• <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 ?

    基于多尺度1DCNN的滾動軸承故障診斷

    2022-10-25 10:45:40杜文遼侯緒坤王宏超鞏曉赟
    機床與液壓 2022年19期
    關鍵詞:故障診斷軸承卷積

    杜文遼,侯緒坤,王宏超,鞏曉赟

    (鄭州輕工業(yè)大學機電工程學院,河南鄭州 450000)

    0 前言

    滾動軸承是旋轉機械中重要的零部件之一,同時也是最易受損的零部件。據不完全統(tǒng)計,在旋轉機械中,約有1/3的機械故障源于滾動軸承。為了避免軸承故障帶來的經濟損失和安全隱患,對滾動軸承進行監(jiān)測、分析,并及時進行診斷故障就顯得尤為重要。

    目前軸承故障診斷過程主要包括3個方面:數據預處理、特征提取及模式識別。傳統(tǒng)的故障診斷主要通過時域、頻域以及時頻域分析將信號映射到統(tǒng)計參數來獲得特征,基于快速傅里葉變換的頻域特征會丟失時域的變化信息,而基于時域方法的特征會丟失頻域的變化特征。此外,信號被簡單地用作故障診斷的單一維度向量,難以保證診斷精度。為了解決這一問題,主要通過局部特征尺度分解、經驗模態(tài)分解(EMD)、小波變換(WT)等時頻域分析方法提取故障多維特征并將其作為模式識別的依據。其中小波變換可以對非平穩(wěn)、非線性的振動信號進行多尺度分解,從而準確提取時頻域中所蘊含的不同尺度的故障特征信息,已被大量學者使用。WANG等使用離散小波變換和稀疏表示獲得了新的稀疏小波能量特征來識別滾動軸承故障;SHEN等描述了一種基于小波變換、距離評估技術和支持向量回歸的智能故障診斷方案,并將其用于軸承的故障模式分類。以上方法均取得一定的診斷效果,但這些基于信號處理的故障診斷方法僅針對特定問題,而且需要人工提取特征,存在依賴于經驗、自適應能力和泛化能力差的問題。對于模式不明且多變、多故障信息耦合的“大數據”,用這些方法難以提取出能有效表征故障的特征信息。

    近年來,機械的復雜度和集成化不斷提高,依靠人工知識和經驗的傳統(tǒng)故障診斷方法已經不適用現(xiàn)代智能化診斷。同時,深度學習(Deep Learning,DL)在圖像處理、計算機視覺、語言識別等領域應用十分廣泛。深度學習模型可以直接從原始信號中提取抽象特征,而無需人工提取特征,深度學習憑借其強大的非線性建模以及特征表征能力,在諸多方面表現(xiàn)出極大的潛力,已有許多學者將深度學習應用到機械設備的故障診斷中。雷亞國等利用去噪自編碼器準確診斷了多級齒輪傳動系統(tǒng)故障。DUONG、KIM構建了一種基于堆疊降噪自動編碼器(Stacked Denoising Auto Encoder,SDAE)非互斥分類器(Non Mutually Exclusive Classifier,NMEC)方法的DNN(Dynamic Neural Network)結構,用于組合模式以實現(xiàn)軸承故障診斷;LI等利用深度信念網絡直接從軸承原始信號中取得故障特征并對其進行了準確診斷。雖然這些方法均能從機械“大數據”中自動提取出機械設備不同故障特征,但都是針對單一的時域或頻域信號進行特征學習,難以提取到更具表征性的時頻域特征信息。為了避免僅學習單一維度的特征而影響診斷精度,故有必要利用小波變換對原始信號進行多尺度分解,對得到的信號的各尺度成分進行重構,構建利于特征學習的頻譜表示,以從中學習到更為有用的故障特征信息。

    深度卷積神經網絡(Convolutional Neural Networks,CNN)是一種典型的深度學習模型,最早由LECUN提出,目的是處理己知網格狀形狀的數據,如二維圖像數據或一維時間序列數據。CNN通過卷積、池化和非線性激活函數映射逐層提取信號的特征。與其他深度學習模型相比,CNN具有更強的魯棒性和更好的泛化能力。同時,CNN通過權重共享和池化操作提高了網絡性能并降低了訓練成本,并且與其他深度學習模型相比不容易出現(xiàn)過擬合問題。目前,CNN已經應用在故障診斷中,主要包括一維卷積神經網絡和二維卷積神經網絡。在軸承的故障診斷中,由于輸入信號是一維的,經典的二維CNN模型需要先將一維信號轉換為二維圖像,在一維信號下可能會失去優(yōu)勢,因此針對軸承的一維振動信號采用一維卷積神經網絡模型進行診斷。

