• <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 ?

    改進CNN和Bi-LSTM的集成化裝備故障檢測研究

    2022-12-01 01:06:10鄭樂輝孫君杰
    計算機測量與控制 2022年11期
    關(guān)鍵詞:集成化精度函數(shù)

    鄭樂輝,孫君杰,牛 潤,黃 瑩

    (1.武警工程大學(xué) 研究生大隊,西安 710086; 2.武警工程大學(xué) 信息工程學(xué)院,西安 710086)

    0 引言

    隨著科學(xué)技術(shù)的不斷發(fā)展和工業(yè)水平的不斷提高,現(xiàn)代工業(yè)裝備為滿足產(chǎn)品的各項要求,不斷趨于集成化、復(fù)雜化、綜合化,因此其內(nèi)部的不確定性也越來越大。為保證裝備的安全性、穩(wěn)定性、可靠性,需要提高對集成化裝備的健康管理能力,保障設(shè)備安全穩(wěn)定地完成產(chǎn)品生產(chǎn)及設(shè)備正常工作。因此故障檢測與健康管理(DHM)就應(yīng)運而生。

    故障檢測和健康管理是通過一定的信息獲取技術(shù),通過傳感器等精密靈敏的儀器,對機械設(shè)備工作信息進行采集,然后通過一些優(yōu)化算法和模塊構(gòu)建智能檢測預(yù)測模型,對機械設(shè)備進行實時監(jiān)控,數(shù)據(jù)收集,故障檢測,分析預(yù)測等。而集成化設(shè)備是在機械設(shè)備中普遍存在的,其由于工作環(huán)境復(fù)雜,多系統(tǒng)耦合,集成復(fù)合度高,在長期服役的過程中,往往由于其監(jiān)測信息“體量浩大、多源異構(gòu)、生成快速、價值稀疏”,在獲取時要耗費大量的人力物力。而在大數(shù)據(jù)背景下通過建立深層的學(xué)習(xí)模型,利用多種算法,能更好的展現(xiàn)龐大檢測數(shù)據(jù)和集成化裝備故障檢測和健康管理間的映射關(guān)系,大大提高了故障分類、檢測和診斷的能力。

    綜上所示,對集成化設(shè)備實施故障檢測和健康管理具有如下意義:

    1)能保證集成化設(shè)備安全穩(wěn)定工作,防止意外事故發(fā)生。通過故障檢測模型和相應(yīng)的檢測手段,及時發(fā)現(xiàn)設(shè)備異常工作狀態(tài),并采用及時的應(yīng)對措施,相對延長設(shè)備壽命,圓滿完成工作任務(wù)。

    2)高效完成設(shè)備管控,減少人力物力資源,獲得潛在經(jīng)濟效益。能夠降低人力、物力資源成本,提高設(shè)備利用率,完善設(shè)備管理方案,減小設(shè)備故障損失。

    3)與大數(shù)據(jù)背景下的云計算深度學(xué)習(xí)等緊密結(jié)合,具有時代前沿性。可以在大數(shù)據(jù)背景下進行特征提取,不僅大大縮短特征提取的時間,而且能夠做到實時監(jiān)測。能有效存儲利用海量的數(shù)據(jù),發(fā)展和優(yōu)化在集成化裝備領(lǐng)域的深度學(xué)習(xí)方法,利用邊緣運算架構(gòu),在大數(shù)據(jù)的支持下實現(xiàn)快速精確診斷。

    要完成對集成化裝備的故障檢測和健康管理,必須收集裝備的各項參數(shù)指標(biāo),而集成化裝備因其自身屬性原因在工作過程中往往難以進行人工信息采集,所以現(xiàn)代工業(yè)往往采用一系列的監(jiān)視監(jiān)察系統(tǒng)對其工作狀態(tài)進行獲取,這樣能夠保障及時獲取集成化裝備的各項參數(shù)指標(biāo)。在獲取裝備運行參數(shù)和歷史運行記錄后,也能連續(xù)地對設(shè)備運行狀態(tài)進行診斷和預(yù)測分析,能夠大大降低設(shè)備發(fā)生故障造成的損失,從而實現(xiàn)對設(shè)備的健康管理。

    在利用CNN模型解決故障檢測問題上,何江江等[1]通過經(jīng)驗?zāi)B(tài)分解(EEMD)和支持向量機(SVM)對信號進行分解,并結(jié)合CNN模型,解決了端點發(fā)散問題,提高了精確度。文獻[2]將遷移學(xué)習(xí)引入滾動軸承,通過基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)(TCNN)和短時間傅里葉變換(STFT),構(gòu)建在線CNN和離線CNN,提高實時性,在有限訓(xùn)練時間內(nèi)達到期望的診斷精度。曲建嶺等[3]提出了一種直接作用于原始信號的自適應(yīng)一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)用于滾動軸承的故障診斷,并取得了99%以上的故障識別率。文獻[4]通過對傳統(tǒng)的DCNN模型進行自適應(yīng)訓(xùn)練得到了ADCNN模型,使得對軸承的故障診斷的泛化能力得到了提升。文獻[5]提出了一種具有擴大接收場的增強卷積神經(jīng)網(wǎng)絡(luò)(enhanced convolutional neural network,ECNN)的行星齒輪箱的故障診斷方法。通過經(jīng)過擴張的幾個卷積層,擴大接收場,然后通過ECNN訓(xùn)練模型,在精度上有了很大的提升。文獻[6]基于CNN網(wǎng)絡(luò),通過信號轉(zhuǎn)換,降低了電機故障診斷模型的復(fù)雜性,克服了過擬合問題??鬃舆w等[7]使用CNN網(wǎng)絡(luò)在時域和頻域上提取信號特征,完成了齒輪盒健康管理的故障檢測,不僅提高檢測精度,而且準確對故障類別進行分類。利用CNN雖然能保證模型的魯棒性,并提升泛化能力,但是其網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜,常常需要多層網(wǎng)絡(luò)結(jié)構(gòu),對計算機的要求較高,因此常常在使用CNN網(wǎng)絡(luò)時結(jié)合其他一些算法,減少計算機的運算時間,提高效率。

