021-07-28]. http://kns.cnki.net/kcms/detail/11.5946.TP.20200814.1703.006.html.

    JIN Xiaohang, WANG Yu, ZHANG Bin. Fault prediction and health management driven by industrial big data[J/OL]. Computer Integrated Manufacturing System: 1-12[2021- 07-28]. http://kns.cnki.net/kcms/detail/11.5946.TP.20200 814.1703.006.html.

    [25] 金曉航, 孫毅, 單繼宏, 等. 風力發(fā)電機組故障診斷與預測技術(shù)研究綜述[J]. 儀器儀表學報, 2017, 38(5): 1041-1053.

    JIN Xiaohang, SUN Yi, SHAN Jihong, et al. Fault diagnosis and prognosis for wind turbines: an overview[J]. Chinese Journal of Scientific Instrument, 2017, 38(5): 1041-1053.

    [26] 李國慶, 劉釗, 金國彬, 等. 基于隨機分布式嵌入框架及BP神經(jīng)網(wǎng)絡(luò)的超短期電力負荷預測[J]. 電網(wǎng)技術(shù), 2020, 44(2): 437-445.

    LI Guoqing, LIU Zhao, JIN Guobin, et al. Ultra short-term power load forecasting based on randomly distributive embedded framework and BP neural network[J]. Power System Technology, 2020, 44(2): 437-445.

    [27] 賈德香, 呂干云, 林芬, 等. 基于SAPSO-BP和分位數(shù)回歸的光伏功率區(qū)間預測[J]. 電力系統(tǒng)保護與控制, 2021, 49(10): 20-26.

    JIA Dexiang, Lü Ganyun, LIN Fen, et al. Photovoltaic power interval prediction based on SAPSO-BP and quantile regression[J]. Power System Protection and Control, 2021, 49(10): 20-26.

    [28] HAKIM S J S, RAZAK H A. Modal parameters based structural damage detection using artificial neural networks-a review[J]. Smart Structures and Systems, 2014, 14(2): 159-189.

    [29] 姚仲敏, 潘飛, 沈玉會, 等. 基于GA-BP和POS-BP神經(jīng)網(wǎng)絡(luò)的光伏電站出力短期預測[J]. 電力系統(tǒng)保護與控制, 2015, 43(20): 83-89.

    YAO Zhongmin, PAN Fei, SHEN Yuhui, et al. Short-term prediction of photovoltaic power generation output based on GA-BP and POS-BP neural network[J]. Power System Protection and Control, 2015, 43(20): 83-89.

    [30] 楊貴金. 確定正態(tài)母體百分位值置信限的小樣本方法及其應用[D]. 唐山: 河北理工大學, 2008.

    YANG Guijin. A small sample method for determining the percentile confidence limit of a normal population and its application[D]. Tangshan: Hebei Polytechnic University, 2008.

    [31] 汪鵬, 周基元. 非中心分布非中心參數(shù)的最大似然估計[J]. 統(tǒng)計與決策, 2014(15): 9-13.

    WANG Peng, ZHOU Jiyuan. Maximum likelihood estimation of noncentral parameters of noncentraldistribution[J]. Statistics and Decision, 2014(15): 9-13.

    [32] 王珺, 宋瓊雅, 許岳培, 等. 效應量置信區(qū)間的原理及其實現(xiàn)[J]. 心理技術(shù)與應用, 2019, 7(5): 284-296.

    WANG Jun, SONG Qiongya, XU Yuepei, et al. The principle and realization of the effect size confidence interval[J]. Psychological Techniques and Application, 2019, 7(5): 284-296.

    [33] 金星, 洪延姬, 文明, 等. 非中心分布函數(shù)在可靠性下限計算中的應用[J]. 兵工學報, 2003(1): 82-84.

    JIN Xing, HONG Yanji, WEN Ming, et al. Application of non-centraldistribution function in the calculation of reliability lower limit[J]. Acta Armamentarii, 2003(1): 82-84.