    針對滾動軸承振動信號的非平穩(wěn)、非線性的特征,利用小波變換對其進行多尺度分析,從而準確提取時頻域中所蘊含的不同故障狀態(tài)特征信息,然后將其代入構建的一維卷積神經網絡模型進行特征學習和分類,實現(xiàn)故障的智能診斷。

    1 理論基礎

    1.1 小波變換

    小波變換是一種數據分析方法,可以對原始信號局部分析,其窗口大小可以隨頻率變化而變化,達到在時頻域自適應分析信號的目的。

    在平方可積實數空間()中,如果函數()滿足容許條件:

    (1)

    則()可選作基本小波。()通過伸縮和平移產生一個函數族{,()},稱為小波函數。

    (2)

    其中:是尺度因子;是位移因子。信號()的小波變換定義為

    (3)

    其中:()是小波函數()的共軛。

    當機器發(fā)生故障時,采集到的振動信號波形復雜且不穩(wěn)定,小波變換能夠把任何信號映射到由一個母小波伸縮(變換頻率)、平移(刻劃時間)組成的一組基函數上去,實現(xiàn)信號在不同頻帶的自適應分解。

    1.2 一維卷積神經網絡

    圖1所示為一維卷積神經網絡結構,它由輸入層、卷積層、批量歸一化(Batch Normalization,BN)層、池化層、全連接層、Dropout層以及輸出層組成。

    圖1 一維卷積神經網絡結構

    1.2.1 輸入層

    輸入層作為一維卷積神經網絡的第一層,用來接收訓練和預測的樣本。

    1.2.2 卷積層

    卷積層可以有效地進行圖像特征提取,卷積運算本身就是滑動卷積核與Feature Map 進行卷積運算。一維卷積運算是指使用一維卷積核對輸入的一維信號進行局部卷積計算,生成一維卷積特征圖。

    1.2.3 批量歸一化層

    批量歸一化(BN)是指對每一批數據做均值和方差歸一化。它可以解決在訓練過程中,中間層數據分布發(fā)生改變的問題,防止梯度消失或爆炸、加快訓練速度。

    1.2.4 池化層

    經過卷積層之后,參數往往會較多,因此需要降采樣操作,即池化操作,以減少神經網絡的參數;同時池化層還具有特征不變性的特性,即減少數據的同時還能夠保留原始數據的特征。常用的池化過程有均值池化(Average Pooling)和最大值池化(Max Pooling)。如圖2所示,A為均值池化過程,B為最大池化過程。

    圖2 池化過程

    1.2.5 全連接層

    經過池化層之后,需要將數據展平為特征向量,將這些向量輸入到全連接(Fully Connected,F(xiàn)C)層中。全連接層是指該層的每一節(jié)點都與其上層的所有神經元結點進行連接,其下層可以為Dropout層或者輸出層,如圖3所示。全連接層通常位于網絡的最后幾層,其作用是整合上層網絡中區(qū)分度較高的類別信息。該層中常用的激活函數為ReLU函數。

    圖3 全連接過程

    1.2.6 Dropout層

    Dropout層通常需要加在全連接層之后,其作用是防止過擬合現(xiàn)象的發(fā)生,減少網絡中的參數,提高網絡的泛化能力和魯棒性。Dropout層分為前向傳播和反向傳播。前向傳播是指給定每個神經元一個隨機值(0~1之間),設定采樣閾值,若該神經元對應的隨機值小于采樣閾值,則將該神經元設置為0,反之將該神經元設置為,并保留每個神經元對應的所有隨機值和設置值。反向傳播是指讀取前向傳播中的隨機值,對數據進行和前向傳播相同的操作,通常將采樣閾值設置為0.5。

    1.2.7 輸出層

    輸出層主要實現(xiàn)了分類。隱含層經過訓練后,最終通過輸出層中Softmax分類器進行分類。

    1.3 1DCNN的訓練過程

    一維卷積神經網絡訓練過程中更新權值可以分為兩個部分:前向傳播為神經網絡根據樣本計算預測值;反向傳播則通過預測值與真實值之間的差異,采用梯度下降法進行權值更新。

    (1)前向傳播計算過程

    一維卷積過程可用式(4)表示:

    (4)

    其中:表示卷積核;表示卷積核的個數;為卷積計算區(qū)域;表示第個數據;-1為第層卷積輸入;為卷積輸出;Conv1D()為一維卷積計算;為偏置;()為激活函數。激活函數為ReLU函數,表示為

    ()=max{0,}

    (5)

    其中:為卷積層激活值。

    (2)誤差反向傳播過程

    (6)

    (7)

    其中:為目標函數;-1為上一層原始值;為需要更新的參數。

    2 WT-1DCNN診斷模型及流程

    基于小波變換和一維卷積神經網絡的診斷模型進行滾動軸承故障智能診斷可以分為以下8個步驟,如圖4所示。

    圖4 故障診斷流程

    (1)通過傳感器采集滾動軸承工作狀態(tài)的振動信號;