    在FCM聚類算法方面,文獻[8]對DBN網(wǎng)絡(luò)的結(jié)構(gòu)進行改進,將重構(gòu)獨立分析(reconstruction independt component analysis,RICA)方法引入到DBN網(wǎng)絡(luò)中,提出了RIDBN網(wǎng)絡(luò),將RIDBN網(wǎng)絡(luò)與FCM算法相結(jié)合提出了RIDBN-FCM聚類模型并且應(yīng)用于齒輪故障診斷中,不僅提高了模型的泛化能力,而且精度也有所提升。但FCM作為一種聚類算法,并不能單純地應(yīng)用于故障檢測,常常要與其他網(wǎng)絡(luò)綜合使用。

    在LSTM算法方面,LSTM算法可以反映前向信息和后向信息的緊密聯(lián)系,對時間信號的敏感程度很高,因此在故障檢測和預(yù)測應(yīng)用很多,比如LSTM算法在股票指數(shù)預(yù)測[9],電力負荷概率預(yù)測[10],軸承故障預(yù)測[11],車輛軌跡預(yù)測和交通流量[12]等領(lǐng)域都有應(yīng)用。但單一的LSTM網(wǎng)絡(luò)遠遠無法滿足現(xiàn)代化集成裝備的檢測要求,其檢測時間長,且模型精度達不到高效快速檢測的要求。因此其模型的診斷精度和檢測速度仍需提升。

    在后續(xù)的發(fā)展過程中,研究專家們將LSTM與CNN網(wǎng)絡(luò)結(jié)合起來使用,不僅提高了模型精度,縮短了檢測時長,使檢測效果大幅提升。在股票指數(shù)預(yù)測方面,文獻[13]將LSTM模型和CNN模型結(jié)合對股票指數(shù)進行預(yù)測,基本可以達到實時預(yù)測的目的,使預(yù)測效果大大增強。在電力負荷預(yù)測方面,文獻[14]將LSTM結(jié)合CNN后,加上注意力機制模塊,使模型精度得到大幅提升。同時在軸承故障預(yù)測[15]和車輛軌跡預(yù)測[16-17]方面,當(dāng)CNN和LSTM結(jié)合后,預(yù)測效果均得到提升。LSTM和CNN的結(jié)合還應(yīng)用在無人機[18]、網(wǎng)絡(luò)[19]、單元設(shè)備[20]、工業(yè)[21]、軸承故障檢測[22-23]等領(lǐng)域得到了應(yīng)用。文獻[24]使用雙卡爾曼濾波對提升了故障診斷的實時性。利用CNN與長短時記憶網(wǎng)絡(luò)(LSTM)網(wǎng)絡(luò)結(jié)合能有效處理時間序列數(shù)據(jù)的優(yōu)點,模型精度得到很大提升。文獻[25]提出了一種CNN、LSTM與遷移學(xué)習(xí)相結(jié)合的故障識別方法,可以有效的對多類故障識別。將CNN和LSTM融合模型結(jié)合起來,CNN先對信息特征進行提取,然后LSTM網(wǎng)絡(luò)將信息的內(nèi)在聯(lián)系表達出來。CNN網(wǎng)絡(luò)對數(shù)據(jù)信息具有很大的包容性,可以高效處理數(shù)據(jù)且不使數(shù)據(jù)丟失。但LSTM無法表現(xiàn)出前向信息和后向信息的關(guān)系,而Bi-LSTM卻能將所獲取的時間信息前后聯(lián)系起來,使檢測效果更好。因此Bi-LSTM也漸漸被應(yīng)用于各個領(lǐng)域。文獻[26]將Bi-LSTM應(yīng)用于人機語言交互上,大大提高了機器人語言識別的準確率。文獻[27]則將其應(yīng)用于電子裝備故障預(yù)測,將電子裝備前后時間關(guān)系聯(lián)系起來,提高了預(yù)測的精度。

    在Bi-LSTM和CNN結(jié)合使用方面,其在船舶[28]、鋰電池壽命預(yù)測[29],風(fēng)電機[30],太陽輻照度預(yù)測[31]等領(lǐng)域均有應(yīng)用,且取得了非常好的檢測效果。因此本文針對集成化裝備,基于深度學(xué)習(xí)的基本框架,提出了一種基于CNN和Bi-LSTM及其優(yōu)化算法,建立了Bi-LSTM-CNN-FCM模型,提高了故障預(yù)測的精度,降低了其損失值,并與其他算法進行對比,證明該算法的優(yōu)越性。

    1 系統(tǒng)模型構(gòu)成

    1.1 雙向長短記憶網(wǎng)絡(luò)

    循環(huán)神經(jīng)網(wǎng)絡(luò)( recurrent neural network,RNN)是一類用于處理序列數(shù)據(jù)的網(wǎng)絡(luò)模型。它的本質(zhì)就是網(wǎng)絡(luò)不僅在層外建立連接,而且在層內(nèi)建立連接,其層內(nèi)的連接可以保留隱藏層節(jié)點的狀態(tài)并提供記憶,其大致結(jié)構(gòu)如圖1所示。長短期記憶(long short term memory,LSTM)網(wǎng)絡(luò)就是RNN網(wǎng)絡(luò)的一種變形,目的就是解決了梯度反向傳播過程中的梯度消失和爆炸問題。

    圖1 RNN網(wǎng)絡(luò)結(jié)構(gòu)

    Bi-LSTM算法就是以LSTM算法為基礎(chǔ),在LSTM算法只記錄前向信息的情況下同時記錄后向信息,同時結(jié)合前后向信息進行特征提取。對于時間t的輸出,前向LSTM層在輸入序列中有時間t和時間t之前的信息,后向LSTM層在輸入序列中有時間t和之后的信息。通過疊加得到正向LSTM層t時刻的輸出結(jié)果和反向LSTM層t時刻的輸出結(jié)果,并通過加法、平均法或連接法處理兩層LSTM層的矢量輸出,這樣輸出信息就較好反映時間信號前后聯(lián)系。

    LSTM雖然能夠較好地捕捉到較長距離的依賴關(guān)系,在時間上捕捉特征之間的聯(lián)系,但是其難以表現(xiàn)出后向信息對前向信息的影響。而故障檢測過程中需要將故障前后信息進行綜合從而對裝備壽命進行預(yù)測。因此改進后的新算法BI-LSTM算法能很好地解決這個問題。