    [34] YAN Cheng, TANG Yi, DAI Jianfeng, et al. Uncertainty modeling of wind power frequency regulation potential considering distributed characteristics of forecast errors[J]. Protection and Control of Modern Power Systems, 2021, 6(3): 276-288.

    An abnormal identification method for the main bearing of wind turbines based on BPNN-NCT

    LIU Changjie, DUAN Bin, ZHANG Xiaodan

    (School of Automation and Electronic Information, Xiangtan University, Xiangtan 411105, China)

    The main bearing of wind turbines is an important part of the transmission system, and its anomaly identification accuracy is greatly affected by wind speed fluctuations. To solve this problem, an abnormal identification method for the main bearing of wind turbines based on BPNN-NCT is proposed. First, the correlation coefficient method is used to determine the parameters related to the main bearing state as the input of the model, and a state parameter prediction model with the main bearing temperature as the state parameter is established based on a back propagation neural network (BPNN). Then a non-central(NCT) distribution is used to describe the distribution characteristics of the state parameter prediction residuals under different wind speed fluctuation intervals. Then a quantitative index of the abnormal state of the main bearing considering the influence of wind speed fluctuations is proposed. Finally, a 2 MW direct-drive wind turbine of a wind farm is taken as an example to verify the accuracy and effectiveness of the proposed method.

    main bearing; state parameter; wind speed fluctuations; prediction residual; anomaly identification

    10.19783/j.cnki.pspc.211178

    國家自然科學基金項目資助(61379063);湖南省自然科學基金項目資助(2020JJ6034)

    This work is supported by the National Natural Science Foundation of China (No. 61379063).

    2021-08-29;

    2021-11-17

    劉昌杰(1995—),男,通信作者,碩士研究生,研究方向為風電設(shè)備狀態(tài)監(jiān)測;E-mail: lcj19951928@163.com

    段 斌(1966—),男,博士,教授,研究方向為信息技術(shù)在電力系統(tǒng)中的應用,工程教育認證。E-mail: db61850@ 163.com

    (編輯 許 威)