    (2)對信號進行小波變換,得到信號的多尺度表示;

    (3)對每層小波信號進行單支重構;

    (4)對重構的信號進行快速傅里葉變換,得到信號的幅值譜;

    (5)將得到的幅值數據進行歸一化處理,并將各尺度數據構造成一維特征向量作為特征樣本;

    (6)將得到的特征樣本按照一定的比例分配為測試樣本、驗證樣本及訓練樣本;

    (7)構建一維卷積神經網絡。利用訓練樣本對1DCNN進行訓練,并用驗證樣本驗證,最后得到診斷模型;

    (8)將測試樣本輸入網絡進行驗證,得到最終的診斷精度。

    3 實驗驗證及分析

    3.1 數據描述

    實驗數據來自于凱斯西儲大學滾動軸承數據集。加速度傳感器安裝在電機驅動端的軸承座來獲得軸承的振動信號,采樣頻率為12 kHz。電機驅動端軸承型號是6205-2RS JEM SKF深溝球軸承,其故障通過電火花加工。故障直徑共有3種,分別為:0.18、0.36、0.53 mm,故障深度均為0.28 mm。軸承在轉頻為大約為30 Hz、4種載荷(0,735 W,1 470 W,2 205 W)下實驗,分為4種狀態(tài):正常狀態(tài)(N),外圈故障(OF),內圈故障(IF),球故障(BF);每種故障狀態(tài)有3個故障程度:輕微故障(0.18 mm),中度故障(0.36 mm),嚴重故障(0.53 mm)。將數據集共分為10種健康狀態(tài),每種健康狀態(tài)共有400個數據樣本,共計4 000個數據樣本,隨機抽取70%數據樣本作為訓練樣本,剩余30%作為測試樣本,將訓練樣本的30%作為驗證集,如表1所示。

    表1 實驗數據樣本

    3.2 模型構建

    對上述滾動軸承數據樣本采用db5小波進行3層分解,然后將每層的小波系數進行單支重構;對重構后的信號進行快速傅里葉變換,得到FFT頻譜表示;將得到的頻譜數據做歸一化處理,作為1DCNN模型的輸入,其中激活函數選用ReLu函數。

    此次實驗使用的編程語言為Python3.6,解釋器為PyCharm,神經網絡框架為Keras。在構造1DCNN模型時,共設置有11層網絡,包括輸入層、3個卷積層、3個BN層、池化層、Dropout層、全連接層、輸出層,如表2所示。

    表2 一維卷積神經網絡結構

    3.3 結果分析

    圖5所示為訓練集和驗證集的正確率和損失隨著訓練次數遞增的變化情況,可以看出:當訓練次數達到5次時,網絡已經趨于穩(wěn)定,訓練集和驗證集的正確率已經達到100%,可以看出此次1DCNN模型具有良好的效率。

    圖5 損失率(a)和正確率(b)隨著訓練次數的變化

    取10次實驗過程中準確率最高的一次,將其分類結果用混淆矩陣表示出來,如圖6所示。可以看出:此次實驗共有10種故障類型,每種故障類型都有120個樣本,每種故障類型都能準確地分類出來,準確率高達100%。

    圖6 訓練樣本混淆矩陣

    將最后一層分類結果用分布隨機鄰居嵌入(-SNE)可視化表示,經過WT-1DCNN模型進行處理之后,可以將每種的故障類型正確分類,10種顏色分別代表10種故障類型,每種故障類型都能夠聚集在一個區(qū)域內。

    圖7 分類結果的t-SNE可視化

    針對測試樣本,為了避免一次實驗數據帶來的誤差,共進行10次實驗,每次實驗正確率如圖8所示。經計算得到10次實驗的平均正確率為99.94%。從圖8中可以看出測試集準確率在99.74%~100%內,說明此次實驗選取的模型具有良好的穩(wěn)定性。

    圖8 WT-1DCNN模型10次實驗準確率

    3.4 討論比較

    為了說明小波變換能夠針對非平穩(wěn)振動信號準確提取故障特征,將原始信號直接輸入1DCNN進行特征分類與經過小波變換后的特征樣本輸入相同的1DCNN模型進行特征分類并將兩種方法的故障診斷準確率進行對比。同樣進行10次實驗,計算出直接輸入1DCNN模型軸承故障診斷準確率的平均值為98.02%,而經過小波變換后輸入WT-1DCNN模型的平均診斷精準確率為99.94%,結果如圖9所示。可以看出:10次實驗過程中每次實驗1DCNN模型的診斷精度都明顯低于WT-1DCNN模型的精度,證明小波變換可以準確提取信號多尺度特征,提高軸承故障診斷的精度。

