• <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
    999久久久国产精品视频| 免费观看a级毛片全部| 国产精品熟女久久久久浪| 亚洲精品国产一区二区精华液| 日本撒尿小便嘘嘘汇集6| 亚洲人成电影免费在线| 日本av免费视频播放| 黄片大片在线免费观看| 亚洲性夜色夜夜综合| 性高湖久久久久久久久免费观看| 久久天堂一区二区三区四区| 国产不卡av网站在线观看| 欧美黄色片欧美黄色片| 国产真人三级小视频在线观看| 国产精品一区二区精品视频观看| 久热爱精品视频在线9| 一二三四在线观看免费中文在| 精品少妇一区二区三区视频日本电影| 精品国产亚洲在线| 在线亚洲精品国产二区图片欧美| 丝袜在线中文字幕| 动漫黄色视频在线观看| 午夜视频精品福利| 97在线人人人人妻| 日韩视频在线欧美| 亚洲精品久久成人aⅴ小说| 免费在线观看完整版高清| 老汉色av国产亚洲站长工具| av有码第一页| 中文字幕人妻丝袜制服| 最近最新免费中文字幕在线| 亚洲精华国产精华精| 最近最新免费中文字幕在线| 男人操女人黄网站| 三级毛片av免费| 国产成人免费观看mmmm| 熟女少妇亚洲综合色aaa.| 免费av中文字幕在线| 制服人妻中文乱码| 欧美精品av麻豆av| 老司机福利观看| 亚洲免费av在线视频| 熟女少妇亚洲综合色aaa.| 国产人伦9x9x在线观看| 真人做人爱边吃奶动态| 免费日韩欧美在线观看| 亚洲中文字幕日韩| 天天躁夜夜躁狠狠躁躁| 80岁老熟妇乱子伦牲交| 少妇 在线观看| 高潮久久久久久久久久久不卡| 精品卡一卡二卡四卡免费| 亚洲欧美激情在线| 精品国产超薄肉色丝袜足j| 亚洲成人免费av在线播放| 啦啦啦 在线观看视频| 人成视频在线观看免费观看| 性少妇av在线| 9色porny在线观看| 欧美国产精品va在线观看不卡| 18禁观看日本| 考比视频在线观看| 国产精品二区激情视频| 老鸭窝网址在线观看| av片东京热男人的天堂| xxxhd国产人妻xxx| 成人精品一区二区免费| 人人妻人人添人人爽欧美一区卜| 99久久人妻综合| 热re99久久精品国产66热6| 成人av一区二区三区在线看| 亚洲成人免费av在线播放| 久久精品国产亚洲av香蕉五月 | 两个人看的免费小视频| 美女福利国产在线| av免费在线观看网站| 三上悠亚av全集在线观看| 亚洲精品久久成人aⅴ小说| 国产一区二区三区综合在线观看| 国产伦人伦偷精品视频| 欧美日韩视频精品一区| 首页视频小说图片口味搜索| 欧美精品av麻豆av| 久久精品国产综合久久久| 欧美人与性动交α欧美软件| 精品一区二区三区视频在线观看免费 | 丰满人妻熟妇乱又伦精品不卡| 国产av国产精品国产| 久久久久网色| 热re99久久精品国产66热6| 免费少妇av软件| 亚洲,欧美精品.| 久久精品人人爽人人爽视色| a级毛片在线看网站| 香蕉国产在线看| aaaaa片日本免费| 国产精品欧美亚洲77777| 天堂8中文在线网| 日韩免费高清中文字幕av| 欧美日韩av久久| 老熟女久久久| 1024香蕉在线观看| 丝袜美腿诱惑在线| 青草久久国产| 日韩大片免费观看网站| 熟女少妇亚洲综合色aaa.