• <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TSVM模型的智能電能表自動化檢定系統(tǒng)異常檢測

    2022-11-07 05:31:26莊葛巍顧臻馮秀慶段艷
    電氣傳動 2022年21期
    關(guān)鍵詞:監(jiān)督檢測模型

    莊葛巍 ,顧臻,馮秀慶,段艷

    (1.國網(wǎng)上海市電力公司電力科學(xué)研究院,上海 200051;2.上海欣能信息科技發(fā)展有限公司,上海 200025;3.同濟大學(xué)汽車學(xué)院,上海 201804)

    電能表為電力交易中的貿(mào)易結(jié)算提供依據(jù),電能表檢定工作的重要性日益凸顯[1-2]。隨著智能電網(wǎng)的建設(shè)工作不斷推進,智能電能表的需求量正日益增長,為應(yīng)對激增的智能電能表檢定工作量,具有高檢定效率的自動化檢定系統(tǒng)應(yīng)運而生[3-5]。但智能電能表檢定系統(tǒng)在長期不間斷的運行過程中,接駁環(huán)節(jié)可能出現(xiàn)機械疲勞甚至老化,引起檢定結(jié)果異常。目前,計量中心是在自動化檢定系統(tǒng)所監(jiān)控的流水線處于停運的狀態(tài)下,定期開展人工檢查,以確保各檢定單元的準確運行狀態(tài),但該方法無法及時獲悉自動化檢定系統(tǒng)所監(jiān)控的流水線相關(guān)的風(fēng)險信息,使得檢定系統(tǒng)在下一次人工檢查前仍將服務(wù)于試驗項目,這將導(dǎo)致大規(guī)模試驗結(jié)果出現(xiàn)偏差,雖然通過縮短人工檢查的時間間隔,可以在一定程度上降低上述情況發(fā)生的可能性,但會大幅降低流水線的檢定效率,同時增加人力和運維成本。實現(xiàn)對自動化檢定系統(tǒng)上各檢定表位接駁環(huán)節(jié)機械性能的在線評價,對于提升自動化檢定系統(tǒng)的可靠性具有重要意義。

    對于如何實現(xiàn)自動化檢定系統(tǒng)的異常在線檢測,已經(jīng)有相關(guān)學(xué)者通過研究提出了一些解決方案。文獻[6]針對自動化檢定系統(tǒng)的流水線的故障特點,構(gòu)建了基于模糊推理的故障診斷專家系統(tǒng);文獻[7]基于數(shù)據(jù)挖掘相關(guān)算法改進原理,建立故障征兆和故障性質(zhì)的關(guān)聯(lián)規(guī)則,實現(xiàn)對二次回路故障的實時診斷;文獻[8]針對自動化檢定系統(tǒng)的流水線設(shè)備檢修頻率缺乏科學(xué)性的問題,建立了基于檢修優(yōu)先級系數(shù)求解設(shè)備最佳檢修頻率的數(shù)學(xué)模型,為流水檢修周期提供科學(xué)依據(jù);文獻[9]提出了一種自動化檢定系統(tǒng)的流水線表位故障定位及報警系統(tǒng),該系統(tǒng)通過識別連續(xù)檢定不合格的表位來進行故障判定;文獻[10]采用數(shù)據(jù)倉庫技術(shù)(extract-transform-load,ETL)、用于過程控制的OLE(OLE for process control,OPC)等標準協(xié)議與技術(shù),通過采集流水線風(fēng)險信息與結(jié)合專家系統(tǒng),實現(xiàn)對檢定流水線的風(fēng)險預(yù)警和對系統(tǒng)的評估;文獻[11]采用局部異常檢測算法對流水線檢定表位異常進行故障識別。由于多數(shù)情況下異常數(shù)據(jù)是無標記的,異常檢測研究多從無監(jiān)督角度出發(fā)[11],無監(jiān)督異常檢測方法適合數(shù)據(jù)量少、維度低的數(shù)據(jù)異常識別[12],應(yīng)用到數(shù)據(jù)量較大的智能電表檢定流水線上,如何降低模型的誤判率將是一個難題,雖然有監(jiān)督異常檢測算法的試驗效果好,但模型的訓(xùn)練樣本需要以大量的人工標記為代價,所以在自動化檢定中適用性不強。

    針對以上問題,提出利用自動化檢定系統(tǒng)數(shù)據(jù),通過對無監(jiān)督異常檢測算法篩選的“異常表位”進行人工檢查,能夠在排除表位故障的同時獲得少量標記樣本,利用少量的標記樣本和大量的無標記樣本采用半監(jiān)督方式構(gòu)建直推式支持向量機(transductive support vector machine,TSVM)異常檢測模型,TSVM模型可對未標記樣本進行標記。流水線在工作過程中不斷獲取新的未標記樣本,可繼續(xù)按照半監(jiān)督方式對TSVM模型進行擴展及優(yōu)化。文中所提出的異常表位的檢測算法利用國網(wǎng)上海市電力公司自動化檢定系統(tǒng)數(shù)據(jù)進行了分析,通過對比人工檢查結(jié)果,驗證了方法的有效性,降低了無監(jiān)督式異常檢測算法的誤判率,對自動化檢定系統(tǒng)的運維智能化工作具有一定指導(dǎo)意義。

    1 智能電能表自動化檢定系統(tǒng)的檢定數(shù)據(jù)