    1.2 CNN網(wǎng)絡(luò)

    CNN是一個典型的前饋神經(jīng)網(wǎng)絡(luò),他是由多個濾波器組成,濾波器提取輸入信號的數(shù)據(jù)特征,然后逐步通過卷積層、子采樣層、全連接層和輸出層。在逐層通過時不斷提取信號中的特征,使得特征逐漸抽象,最終獲得輸入數(shù)據(jù)的平移、旋轉(zhuǎn)及縮放不變的特征。其結(jié)構(gòu)圖如圖2所示。

    圖2 CNN網(wǎng)絡(luò)結(jié)構(gòu)

    卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的模式具有平移不變性,可以學(xué)習(xí)模式的空間層次結(jié)構(gòu)。它訓(xùn)練的通常順序為通常順序為:輸入—卷積層—池化層—卷積層—池化層—…—全連接層—輸出。CNN的核心就是空間卷積核參數(shù)共享和池化,卷積層對樣本數(shù)據(jù)的特征進行提取,子采樣層對特征進行采樣,池化層是對提取特征的選擇和信息過濾,全連接層與前一層互連。

    CNN的平移不變性使其能保證模型的魯棒性,并提升泛化能力,同時CNN能對關(guān)聯(lián)信息和數(shù)據(jù)進行處理,因此其非常適用于集成裝備的故障檢測。CNN能克服大噪聲的干擾,也非常適用于現(xiàn)代工業(yè),可用于多源信號處理。

    CNN雖然有很多優(yōu)點,但是其網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜,常常需要多層網(wǎng)絡(luò)結(jié)構(gòu),對計算機的要求較高,并且單獨使用CNN需要大量帶標(biāo)簽的數(shù)據(jù),因此,本文在使用CNN網(wǎng)絡(luò)使將結(jié)合LSTM算法和FCM算法,不僅可以降低運算量,使網(wǎng)絡(luò)復(fù)雜結(jié)構(gòu)降低,而且可以優(yōu)化特征提取的過程,大大提高模型精度。

    1.3 FCM算法

    FCM算法是一種常用的聚類分析方法,可以根據(jù)樣本數(shù)據(jù)的特征,把有相同或相似特征的樣本或時間信息歸類,然后提取相似樣本數(shù)據(jù)的特征值。FCM算法的原理就是通過不斷更新聚類中心,使得聚類中心不再改變或兩次迭代的目標(biāo)函數(shù)值之差在允許的范圍內(nèi),從而完成聚類。

    FCM算法因其較為出色的聚類能力,非常適合故障的歸類,在經(jīng)過CNN和Bi-LSTM處理后的故障信息再經(jīng)過FCM算法后可完成分類,完成對集成化裝備故障的檢測。FCM聚類在應(yīng)用過程中也存在一些缺點,比如選擇的模糊度參數(shù)不同,也會對整個算法的精度產(chǎn)生影響,所以在使用FCM算法時,常常也需要靠一些先驗經(jīng)驗,參考一些模糊度參數(shù)的使用來完善模型。

    2 Bi-LSTM-CNN-FCM模型

    本文提到的Bi-LSTM-CNN-FCM模型的結(jié)構(gòu)圖如3圖所示,實驗過程模型按照如下環(huán)節(jié)進行,如圖3所示。

    圖3 Bi-LSTM-CNN-FCM網(wǎng)絡(luò)結(jié)構(gòu)

    對于上述獲取的變量中的各類數(shù)據(jù),模型首先通過CNN網(wǎng)絡(luò)提取變量中的各類故障特征,然后通過BI-LSTM預(yù)測獲得數(shù)據(jù)的標(biāo)簽,通過這兩個網(wǎng)絡(luò)可以直接對變量中的數(shù)據(jù)進行分類,模型的輸出為屬于每一個類別的概率。

    獲得信號的數(shù)據(jù)在經(jīng)過序列折疊層后構(gòu)建出數(shù)據(jù)幀,在特征提取的過程中,卷積層可實現(xiàn)對故障信號的特征提取,序列展開層和扁平化層用于恢復(fù)序列結(jié)構(gòu)、輸出矢量序列。

    Bi-LSTM層和輸出層用于對輸出的矢量序列進行分類。Bi-LSTM層在輸入的信號中,不僅包含經(jīng)過預(yù)處理后的特征信息,而且還包含了原始信息,通過對信息前向和后向的共同處理,實現(xiàn)信息融合使輸入信號中包含更多信息,提高了診斷準確率。在Bi-LSTM層后設(shè)置了FCM層,作為整個模型優(yōu)化參數(shù)設(shè)計的一部分,進一步提高了診斷精度。

    3 實驗過程

    3.1 數(shù)據(jù)集獲取及預(yù)處理

    在現(xiàn)代軍事裝備制造領(lǐng)域,大型液體運載火箭就是典型的集成化裝備。其內(nèi)部構(gòu)造冗雜,且大多數(shù)部件不可視化,處于黑盒狀態(tài)。由于大型液體運載火箭故障率低,且一旦發(fā)生故障就會造成巨大損失,所以本文選取了能代表大部分集成化設(shè)備工作工程的田納西-伊斯曼化工過程。其數(shù)據(jù)的構(gòu)成及復(fù)雜程度基本與集成化設(shè)備吻合。

    田納西-伊斯曼化工過程數(shù)據(jù)是基于田納西-伊斯曼化學(xué)公司的一個真實化工過程的仿真數(shù)據(jù)。該化工過程比較好的模擬了實際復(fù)雜工業(yè)過程系統(tǒng)的許多典型特征,因此被廣泛運用于過程監(jiān)測與故障診斷的研究中。

    整個過程主要包含五個操作單元,反應(yīng)器,冷凝器,循環(huán)壓縮器,分離器和氣體塔。此過程中包含了12個操縱變量和41個測量變量。許多研究者提出了該過程的控制方案較為廣泛,被引用的有基本控制,分散控制和機控制這三種控制策略。在田納西-伊斯曼化工過程中共設(shè)計了21種故障,用于模擬實際工業(yè)過程中常見的故障和擾動。而本文也主要是針對該過程中的故障進行檢測和預(yù)測,從而實現(xiàn)對集成化裝備的健康管理。

    在該過程中,共有22個訓(xùn)練集,22個測試集,每個訓(xùn)練集由52個測量信號組成,共480行,每個測試集有52個測量信號組成,共960行。本文選取變量中均有正常數(shù)據(jù)和故障數(shù)據(jù),對于同時段的變量,每個變量截取500個觀測值,構(gòu)建52*500的測量數(shù)據(jù)幀并歸一化。