| 亚洲av成人一区二区三| 精品少妇一区二区三区视频日本电影| 亚洲av成人不卡在线观看播放网| 午夜视频精品福利| 久久精品国产亚洲av香蕉五月 | 精品久久久久久久毛片微露脸| 桃红色精品国产亚洲av| 国产精品成人在线| 国产成人影院久久av| 一进一出抽搐动态| 男女免费视频国产| 亚洲天堂av无毛| 日本撒尿小便嘘嘘汇集6| 国产高清国产精品国产三级| 香蕉久久夜色| 飞空精品影院首页| 久久精品国产亚洲av香蕉五月 | 天天操日日干夜夜撸| 热99re8久久精品国产| 91大片在线观看| 成人永久免费在线观看视频 | av福利片在线| 亚洲国产中文字幕在线视频| 亚洲成人手机| 老熟妇乱子伦视频在线观看| 日韩欧美国产一区二区入口| 国产91精品成人一区二区三区 | 超碰成人久久| 美女视频免费永久观看网站| 精品人妻在线不人妻| 露出奶头的视频| 母亲3免费完整高清在线观看| 午夜老司机福利片| 成人18禁在线播放| 中文字幕高清在线视频| 亚洲中文字幕日韩| 久久狼人影院| 久久久精品94久久精品| 国产日韩一区二区三区精品不卡| 中文字幕精品免费在线观看视频| 一区二区三区激情视频| 欧美精品高潮呻吟av久久| 91精品三级在线观看| 19禁男女啪啪无遮挡网站| 久久久久久久久久久久大奶| 女人精品久久久久毛片| 亚洲色图综合在线观看| 一级a爱视频在线免费观看| 一个人免费看片子| 天天添夜夜摸| 国产av又大| 大片电影免费在线观看免费| 亚洲成人手机| 欧美日韩黄片免| 蜜桃在线观看..| 黄频高清免费视频| 亚洲人成伊人成综合网2020| 国产精品欧美亚洲77777| 天天躁日日躁夜夜躁夜夜| 久久精品国产a三级三级三级| 宅男免费午夜| 亚洲av日韩在线播放| 午夜老司机福利片| 亚洲情色 制服丝袜| 国产精品98久久久久久宅男小说| 999久久久国产精品视频| 精品少妇黑人巨大在线播放| 国产精品 国内视频| 色综合欧美亚洲国产小说| 又黄又粗又硬又大视频| 欧美+亚洲+日韩+国产| 欧美激情 高清一区二区三区| 欧美精品一区二区大全| 久久精品国产99精品国产亚洲性色 | 国产免费福利视频在线观看| 热99re8久久精品国产| 我的亚洲天堂| 亚洲欧美精品综合一区二区三区| 无遮挡黄片免费观看| 人人妻人人澡人人爽人人夜夜| 成人手机av| 法律面前人人平等表现在哪些方面| 一区二区三区乱码不卡18| 婷婷成人精品国产| 亚洲视频免费观看视频| 男女下面插进去视频免费观看| 狂野欧美激情性xxxx| 色播在线永久视频| 国产高清视频在线播放一区| 亚洲视频免费观看视频| 亚洲一码二码三码区别大吗| 99热网站在线观看| 中文字幕av电影在线播放| 妹子高潮喷水视频| 日韩 欧美 亚洲 中文字幕| 黄色视频,在线免费观看| 青草久久国产| 亚洲欧洲精品一区二区精品久久久| 欧美国产精品va在线观看不卡| 十八禁高潮呻吟视频| 国产三级黄色录像| 久久午夜亚洲精品久久| 欧美大码av| 欧美日韩av久久| 久久精品熟女亚洲av麻豆精品| 亚洲七黄色美女视频| 欧美黄色淫秽网站| 天天躁日日躁夜夜躁夜夜| 欧美日韩亚洲高清精品| 少妇精品久久久久久久| 亚洲av日韩精品久久久久久密| 青草久久国产| 高清在线国产一区| 国产精品99久久99久久久不卡| 少妇精品久久久久久久| 老司机影院毛片| bbb黄色大片| 亚洲 欧美一区二区三区| 亚洲熟女毛片儿| 久久久久精品人妻al黑| 1024视频免费在线观看| 熟女少妇亚洲综合色aaa.| 手机成人av网站| av天堂在线播放| 一个人免费在线观看的高清视频| 人人妻人人澡人人看| 91精品国产国语对白视频| 好男人电影高清在线观看| av有码第一页| 久久这里只有精品19| 真人做人爱边吃奶动态| www.