    1.1 基于統(tǒng)計的數(shù)據(jù)特征提取

    智能電能表自動化檢定系統(tǒng)檢定工作主要是由一套電氣回路的60個檢定表位形成一個檢定單元,通常一條檢定流水線包含30個檢定單元,在每一次的檢定任務(wù)中,來自同一批次的智能電能表被隨機分配到不同表位中,進行多項不同的誤差實驗,所得到的誤差實驗數(shù)據(jù)除了反映智能電能表本身的質(zhì)量問題外,還可以間接反映檢定裝置本身的問題。

    假定同一批次的智能電能表的計量性能具有相同的分布特征,在所有檢定表位均處于正常狀態(tài)且狀態(tài)一致時,認為處在同一檢定單元的60個檢定表位所對應(yīng)的誤差實驗數(shù)據(jù)也應(yīng)該具有相同的分布特征,當(dāng)某個檢定表位出現(xiàn)例如銹蝕、變形等故障時,其分布特征將與其他表位不同,表現(xiàn)為“異?!睌?shù)據(jù)點。為便于在海量的誤差實驗數(shù)據(jù)中提取數(shù)據(jù)分布特征值,對在同一檢定表位產(chǎn)生的海量誤差實驗數(shù)據(jù)進行相關(guān)統(tǒng)計量的計算:基于同一檢定表位產(chǎn)生的數(shù)據(jù),分別統(tǒng)計每個實驗項目數(shù)據(jù)中的最大值、最小值,計算其期望、方差、偏度和峰度,用于描述該檢定表位的數(shù)據(jù)分布的平均水平、離散程度、不對稱性和極端異常值占比,將表位異常狀態(tài)轉(zhuǎn)換為數(shù)據(jù)分布的異常。

    1.2 基于PCA的數(shù)據(jù)降維

    檢定系統(tǒng)下一條流水線包含30個檢定單元,每一個檢定單元的實驗數(shù)據(jù)集包含60個檢定表位樣本,即{X1,X2,…,X60},分別計算每個表位對應(yīng)每一項誤差實驗數(shù)據(jù)的最值、期望、方差、偏度和峰度,構(gòu)建每個表位樣本的特征,以進行m項誤差實驗為例,則每個樣本包含6m個特征值,即6m個維度。

    為防止較大尺度的數(shù)據(jù)弱化其他特征數(shù)據(jù)的影響,致異常因子算法的預(yù)測性能降低,將樣本的各個特征值縮放到相同的尺度下,采用標準化特征縮放處理數(shù)據(jù),公式如下:

    式中:x為待處理特征值;u為待處理特征數(shù)據(jù)集的期望;s為待處理特征數(shù)據(jù)集的標準差;z為經(jīng)過標準化后的特征值。

    標準化可以使樣本的所有特征保持均值為0,方差為1。

    國網(wǎng)上海市電力公司對智能電能表的檢定過程進行了十項誤差實驗,則每個檢定表位樣本的數(shù)據(jù)維度高達60維度,由于一個鑒定單元最多可獲得60個鑒定表位樣本,在數(shù)據(jù)維度接近甚至超過樣本數(shù)量的情況下,數(shù)據(jù)樣本分布稀疏,對其進行概率密度函數(shù)設(shè)計會比較困難,設(shè)計分類器也很困難,無疑給異常檢測增加了難度,所以對數(shù)據(jù)集進行降維處理是有必要的。主成分分析(principal component analysis,PCA)是最常用的一種降維方法,其算法如下所示:

    輸入:樣本集D={X1,X2,…,X59,X60};

    過程:

    1)對所有樣本進行中心化:

    2)計算樣本的協(xié)方差矩陣XXT;

    3)對協(xié)方差矩陣XXT做特征值分解;

    4)取最大的d′個特征值所對應(yīng)的特征向量W1,W2,…,W′d;

    輸出:投影矩陣W=(W1,W2,…,W′d)。

    降維后的維度d′由用戶指定,不同維度下的數(shù)據(jù)特征信息占比不同,用戶可通過設(shè)定想要保留的特征信息占比來確定d′的取值。智能電能表自動化檢定系統(tǒng)的數(shù)據(jù)樣本在不同d′值時對應(yīng)的特征保留信息占比如圖1所示。

    圖1 不同維度下的樣本特征信息保留占比Fig.1 Proportion of sample characteristic information retention under different dimensions

    標準化后的樣本數(shù)據(jù),若要保留接近99.9%的特征信息,需要數(shù)據(jù)維度在40維以上,即用于異常檢測算法分析的有效數(shù)據(jù)維數(shù)為40維度。

    2 異常檢測模型的構(gòu)建流程與算法原理

    2.1 TSVM模型構(gòu)建流程

    TSVM模型構(gòu)建方法如下:

    步驟一:對包含少量異常數(shù)據(jù)的待測檢定表位數(shù)據(jù)進行特征提取、構(gòu)建特征向量,并進行PCA降維處理;

    步驟二:選擇準確率較高的無監(jiān)督異常檢測算法篩選出“異常表位”,交由人工進行檢查,在排除故障的同時獲得標記樣本;

    步驟三:利用標記樣本與未標記樣本以半監(jiān)督方式獲得基于TSVM的異常檢測模型。

    另外,為了提升TSVM模型性能,可多次利用新的標記樣本按照半監(jiān)督方式對模型進行優(yōu)化,優(yōu)化模型性能的方法為:先利用TSVM模型預(yù)測出待檢測樣本中的異常數(shù)據(jù),交由人工進行檢查,然后用所有獲得人工標記的樣本構(gòu)建標記樣本庫,從中選取距離分類邊界較近的數(shù)據(jù)點構(gòu)成新的標記樣本,與未標記樣本按照半監(jiān)督方式優(yōu)化TSVM模型;用優(yōu)化后的TSVM模型對標記樣本庫中的數(shù)據(jù)點進行預(yù)測,計算標記樣本的預(yù)測狀態(tài)與真實狀態(tài)之間差異的比率,其值小于人為設(shè)定的閾值時,判定該模型性能滿足預(yù)測準確度條件。經(jīng)過優(yōu)化后的TSVM模型可直接對待檢測數(shù)據(jù)集進行預(yù)測。

