• <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 ?

    基于特征優(yōu)選與深度學(xué)習(xí)的車(chē)載電源微小故障診斷方法

    2022-12-01 12:54:24李煒韓寅龍孫曉靜
    兵工學(xué)報(bào) 2022年11期
    關(guān)鍵詞:故障診斷特征故障

    李煒, 韓寅龍, 孫曉靜

    (1.蘭州理工大學(xué) 電氣工程與信息工程學(xué)院, 甘肅 蘭州 730050;2.甘肅省工業(yè)過(guò)程先進(jìn)控制重點(diǎn)實(shí)驗(yàn)室, 甘肅 蘭州 730050;3.蘭州理工大學(xué) 電氣與控制工程國(guó)家級(jí)實(shí)驗(yàn)教學(xué)示范中心, 甘肅 蘭州 730050;4.蘭州電源車(chē)輛研究所有限公司, 甘肅 蘭州 730050)

    0 引言

    隨著現(xiàn)代戰(zhàn)場(chǎng)信息化程度日益提高,軍事裝備的電能需求亦快速增長(zhǎng)。車(chē)載電源以其移動(dòng)快捷、低噪聲運(yùn)行、操作簡(jiǎn)便、環(huán)境適應(yīng)性強(qiáng)等技術(shù)優(yōu)勢(shì),廣泛應(yīng)用于部隊(duì)野戰(zhàn)照明、指揮、控制、通訊、電子對(duì)抗、工程作業(yè)及搶險(xiǎn)急救等[1-2]。通常車(chē)載電源工作環(huán)境復(fù)雜多變,故障種類(lèi)多且隨機(jī)性高[3]。各類(lèi)微小故障往往是導(dǎo)致系統(tǒng)無(wú)法正常工作的源頭,運(yùn)行過(guò)程中一旦演變?yōu)閲?yán)重故障,輕則使整個(gè)武器系統(tǒng)可能陷入癱瘓,影響軍隊(duì)?wèi)?zhàn)斗力,重則甚至造成危及人員生命和財(cái)產(chǎn)安全的重大事故。因此,若能及時(shí)發(fā)現(xiàn)系統(tǒng)常見(jiàn)故障的早期征兆,準(zhǔn)確識(shí)別出微小故障類(lèi)型,提前進(jìn)行防御性維護(hù),則可降低或避免嚴(yán)重故障的發(fā)生,提高車(chē)載電源安全可靠性。

    微小故障具有故障特征不明顯、容易被噪聲和擾動(dòng)淹沒(méi)、不同微小故障之間難以準(zhǔn)確區(qū)分等特點(diǎn),因而迫切需要識(shí)別能力更強(qiáng)的故障診斷方法。車(chē)載電源本身屬于復(fù)雜的機(jī)電系統(tǒng),由于建模代價(jià)高且難以建立精確的數(shù)學(xué)模型,加之先驗(yàn)知識(shí)有限,因此傳統(tǒng)基于解析模型、專(zhuān)家知識(shí)的診斷方法并不適用于車(chē)載電源的微小故障診斷[4-5]。得益于傳感器與信息技術(shù)的迅速發(fā)展,復(fù)雜系統(tǒng)可以獲得海量、多源、高維的相關(guān)監(jiān)測(cè)數(shù)據(jù)[6],因而基于數(shù)據(jù)驅(qū)動(dòng)的智能故障診斷方法已成為解決復(fù)雜系統(tǒng)微小故障診斷的重要途徑。其中基于神經(jīng)網(wǎng)絡(luò)的診斷方法因其具有較強(qiáng)的非線性擬合能力、自學(xué)習(xí)能力,已被應(yīng)用于復(fù)雜系統(tǒng)微小故障診斷[7-8]。