    猜你喜歡
    狀態(tài)參數(shù)殘差波動
    基于CKF的大型拖拉機狀態(tài)參數(shù)估計研究
    基于HHT算法的分布式電力系統(tǒng)狀態(tài)自動監(jiān)測方法
    基于雙向GRU與殘差擬合的車輛跟馳建模
    堆石料的三維應力分數(shù)階本構(gòu)模型
    基于殘差學習的自適應無人機目標跟蹤算法
    羊肉價回穩(wěn) 后期不會大幅波動
    基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
    自動化學報(2019年6期)2019-07-23 01:18:32
    微風里優(yōu)美地波動
    中國化肥信息(2019年3期)2019-04-25 01:56:16
    The validity analysis of ground simulation test for non-ablative thermal protection materials
    成人一区二区视频在线观看| 国产精品伦人一区二区| 国产探花在线观看一区二区| 午夜福利在线观看免费完整高清在 | 日本黄大片高清| 久久这里只有精品中国| 制服丝袜大香蕉在线| 真人一进一出gif抽搐免费| 婷婷丁香在线五月| 黄色一级大片看看| 精品国产三级普通话版| 日本免费a在线| 好男人在线观看高清免费视频| 色尼玛亚洲综合影院| 亚洲va日本ⅴa欧美va伊人久久| 一区二区三区高清视频在线| 床上黄色一级片| 一本久久中文字幕| 精品久久久久久久久久免费视频| 波野结衣二区三区在线| 国产欧美日韩一区二区三| 一区二区三区四区激情视频 | 少妇被粗大猛烈的视频| 色播亚洲综合网| 成人鲁丝片一二三区免费| 波多野结衣巨乳人妻| 两个人的视频大全免费| 免费高清视频大片| 一级作爱视频免费观看| 免费一级毛片在线播放高清视频| 人人妻,人人澡人人爽秒播| 国产国拍精品亚洲av在线观看| 亚洲av熟女| 欧美黑人巨大hd| av女优亚洲男人天堂| 午夜福利在线在线| 国产 一区 欧美 日韩| 色综合欧美亚洲国产小说| 久久人妻av系列| 欧美激情国产日韩精品一区| 国产视频一区二区在线看| 悠悠久久av| 亚洲国产精品999在线| 国产av不卡久久| 九九热线精品视视频播放| 国产成人福利小说| 最新中文字幕久久久久| 2021天堂中文幕一二区在线观| 国产野战对白在线观看| 国产一区二区在线av高清观看| 我要搜黄色片| 国内毛片毛片毛片毛片毛片| 国产成年人精品一区二区| 国产精品久久久久久精品电影| 天堂√8在线中文| 88av欧美| 性插视频无遮挡在线免费观看| 欧美成人免费av一区二区三区| 最近最新中文字幕大全电影3| 人妻久久中文字幕网| 日本三级黄在线观看| 级片在线观看| 国内久久婷婷六月综合欲色啪| 丁香六月欧美| .国产精品久久| 色哟哟哟哟哟哟| 亚洲成人精品中文字幕电影| 国产欧美日韩一区二区三| 亚洲国产欧美人成| 色播亚洲综合网| 在线免费观看不下载黄p国产 | 51国产日韩欧美| 久久精品国产亚洲av天美| 小蜜桃在线观看免费完整版高清| 国产午夜精品论理片| 精品一区二区三区视频在线观看免费| 两个人的视频大全免费| 人妻久久中文字幕网| 蜜桃久久精品国产亚洲av| 亚洲av不卡在线观看| 蜜桃久久精品国产亚洲av| 国产色爽女视频免费观看| 国产 一区 欧美 日韩| 成人一区二区视频在线观看| 中文资源天堂在线| 99国产精品一区二区三区| 亚洲欧美日韩东京热| 久久精品91蜜桃| 久久亚洲精品不卡| 欧美3d第一页| 久久国产精品人妻蜜桃| 精品久久久久久久久久免费视频| 久久久久久久亚洲中文字幕 | 成人无遮挡网站| 久99久视频精品免费| 国产中年淑女户外野战色| 成熟少妇高潮喷水视频| 中出人妻视频一区二区| 欧美另类亚洲清纯唯美| 国内久久婷婷六月综合欲色啪| 小蜜桃在线观看免费完整版高清| 三级男女做爰猛烈吃奶摸视频| 久久欧美精品欧美久久欧美| 日韩欧美一区二区三区在线观看| 90打野战视频偷拍视频| 美女xxoo啪啪120秒动态图 | 精品久久久久久久人妻蜜臀av| 伊人久久精品亚洲午夜| 中文资源天堂在线| 免费无遮挡裸体视频| 天天一区二区日本电影三级| 亚洲经典国产精华液单 | 可以在线观看毛片的网站| 精品人妻偷拍中文字幕| 搡老妇女老女人老熟妇| 真实男女啪啪啪动态图| 自拍偷自拍亚洲精品老妇| 欧美日韩乱码在线| 99热这里只有精品一区| 一区二区三区激情视频| 久久久久久国产a免费观看| 老司机午夜十八禁免费视频| 免费看光身美女| av欧美777| www.www免费av| 淫妇啪啪啪对白视频| 99久久久亚洲精品蜜臀av| 色综合站精品国产| 一级av片app| 国产白丝娇喘喷水9色精品| 欧美午夜高清在线| 18禁黄网站禁片午夜丰满| 在线观看舔阴道视频| 18禁黄网站禁片免费观看直播| 性插视频无遮挡在线免费观看| 亚洲av成人精品一区久久| 国内少妇人妻偷人精品xxx网站| a级毛片a级免费在线| 国产视频内射| 九九在线视频观看精品| 极品教师在线免费播放| 别揉我奶头 嗯啊视频| 亚洲第一区二区三区不卡| 精品久久国产蜜桃| 亚洲第一欧美日韩一区二区三区| 欧美日韩黄片免| 久久精品综合一区二区三区| 内地一区二区视频在线| 午夜福利高清视频| 91久久精品国产一区二区成人| 老女人水多毛片| 亚洲成人久久性| 舔av片在线| 精品午夜福利视频在线观看一区| 不卡一级毛片| 亚洲狠狠婷婷综合久久图片| 成人亚洲精品av一区二区| 亚洲中文字幕日韩| 亚洲性夜色夜夜综合| 欧美成人免费av一区二区三区| 黄色日韩在线| 亚洲内射少妇av| 成年免费大片在线观看| 激情在线观看视频在线高清| 亚洲熟妇中文字幕五十中出| 人妻久久中文字幕网| 国产精品久久久久久久电影| 我要搜黄色片| 窝窝影院91人妻| 亚洲自拍偷在线| 亚洲精品影视一区二区三区av| 国产在线精品亚洲第一网站| 精品久久久久久久久亚洲 | 一本精品99久久精品77| 欧美日本亚洲视频在线播放| 亚洲最大成人手机在线| 伊人久久精品亚洲午夜| 精品午夜福利在线看| 在线看三级毛片| 伦理电影大哥的女人| 国产私拍福利视频在线观看| 欧美色欧美亚洲另类二区| 黄色配什么色好看| 有码 亚洲区| 久久精品国产99精品国产亚洲性色| av福利片在线观看| 欧美日韩乱码在线| 国产精品电影一区二区三区| 国产蜜桃级精品一区二区三区| av女优亚洲男人天堂| 老司机深夜福利视频在线观看| 国产免费av片在线观看野外av| 久9热在线精品视频| 久久精品国产亚洲av涩爱 | 亚洲av中文字字幕乱码综合| 一进一出好大好爽视频| 日本黄色片子视频| 悠悠久久av| 精品免费久久久久久久清纯| 精品久久久久久久人妻蜜臀av| 少妇丰满av| 美女cb高潮喷水在线观看| 在线播放无遮挡| 婷婷六月久久综合丁香| 在线看三级毛片| 又紧又爽又黄一区二区| 精品免费久久久久久久清纯| 精品久久久久久久人妻蜜臀av| 午夜a级毛片| 熟女人妻精品中文字幕| 在线观看免费视频日本深夜| 少妇裸体淫交视频免费看高清| 最近最新中文字幕大全电影3| 男人舔奶头视频| 中亚洲国语对白在线视频| 精品国内亚洲2022精品成人| 久久久成人免费电影| 亚洲人成电影免费在线| 国产精品亚洲一级av第二区| 一夜夜www| 久久久精品大字幕| 九九久久精品国产亚洲av麻豆| 