    2.2 標記樣本的選取辦法

    所構(gòu)建的模型只需要小部分的標記樣本,通過采用無監(jiān)督異常檢測算法,在原始不純凈的無標簽樣本中篩選出異常表位樣本,再交給人工對這些表位進行標記。孤立森林(isolation forest,Iforest),局部異常因子(local outlier factor,LOF),一類支持向量機(one-class support vector machine,OCSVM)是目前流行且效果較好的三種無監(jiān)督異常檢測算法:

    1)孤立森林(Iforest):Iforest算法對全局異常檢測的效果較好,適合對連續(xù)型、較高維度的數(shù)據(jù)進行異常檢測。Iforest算法是多次二叉樹式的劃分過程,每次隨機抽取數(shù)據(jù)集的特征,隨機取值作為劃分依據(jù)對數(shù)據(jù)集進行劃分,經(jīng)過多次迭代,直到在森林中形成一棵孤立的樹[13]。樣本數(shù)據(jù)點在樹中所處的位置越低,被判為異常數(shù)據(jù)點的可能性越大。

    2)局部異常檢測(LOF):LOF算法對全局異常點的檢測效果不如Iforest,但對數(shù)據(jù)分布比較集中、異常比重較小的數(shù)據(jù)集的局部異常檢測效果較好。LOF算法是基于密度的離群點檢測方法,通過計算樣本點的第K鄰域(非全局)來確定局部可達密度,通過比較樣本點與其鄰域點的局部可達密度來判斷樣本是否為異常點,樣本點的密度越低,越可能是異常點。

    3)一類支持向量機(OCSVM):OCSVM是一種經(jīng)過修改的支持向量機類型,適合奇異值檢測以及樣本不平衡場景,對高維度、大樣本數(shù)據(jù)的異常檢測效果好。OCSVM模型的訓(xùn)練樣本僅為一類數(shù)據(jù),通過建立出可代表該類數(shù)據(jù)的模型,獲取數(shù)據(jù)集的分布形狀,從而在檢測過程中,判斷待預(yù)測的數(shù)據(jù)樣本是否與訓(xùn)練樣本同屬于一類數(shù)據(jù)。

    標記樣本的選取原則是盡量減少標記代價,選擇最可能是異常數(shù)據(jù)點的樣本進行標注,在排除表位故障的同時,還有助于較快發(fā)現(xiàn)新的異常類型。為了選出適用于智能電能表自動化檢定系統(tǒng)數(shù)據(jù)的無監(jiān)督異常檢測算法,選擇機器學(xué)習(xí)庫中的Letter高維異常數(shù)據(jù)集來檢測三種無監(jiān)督異常檢測算法的準確率,其數(shù)據(jù)維度以及異常程度與經(jīng)過PCA降維處理的智能電能表自動化檢定系統(tǒng)數(shù)據(jù)相似,Letter數(shù)據(jù)集的維度為32,樣本量為1 600,其中異常樣本數(shù)為100,采用交叉驗證法優(yōu)化模型算法的參數(shù),實驗結(jié)果如表1所示。

    表1 無監(jiān)督異常檢測的平均準確率Tab.1 Average accuracy of unsupervised anomaly detection

    選取具有較高準確率的LOF算法,通過無監(jiān)督方式在原始數(shù)據(jù)集中篩選出“異常數(shù)據(jù)點”,再交給人工進行核查。

    2.3 半監(jiān)督支持向量機原理

    TSVM作為半監(jiān)督支持向量機模型的代表,與支持向量機(support vector machine,SVM)一樣,是解決二分類問題的算法,可用在半監(jiān)督式異常檢測場景中,并且適合標記樣本數(shù)量較少的情況。

    標記樣本Dl={(x1,y1),(x2,y2),…,(xL,yL)},其中yi∈{-1,+1},-1 表示異常,+1 表示正常,未標記樣本Du={xL+1,xL+2,…,xm},TSVM 算法通過嘗試未標記樣本的所有標記組合,找到一個能讓所有樣本之間的間隔最大化的超平面[14],該算法最終給出的未標記樣本的標記應(yīng)該滿足下式:

    式中:(w,b)為一個超平面;εi為與所有樣本一一對應(yīng)的松弛向量;Cl與Cu分別為代表標記樣本與未標記樣本權(quán)重的折中參數(shù)。

    具體算法流程如下所示:

    輸入:Dl,Du,Cl,Cu;

    過程:

    1)用Dl訓(xùn)練一個SVMl;

    2)用 SVMl對Du中的樣本進行預(yù)測,得到y(tǒng)=(yL+1,yL+2,…,ym);

    3)初始化Cu?Cl;

    4)whileCu<Cldo

    基于Dl,Du,y,Cl,Cu,求解式(2)得到(w,b),ε

    while?{i,j|(yiyj<0)∧(εi>0)∧(εj>0)∧(εi+εj>2)}do

    基于Dl,Du,y,Cl,Cu,重新求解式(2)得到(w,b),ε

    輸出:Du的預(yù)測結(jié)果:y=(yL+1,yL+2,…,ym)。

    3 實例分析

    文中數(shù)據(jù)來自國網(wǎng)上海市電力公司智能電能表自動化檢定系統(tǒng),該系統(tǒng)的被檢設(shè)備類型為三相智能電能表,選取數(shù)據(jù)為2020年11月10日到2020年11月13日,批次號為JYL20002的檢定數(shù)據(jù):該系統(tǒng)對每個智能電能表進行10項誤差實驗,在自動化檢定系統(tǒng)中共產(chǎn)生了196 790條誤差實驗數(shù)據(jù)。