    圖9 1DCNN與WT-1DCNN準確率對比

    為了驗證文中所提方法的優(yōu)越性,針對相同的數據集,分別與不同的方法進行對比。DU等提出了一種基于小波領導多重分形特征的滾動軸承故障診斷方法(Wavelet Leaders),得到88.9%的正確率;李恒等人提出了基于短時傅里葉變換和卷積神經網絡的故障診斷方法(STFE-CNN),實現(xiàn)了端到端的故障模式識別,診斷正確率為97.93%。XIA等提出了基于CNN的多傳感器融合方法(MCNN),將多個傳感器的信號進行融合再輸入到CNN中,對軸承10種故障狀態(tài)進行診斷,得到99.41%的正確率;DING、HE提出一種基于小波包能量(WPE)圖像和二維深度卷積網絡的新型能量波動多尺度特征挖掘方法(WPE-2DCNN),用于軸承故障診斷,正確率達到了98.8%。 將5種方法進行比較,結果如圖10所示,可以看出文中所用WT-1DCNN方法的故障診斷準確率最高。

    圖10 不同方法診斷準確率

    4 結論

    為了解決軸承故障診斷中人工特征提取依賴經驗和準確提取一維信號中蘊含故障特征難度大的問題,提出一種多尺度一維卷積神經網絡模型對軸承進行故障診斷。與其他診斷方法相比,該方法有如下優(yōu)點:

    與傳統(tǒng)的智能診斷方法相比,利用小波變換對信號進行多尺度分析,可以更有效地挖掘故障數據中隱藏的特征分布,準確地提取信號中蘊含的軸承故障特征,提高故障診斷的精度。

    采用一維卷積神經網絡對輸入的一維信號進行訓練,無需將一維信號轉換為二維圖像,有效地融合了特征自動學習和故障分類,避免了人工提取特征,簡化了軸承診斷過程,獲得了優(yōu)于其他方法的診斷效果。