    理論上,只要對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行合理且足夠深度的挖掘,便可以獲得數(shù)據(jù)更為細(xì)致化的特征。但是傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)因自身的淺層結(jié)構(gòu),限制了其從監(jiān)測(cè)數(shù)據(jù)中充分挖掘微小故障特征的能力,也就影響了其診斷能力。Hinton等[9]在2006年首次提出了深度學(xué)習(xí)的思想,并證明了通過(guò)深度多層的網(wǎng)絡(luò)結(jié)構(gòu)自動(dòng)提取數(shù)據(jù)的高層次特征,能夠更加完整地描述原始數(shù)據(jù),這無(wú)疑為微小故障診斷的研究開(kāi)辟了新的途徑。Tamilselvan等在文獻(xiàn)[10]中給出了一種基于深度置信網(wǎng)絡(luò)的健康診斷方法,對(duì)飛機(jī)發(fā)動(dòng)機(jī)和電力變壓器的健康狀態(tài)進(jìn)行有效的診斷。文獻(xiàn)[11]提出了一種基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)作為微小故障特征提取器,支持向量機(jī)(SVM)代替Softmax作為分類(lèi)器的方法,用于電機(jī)軸承的微小故障智能診斷。為確保高速列車(chē)穩(wěn)定安全運(yùn)行,文獻(xiàn)[12]提出了一種改進(jìn)的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)自編碼器結(jié)構(gòu),通過(guò)從原始信號(hào)中提取故障特征,實(shí)現(xiàn)了高速列車(chē)牽引系統(tǒng)微小故障的無(wú)監(jiān)督診斷。文獻(xiàn)[13]提出了一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法,用于船舶旋轉(zhuǎn)機(jī)械微小故障的快速診斷。

    對(duì)于微小故障診斷,基于深度學(xué)習(xí)的故障診斷算法仍存在訓(xùn)練時(shí)間長(zhǎng)、診斷精度有待提高等問(wèn)題,除了深度學(xué)習(xí)參數(shù)優(yōu)化自身的原因外,與數(shù)據(jù)的特征優(yōu)選不無(wú)關(guān)系。因此,針對(duì)車(chē)載電源這一復(fù)雜機(jī)電系統(tǒng)微小故障的診斷需求,為了獲取更本質(zhì)的數(shù)據(jù)特征,提高故障識(shí)別準(zhǔn)確率,減少時(shí)間成本,本文提出一種基于遞歸特征消除(RFE)和棧式自編碼網(wǎng)絡(luò)(SAE)相融合的微小故障智能診斷方法。首先應(yīng)用RFE算法對(duì)采集到的車(chē)載電源運(yùn)行數(shù)據(jù)進(jìn)行特征優(yōu)選,剔除對(duì)分類(lèi)不敏感的冗余特征,在此基礎(chǔ)上采用深度學(xué)習(xí)中的SAE網(wǎng)絡(luò)完成車(chē)載電源的微小故障診斷,以期達(dá)到準(zhǔn)確診斷車(chē)載電源微小故障的目的,為盡早消除潛在安全隱患提供依據(jù)。

    1 車(chē)載電源微小故障分析

    車(chē)載電源是一類(lèi)典型的復(fù)雜機(jī)電系統(tǒng),其主要模塊包括柴油機(jī)、電子調(diào)速器、同步發(fā)電機(jī)、勵(lì)磁系統(tǒng)。由于各個(gè)模塊之間具有強(qiáng)耦合性,故障機(jī)理較復(fù)雜,故障類(lèi)型既有電氣故障,也有機(jī)械故障[14]。在長(zhǎng)期運(yùn)行過(guò)程中由于負(fù)載變化、元部件退化磨損以及環(huán)境惡劣等因素,系統(tǒng)會(huì)逐漸出現(xiàn)一些故障,如同步發(fā)電機(jī)失磁、發(fā)電機(jī)三相電壓不平衡、電機(jī)匝間短路、噴油嘴堵塞、調(diào)速器失效等,上述故障一旦發(fā)生將導(dǎo)致車(chē)載電源無(wú)法正常工作。而車(chē)載電源微小故障具有測(cè)量信號(hào)征兆不明顯且噪聲大等特點(diǎn)。當(dāng)微小故障發(fā)生時(shí),車(chē)載電源可能仍以某種狀態(tài)繼續(xù)運(yùn)行,但是隨著時(shí)間的推移,微小故障將逐漸演變?yōu)閲?yán)重故障,其本質(zhì)上是系統(tǒng)相關(guān)參數(shù)從“量變”到“質(zhì)變”的過(guò)程,引發(fā)故障的機(jī)理是一致的。因此本文研究車(chē)載電源微小故障將聚焦于上述幾種常見(jiàn)故障的早期階段,具體可根據(jù)國(guó)家軍用交流移動(dòng)電站通用規(guī)范(GJB 235A—97)中四類(lèi)電站指標(biāo)界定。