    3.1 數(shù)據(jù)特征

    該條檢定系統(tǒng)下流水線共有30個檢定單元,每個檢定單元的數(shù)據(jù)集包含60個檢定表位樣本,基于每個檢定表位產(chǎn)生的10項誤差實驗數(shù)據(jù),構(gòu)建其特征向量,每個樣本的特征向量包含60個特征值,以1號檢定單元的1號檢定表位為例,其各項特征值如表2所示。對1號檢定單元的60個樣本的特征向量進行標準化處理和降維,由原先的60維度降至40維度,降維后的數(shù)據(jù)特征如表3所示。

    表2 表位樣本的特征值(1號樣本為例)Tab.2 Eigenvalues of epitope samples(sample 1 as an example)

    表3 經(jīng)過PCA降維后的特征數(shù)據(jù)Tab.3 Feature data after PCA dimensionality

    3.2 無監(jiān)督異常檢測結(jié)果

    考慮到檢定單元之間還可能存在標準表誤差不同以及電氣回路存在故障等問題,在獲取標記樣本時,以同一檢定單元的表位樣本作為待測數(shù)據(jù)集,采用LOF異常檢測算法,通過表位的特征數(shù)據(jù)計算該檢定單元中每個表位的異常因子數(shù)值(表征每個樣本的異常程度),然后采用箱型圖法對同一檢定單元的60個表位樣本的異常因子數(shù)值進行異常篩選,篩選出最可能是異常數(shù)據(jù)點的表位樣本,交由人工對“異常表位”進行檢查。將無監(jiān)督式異常檢測算法應(yīng)用于該批次(JYL20002)的30個檢定單元,可以得到1 800個檢定表位的異常因子數(shù)值,其中1號檢定單元的60個檢定表位的異常因子數(shù)值如表4所示。

    表4 無監(jiān)督異常算法結(jié)果Tab.4 Results of unsupervised anomaly algorithm

    應(yīng)用箱型圖方法對上述異常因子數(shù)值進行異常檢測:根據(jù)人工檢查經(jīng)驗得到鑒定單元中故障表位的占比,以此來調(diào)整箱型圖的上限閾值,將該閾值作為無監(jiān)督算法中正常與異常的分類邊界,將超過該閾值距離的樣本判定為異常樣本,此鑒定單元取1.397 58作為判定值,1號檢定單元中被判定為異常的表位為:11,32,34,35,51,52和53號,經(jīng)過人工檢查發(fā)現(xiàn),11,51,53故障,而32,34,35,52無故障,同樣的無監(jiān)督異常檢測算法應(yīng)用于整條流水線數(shù)據(jù),判定為異常的表位有322個,經(jīng)過人工核查,其中無故障的表位有230個,顯而易見,無監(jiān)督異常檢測在智能電能表異常檢測方面的應(yīng)用存在誤判率較高的問題。

    3.3 TSVM模型預(yù)測結(jié)果

    TSVM利用無監(jiān)督異常篩選與人工檢查獲取到的小標記表位樣本集訓(xùn)練出一個初始SVM,接著使用該學(xué)習(xí)器對未標記表位樣本進行打標,這樣所有樣本都有了標記,基于這些有標記的樣本重新訓(xùn)練SVM,之后再尋找易出錯樣本不斷調(diào)整。

    為了檢測模型性能,采用了機器學(xué)習(xí)中將樣本隨機劃分為訓(xùn)練集和測試集的方法,但與直接將樣本進行隨機劃分的應(yīng)用不同,基于同一鑒定表位在同一誤差實驗項目中會生成數(shù)百條實驗數(shù)據(jù),所以將該方法應(yīng)用到相同表位的同一誤差實驗項目的數(shù)據(jù)集,將其隨機劃分為“訓(xùn)練集”和“測試集”,用于模擬流水線在兩次不同工作過程中得到的檢定數(shù)據(jù)集,再經(jīng)過特征提取、標準化和降維處理得到訓(xùn)練樣本與測試樣本。

    訓(xùn)練樣本中包括標記樣本和未標記樣本,以1號單元為例,其中經(jīng)過人工檢測的11,32,34,35,51,52和53號表位樣本數(shù)據(jù)可作為有標記樣本Xi,用-1和+1表示檢定表位的故障和正常狀態(tài):

    而未經(jīng)過人工核查的其他表位可作為未標記樣本集:

    利用標記樣本與未標記樣本按照半監(jiān)督方式訓(xùn)練得到TSVM模型,通過網(wǎng)格尋優(yōu)方法調(diào)整參數(shù)Cl,Cu,以提高模型準確性,應(yīng)用該模型對“測試集”進行預(yù)測,其預(yù)測結(jié)果與無監(jiān)督異常檢測算法結(jié)果對比如表5所示。

    表5 TSVM與LOF異常檢測結(jié)果對比Tab.5 Comparison of anomaly detection results of TSVM and LOF