    猜你喜歡
    故障診斷軸承卷積
    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
    基于3D-Winograd的快速卷積算法設計及FPGA實現(xiàn)
    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
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標跟蹤算法
    因果圖定性分析法及其在故障診斷中的應用
    一種基于卷積神經網絡的性別識別方法
    電視技術(2014年19期)2014-03-11 15:38:20
    基于LCD和排列熵的滾動軸承故障診斷
    国产成人aa在线观看| 真人做人爱边吃奶动态| 欧美日韩中文字幕国产精品一区二区三区| 日本免费一区二区三区高清不卡| 午夜两性在线视频| 动漫黄色视频在线观看| 日本成人三级电影网站| 国产午夜精品论理片| 成人精品一区二区免费| 国产色爽女视频免费观看| 久久久久精品国产欧美久久久| 精品日产1卡2卡| 亚洲精品456在线播放app | 亚洲av中文字字幕乱码综合| 尤物成人国产欧美一区二区三区| 国产97色在线日韩免费| 午夜精品在线福利| a在线观看视频网站| 亚洲五月天丁香| 国产成人福利小说| 久久中文看片网| 日本 av在线| av福利片在线观看| 欧美激情久久久久久爽电影| 亚洲无线观看免费| 美女被艹到高潮喷水动态| 久久人妻av系列| 美女高潮的动态| 亚洲av五月六月丁香网| 一区二区三区国产精品乱码| 中出人妻视频一区二区| 少妇人妻精品综合一区二区 | 男女之事视频高清在线观看| 97超视频在线观看视频| www日本黄色视频网| 伊人久久大香线蕉亚洲五| 亚洲成人免费电影在线观看| 成人特级黄色片久久久久久久| 变态另类成人亚洲欧美熟女| 亚洲无线观看免费| 搡老熟女国产l中国老女人| 国产精品野战在线观看| 国产激情欧美一区二区| 窝窝影院91人妻| 欧美最黄视频在线播放免费| 高潮久久久久久久久久久不卡| 国产高清三级在线| 欧美一级a爱片免费观看看| 国产成人a区在线观看| 精品久久久久久久久久久久久| 亚洲天堂国产精品一区在线| 亚洲天堂国产精品一区在线| 国产av一区在线观看免费| 国产精品久久电影中文字幕| 亚洲第一电影网av| 日本在线视频免费播放| 亚洲久久久久久中文字幕| 亚洲第一电影网av| 欧美大码av| 国产高清videossex| 成人18禁在线播放| 欧洲精品卡2卡3卡4卡5卡区| 国产成人欧美在线观看| 亚洲av不卡在线观看| www国产在线视频色| 国产成人欧美在线观看| 国产精品久久久久久久久免 | 嫩草影院精品99| 免费高清视频大片| 19禁男女啪啪无遮挡网站| 免费高清视频大片| 淫秽高清视频在线观看| 琪琪午夜伦伦电影理论片6080| 精品久久久久久久毛片微露脸| 国产精品三级大全| 中文字幕人妻丝袜一区二区| 久久天躁狠狠躁夜夜2o2o| 天堂av国产一区二区熟女人妻| 天堂网av新在线| 亚洲欧美日韩高清在线视频| 国产精品一区二区免费欧美| 欧美最黄视频在线播放免费| 在线播放无遮挡| 国产精品一区二区三区四区免费观看 | 久久久久久国产a免费观看| 欧美在线黄色| 在线观看一区二区三区| 免费看a级黄色片| 日韩中文字幕欧美一区二区| 91在线观看av| 亚洲av中文字字幕乱码综合| netflix在线观看网站| 好看av亚洲va欧美ⅴa在| 欧美绝顶高潮抽搐喷水| 手机成人av网站| 在线观看66精品国产| 日本成人三级电影网站| 久久久久久人人人人人| 免费看a级黄色片| 久久精品国产自在天天线| 国产精品av视频在线免费观看| 色综合亚洲欧美另类图片| 老司机在亚洲福利影院| 日本熟妇午夜| 欧美日韩瑟瑟在线播放| 精品国产亚洲在线| 亚洲成人久久性| 此物有八面人人有两片| 亚洲自拍偷在线| av国产免费在线观看| 在线免费观看的www视频| 亚洲精品国产精品久久久不卡| 99在线人妻在线中文字幕| 在线观看一区二区三区| 高清日韩中文字幕在线| 19禁男女啪啪无遮挡网站| 国产伦人伦偷精品视频| 欧美成人a在线观看| 国产亚洲精品久久久com| 最近在线观看免费完整版| 欧美日韩一级在线毛片| 国产日本99.