    在對信號進行頻率提取時,正常信號與故障信號有明顯差異。其正常信號和故障信號對比圖4所示。

    圖4 正常信號與故障信號對比圖

    其中上圖為五個變量在正常工作下的數(shù)據(jù)狀態(tài)。正常工作下振動正常波動,通過設(shè)備可實時檢測。

    當(dāng)其中變量出現(xiàn)故障時,其運行圖像會發(fā)生明顯變化,在一段時間幀上會有一段時間間隔內(nèi)出現(xiàn)波動異常,甚至停止波動,能夠明顯區(qū)分出其為故障狀態(tài)。

    由于不同故障其表現(xiàn)狀態(tài)也不同,但通過傳感器收集到的信息可以在經(jīng)過一定的預(yù)處理后將其分辨出來。但是要尋找到眾多故障設(shè)備并區(qū)分出故障種類,然后進行故障預(yù)測,仍然是需要考慮的問題。而本文提出的一種基于CNN和LSTM及其優(yōu)化算法的Bi-LSTM-CNN-FCM模型能很好地解決上述問題。

    3.2 模型參數(shù)配置

    在對模型進行訓(xùn)練的過程中,將80%的數(shù)據(jù)集作為訓(xùn)練集,將20%用作測試集。同時每個變量有20%的概率為故障數(shù)據(jù),這樣能夠保證數(shù)據(jù)獲取的隨機性與獨立性,通過上述的數(shù)據(jù)處理,能夠保證構(gòu)建的數(shù)據(jù)集和數(shù)據(jù)幀中包含各類正常數(shù)據(jù)和故障數(shù)據(jù)的隨機組合,實現(xiàn)數(shù)據(jù)的隨機獲取。本文實驗使用模型采用的數(shù)據(jù)集和參數(shù)配置如表1所示。

    表1 模型的數(shù)據(jù)集和參數(shù)配置

    4 實驗結(jié)果與分析

    4.1 激活函數(shù)對比

    在使用神經(jīng)網(wǎng)絡(luò)時,為解決其深層網(wǎng)絡(luò)模型的非線性問題,常常要用到激活函數(shù)。激活函數(shù)一般有三種:relu激活函數(shù)、tanh激活函數(shù)和sigmoid激活函數(shù)。

    relu激活函數(shù)公式為:

    a=g(z)=max(0,x)

    sigmoid激活函數(shù)公式為:

    tanh激活函數(shù)公式為:

    在所有激活函數(shù)中,relu激活函數(shù)使用頻率最高,因其具有硬飽和性質(zhì),很多網(wǎng)絡(luò)都會優(yōu)先使用。tanh激活函數(shù)和sigmoid激活函數(shù)都具有軟飽和性質(zhì),sigmid激活函數(shù)常常用在輸入的數(shù)據(jù)特征不是很明顯的時候,因此常用于分類問題的輸出層。而tanh激活函數(shù)幾乎適用于大部分的網(wǎng)絡(luò),但常常還是用于輸入的數(shù)據(jù)不明顯時。

    因此,本文探討的各個網(wǎng)絡(luò)層使用何種激活函數(shù)是基于使用激活函數(shù)后模型的效果和精度決定的。其具體使用效果如表2所示。

    表2 激活函數(shù)選擇對模型影響

    通過表中內(nèi)容可知,在訓(xùn)練時長上,無論使用什么激活函數(shù),其訓(xùn)練時間基本沒有什么差異,但在精度率上,卷積層使用tanh激活函數(shù),全連接層使用relu激活函數(shù)的模型精度是遠高于使用其他激活函數(shù)的,其模型精度達到了98.2%。

    因此本文將tanh激活函數(shù)在卷積層使用,將relu激活函數(shù)在全連接層使用。

    4.2 迭代次數(shù)對比

    在實驗過程中,本文通過不斷增加迭代次數(shù)觀察其損失值和精度隨迭代次數(shù)的變化,從判斷出最適合此過程的迭代次數(shù)。同時通過與其他方法的對比,檢驗該方法的優(yōu)越性。

    在用訓(xùn)練集將模型訓(xùn)練好后,用測試集對其進行測試。首先我們對LSTM算法進行驗證,測試用單一LSTM算法訓(xùn)練的模型,觀察其迭代次數(shù)與精度和損失值之間的變化關(guān)系。其關(guān)系如圖5所示。

    圖5 LSTM迭代次數(shù)與精度和損失值之間的變化關(guān)系

    通過圖5分析可知,單一的LSTM算法建立的模型用于診斷時,其迭代次數(shù)在3 500次左右時精度和損失值才趨于穩(wěn)定,且精度值穩(wěn)定在90%左右,損失值穩(wěn)定在0.1左右。由此可見需要對LSTM算法進行改進并結(jié)合新算法,減少模型運行需要的迭代次數(shù)并提高精度和降低損失值,為達到這一目的我們引入Bi-LSTM-CNN-FCM模型,并對該模型進行評價和對比,證明其優(yōu)越性。首先比較迭代次數(shù)對損失值和精度的影響。通過合適的訓(xùn)練測試尋找到田納西-伊斯曼化工過程數(shù)據(jù)的最適合的迭代次數(shù)。通過不斷增加迭代次數(shù),觀察其波形圖。在對Bi-LSTM-CNN-FCM模型進行驗證時,本文最高迭代次數(shù)選擇為1 800次。其損失值和精度隨迭代次數(shù)變化的波形圖如圖6所示。

    圖6 Bi-LSTM-CNN-FCM迭代次數(shù)與精度和損失值之間的變化關(guān)系

    通過圖像對比,可以很明顯的發(fā)現(xiàn)當(dāng)?shù)螖?shù)達到800次時,其準確率和損失值趨于穩(wěn)定,準確率穩(wěn)定在98%左右,損失值由于過小,觀測無法準確判斷,將在進一步的實驗中進行具體比較。為保證實驗的準確性,在后續(xù)實驗中,迭代次數(shù)最高定在了1 000次。

    由此可見Bi-LSTM-CNN-FCM模型在迭代次數(shù)上也能有一定的減少,經(jīng)過一定預(yù)處理后的數(shù)據(jù)在模型運行過程也能使迭代次數(shù)減少。