    通過模型預(yù)測結(jié)果可以看出,相比無監(jiān)督異常檢測模型而言,所構(gòu)建的TSVM模型具有更高準確率。

    4 結(jié)論

    針對智能電能表自動化檢定系統(tǒng)實現(xiàn)檢定表位的在線異常檢測的難題,提出了構(gòu)建基于TSVM模型的異常檢測模型的方法:面對不純凈的檢定表位樣本,首先以無監(jiān)督方式篩選出最可疑的表位樣本,交由人工進行標記,在排除表位故障的同時,獲得部分標記樣本數(shù)據(jù),然后利用標記樣本與未標記樣本來構(gòu)建TSVM模型。實驗結(jié)果表明,所構(gòu)建的異常檢測模型可以實現(xiàn)流水線表位異常的在線檢測,減少由于停運檢修帶來的工作量,能提高流水線的工作效率;算法模型與無監(jiān)督異常檢測方法對比,基于半監(jiān)督學(xué)習(xí)方式的TSVM模型具有更高的精準度,并且該模型能夠通過主動學(xué)習(xí)方式,選取有利的標記樣本訓(xùn)練模型:從標記樣本庫中選擇更多鄰近分類邊界的樣本作為標記樣本,提供給TSVM模型進行學(xué)習(xí),達到提升模型性能的目的,主動學(xué)習(xí)的方法為智能電能表自動化檢定系統(tǒng)在今后的工作過程不斷優(yōu)化和改進TSVM模型性能提供了思路。