    故障機(jī)理與征兆數(shù)據(jù)是開(kāi)展微小故障診斷研究的基礎(chǔ)??紤]車(chē)載電源前期歷史監(jiān)測(cè)數(shù)據(jù)匱乏,破壞性試驗(yàn)成本過(guò)高,而復(fù)雜系統(tǒng)虛擬仿真不僅可行而且已是未來(lái)發(fā)展趨勢(shì),在深入分析前述車(chē)載電源故障機(jī)理的基礎(chǔ)上,借助實(shí)驗(yàn)室團(tuán)隊(duì)前期為軍方用戶研發(fā)的“車(chē)載電源仿真系統(tǒng)”,該系統(tǒng)模型與車(chē)載電源實(shí)體的一致性前期已通過(guò)實(shí)體對(duì)象實(shí)驗(yàn)驗(yàn)證。通過(guò)在此平臺(tái)接入輔助元件或調(diào)整相關(guān)模塊參數(shù),分別模擬不同故障工況并采集監(jiān)測(cè)數(shù)據(jù),進(jìn)而依據(jù)GJB 235A—97中四類(lèi)電站的電氣性能主要指標(biāo),結(jié)合行業(yè)專(zhuān)家經(jīng)驗(yàn)與歷史數(shù)據(jù),最終確定4種車(chē)載電源微小故障,如表1所示。

    表1 車(chē)載電源微小故障

    2 基于RFE-SAE的車(chē)載電源微小故障診斷方法

    2.1 基于RFE-SAE車(chē)載電源微小故障診斷方法思想的提出

    深度學(xué)習(xí)具有從原始樣本中自動(dòng)學(xué)習(xí)數(shù)據(jù)本質(zhì)特征的能力,通過(guò)構(gòu)建的深層神經(jīng)網(wǎng)絡(luò)可從輸入數(shù)據(jù)中挖掘更具抽象性、細(xì)節(jié)化的高階信息,而這些高層次特征無(wú)疑是提升微小故障診斷性能的關(guān)鍵因素[4]。SAE作為深度學(xué)習(xí)領(lǐng)域中的經(jīng)典網(wǎng)絡(luò)模型,其通過(guò)對(duì)輸入數(shù)據(jù)的“復(fù)制”逐層提取高階特征,并在此過(guò)程中實(shí)現(xiàn)數(shù)據(jù)降維,將復(fù)雜的輸入數(shù)據(jù)轉(zhuǎn)換為更具代表性的低維特征。SAE網(wǎng)絡(luò)模型的特性完全契合微小故障診斷的目標(biāo)需求,因此選擇SAE用于車(chē)載電源微小故障特征的提取,再通過(guò)添加一個(gè)Softmax分類(lèi)器,對(duì)于車(chē)載電源常見(jiàn)微小故障的診斷無(wú)疑是可行的。