    4.3 模型性能對比

    為驗證Bi-LSTM-CNN-FCM的優(yōu)越性,同時將LSTM模型、CNN模型以及Bi-LSTM-CNN-FCM模型應(yīng)用在田納西-伊斯曼化工過程數(shù)據(jù)集上,并在準確度和損失值上進行比較。準確率即為模型檢測的準確度,損失值即為模型的預(yù)測值和真實值不一樣的程度,損失值越低,模型性能越好。其對比結(jié)果如圖7所示。

    圖7 模型性能對比圖

    通過查閱文獻資料,最新算法中在損失值和準確率綜合對比中,效果較好的是LSTM-CNN模型,其損失值為0.051 2,準確率為0.972 6。為方便對比,本文將LSTM模型、CNN模型以及Bi-LSTM-CNN-FCM模型的數(shù)值對比總結(jié)如表3所示。

    表3 模型性能數(shù)值對比

    通過對比可以發(fā)現(xiàn)Bi-LSTM-CNN-FCM模型在性能上明顯優(yōu)越于其他兩種算法。在準確率上,Bi-LSTM-CNN-FCM模型的準確率為98.25%,而單一的LSTM模型的準確率僅為89.19%,在準確率上該模型提升了9.06%,相比于LSTM-CNN模型,準確率也有小幅提升,由此可以看出在準確率方面Bi-LSTM-CNN-FCM模型確實有其可取之處,能大大提高模型的準確率。在損失值方面,Bi-LSTM-CNN-FCM模型的損失值僅為0.010 4,而單純的LSTM模型的損失值卻為0.070 0,LSTM-CNN模型為0.051 2,該模型在損失值方面雖然減少了不多,但也有小幅提升。由此可見Bi-LSTM-CNN-FCM模型適用于田納西-伊斯曼化工過程數(shù)據(jù)集,適用于現(xiàn)代化集成裝備的故障檢測,并且在模型性能上相比于單一的LSTM模型有較大的提升。雖然相對來說這也消耗了更大的算力和運行時間,但其模型性能得到了較大的提升,能在故障診斷和預(yù)測領(lǐng)域有較好的運用。

    5 結(jié)束語

    本文從集成化裝備故障檢測與健康管理出發(fā),并用田納西-伊斯曼化工過程數(shù)據(jù)進行驗證,提出了一種基于CNN和Bi-LSTM及其優(yōu)化算法,通過對LSTM算法的改進,建立了Bi-LSTM-CNN-FCM模型。首先,通過觀察不同激活函數(shù)對模型精度和效果的影響選擇合適的激活函數(shù),然后通過對模型迭代次數(shù)的研究,確定Bi-LSTM-CNN-FCM模型的基本性能結(jié)構(gòu),最后通過實驗驗證以及模型對比,證明了Bi-LSTM-CNN-FCM模型在準確率上有很大的提升,達到了98.25%,同時損失值也有小幅的降低,減小量達到0.040 8。由此可以看出Bi-LSTM-CNN-FCM模型在集成化裝備故障檢測與健康管理方面適用性較好。但是,由于模型復(fù)雜程度高,其所需要的算力和消耗時長也更多,因此在下一步的工作中會解決模型運行時間長等問題,對模型進行進一步的優(yōu)化提升,同時在掌握故障檢測模型后,對模型進行在次用化,建立故障預(yù)測模型,用RUL對模型剩余壽命進行預(yù)測。