一进一出抽搐动态| 国产极品精品免费视频能看的| 性插视频无遮挡在线免费观看| 国产精品电影一区二区三区| 国产精品免费一区二区三区在线| 久久久久性生活片| 精品国产亚洲在线| 嫩草影院入口| a级一级毛片免费在线观看| 婷婷六月久久综合丁香| 一级av片app| av在线蜜桃| 一区二区三区四区激情视频 | 男女之事视频高清在线观看| 真人做人爱边吃奶动态| 黄片小视频在线播放| 夜夜夜夜夜久久久久| 亚洲 欧美 日韩 在线 免费| 99久久无色码亚洲精品果冻| 国产激情偷乱视频一区二区| 免费电影在线观看免费观看| 日本撒尿小便嘘嘘汇集6| 麻豆成人av在线观看| 成人特级av手机在线观看| 日本在线视频免费播放| 亚洲精品日韩av片在线观看| 日韩 亚洲 欧美在线| 国产精品98久久久久久宅男小说| 少妇裸体淫交视频免费看高清| 国内精品久久久久精免费| 欧美在线黄色| 欧美丝袜亚洲另类 | 我的女老师完整版在线观看| 亚洲avbb在线观看| 亚洲国产精品sss在线观看| 男人和女人高潮做爰伦理| 黄色配什么色好看| av在线天堂中文字幕| 精品久久久久久久久久免费视频| 国产免费av片在线观看野外av| 国产亚洲欧美98| 国产一区二区三区视频了| 69av精品久久久久久| 麻豆一二三区av精品| 欧美午夜高清在线| 亚洲久久久久久中文字幕| 精品人妻偷拍中文字幕| 久久久色成人| 在线观看免费视频日本深夜| 国产精品久久久久久人妻精品电影| 午夜日韩欧美国产| 一二三四社区在线视频社区8| 亚洲男人的天堂狠狠| 久久久久亚洲av毛片大全| 国产精华一区二区三区| 国产精品98久久久久久宅男小说| 日日干狠狠操夜夜爽| 看片在线看免费视频| 色综合亚洲欧美另类图片| 成年免费大片在线观看| 此物有八面人人有两片| 熟女人妻精品中文字幕| 免费在线观看影片大全网站| 日本一二三区视频观看| 久久国产精品影院| 69av精品久久久久久| 亚洲午夜理论影院| 免费高清视频大片| 国产色爽女视频免费观看| 色噜噜av男人的天堂激情| 99热6这里只有精品| 欧美日韩黄片免| 色精品久久人妻99蜜桃| 国产精品一区二区三区四区免费观看 | 国产亚洲精品久久久久久毛片| 国内毛片毛片毛片毛片毛片| 18+在线观看网站| 99热只有精品国产| 久久久久精品国产欧美久久久| 91av网一区二区| 在线免费观看不下载黄p国产 | 久久精品影院6| 天堂影院成人在线观看| 一a级毛片在线观看| 免费在线观看亚洲国产| 久久欧美精品欧美久久欧美| 热99re8久久精品国产| 午夜福利在线观看免费完整高清在 | 国产精品人妻久久久久久| 亚洲精品色激情综合| 国产久久久一区二区三区| 97人妻精品一区二区三区麻豆| 国产美女午夜福利| 成人毛片a级毛片在线播放| 俺也久久电影网| 老熟妇乱子伦视频在线观看| 亚洲av熟女| 国产伦一二天堂av在线观看| av在线天堂中文字幕| 免费一级毛片在线播放高清视频| 国产三级黄色录像| av专区在线播放| 亚洲精品色激情综合| 黄色丝袜av网址大全| 精华霜和精华液先用哪个| 久久久久性生活片| 亚洲真实伦在线观看| 亚洲人与动物交配视频| 成人国产一区最新在线观看| 久9热在线精品视频| 精品不卡国产一区二区三区| 舔av片在线| 国产成人啪精品午夜网站| 91av网一区二区| 性欧美人与动物交配| 婷婷精品国产亚洲av在线| 国产人妻一区二区三区在| 日本黄大片高清| 午夜福利视频1000在线观看| 精品一区二区三区视频在线观看免费| 在线观看午夜福利视频| 亚洲人成网站在线播放欧美日韩| 97热精品久久久久久| 国产精品1区2区在线观看.