免费观看| 久久伊人香网站| 怎么达到女性高潮| 国产成+人综合+亚洲专区| 又黄又爽又免费观看的视频| 在线观看免费视频日本深夜| ponron亚洲| 无遮挡黄片免费观看| 男女做爰动态图高潮gif福利片| 亚洲国产欧洲综合997久久,| 十八禁网站免费在线| 天美传媒精品一区二区| 久久性视频一级片| 国产69精品久久久久777片| 国产在视频线在精品| 好看av亚洲va欧美ⅴa在| 久久精品91蜜桃| 久久精品人妻少妇| 欧美黄色片欧美黄色片| 国产一区二区三区在线臀色熟女| 久久久久久久精品吃奶| 操出白浆在线播放| 久久久久精品国产欧美久久久| 99热精品在线国产| 久久精品亚洲精品国产色婷小说| 亚洲欧美日韩东京热| 在线观看66精品国产| 亚洲av成人不卡在线观看播放网| 午夜a级毛片| 99精品欧美一区二区三区四区| 色综合站精品国产| 91久久精品国产一区二区成人 | 欧洲精品卡2卡3卡4卡5卡区| 99热精品在线国产| 久久久久国产精品人妻aⅴ院| 女同久久另类99精品国产91| 最好的美女福利视频网| 国产精品,欧美在线| 国产国拍精品亚洲av在线观看 | 精品欧美国产一区二区三| 老司机午夜福利在线观看视频| 观看免费一级毛片| 婷婷亚洲欧美| 亚洲欧美日韩无卡精品| 床上黄色一级片| 亚洲欧美日韩卡通动漫| x7x7x7水蜜桃| 国产又黄又爽又无遮挡在线| 国产精品亚洲美女久久久| 精品国产超薄肉色丝袜足j| 神马国产精品三级电影在线观看| 久久精品夜夜夜夜夜久久蜜豆| 欧美黄色片欧美黄色片| 日本免费a在线| 亚洲国产色片| 制服人妻中文乱码| 内射极品少妇av片p| av福利片在线观看| 此物有八面人人有两片| 国产精品久久久人人做人人爽| 亚洲熟妇中文字幕五十中出| 免费人成视频x8x8入口观看| 99久国产av精品| 99精品在免费线老司机午夜| 国产精品98久久久久久宅男小说| 精品人妻1区二区| 十八禁网站免费在线| 久久久久国内视频| 国产精品久久久久久久久免 | 国产精品久久视频播放| 青草久久国产| av片东京热男人的天堂| 免费在线观看日本一区| 亚洲色图av天堂| 人妻夜夜爽99麻豆av| 国产精品av视频在线免费观看| 午夜福利免费观看在线| 亚洲精华国产精华精| 三级毛片av免费| 亚洲久久久久久中文字幕| 国产探花极品一区二区| 免费在线观看影片大全网站| 久久精品夜夜夜夜夜久久蜜豆| 99国产综合亚洲精品| 久久久久九九精品影院| 97超级碰碰碰精品色视频在线观看| 老汉色av国产亚洲站长工具| 欧美乱码精品一区二区三区| 欧美日韩综合久久久久久 | 亚洲国产欧美人成| 十八禁人妻一区二区| 欧美极品一区二区三区四区| 99久久成人亚洲精品观看| 免费看光身美女| 国产精品影院久久| 国产国拍精品亚洲av在线观看 | 尤物成人国产欧美一区二区三区| 亚洲最大成人中文| 每晚都被弄得嗷嗷叫到高潮| 久久亚洲精品不卡| 偷拍熟女少妇极品色| 久久久国产成人免费| 特大巨黑吊av在线直播| 中文字幕高清在线视频| 黄色成人免费大全| 中文字幕人成人乱码亚洲影| 欧美性猛交黑人性爽| 久久久久九九精品影院| 亚洲不卡免费看| 欧美日韩国产亚洲二区| 国产午夜福利久久久久久| 亚洲国产精品999在线| 国产黄a三级三级三级人| 久久精品91无色码中文字幕| 桃色一区二区三区在线观看| 精品久久久久久久久久免费视频| 亚洲无线观看免费| 精品国产亚洲在线| 国产主播在线观看一区二区| 午夜福利免费观看在线| 国产淫片久久久久久久久 | 禁无遮挡网站| 国产综合懂色| 国内精品一区二区在线观看| 久久欧美精品欧美久久欧美| 日日摸夜夜添夜夜添小说| 国语自产精品视频在线第100页| 日韩欧美精品v在线| 国产一区二区在线av高清观看| 日韩欧美精品免费久久 | 非洲黑人性xxxx精品又粗又长| 黑人欧美特级aaaaaa片| 国产精品98久久久久久宅男小说| 国产一区在线观看成人免费| 制服丝袜大香蕉在线| 欧美丝袜亚洲另类 | 国产一区二区激情短视频| 国产亚洲av嫩草精品影院| 中文字幕人妻熟人妻熟丝袜美 | 俄罗斯特黄特色一大片| 岛国在线免费视频观看| 性欧美人与动物交配| 18+在线观看网站| 亚洲乱码一区二区免费版| 18禁美女被吸乳视频| 亚洲成a人片在线一区二区| 国产精品99久久久久久久久| 欧美又色又爽又黄视频| 精品久久久久久久毛片微露脸| 亚洲欧美激情综合另类| 好看av亚洲va欧美ⅴa在| 亚洲成人中文字幕在线播放| 亚洲精品影视一区二区三区av| 内地一区二区视频在线| 国产精品乱码一区二三区的特点| 精华霜和精华液先用哪个| 99国产精品一区二区蜜桃av| aaaaa片日本免费| 国产av一区在线观看免费| 免费av不卡在线播放| avwww免费| 免费搜索国产男女视频| 成年免费大片在线观看| 欧美另类亚洲清纯唯美| 天堂网av新在线| 久久精品91蜜桃| 国产精品免费一区二区三区在线| 国产精品 国内视频| 日韩欧美国产在线观看| 午夜福利在线观看免费完整高清在 | 69av精品久久久久久| 狂野欧美激情性xxxx| 成年版毛片免费区| 婷婷六月久久综合丁香| 18禁裸乳无遮挡免费网站照片| 亚洲第一电影网av| 亚洲国产高清在线一区二区三| 美女黄网站色视频| 