    猜你喜歡
    集成化精度函數(shù)
    二次函數(shù)
    第3講 “函數(shù)”復(fù)習(xí)精講
    二次函數(shù)
    函數(shù)備考精講
    博格華納向集成化轉(zhuǎn)型
    汽車觀察(2018年9期)2018-10-23 05:46:36
    基于DSPIC33F微處理器的采集精度的提高
    電子制作(2018年11期)2018-08-04 03:25:38
    基于電子商務(wù)的計算機軟件系統(tǒng)集成化維護思路探索
    電子制作(2017年22期)2017-02-02 07:10:43
    GPS/GLONASS/BDS組合PPP精度分析
    集成化供應(yīng)鏈項目轉(zhuǎn)變藥學(xué)管理模式
    改進的Goldschmidt雙精度浮點除法器
    av天堂在线播放| 天天躁日日操中文字幕| 在线看三级毛片| 免费在线观看日本一区| 亚洲精品一卡2卡三卡4卡5卡| 波野结衣二区三区在线 | 精品一区二区三区av网在线观看| 97超级碰碰碰精品色视频在线观看| 亚洲最大成人手机在线| 老司机福利观看| 国产熟女xx| 国产精品综合久久久久久久免费| 男女床上黄色一级片免费看| 成年人黄色毛片网站| 尤物成人国产欧美一区二区三区| 九九在线视频观看精品| 在线免费观看的www视频| 国产精品 国内视频| 久久久国产成人精品二区| 亚洲成av人片在线播放无| 精品一区二区三区人妻视频| 久久精品影院6| 久久久久九九精品影院| 欧美一级a爱片免费观看看| 国产精品1区2区在线观看.| av国产免费在线观看| 精品久久久久久久毛片微露脸| 欧美日韩一级在线毛片| 久久国产精品人妻蜜桃| 日本成人三级电影网站| 国产91精品成人一区二区三区| 欧美黑人巨大hd| 婷婷丁香在线五月| 99国产精品一区二区三区| 女人高潮潮喷娇喘18禁视频| 男女之事视频高清在线观看| 成人亚洲精品av一区二区| 成人永久免费在线观看视频| 少妇人妻一区二区三区视频| 久久6这里有精品| 蜜桃亚洲精品一区二区三区| 亚洲色图av天堂| 亚洲成人中文字幕在线播放| 亚洲七黄色美女视频| 久久久国产成人精品二区| 好看av亚洲va欧美ⅴa在| 婷婷精品国产亚洲av在线| 欧美一区二区国产精品久久精品| 日本撒尿小便嘘嘘汇集6| 麻豆一二三区av精品| 久久久久久人人人人人| 乱人视频在线观看| 精品日产1卡2卡| 国产精品乱码一区二三区的特点| 搡女人真爽免费视频火全软件 | 波多野结衣巨乳人妻| 成人av一区二区三区在线看| 中文字幕熟女人妻在线| 日本黄色片子视频| h日本视频在线播放| 国产主播在线观看一区二区| 免费观看的影片在线观看| 真实男女啪啪啪动态图| 久久久久久人人人人人| 日本免费a在线| 狂野欧美激情性xxxx| 内射极品少妇av片p| 亚洲成人精品中文字幕电影| 一级黄片播放器| 国产激情偷乱视频一区二区| 男女午夜视频在线观看| 69av精品久久久久久| 欧美另类亚洲清纯唯美| 国产精品1区2区在线观看.| 日韩欧美一区二区三区在线观看| 久久久久国内视频| 精品一区二区三区av网在线观看| 国产精品影院久久| 99久久无色码亚洲精品果冻| 观看免费一级毛片| 午夜福利在线在线| 国产精品久久久久久人妻精品电影| 欧美中文综合在线视频| 不卡一级毛片| 少妇的逼好多水| 精品熟女少妇八av免费久了| 一个人看视频在线观看www免费 | 美女被艹到高潮喷水动态| 精品电影一区二区在线| 狠狠狠狠99中文字幕| 国产精品久久电影中文字幕| h日本视频在线播放| 91麻豆精品激情在线观看国产| 嫁个100分男人电影在线观看| 午夜精品一区二区三区免费看| 麻豆久久精品国产亚洲av| 国产成人福利小说| 天天一区二区日本电影三级| 国产三级在线视频| 午夜福利免费观看在线| 日韩有码中文字幕| 亚洲国产日韩欧美精品在线观看 | 一本一本综合久久| 亚洲午夜理论影院| 中文字幕人成人乱码亚洲影| 亚洲五月婷婷丁香| 欧美最黄视频在线播放免费| 日韩欧美精品v在线| 51午夜福利影视在线观看| 成人亚洲精品av一区二区| 亚洲专区国产一区二区| 有码 亚洲区| x7x7x7水蜜桃| 757午夜福利合集在线观看| 在线观看一区二区三区| 欧美色视频一区免费| 国产激情偷乱视频一区二区| 久久精品夜夜夜夜夜久久蜜豆| 免费看十八禁软件| 日韩大尺度精品在线看网址| 日本与韩国留学比较| 岛国在线免费视频观看| 中文在线观看免费www的网站| 精品不卡国产一区二区三区| 变态另类丝袜制服| 亚洲欧美精品综合久久99| 欧美最新免费一区二区三区 | 乱人视频在线观看| 亚洲男人的天堂狠狠| 在线观看免费视频日本深夜| 99在线人妻在线中文字幕| 三级毛片av免费| 熟妇人妻久久中文字幕3abv| 亚洲av美国av| 夜夜夜夜夜久久久久| 欧美日韩瑟瑟在线播放| 久久久久久久久大av| 好男人在线观看高清免费视频| 波多野结衣巨乳人妻| 成人三级黄色视频| 给我免费播放毛片高清在线观看| 91九色精品人成在线观看| 国产真人三级小视频在线观看| 午夜福利在线观看吧| 国产色婷婷99| 国产一区二区在线观看日韩 | 757午夜福利合集在线观看| 久久久久久久久大av| 在线观看日韩欧美| 激情在线观看视频在线高清| 19禁男女啪啪无遮挡网站| aaaaa片日本免费| 亚洲va日本ⅴa欧美va伊人久久| 久久99热这里只有精品18| 亚洲av免费高清在线观看| 一级毛片高清免费大全| 久久婷婷人人爽人人干人人爱| 99在线视频只有这里精品首页| 亚洲成av人片在线播放无| 国产精品香港三级国产av潘金莲| 一进一出抽搐动态| 一级黄色大片毛片| 长腿黑丝高跟| 99久久精品国产亚洲精品| 久久久久国产精品人妻aⅴ院| 色综合亚洲欧美另类图片| 别揉我奶头~嗯~啊~动态视频| 国产熟女xx| 国产蜜桃级精品一区二区三区| 日韩亚洲欧美综合| 国内精品一区二区在线观看| 天堂√8在线中文| 首页视频小说图片口味搜索| 色哟哟哟哟哟哟| 18禁在线播放成人免费| 蜜桃久久精品国产亚洲av| 不卡一级毛片| 欧美黑人巨大hd| 日日摸夜夜添夜夜添小说| 国产成人系列免费观看| 99在线视频只有这里精品首页| 欧美日韩国产亚洲二区| 国产成年人精品一区二区| 