    猜你喜歡
    監(jiān)督檢測模型
    一半模型
    “不等式”檢測題
    “一元一次不等式”檢測題
    “一元一次不等式組”檢測題
    重要模型『一線三等角』
    突出“四個注重” 預(yù)算監(jiān)督顯實效
    重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
    監(jiān)督見成效 舊貌換新顏
    夯實監(jiān)督之基
    3D打印中的模型分割與打包
    国产精品亚洲一级av第二区| 2021天堂中文幕一二区在线观| 久久99热这里只有精品18| 少妇裸体淫交视频免费看高清| 国产精品嫩草影院av在线观看| 亚洲欧美精品综合久久99| 亚洲中文日韩欧美视频| 久久精品人妻少妇| 亚洲18禁久久av| 亚洲婷婷狠狠爱综合网| 夜夜夜夜夜久久久久| 啦啦啦韩国在线观看视频| 看十八女毛片水多多多| 少妇丰满av| 18禁在线播放成人免费| 桃色一区二区三区在线观看| 在线播放无遮挡| 精品一区二区三区视频在线观看免费| 一进一出好大好爽视频| 在线观看午夜福利视频| av黄色大香蕉| 中国美白少妇内射xxxbb| 12—13女人毛片做爰片一| 国产蜜桃级精品一区二区三区| 69人妻影院| a级毛色黄片| 久久久久久久久中文| 亚洲一区二区三区色噜噜| 热99在线观看视频| 国产精品久久视频播放| 精品人妻一区二区三区麻豆 | 亚洲自偷自拍三级| 亚洲av免费高清在线观看| 老师上课跳d突然被开到最大视频| 日韩国内少妇激情av| 1000部很黄的大片| 国产一区亚洲一区在线观看| 欧美色视频一区免费| 国产aⅴ精品一区二区三区波| 老熟妇乱子伦视频在线观看| 精品久久久久久久久亚洲| 亚洲av一区综合| 在线看三级毛片| 天堂av国产一区二区熟女人妻| 日本黄大片高清| 草草在线视频免费看| 校园人妻丝袜中文字幕| 一卡2卡三卡四卡精品乱码亚洲| 亚洲,欧美,日韩| 国产精品久久久久久亚洲av鲁大| 亚洲自偷自拍三级| 国产成人aa在线观看| 日韩大尺度精品在线看网址| 国产高清视频在线播放一区| 久久久久久国产a免费观看| 精品一区二区三区视频在线| 国产精品野战在线观看| 在线观看免费视频日本深夜| 国产精品无大码| 我要搜黄色片| 亚洲精品456在线播放app| 国产成人一区二区在线| 国内揄拍国产精品人妻在线| 亚洲va在线va天堂va国产| 老师上课跳d突然被开到最大视频| 国产老妇女一区| 一进一出好大好爽视频| 禁无遮挡网站| 国产在线精品亚洲第一网站| 国产乱人视频| 校园人妻丝袜中文字幕| 老师上课跳d突然被开到最大视频| 婷婷精品国产亚洲av| 久久精品国产亚洲av香蕉五月| 男女视频在线观看网站免费| 中文在线观看免费www的网站| 国产老妇女一区| 亚洲美女视频黄频| 国产一区二区三区在线臀色熟女| 日韩高清综合在线| 国产色爽女视频免费观看| 成年女人看的毛片在线观看| 变态另类丝袜制服| 啦啦啦啦在线视频资源| 久久久久国产精品人妻aⅴ院| av国产免费在线观看| 69人妻影院| 精品99又大又爽又粗少妇毛片| 少妇高潮的动态图| 欧美日韩乱码在线| 99热这里只有精品一区| 1000部很黄的大片| 国产黄色小视频在线观看| 男人狂女人下面高潮的视频| 精品不卡国产一区二区三区| 国产一区二区激情短视频| 51国产日韩欧美| 麻豆一二三区av精品| 国产乱人视频| а√天堂www在线а√下载| 欧美成人免费av一区二区三区| 黄色配什么色好看| 国产精品一及| 一本一本综合久久| 亚洲人成网站在线观看播放| 搡老岳熟女国产| 欧美zozozo另类| 亚洲不卡免费看| 国产精品久久久久久久电影| 最近视频中文字幕2019在线8| a级毛色黄片| 不卡视频在线观看欧美| 久久亚洲精品不卡| 亚洲国产色片| 国产亚洲精品综合一区在线观看| 日韩制服骚丝袜av| 亚洲四区av| 国产精品野战在线观看| 色噜噜av男人的天堂激情| 免费搜索国产男女视频| 成人美女网站在线观看视频| av中文乱码字幕在线| 日日干狠狠操夜夜爽| 亚洲图色成人| 日本黄大片高清| 欧美性猛交黑人性爽| 成年免费大片在线观看| 一级黄色大片毛片| 成人特级av手机在线观看| 久久99热6这里只有精品| 亚洲国产精品合色在线| 国产av不卡久久| 三级毛片av免费| 亚洲成av人片在线播放无| 少妇人妻一区二区三区视频| 午夜福利视频1000在线观看| 欧美潮喷喷水| 日韩中字成人| 亚洲四区av| 18+在线观看网站| 91av网一区二区| 一边摸一边抽搐一进一小说| 久久久欧美国产精品| 日本色播在线视频| 最近在线观看免费完整版| 看片在线看免费视频| 欧美日本亚洲视频在线播放| 俺也久久电影网| 成人综合一区亚洲| 午夜福利在线在线| 男人的好看免费观看在线视频| 大又大粗又爽又黄少妇毛片口| 久久欧美精品欧美久久欧美| 精品久久久久久久末码| 真人做人爱边吃奶动态| 国产不卡一卡二| 高清毛片免费观看视频网站| 成人永久免费在线观看视频| 婷婷六月久久综合丁香| 在线看三级毛片| 精品福利观看| a级毛片免费高清观看在线播放| 成人鲁丝片一二三区免费| 国产成人freesex在线 | 精品少妇黑人巨大在线播放 | 久久国产乱子免费精品| 最近在线观看免费完整版| 国产伦在线观看视频一区| 国产伦精品一区二区三区视频9| 国内精品宾馆在线| 亚洲最大成人中文| 麻豆国产97在线/欧美| 国产69精品久久久久777片| 在线观看66精品国产| 哪里可以看免费的av片| 内地一区二区视频在线| 亚洲激情五月婷婷啪啪| 中国美女看黄片| 看片在线看免费视频| eeuss影院久久| 男人和女人高潮做爰伦理| 久久久久免费精品人妻一区二区| 十八禁网站免费在线| 久久久国产成人精品二区| 99视频精品全部免费 在线| 综合色av麻豆| 真实男女啪啪啪动态图| 18禁黄网站禁片免费观看直播| 在线观看午夜福利视频| 内射极品少妇av片p| 久久久久久伊人网av| 国产中年淑女户外野战色| 