毛片女人毛片| 日日摸夜夜添夜夜添小说| 99国产极品粉嫩在线观看| 国产伦人伦偷精品视频| 国产精品久久电影中文字幕| 精品国产亚洲在线| 国产国拍精品亚洲av在线观看 | 国产亚洲精品综合一区在线观看| 国产av在哪里看| 欧美成人a在线观看| 日本一本二区三区精品| 免费在线观看影片大全网站| 国产一区二区亚洲精品在线观看| 在线免费观看不下载黄p国产 | 69av精品久久久久久| 丰满人妻熟妇乱又伦精品不卡| 在线天堂最新版资源| 琪琪午夜伦伦电影理论片6080| 国产69精品久久久久777片| 国产免费av片在线观看野外av| 十八禁人妻一区二区| 99热精品在线国产| 女人高潮潮喷娇喘18禁视频| 亚洲欧美一区二区三区黑人| 丰满人妻熟妇乱又伦精品不卡| 亚洲精品在线美女| 亚洲国产欧美人成| 夜夜夜夜夜久久久久| 久久精品亚洲精品国产色婷小说| 国产一区在线观看成人免费| 欧美xxxx黑人xx丫x性爽| 国产色爽女视频免费观看| 国内少妇人妻偷人精品xxx网站| 亚洲精品色激情综合| 操出白浆在线播放| 一个人看视频在线观看www免费 | 国产精品久久电影中文字幕| 在线a可以看的网站| 99热只有精品国产| 国产淫片久久久久久久久 | 欧美一级毛片孕妇| 女同久久另类99精品国产91| 99在线人妻在线中文字幕| aaaaa片日本免费| 一个人看的www免费观看视频| 久久中文看片网| 亚洲人成电影免费在线| 国产精品亚洲美女久久久| 久久精品国产自在天天线| 免费观看的影片在线观看| 精品国内亚洲2022精品成人| 午夜影院日韩av| 高清毛片免费观看视频网站| xxx96com| 伊人久久大香线蕉亚洲五| 中亚洲国语对白在线视频| 国产精品野战在线观看| 91av网一区二区| 久久久久久久精品吃奶| 亚洲人成网站高清观看| 欧美日本亚洲视频在线播放| 色精品久久人妻99蜜桃| 淫妇啪啪啪对白视频| 99国产极品粉嫩在线观看| 观看美女的网站| 精品一区二区三区av网在线观看| 嫩草影视91久久| 日韩高清综合在线| 一区二区三区国产精品乱码| 婷婷精品国产亚洲av在线| 欧美zozozo另类| 可以在线观看毛片的网站| 又粗又爽又猛毛片免费看| 国产精品久久久久久人妻精品电影| 淫妇啪啪啪对白视频| 亚洲欧美日韩无卡精品| 欧美成人一区二区免费高清观看| 看免费av毛片| 97人妻精品一区二区三区麻豆| tocl精华| 亚洲无线观看免费| 免费电影在线观看免费观看| aaaaa片日本免费| 国产精品1区2区在线观看.| 波多野结衣高清作品| 女人被狂操c到高潮| 日韩精品中文字幕看吧| 精品乱码久久久久久99久播| 久久久久性生活片| 三级男女做爰猛烈吃奶摸视频| 国产一区二区激情短视频| 蜜桃久久精品国产亚洲av| 欧美一区二区精品小视频在线| 超碰av人人做人人爽久久 | 免费一级毛片在线播放高清视频| 男人舔奶头视频| 老鸭窝网址在线观看| 国产精品一区二区免费欧美| av天堂在线播放| 男女视频在线观看网站免费| 99久久精品一区二区三区| 91av网一区二区| 久久午夜亚洲精品久久| 欧美日韩国产亚洲二区| 18禁国产床啪视频网站| 色视频www国产| 亚洲 欧美 日韩 在线 免费| 99国产综合亚洲精品| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 一级毛片女人18水好多| 成人三级黄色视频| 久久午夜亚洲精品久久| 搞女人的毛片| 久久中文看片网| 99久国产av精品| 我的老师免费观看完整版| 亚洲av第一区精品v没综合| 亚洲欧美日韩高清在线视频| 日韩 欧美 亚洲 中文字幕| 别揉我奶头~嗯~啊~动态视频| 日韩国内少妇激情av| 男女床上黄色一级片免费看| 国产v大片淫在线免费观看| 亚洲中文字幕日韩| 久久久久久久亚洲中文字幕 | 欧美绝顶高潮抽搐喷水| 亚洲av免费在线观看| 国产精品久久久久久久久免 | 在线播放无遮挡| 精品乱码久久久久久99久播| 国产69精品久久久久777片| 午夜福利在线观看免费完整高清在 | 美女被艹到高潮喷水动态| 色噜噜av男人的天堂激情| 麻豆国产av国片精品| 网址你懂的国产日韩在线| 噜噜噜噜噜久久久久久91| 午夜福利视频1000在线观看| 欧美不卡视频在线免费观看| 露出奶头的视频| 久久人妻av系列| 伊人久久大香线蕉亚洲五| 午夜免费激情av| 无限看片的www在线观看| 国产黄a三级三级三级人| 久久久久精品国产欧美久久久| 少妇人妻一区二区三区视频| 精品一区二区三区视频在线 | 日本 欧美在线| 日本熟妇午夜| 久久久久久大精品| 精品久久久久久久久久免费视频| 在线观看一区二区三区| 老司机午夜十八禁免费视频| 欧美最新免费一区二区三区 | 国产一区在线观看成人免费| 在线免费观看不下载黄p国产 | www国产在线视频色| 99久久久亚洲精品蜜臀av| 91久久精品国产一区二区成人 | 婷婷精品国产亚洲av在线| 亚洲国产色片| 国产精品亚洲一级av第二区| 午夜亚洲福利在线播放| 国产伦精品一区二区三区四那| 99热只有精品国产| 欧美中文综合在线视频| 亚洲美女黄片视频| 精品欧美国产一区二区三| 又黄又爽又免费观看的视频| 一个人免费在线观看的高清视频| 国产 一区 欧美 日韩| 3wmmmm亚洲av在线观看| 女警被强在线播放| 动漫黄色视频在线观看| 国产精品久久久久久人妻精品电影| 亚洲一区二区三区不卡视频| 国产精品日韩av在线免费观看| 国产在视频线在精品| 婷婷丁香在线五月| 精品一区二区三区人妻视频| 午夜免费激情av| 欧美日韩国产亚洲二区| 90打野战视频偷拍视频| 丁香六月欧美| 久久精品国产清高在天天线| 99久久精品国产亚洲精品| 日韩精品中文字幕看吧| 午夜免费成人在线视频| 久久九九热精品免费| 天天一区二区日本电影三级| 香蕉丝袜av| 久久精品国产综合久久久| 日本黄色视频三级网站网址| 国产精品 欧美亚洲| ponron亚洲| 男人的好看免费观看在线视频| 天堂av国产一区二区熟女人妻| 日韩欧美精品v在线| 国产中年淑女户外野战色| 精品一区二区三区视频在线观看免费| 亚洲黑人精品在线| 91九色精品人成在线观看| 国产黄a三级三级三级人| 日韩欧美国产在线观看| 国产午夜精品久久久久久一区二区三区 | 在线a可以看的网站| 我要搜黄色片| 国产亚洲精品综合一区在线观看| 变态另类丝袜制服| 日本一本二区三区精品| 国产蜜桃级精品一区二区三区| 欧美一级毛片孕妇| av天堂在线播放| 黄色片一级片一级黄色片| 精品一区二区三区视频在线观看免费| aaaaa片日本免费| 91久久精品电影网| 午夜福利视频1000在线观看| 国产私拍福利视频在线观看| 69人妻影院| 内射极品少妇av片p| 日本免费a在线| 欧美精品啪啪一区二区三区| 日韩欧美免费精品| 欧美+日韩+精品| 少妇裸体淫交视频免费看高清| 中文字幕高清在线视频| 女生性感内裤真人,穿戴方法视频| 啦啦啦观看免费观看视频高清| 91麻豆精品激情在线观看国产| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 亚洲男人的天堂狠狠| eeuss影院久久| 亚洲久久久久久中文字幕| 精品国产三级普通话版| 亚洲人成网站在线播| 国产一区在线观看成人免费| 亚洲欧美精品综合久久99| 国产真实伦视频高清在线观看 | 欧美av亚洲av综合av国产av| 最近在线观看免费完整版| 国产午夜福利久久久久久| 国模一区二区三区四区视频| 欧美日韩精品网址| 国产精品久久久久久人妻精品电影| 99国产精品一区二区三区| 成年女人永久免费观看视频| 欧美最黄视频在线播放免费| 久久精品国产清高在天天线| 高清在线国产一区| 男女做爰动态图高潮gif福利片| 亚洲国产中文字幕在线视频| 日韩 欧美 亚洲 中文字幕| 欧美一级毛片孕妇| 搡老岳熟女国产| 少妇的丰满在线观看| 日本与韩国留学比较| 国产视频内射| 国产男靠女视频免费网站| 久久久国产成人免费| 国产极品精品免费视频能看的| 日本一二三区视频观看| 在线观看免费视频日本深夜| 91久久精品国产一区二区成人 | 五月伊人婷婷丁香| 国产成人欧美在线观看| 国产精品久久久久久亚洲av鲁大| 精品无人区乱码1区二区| 国产爱豆传媒在线观看| 在线免费观看不下载黄p国产 | 色视频www国产| 村上凉子中文字幕在线| 久久精品国产99精品国产亚洲性色| 男女午夜视频在线观看| 国产97色在线日韩免费| 午夜影院日韩av| 国产精品亚洲av一区麻豆| 午夜福利高清视频| 操出白浆在线播放| 好男人电影高清在线观看| 嫁个100分男人电影在线观看| 黄色日韩在线| 性色avwww在线观看| 久久精品91蜜桃| tocl精华| 色哟哟哟哟哟哟| 一进一出抽搐动态| 亚洲精品在线观看二区| 亚洲成av人片免费观看| 动漫黄色视频在线观看| 一本一本综合久久| 亚洲国产高清在线一区二区三| 男人和女人高潮做爰伦理| 全区人妻精品视频| 亚洲最大成人手机在线| 悠悠久久av| bbb黄色大片| 国产三级中文精品| 夜夜夜夜夜久久久久| 丁香欧美五月| 99热这里只有精品一区| 男女做爰动态图高潮gif福利片| 精品人妻一区二区三区麻豆 | 国产一区二区在线观看日韩 | 国产精品一区二区三区四区免费观看 | 国内揄拍国产精品人妻在线| 国内久久婷婷六月综合欲色啪| 丰满人妻一区二区三区视频av | 成人av一区二区三区在线看| 国产美女午夜福利| 最好的美女福利视频网| 狂野欧美激情性xxxx| 国产精品香港三级国产av潘金莲| 亚洲avbb在线观看| 久久婷婷人人爽人人干人人爱|