国产亚洲欧美98| av天堂中文字幕网| 国产精品爽爽va在线观看网站| 国产精品久久电影中文字幕| 一进一出抽搐gif免费好疼| 午夜亚洲福利在线播放| 国产精品电影一区二区三区| 午夜a级毛片| 久久久色成人| 国产毛片a区久久久久| 久久中文看片网| 国产中年淑女户外野战色| 欧美不卡视频在线免费观看| 国产一区二区三区在线臀色熟女| 男女那种视频在线观看| 国产真实伦视频高清在线观看 | 听说在线观看完整版免费高清| 国产精品久久久久久久久免 | 女人高潮潮喷娇喘18禁视频| 国产精品嫩草影院av在线观看 | 午夜福利成人在线免费观看| 日韩人妻高清精品专区| 亚洲国产精品成人综合色| 人妻丰满熟妇av一区二区三区| 成人无遮挡网站| 一级毛片高清免费大全| 97超视频在线观看视频| 精品久久久久久成人av| av天堂在线播放| 国产成人影院久久av| 中文资源天堂在线| 国产免费av片在线观看野外av| 久99久视频精品免费| 婷婷亚洲欧美| 欧美性感艳星| 99精品在免费线老司机午夜| 久久久久久久久大av| 桃色一区二区三区在线观看| 亚洲中文字幕日韩| 99久久无色码亚洲精品果冻| 人人妻人人看人人澡| 久久婷婷人人爽人人干人人爱| 少妇人妻精品综合一区二区 | 好男人电影高清在线观看| 一个人观看的视频www高清免费观看| 成人一区二区视频在线观看| 精华霜和精华液先用哪个| 亚洲欧美日韩高清专用| 老司机在亚洲福利影院| 极品教师在线免费播放| 免费一级毛片在线播放高清视频| 日韩欧美三级三区| 国产v大片淫在线免费观看| 色哟哟哟哟哟哟| 亚洲aⅴ乱码一区二区在线播放| 怎么达到女性高潮| 午夜福利欧美成人| av片东京热男人的天堂| 久久久久久人人人人人| 禁无遮挡网站| 在线a可以看的网站| 天天添夜夜摸| 夜夜躁狠狠躁天天躁| 国产不卡一卡二| 午夜激情福利司机影院| 国产高清视频在线播放一区| 亚洲精华国产精华精| 国产亚洲精品综合一区在线观看| 亚洲熟妇熟女久久| 亚洲人成网站高清观看| 国产欧美日韩一区二区三| 热99re8久久精品国产| 欧美日韩综合久久久久久 | 日本与韩国留学比较| 成年人黄色毛片网站| 日韩精品中文字幕看吧| 国内毛片毛片毛片毛片毛片| 天堂av国产一区二区熟女人妻| 黄色女人牲交| 99热这里只有精品一区| 99国产极品粉嫩在线观看| 桃红色精品国产亚洲av| 激情在线观看视频在线高清| 男女之事视频高清在线观看| 亚洲无线观看免费| 亚洲国产欧美人成| 99热这里只有是精品50| 国产精品,欧美在线| 亚洲欧美精品综合久久99| 嫩草影视91久久| 毛片女人毛片| 亚洲中文字幕日韩| 亚洲精品影视一区二区三区av| 一区二区三区国产精品乱码| 国产一区二区激情短视频| 久久久久精品国产欧美久久久| 免费看a级黄色片| 精品欧美国产一区二区三| 婷婷亚洲欧美| 岛国在线免费视频观看| 99久久99久久久精品蜜桃| 亚洲av免费在线观看| 成人亚洲精品av一区二区| av天堂在线播放| tocl精华| 亚洲 欧美 日韩 在线 免费| 一边摸一边抽搐一进一小说| 老司机在亚洲福利影院| av视频在线观看入口| 在线国产一区二区在线| 天堂动漫精品| 九色国产91popny在线| 国产一区在线观看成人免费| 少妇人妻精品综合一区二区 | 久久欧美精品欧美久久欧美| 日韩亚洲欧美综合| 日本黄大片高清| 99久久无色码亚洲精品果冻| 搞女人的毛片| 一个人免费在线观看电影| 看黄色毛片网站| 五月玫瑰六月丁香| 久久久久久久亚洲中文字幕 | 一区二区三区免费毛片| 亚洲av二区三区四区| 51午夜福利影视在线观看| 亚洲成av人片在线播放无| 亚洲熟妇熟女久久| 国产激情欧美一区二区| 变态另类丝袜制服| 成人欧美大片| 亚洲精品粉嫩美女一区| 国产伦精品一区二区三区四那| 精品乱码久久久久久99久播| 欧美大码av| 亚洲片人在线观看| 欧美中文综合在线视频| 男女做爰动态图高潮gif福利片| 国产精品亚洲av一区麻豆| 欧美+亚洲+日韩+国产| 国产淫片久久久久久久久 | 日本与韩国留学比较| 狂野欧美白嫩少妇大欣赏| av在线蜜桃| 桃红色精品国产亚洲av| 动漫黄色视频在线观看| 亚洲成av人片免费观看| 人妻夜夜爽99麻豆av| 黄片大片在线免费观看| 精品一区二区三区视频在线观看免费| 成年人黄色毛片网站| 成人特级黄色片久久久久久久| 亚洲精品影视一区二区三区av| 又黄又爽又免费观看的视频| 69人妻影院| 国产精品99久久久久久久久| 天天添夜夜摸| 国产亚洲精品综合一区在线观看| 乱人视频在线观看| 国产伦一二天堂av在线观看| 亚洲av一区综合| 99久久99久久久精品蜜桃| 久久久久久久午夜电影| 中文字幕高清在线视频| 乱人视频在线观看| 又黄又粗又硬又大视频| 一夜夜www| 香蕉久久夜色| 国内毛片毛片毛片毛片毛片| 两性午夜刺激爽爽歪歪视频在线观看| 欧美成人性av电影在线观看| 老熟妇乱子伦视频在线观看| 国产高清有码在线观看视频| 少妇高潮的动态图| 久久精品91无色码中文字幕| 中文亚洲av片在线观看爽| 午夜福利在线观看吧| 亚洲av二区三区四区| 欧美黑人巨大hd| 成年版毛片免费区| 免费人成视频x8x8入口观看| 国产黄片美女视频| 日韩高清综合在线| 中文亚洲av片在线观看爽| 高清毛片免费观看视频网站| 日本黄大片高清| 男人和女人高潮做爰伦理| 日本黄色视频三级网站网址| 国产精品嫩草影院av在线观看 | 国产精品电影一区二区三区| 欧美日韩中文字幕国产精品一区二区三区| 人人妻人人看人人澡| a级毛片a级免费在线| 小蜜桃在线观看免费完整版高清| 久久久久久久午夜电影| 欧洲精品卡2卡3卡4卡5卡区| 午夜免费观看网址| 国产成人av激情在线播放| 99精品欧美一区二区三区四区| 亚洲人成网站高清观看| 19禁男女啪啪无遮挡网站| 国产精品野战在线观看| 极品教师在线免费播放| 韩国av一区二区三区四区| or卡值多少钱| 熟妇人妻久久中文字幕3abv| 啪啪无遮挡十八禁网站| 国产老妇女一区| 黄片大片在线免费观看| 一区二区三区高清视频在线| 狂野欧美白嫩少妇大欣赏| 神马国产精品三级电影在线观看| 亚洲成a人片在线一区二区| 亚洲真实伦在线观看| 国产视频内射| 搡老岳熟女国产| 亚洲人成网站在线播| 99久久精品热视频| 国产成人av激情在线播放| АⅤ资源中文在线天堂| 