国产探花极品一区二区| 久久中文看片网| 午夜激情福利司机影院| 精品福利观看| 丰满乱子伦码专区| 欧美色欧美亚洲另类二区| 色5月婷婷丁香| 男人舔女人下体高潮全视频| 人妻少妇偷人精品九色| 精品福利观看| 一进一出好大好爽视频| 狂野欧美白嫩少妇大欣赏| 日韩一区二区视频免费看| 熟女电影av网| 日日干狠狠操夜夜爽| 欧美一级a爱片免费观看看| 亚洲成人精品中文字幕电影| 在现免费观看毛片| 亚洲av成人精品一区久久| 亚洲成人久久性| 天堂动漫精品| 久久99热6这里只有精品| 国产精品亚洲一级av第二区| av视频在线观看入口| 成人综合一区亚洲| 色综合亚洲欧美另类图片| 国产精品美女特级片免费视频播放器| 国产精品亚洲一级av第二区| 观看美女的网站| 中文在线观看免费www的网站| av天堂在线播放| 一级毛片我不卡| 久久久欧美国产精品| 丰满的人妻完整版| 老司机午夜福利在线观看视频| 久久精品91蜜桃| 国产黄色小视频在线观看| 亚洲欧美日韩高清在线视频| 国产一区二区在线观看日韩| 亚洲欧美中文字幕日韩二区| 黄色日韩在线| 一夜夜www| 久久久精品大字幕| 99热网站在线观看| 热99re8久久精品国产| 三级男女做爰猛烈吃奶摸视频| 久久久精品94久久精品| 最近最新中文字幕大全电影3| 美女被艹到高潮喷水动态| 一a级毛片在线观看| 一进一出抽搐动态| 小说图片视频综合网站| 免费人成视频x8x8入口观看| 欧美激情国产日韩精品一区| 精品久久国产蜜桃| 国产成人a区在线观看| 五月伊人婷婷丁香| 欧美色欧美亚洲另类二区| 夜夜看夜夜爽夜夜摸| 免费大片18禁| 免费一级毛片在线播放高清视频| 色吧在线观看| 亚洲美女搞黄在线观看 | 午夜福利成人在线免费观看| av在线观看视频网站免费| 午夜精品在线福利| 国产老妇女一区| 欧美性猛交╳xxx乱大交人| 99热这里只有是精品50| 亚洲综合色惰| 精品久久久久久成人av| 精品人妻视频免费看| 最近在线观看免费完整版| 亚洲经典国产精华液单| 狂野欧美激情性xxxx在线观看| 中文字幕人妻熟人妻熟丝袜美| 免费看a级黄色片| 精品欧美国产一区二区三| 亚洲av五月六月丁香网| 偷拍熟女少妇极品色| 成人综合一区亚洲| 香蕉av资源在线| 又爽又黄无遮挡网站| 久久久久久九九精品二区国产| 亚洲精品影视一区二区三区av| 搡老熟女国产l中国老女人| 免费高清视频大片| 别揉我奶头 嗯啊视频| 亚洲成人精品中文字幕电影| 欧美色欧美亚洲另类二区| 亚洲一区二区三区色噜噜| 国产精品久久久久久av不卡| 国产精品一区二区三区四区免费观看 | 在现免费观看毛片| 成人亚洲欧美一区二区av| 免费大片18禁| 亚洲无线观看免费| 亚洲无线在线观看| 99精品在免费线老司机午夜| 亚州av有码| 国产精品久久电影中文字幕| 亚洲真实伦在线观看| 一本久久中文字幕| 国产亚洲精品久久久久久毛片| 一个人免费在线观看电影| 国产精品野战在线观看| 亚洲精品粉嫩美女一区| 免费人成在线观看视频色| 国产私拍福利视频在线观看| av黄色大香蕉| 久久久久久伊人网av| 亚洲av电影不卡..在线观看| 亚洲成人中文字幕在线播放| 一级av片app| 男女啪啪激烈高潮av片| 亚洲国产色片| 国产女主播在线喷水免费视频网站 | 一级毛片aaaaaa免费看小| 香蕉av资源在线| 免费黄网站久久成人精品| 亚洲欧美日韩无卡精品| 成人二区视频| 亚洲美女黄片视频| 精品无人区乱码1区二区| 三级国产精品欧美在线观看| 午夜精品在线福利| 身体一侧抽搐| 欧美色视频一区免费| 在线天堂最新版资源| 天天躁日日操中文字幕| 欧美绝顶高潮抽搐喷水| 一级毛片久久久久久久久女| 久久久久久久久中文| 精品久久久久久久久av| 免费一级毛片在线播放高清视频| 国产精品三级大全| 欧美潮喷喷水| 国国产精品蜜臀av免费| 中文字幕人妻熟人妻熟丝袜美| 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| 又黄又爽又刺激的免费视频.| 小说图片视频综合网站| 亚洲成人精品中文字幕电影| 亚洲精品影视一区二区三区av| 国产精品野战在线观看| 亚洲国产精品sss在线观看| 久久久久国内视频| 波多野结衣巨乳人妻| 亚洲激情五月婷婷啪啪| av视频在线观看入口| 欧美潮喷喷水| 亚洲自拍偷在线| 亚洲精品久久国产高清桃花| 免费人成在线观看视频色| 大型黄色视频在线免费观看| 观看美女的网站| 亚洲久久久久久中文字幕| 在线观看免费视频日本深夜| 有码 亚洲区| 少妇熟女欧美另类| h日本视频在线播放| 欧美精品国产亚洲| 在线看三级毛片| 在线观看66精品国产| 女生性感内裤真人,穿戴方法视频| 美女 人体艺术 gogo| 亚洲欧美日韩高清在线视频| av中文乱码字幕在线| 99九九线精品视频在线观看视频| 三级毛片av免费| 波野结衣二区三区在线| 国产一区二区亚洲精品在线观看| 午夜福利成人在线免费观看| 一进一出抽搐gif免费好疼| 欧美日韩乱码在线| 国内精品久久久久精免费| 国产一区二区三区av在线 | 免费看美女性在线毛片视频| 亚洲天堂国产精品一区在线| 亚洲真实伦在线观看| 99久久精品国产国产毛片| 亚洲最大成人中文| 日本精品一区二区三区蜜桃| 久久午夜亚洲精品久久| 伦精品一区二区三区| www日本黄色视频网| 亚洲四区av| 老熟妇乱子伦视频在线观看| 国产欧美日韩精品亚洲av| 特大巨黑吊av在线直播| 两个人的视频大全免费| 一区二区三区四区激情视频 | 精品久久久久久久人妻蜜臀av| 黄片wwwwww| 午夜精品在线福利| 免费看光身美女| 波多野结衣高清作品| 国产成人aa在线观看| 伊人久久精品亚洲午夜| 国产精品免费一区二区三区在线| 99热全是精品| 欧美日韩一区二区视频在线观看视频在线 | 啦啦啦观看免费观看视频高清| 美女免费视频网站| 久久午夜亚洲精品久久| 99久久九九国产精品国产免费| 淫秽高清视频在线观看| 一本精品99久久精品77| 