| 欧美在线一区亚洲| 免费无遮挡裸体视频| 日韩av在线大香蕉| 免费av不卡在线播放| 毛片一级片免费看久久久久 | 搞女人的毛片| 国产精品一区二区三区四区久久| 国产av在哪里看| 亚洲狠狠婷婷综合久久图片| 国产精品永久免费网站| 国产精品一区二区性色av| 深爱激情五月婷婷| 国内久久婷婷六月综合欲色啪| 每晚都被弄得嗷嗷叫到高潮| 狠狠狠狠99中文字幕| 午夜精品一区二区三区免费看| 午夜福利18| 国产精品嫩草影院av在线观看 | 午夜激情欧美在线| 欧美最新免费一区二区三区 | 美女高潮的动态| 欧美三级亚洲精品| 天美传媒精品一区二区| 淫妇啪啪啪对白视频| 国产一区二区在线观看日韩| 亚洲成人久久爱视频| 白带黄色成豆腐渣| 国产亚洲欧美在线一区二区| 国产成人啪精品午夜网站| 欧美bdsm另类| 亚洲第一电影网av| 色综合亚洲欧美另类图片| 又爽又黄a免费视频| 国产91精品成人一区二区三区| 国产在视频线在精品| 久久精品国产清高在天天线| 亚洲在线自拍视频| 国产精品日韩av在线免费观看| 精品久久久久久久人妻蜜臀av| 在线观看美女被高潮喷水网站 | 91麻豆精品激情在线观看国产| 99久久成人亚洲精品观看| 久久久成人免费电影| 中文字幕人妻熟人妻熟丝袜美| 国产91精品成人一区二区三区| 最近最新中文字幕大全电影3| 美女高潮喷水抽搐中文字幕| 亚洲欧美日韩高清在线视频| 国产一区二区亚洲精品在线观看| 国产熟女xx| 免费观看人在逋| 少妇熟女aⅴ在线视频| 国产高清有码在线观看视频| .国产精品久久| 久久午夜福利片| 中文亚洲av片在线观看爽| 午夜免费激情av| 成年女人看的毛片在线观看| 国产美女午夜福利| 村上凉子中文字幕在线| 亚洲av不卡在线观看| 国产精品av视频在线免费观看| 别揉我奶头 嗯啊视频| 国产精品一及| 可以在线观看毛片的网站| 久久久久久大精品| 久久精品国产亚洲av涩爱 | 久久国产精品影院| 1024手机看黄色片| 97碰自拍视频| 国产精品亚洲av一区麻豆| 少妇被粗大猛烈的视频| 国产aⅴ精品一区二区三区波| 亚洲,欧美精品.| 欧美一级a爱片免费观看看| 午夜福利欧美成人| 夜夜夜夜夜久久久久| www日本黄色视频网| 国产成人啪精品午夜网站| 一区福利在线观看| 高清在线国产一区| 深夜a级毛片| 国产精品一及| 人妻丰满熟妇av一区二区三区| 国产精品一区二区性色av| 美女xxoo啪啪120秒动态图 | 啪啪无遮挡十八禁网站| 少妇的逼水好多| 亚洲熟妇熟女久久| 国产单亲对白刺激| 日韩人妻高清精品专区| 成年免费大片在线观看| 亚洲美女视频黄频| 夜夜躁狠狠躁天天躁| 精品久久国产蜜桃| 波多野结衣巨乳人妻| 免费观看人在逋| 国产白丝娇喘喷水9色精品| 两个人视频免费观看高清| 一级黄色大片毛片| 老鸭窝网址在线观看| h日本视频在线播放| 免费观看的影片在线观看| 色5月婷婷丁香| 69人妻影院| 99热这里只有精品一区| 丰满人妻一区二区三区视频av| 国产在视频线在精品| 长腿黑丝高跟| 国内精品久久久久精免费| 一个人免费在线观看的高清视频| 脱女人内裤的视频| 有码 亚洲区| 亚洲一区二区三区不卡视频| 国产一区二区三区在线臀色熟女| 亚洲va日本ⅴa欧美va伊人久久| 18美女黄网站色大片免费观看| 精品福利观看| 最近在线观看免费完整版| 亚洲av成人不卡在线观看播放网| 国产视频内射| 久久久成人免费电影| 99热这里只有精品一区| 长腿黑丝高跟| 欧美激情国产日韩精品一区| 制服丝袜大香蕉在线| 欧美+日韩+精品| 偷拍熟女少妇极品色| 亚洲在线观看片| 国产成年人精品一区二区| 九色国产91popny在线| 色综合站精品国产| 又黄又爽又免费观看的视频| 日本 欧美在线| 每晚都被弄得嗷嗷叫到高潮| 男人和女人高潮做爰伦理| 