自偷自拍.com| 成在线人永久免费视频| 在线av久久热| 大片免费播放器 马上看| 好男人电影高清在线观看| 国产三级黄色录像| 日本撒尿小便嘘嘘汇集6| 精品久久久精品久久久| 午夜福利欧美成人| 久久亚洲真实| 大片电影免费在线观看免费| 国产精品国产高清国产av | 侵犯人妻中文字幕一二三四区| 丁香欧美五月| 18在线观看网站| 人人澡人人妻人| 午夜精品国产一区二区电影| 国产精品.久久久| 免费观看av网站的网址| 18禁裸乳无遮挡动漫免费视频| 国产精品久久久久成人av| 国产淫语在线视频| 桃红色精品国产亚洲av| 9191精品国产免费久久| 精品视频人人做人人爽| 国产黄色免费在线视频| 91老司机精品| 午夜视频精品福利| 热99久久久久精品小说推荐| 亚洲 欧美一区二区三区| 欧美日本中文国产一区发布| 国产日韩欧美视频二区| 久久亚洲精品不卡| 欧美精品人与动牲交sv欧美| 国产人伦9x9x在线观看| 女同久久另类99精品国产91| 久久中文看片网| 波多野结衣一区麻豆| 精品国产乱子伦一区二区三区| 麻豆成人av在线观看| 欧美激情 高清一区二区三区| 国产av又大| 午夜日韩欧美国产| 男女午夜视频在线观看| 天天添夜夜摸| 少妇的丰满在线观看| av天堂久久9| 午夜两性在线视频| 亚洲精品一二三| 两性夫妻黄色片| 色婷婷av一区二区三区视频| 一级毛片女人18水好多| 国产精品98久久久久久宅男小说| 伊人久久大香线蕉亚洲五| 久久中文字幕人妻熟女| 首页视频小说图片口味搜索| 激情在线观看视频在线高清 | 欧美亚洲日本最大视频资源| 亚洲精品美女久久久久99蜜臀| 国产熟女午夜一区二区三区| 久久热在线av| 久久婷婷成人综合色麻豆| 91成年电影在线观看| 中文字幕色久视频| 欧美精品亚洲一区二区| 中文字幕人妻丝袜一区二区| 一区二区av电影网| 国产精品熟女久久久久浪| 久久久欧美国产精品| 亚洲人成电影观看| 亚洲欧美日韩高清在线视频 | 波多野结衣一区麻豆| 真人做人爱边吃奶动态| 国产一区有黄有色的免费视频| 免费观看av网站的网址| 黄色丝袜av网址大全| 精品国产超薄肉色丝袜足j| 黄色视频不卡| av又黄又爽大尺度在线免费看| 亚洲午夜精品一区,二区,三区| 欧美变态另类bdsm刘玥| 日韩大码丰满熟妇| av国产精品久久久久影院| 国产一区有黄有色的免费视频| 汤姆久久久久久久影院中文字幕| 看免费av毛片| 天天影视国产精品| 91国产中文字幕| 女人爽到高潮嗷嗷叫在线视频| 国产不卡一卡二| 亚洲精品自拍成人| 精品国内亚洲2022精品成人 | 欧美人与性动交α欧美软件| 久久久精品免费免费高清| 成人手机av| 亚洲成人手机| 精品一区二区三卡| 中文欧美无线码| 精品国产国语对白av| 日韩 欧美 亚洲 中文字幕| 丝袜人妻中文字幕| 午夜91福利影院| 国产精品久久久久久精品古装| 在线看a的网站| 亚洲精品av麻豆狂野| 日本欧美视频一区| 啪啪无遮挡十八禁网站| 法律面前人人平等表现在哪些方面| 国产无遮挡羞羞视频在线观看| 国产av精品麻豆| 国产精品 欧美亚洲| 国产精品久久久久久精品古装| 丝袜美腿诱惑在线| 伦理电影免费视频| 亚洲国产成人一精品久久久| 天天操日日干夜夜撸| 脱女人内裤的视频| 涩涩av久久男人的天堂| 视频在线观看一区二区三区| 日日夜夜操网爽| 精品人妻1区二区| 亚洲精品自拍成人| 美女福利国产在线| 国产淫语在线视频| 99香蕉大伊视频| 国产老妇伦熟女老妇高清| av有码第一页| www.