亚洲自拍偷在线| 久久精品国产亚洲网站| 欧美日韩在线观看h| 极品教师在线视频| 精品一区二区免费观看| 欧美一级a爱片免费观看看| 少妇的逼好多水| 国产在线男女| 亚洲av一区综合| 日本熟妇午夜| 一边摸一边抽搐一进一小说| 国产精品一区二区性色av| 亚洲成人久久爱视频| 久久久午夜欧美精品| 一级毛片我不卡| 国产精品一区二区三区四区免费观看 | 亚洲七黄色美女视频| 成人综合一区亚洲| www日本黄色视频网| 亚洲av免费高清在线观看| 亚洲国产精品合色在线| or卡值多少钱| 99热精品在线国产| 成人国产麻豆网| 成人二区视频| 亚洲激情五月婷婷啪啪| 国产欧美日韩一区二区精品| 女同久久另类99精品国产91| 激情 狠狠 欧美| 国产 一区 欧美 日韩| 欧美日本亚洲视频在线播放| 午夜精品在线福利| 国产精品国产高清国产av| 亚洲熟妇熟女久久| 色av中文字幕| 国产精品久久久久久亚洲av鲁大| 国产亚洲av嫩草精品影院| 久久久久国产精品人妻aⅴ院| 狂野欧美激情性xxxx在线观看| 午夜精品一区二区三区免费看| 久久婷婷人人爽人人干人人爱| 成人二区视频| 精品人妻偷拍中文字幕| 高清毛片免费观看视频网站| 亚洲国产精品合色在线| 久久久久久久午夜电影| 久久久久久久亚洲中文字幕| 亚洲精品成人久久久久久| 51国产日韩欧美| 精品一区二区三区视频在线观看免费| 久久6这里有精品| 一级黄色大片毛片| 能在线免费观看的黄片| 亚洲乱码一区二区免费版| 精品久久久久久成人av| 精品午夜福利在线看| a级一级毛片免费在线观看| 寂寞人妻少妇视频99o| 亚洲综合色惰| 99久国产av精品| 2021天堂中文幕一二区在线观| 国产淫片久久久久久久久| 久久亚洲国产成人精品v| 国产精品无大码| aaaaa片日本免费| 久久欧美精品欧美久久欧美| 国产美女午夜福利| 熟女电影av网| 免费人成视频x8x8入口观看| 亚洲人成网站在线观看播放| 国产高清视频在线观看网站| 久久精品国产亚洲av天美| 91av网一区二区| 国产视频内射| 日韩一本色道免费dvd| 老司机影院成人| 熟女电影av网| 久久午夜福利片| 伊人久久精品亚洲午夜| 麻豆国产97在线/欧美| 久久精品国产亚洲av天美| 蜜臀久久99精品久久宅男| 久久久久国内视频| 欧美绝顶高潮抽搐喷水| 精品久久久久久久久av| 中文在线观看免费www的网站| 国产高清激情床上av| 免费黄网站久久成人精品| 日韩人妻高清精品专区| 69av精品久久久久久| 大又大粗又爽又黄少妇毛片口| 少妇人妻一区二区三区视频| 精品欧美国产一区二区三| 免费无遮挡裸体视频| 少妇的逼好多水| 午夜福利成人在线免费观看| 又粗又爽又猛毛片免费看| 日韩欧美精品免费久久| 在线播放无遮挡| 十八禁网站免费在线| 亚洲国产精品久久男人天堂| 国产精品久久久久久亚洲av鲁大| 毛片一级片免费看久久久久| 一卡2卡三卡四卡精品乱码亚洲| 全区人妻精品视频| 日韩强制内射视频| 97超级碰碰碰精品色视频在线观看| 欧美日韩综合久久久久久| 淫秽高清视频在线观看| 国产高清三级在线| 亚洲精品成人久久久久久| 一进一出抽搐动态| 精品一区二区三区视频在线观看免费| 日日摸夜夜添夜夜爱| 亚洲性久久影院| 九色成人免费人妻av| 亚洲第一电影网av| 日韩欧美精品v在线| 能在线免费观看的黄片| 国产熟女欧美一区二区| 日韩av在线大香蕉| 亚洲,欧美,日韩| 欧美一区二区国产精品久久精品| 精品久久久久久久久久免费视频| 免费av毛片视频| 亚洲av不卡在线观看| 亚洲精品亚洲一区二区| 久久久色成人| 国产亚洲精品久久久久久毛片| 久久6这里有精品| 成人永久免费在线观看视频| 日韩强制内射视频| 欧美潮喷喷水| 国产精品人妻久久久影院| 蜜桃久久精品国产亚洲av| 97人妻精品一区二区三区麻豆| 97超级碰碰碰精品色视频在线观看| 国产高潮美女av| 一本一本综合久久| 成人亚洲欧美一区二区av| 日韩av在线大香蕉| 久久鲁丝午夜福利片| 深爱激情五月婷婷| 看黄色毛片网站| 色哟哟·www| 成人美女网站在线观看视频| 亚洲av.av天堂| 久久久久久久久久久丰满| 18禁黄网站禁片免费观看直播| 日本黄色片子视频| 国产在线男女| 在线免费观看的www视频| 日本撒尿小便嘘嘘汇集6| 男女啪啪激烈高潮av片| 精品一区二区三区视频在线| 国产午夜福利久久久久久| 男插女下体视频免费在线播放| 国产精品亚洲一级av第二区| 毛片一级片免费看久久久久| 黄色一级大片看看| 精品免费久久久久久久清纯| 人人妻人人看人人澡| 一级毛片电影观看 | 亚洲国产精品合色在线| 免费观看人在逋| 欧美日本视频| or卡值多少钱| 日韩在线高清观看一区二区三区| 男女边吃奶边做爰视频| 联通29元200g的流量卡| 亚洲精品色激情综合| 亚洲天堂国产精品一区在线| 日韩欧美一区二区三区在线观看| 亚洲久久久久久中文字幕| 成人国产麻豆网| 日本在线视频免费播放| 国产精品久久久久久精品电影| 午夜精品国产一区二区电影 | 人妻少妇偷人精品九色| 亚洲精品在线观看二区| 又爽又黄无遮挡网站| 国产不卡一卡二| 又爽又黄a免费视频| 国产欧美日韩精品亚洲av| 日韩欧美在线乱码| а√天堂www在线а√下载| 婷婷精品国产亚洲av| 免费观看的影片在线观看| 成人av一区二区三区在线看| 久久久久性生活片| 国产不卡一卡二| 老女人水多毛片| 深夜精品福利| 国产欧美日韩精品一区二区| 久久久久久国产a免费观看| 人人妻人人看人人澡| 我要搜黄色片| 亚洲av五月六月丁香网| 日韩欧美精品免费久久| 日本黄大片高清| 非洲黑人性xxxx精品又粗又长| av在线观看视频网站免费| 日本三级黄在线观看| 日韩欧美三级三区| 成人美女网站在线观看视频| 国产欧美日韩精品亚洲av| 欧美潮喷喷水| a级毛片a级免费在线| 国产伦在线观看视频一区| 两个人视频免费观看高清| 看十八女毛片水多多多| 一边摸一边抽搐一进一小说| 亚洲第一区二区三区不卡| 国产欧美日韩一区二区精品|