日本五十路高清| 精品久久久久久成人av| 热99在线观看视频| 成人欧美大片| 天美传媒精品一区二区| 久久久久国产精品人妻aⅴ院| 性色avwww在线观看| 欧美最新免费一区二区三区 | 欧美极品一区二区三区四区| 欧美黑人欧美精品刺激| 亚洲一区二区三区不卡视频| 日韩欧美免费精品| 全区人妻精品视频| 狂野欧美白嫩少妇大欣赏| av天堂在线播放| 亚洲久久久久久中文字幕| 黄色女人牲交| 看片在线看免费视频| 成人午夜高清在线视频| 网址你懂的国产日韩在线| 国产欧美日韩一区二区精品| 久久国产乱子免费精品| 欧美中文日本在线观看视频| 97人妻精品一区二区三区麻豆| 亚洲av电影不卡..在线观看| 美女大奶头视频| 男人狂女人下面高潮的视频| 亚洲自偷自拍三级| 亚洲,欧美,日韩| av视频在线观看入口| 永久网站在线| 成年免费大片在线观看| 欧美在线黄色| 成人一区二区视频在线观看| 欧美成人性av电影在线观看| 又黄又爽又免费观看的视频| 欧美性猛交╳xxx乱大交人| 国产伦一二天堂av在线观看| 美女cb高潮喷水在线观看| 夜夜看夜夜爽夜夜摸| 1024手机看黄色片| 亚洲精品成人久久久久久| 欧美丝袜亚洲另类 | 亚洲熟妇中文字幕五十中出| 亚洲一区二区三区不卡视频| 久久性视频一级片| 亚洲真实伦在线观看| 精品日产1卡2卡| 久久精品影院6| 天天一区二区日本电影三级| 欧美黑人巨大hd| 欧美不卡视频在线免费观看| 日本熟妇午夜| 男人和女人高潮做爰伦理| 一进一出抽搐gif免费好疼| 成熟少妇高潮喷水视频| 亚洲精品粉嫩美女一区| 日韩欧美在线乱码| 俺也久久电影网| 动漫黄色视频在线观看| 国产成人aa在线观看| 久久精品久久久久久噜噜老黄 | 小蜜桃在线观看免费完整版高清| 欧美性猛交黑人性爽| 亚洲国产日韩欧美精品在线观看| 嫁个100分男人电影在线观看| 夜夜看夜夜爽夜夜摸| 又爽又黄无遮挡网站| 国产成年人精品一区二区| 丁香六月欧美| 嫩草影院入口| 国产av在哪里看| 老司机午夜福利在线观看视频| 欧美精品国产亚洲| 天天一区二区日本电影三级| 国模一区二区三区四区视频| 自拍偷自拍亚洲精品老妇| 日本一本二区三区精品| 精品久久国产蜜桃| 欧美最新免费一区二区三区 | 免费看光身美女| 久9热在线精品视频| 91av网一区二区| 级片在线观看| 国产伦人伦偷精品视频| 永久网站在线| 99久国产av精品| 精品久久国产蜜桃| 一级黄色大片毛片| 欧美3d第一页| 亚州av有码| 又黄又爽又免费观看的视频| av女优亚洲男人天堂| 自拍偷自拍亚洲精品老妇| 99热这里只有精品一区| 亚洲激情在线av| 天堂av国产一区二区熟女人妻| 最近视频中文字幕2019在线8| 欧美成人免费av一区二区三区| 欧美日本视频| 波多野结衣高清作品| 亚洲人成网站在线播| eeuss影院久久| 亚洲国产精品久久男人天堂| ponron亚洲| 在线看三级毛片| 免费av不卡在线播放| 久久久国产成人免费| 国产老妇女一区| 亚洲成av人片免费观看| 精品人妻偷拍中文字幕| 麻豆成人午夜福利视频| 亚洲精品在线观看二区| 中文字幕免费在线视频6| 99久久精品热视频| 欧美一级a爱片免费观看看| 国产蜜桃级精品一区二区三区| 国产精品伦人一区二区| avwww免费| 欧美极品一区二区三区四区| 久久精品国产清高在天天线| 乱码一卡2卡4卡精品| 国产黄a三级三级三级人| 精品人妻一区二区三区麻豆 | 一区二区三区高清视频在线| 热99re8久久精品国产| 亚洲一区二区三区色噜噜| 亚洲欧美日韩高清专用| 一区二区三区激情视频| 可以在线观看的亚洲视频| 身体一侧抽搐| 99在线视频只有这里精品首页| 国产精品久久久久久亚洲av鲁大|