精华液| 久久婷婷成人综合色麻豆| 久久中文字幕人妻熟女| 亚洲精品国产色婷婷电影| 丁香六月天网| 99riav亚洲国产免费| 少妇猛男粗大的猛烈进出视频| 搡老岳熟女国产| 在线观看免费午夜福利视频| 老司机深夜福利视频在线观看| 18禁国产床啪视频网站| 操美女的视频在线观看| 亚洲精品成人av观看孕妇| 天堂动漫精品| 中文字幕色久视频| 丰满饥渴人妻一区二区三| 亚洲av日韩精品久久久久久密| 午夜成年电影在线免费观看| 成人国产一区最新在线观看| 欧美激情久久久久久爽电影 | 中文亚洲av片在线观看爽 | 三上悠亚av全集在线观看| 精品少妇一区二区三区视频日本电影| 久久精品国产99精品国产亚洲性色 | av又黄又爽大尺度在线免费看| 国产精品秋霞免费鲁丝片| 色老头精品视频在线观看| 欧美变态另类bdsm刘玥| 99久久精品国产亚洲精品| 日韩一区二区三区影片| 欧美日韩亚洲综合一区二区三区_| 久久人人爽av亚洲精品天堂| 亚洲美女黄片视频| 桃红色精品国产亚洲av| 大片免费播放器 马上看| 欧美+亚洲+日韩+国产| 久久99一区二区三区| 精品高清国产在线一区| 亚洲视频免费观看视频| 亚洲国产av影院在线观看| 精品一区二区三区视频在线观看免费 | 亚洲欧美一区二区三区黑人| 99精品在免费线老司机午夜| 国产高清激情床上av| 99热网站在线观看| 黄色 视频免费看| 国产成人精品无人区| 亚洲中文日韩欧美视频| 亚洲,欧美精品.| 亚洲第一欧美日韩一区二区三区 | 欧美日韩中文字幕国产精品一区二区三区 | 亚洲熟妇熟女久久| 熟女少妇亚洲综合色aaa.| 人人妻,人人澡人人爽秒播| 欧美精品一区二区免费开放| 激情在线观看视频在线高清 | 久久99一区二区三区| 中文字幕高清在线视频| 亚洲精品一二三| 精品午夜福利视频在线观看一区 | 亚洲久久久国产精品| 美女扒开内裤让男人捅视频| 狠狠精品人妻久久久久久综合| 国产成人精品无人区| 午夜福利视频精品| 国产主播在线观看一区二区| aaaaa片日本免费| 丰满饥渴人妻一区二区三| 亚洲欧美一区二区三区黑人| 国产1区2区3区精品| 国产伦理片在线播放av一区| 精品午夜福利视频在线观看一区 | 国产成人精品在线电影| 国产一区二区 视频在线| 久久国产精品男人的天堂亚洲| 黄色片一级片一级黄色片| 女同久久另类99精品国产91| 丝袜美腿诱惑在线| 人人妻人人添人人爽欧美一区卜| 精品国产一区二区三区四区第35| 别揉我奶头~嗯~啊~动态视频| 少妇精品久久久久久久| 亚洲精华国产精华精| av电影中文网址| 欧美激情极品国产一区二区三区| 亚洲欧洲精品一区二区精品久久久| 男人舔女人的私密视频| 日韩一卡2卡3卡4卡2021年| 精品国产亚洲在线| 18禁美女被吸乳视频| 国产成人免费无遮挡视频| 久久久欧美国产精品| 亚洲综合色网址| 久久久久久久大尺度免费视频| 又大又爽又粗| 色老头精品视频在线观看| 午夜福利在线免费观看网站| 精品一区二区三区av网在线观看 | 免费高清在线观看日韩| 国产在线精品亚洲第一网站| 久久精品国产综合久久久| 亚洲成av片中文字幕在线观看| 高清在线国产一区| 国产一区有黄有色的免费视频| 一区二区av电影网| 又紧又爽又黄一区二区| 久久中文字幕人妻熟女| 免费一级毛片在线播放高清视频 | 99re6热这里在线精品视频| 高清av免费在线| 91成人精品电影| 国产精品美女特级片免费视频播放器 | 视频在线观看一区二区三区| 亚洲专区字幕在线| 国产成人精品在线电影| 看免费av毛片| 日本精品一区二区三区蜜桃| 黄色丝袜av网址大全| 欧美av亚洲av综合av国产av| 国产成人一区二区三区免费视频网站| 热re99久久精品国产66热6| 男女边摸边吃奶| 中文字幕精品免费在线观看视频| 黄色视频不卡| 国产高清videossex| 日本五十路高清| 满18在线观看网站| 