亚洲中文日韩欧美视频| 一个人免费在线观看电影| 成人高潮视频无遮挡免费网站| 亚洲黑人精品在线| 国产精品亚洲一级av第二区| tocl精华| 国产精品影院久久| 特大巨黑吊av在线直播| 九九久久精品国产亚洲av麻豆| 中文在线观看免费www的网站| 88av欧美| 精品久久久久久久人妻蜜臀av| 美女高潮喷水抽搐中文字幕| 国产久久久一区二区三区| 男女那种视频在线观看| 夜夜看夜夜爽夜夜摸| 亚洲av一区综合| 免费一级毛片在线播放高清视频| 美女大奶头视频| 亚洲成av人片免费观看| 久久精品国产亚洲av涩爱 | 亚洲成av人片在线播放无| 丰满人妻一区二区三区视频av | 日本熟妇午夜| 成年女人永久免费观看视频| 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 | 亚洲第一电影网av| 国产成人系列免费观看| 午夜激情欧美在线| 又紧又爽又黄一区二区| 欧美性感艳星| 免费无遮挡裸体视频| 国产精品一区二区三区四区久久| 久久人妻av系列| 国产精品,欧美在线| 高潮久久久久久久久久久不卡| 国产一区二区在线av高清观看| 99久久99久久久精品蜜桃| 免费大片18禁| 网址你懂的国产日韩在线| 18美女黄网站色大片免费观看| 精品国产超薄肉色丝袜足j| 亚洲国产色片| 久久国产乱子伦精品免费另类| 99热这里只有精品一区| 亚洲国产欧洲综合997久久,| 中文资源天堂在线| 日本 欧美在线| 不卡一级毛片| 色视频www国产| 午夜福利18| 婷婷丁香在线五月| 午夜免费观看网址| 中文字幕高清在线视频| 亚洲精品粉嫩美女一区| 级片在线观看| 免费无遮挡裸体视频| 男人舔奶头视频| 国产精品久久视频播放| 亚洲最大成人中文| 国产精品三级大全| 欧美大码av| 久久这里只有精品中国| 少妇人妻精品综合一区二区 | 免费看十八禁软件| 岛国在线观看网站| 观看美女的网站| 欧美高清成人免费视频www| 亚洲内射少妇av| 亚洲欧美日韩高清在线视频| 国产免费av片在线观看野外av| 美女高潮的动态| 神马国产精品三级电影在线观看| 麻豆成人午夜福利视频| 国产亚洲精品久久久久久毛片| 亚洲黑人精品在线| 国产精品一区二区三区四区免费观看 | 亚洲 国产 在线| www国产在线视频色| 一进一出好大好爽视频| 亚洲中文日韩欧美视频| 免费搜索国产男女视频| 91久久精品电影网| 特大巨黑吊av在线直播| 国产高清视频在线观看网站| 香蕉久久夜色| 国产成人影院久久av| 又粗又爽又猛毛片免费看| 老司机福利观看| 国产成年人精品一区二区| netflix在线观看网站| 免费人成视频x8x8入口观看| 91久久精品电影网| 色综合欧美亚洲国产小说| 亚洲精品色激情综合| 中文资源天堂在线| 午夜老司机福利剧场| 欧美一区二区精品小视频在线| 中出人妻视频一区二区| 深夜精品福利| 亚洲一区二区三区不卡视频| 一本久久中文字幕| 2021天堂中文幕一二区在线观| svipshipincom国产片| АⅤ资源中文在线天堂| 欧美日韩瑟瑟在线播放| 99在线视频只有这里精品首页| 日韩成人在线观看一区二区三区| 在线播放国产精品三级| 国产精品爽爽va在线观看网站| 网址你懂的国产日韩在线| 精品熟女少妇八av免费久了| 18禁黄网站禁片免费观看直播| 久久国产精品人妻蜜桃| 亚洲av一区综合| 夜夜看夜夜爽夜夜摸| 97超级碰碰碰精品色视频在线观看| 久久久成人免费电影| 一区二区三区国产精品乱码| 最近最新免费中文字幕在线| 精品人妻偷拍中文字幕| 国产成人啪精品午夜网站| 国产黄a三级三级三级人| 久久久久国产精品人妻aⅴ院| 好男人在线观看高清免费视频| 亚洲精品日韩av片在线观看 | av欧美777| 可以在线观看毛片的网站| 成人午夜高清在线视频| 日韩欧美 国产精品| 一卡2卡三卡四卡精品乱码亚洲| 国产精品一区二区三区四区久久| 日本熟妇午夜| 99精品久久久久人妻精品| 少妇丰满av| 国产伦精品一区二区三区四那| 免费搜索国产男女视频| 男人舔奶头视频| 国产高清videossex| 亚洲性夜色夜夜综合| 全区人妻精品视频| 97超级碰碰碰精品色视频在线观看| 国产私拍福利视频在线观看| 国产伦一二天堂av在线观看| 成年人黄色毛片网站| 精华霜和精华液先用哪个| 国产探花在线观看一区二区| 欧美在线一区亚洲| 伊人久久大香线蕉亚洲五| 久久伊人香网站| 亚洲av电影在线进入| 精品不卡国产一区二区三区| 最新在线观看一区二区三区| 国产高清视频在线观看网站| 国内精品一区二区在线观看| 国产精品美女特级片免费视频播放器| 草草在线视频免费看| 亚洲午夜理论影院| 午夜福利视频1000在线观看| 亚洲成人中文字幕在线播放| 国产精品野战在线观看| 亚洲五月天丁香| 午夜免费成人在线视频| 日本一本二区三区精品| 国产高清有码在线观看视频| 国产乱人视频| 免费观看精品视频网站| 亚洲av熟女| 嫩草影视91久久| 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 | 狠狠狠狠99中文字幕| 国产高潮美女av| 亚洲人成网站在线播| 一个人免费在线观看的高清视频| 日韩中文字幕欧美一区二区| 91麻豆av在线| 琪琪午夜伦伦电影理论片6080| 女同久久另类99精品国产91| www国产在线视频色| 亚洲精品粉嫩美女一区| 麻豆成人av在线观看| 欧美中文日本在线观看视频| 长腿黑丝高跟| 欧美最新免费一区二区三区 | 国产又黄又爽又无遮挡在线| 在线观看美女被高潮喷水网站 | 美女大奶头视频| 国产av麻豆久久久久久久| 最近最新免费中文字幕在线| 国产野战对白在线观看| 脱女人内裤的视频| 最近最新免费中文字幕在线| 色在线成人网| 免费在线观看日本一区| 欧美xxxx黑人xx丫x性爽| 久久国产乱子伦精品免费另类| 成人一区二区视频在线观看| av视频在线观看入口| 久久欧美精品欧美久久欧美| 精品一区二区三区av网在线观看| 亚洲国产精品成人综合色| av中文乱码字幕在线| 午夜精品一区二区三区免费看| 欧美黑人巨大hd| 日韩欧美精品v在线| 国产伦精品一区二区三区四那| 高清毛片免费观看视频网站| 国产一区二区在线观看日韩 | 国产av不卡久久| 在线a可以看的网站| 亚洲第一欧美日韩一区二区三区| 色综合站精品国产|