午夜福利视频精品| 宅男免费午夜| 99久久国产精品久久久| 国产精品99久久99久久久不卡| 亚洲国产精品一区二区三区在线| 99九九在线精品视频| 90打野战视频偷拍视频| 日日夜夜操网爽| 人人妻人人爽人人添夜夜欢视频| 国产亚洲欧美精品永久| 男女午夜视频在线观看| 亚洲人成电影免费在线| 少妇粗大呻吟视频| 免费人妻精品一区二区三区视频| 又紧又爽又黄一区二区| 亚洲精华国产精华精| 757午夜福利合集在线观看| 精品国产一区二区三区久久久樱花| 99国产精品99久久久久| 99在线人妻在线中文字幕 | 国产高清国产精品国产三级| av视频免费观看在线观看| 亚洲国产中文字幕在线视频| 国产成人系列免费观看| 18禁裸乳无遮挡动漫免费视频| 丁香六月天网| 成人国语在线视频| videos熟女内射| 日韩一卡2卡3卡4卡2021年| 成人国产一区最新在线观看| 免费在线观看黄色视频的| 另类精品久久| 制服诱惑二区| 999精品在线视频| 国产熟女午夜一区二区三区| 女人被躁到高潮嗷嗷叫费观| 国产熟女午夜一区二区三区| 久久婷婷成人综合色麻豆| 男人操女人黄网站| 午夜视频精品福利| 精品国产乱码久久久久久小说| 韩国精品一区二区三区| 无人区码免费观看不卡 | 波多野结衣一区麻豆| 少妇粗大呻吟视频| 18禁黄网站禁片午夜丰满| 热re99久久精品国产66热6| 69精品国产乱码久久久| 日韩中文字幕欧美一区二区| 国产精品偷伦视频观看了| 成人特级黄色片久久久久久久 | 成人18禁高潮啪啪吃奶动态图| 在线永久观看黄色视频| 最近最新中文字幕大全电影3 | 久久青草综合色| 黄色视频不卡| 国产1区2区3区精品| 一个人免费在线观看的高清视频| 亚洲欧美一区二区三区久久| 久久中文字幕人妻熟女| 香蕉久久夜色| 最近最新中文字幕大全免费视频| 亚洲色图av天堂| 又大又爽又粗| 妹子高潮喷水视频| 国产欧美日韩综合在线一区二区| 天天躁夜夜躁狠狠躁躁| 性少妇av在线| 巨乳人妻的诱惑在线观看| 精品欧美一区二区三区在线| 精品视频人人做人人爽| 丰满人妻熟妇乱又伦精品不卡| 宅男免费午夜| 亚洲 欧美一区二区三区| 午夜福利免费观看在线| 亚洲欧美一区二区三区久久| 极品教师在线免费播放| 久久精品亚洲熟妇少妇任你| 国产成人精品久久二区二区91| 国产精品98久久久久久宅男小说| 高清毛片免费观看视频网站 | 久久精品91无色码中文字幕| 亚洲熟女毛片儿| 女警被强在线播放| 一个人免费看片子| 国产精品 欧美亚洲| 欧美黑人欧美精品刺激| 国产免费视频播放在线视频| 大陆偷拍与自拍| www日本在线高清视频| 人成视频在线观看免费观看| 亚洲三区欧美一区| 99精品久久久久人妻精品| 欧美 日韩 精品 国产| 亚洲色图 男人天堂 中文字幕| 亚洲熟女毛片儿| 69精品国产乱码久久久| 精品亚洲乱码少妇综合久久| 欧美一级毛片孕妇| 精品视频人人做人人爽| av一本久久久久| 国产三级黄色录像| 老司机深夜福利视频在线观看| 午夜福利在线观看吧| 久久久久久免费高清国产稀缺| 亚洲人成电影免费在线| 男女午夜视频在线观看| 色综合欧美亚洲国产小说| 蜜桃在线观看..| 国产av国产精品国产| 欧美激情高清一区二区三区| 又黄又粗又硬又大视频| 中亚洲国语对白在线视频| 999久久久精品免费观看国产| 老司机午夜十八禁免费视频| 国产日韩欧美在线精品| 欧美精品av麻豆av| 国产精品九九99| 99国产精品一区二区三区| 这个男人来自地球电影免费观看| 国产成人欧美| 99久久精品国产亚洲精品| h视频一区二区三区| 高潮久久久久久久久久久不卡|