    考慮到實(shí)際中用于車(chē)載電源狀態(tài)監(jiān)測(cè)的數(shù)據(jù)較多,測(cè)量數(shù)據(jù)中的變量對(duì)于微小故障,其敏感度各有差異,且存在一定的冗余。為提高SAE無(wú)監(jiān)督學(xué)習(xí)效率與微小故障診斷能力,需先對(duì)原始測(cè)量數(shù)據(jù)進(jìn)行特征選擇。RFE算法通常被用于消除冗余和無(wú)用特征,應(yīng)用領(lǐng)域較廣泛。相對(duì)于經(jīng)典的特征降維方法——主成分分析,通過(guò)RFE選擇最優(yōu)特征子集時(shí),不僅可以將特征變量按其對(duì)故障分類(lèi)的重要度排序,為剔除冗余特征提供依據(jù),而且構(gòu)造的新特征子集還可保持原始測(cè)量數(shù)據(jù)的可解釋性。因此將RFE作為車(chē)載電源微小故障測(cè)量數(shù)據(jù)特征變量的優(yōu)選算法,更利于故障溯源。

    本文在SAE網(wǎng)絡(luò)基礎(chǔ)上引入RFE算法,以實(shí)現(xiàn)車(chē)載電源微小故障的快速有效診斷?;赗FE-SAE車(chē)載電源微小故障診斷算法,主要包括特征優(yōu)選、微小故障特征提取和故障模式分類(lèi)等三部分。該算法的核心思想是:對(duì)于大量監(jiān)測(cè)數(shù)據(jù)構(gòu)成的特征集,首先利用RFE算法對(duì)特征進(jìn)行優(yōu)選,剔除對(duì)微小故障分類(lèi)不敏感的冗余特征;其次在此基礎(chǔ)上利用無(wú)標(biāo)簽樣本無(wú)監(jiān)督地訓(xùn)練SAE,進(jìn)一步挖掘故障的深層特征;最后結(jié)合分類(lèi)器有監(jiān)督的對(duì)整個(gè)網(wǎng)絡(luò)模型參數(shù)進(jìn)行反向微調(diào),從而使整個(gè)深度網(wǎng)絡(luò)可以更好的在優(yōu)選特征子集中提取微小故障特征,并進(jìn)行微小故障模式的有效分類(lèi)。

    2.2 基于RFE的車(chē)載電源微小故障特征優(yōu)選

    RFE算法本質(zhì)是根據(jù)原始數(shù)據(jù)對(duì)分類(lèi)器性能指標(biāo)的重要度來(lái)評(píng)價(jià)特征,并通過(guò)重要度產(chǎn)生特征排序,其性能與采用何種迭代分類(lèi)器有關(guān),常用的分類(lèi)器有SVM、隨機(jī)森林、樸素貝葉斯等。基于SVM的遞歸特征消除(SVM-RFE)是由Guyon等[26]在2002年進(jìn)行癌癥分類(lèi)的基因選擇時(shí)提出來(lái)的。SVM-RFE作為經(jīng)典的封裝器模型算法,其中SVM作為分類(lèi)器,在每一輪訓(xùn)練時(shí)會(huì)選擇所有特征值進(jìn)行訓(xùn)練,根據(jù)特征排序準(zhǔn)則,在每次迭代訓(xùn)練時(shí)去掉一個(gè)排序系數(shù)最小的特征變量,最終得到所有特征重要性的遞減順序的排序。

    本文采用SVM-RFE算法對(duì)車(chē)載電源候選特征進(jìn)行重要度排序,目的是從中選擇出對(duì)常見(jiàn)微小故障更為敏感的最優(yōu)特征子集,以其作為深度學(xué)習(xí)網(wǎng)絡(luò)的輸入。候選特征集由車(chē)載電源監(jiān)測(cè)數(shù)據(jù)中的15種相關(guān)變量構(gòu)成,具體包括有功功率P、無(wú)功功率Q、功率因數(shù)cosφ、頻率f、轉(zhuǎn)子轉(zhuǎn)速n、電磁轉(zhuǎn)矩Te、定子電壓Us、定子電流Is、勵(lì)磁電壓Ef、三相電壓UA、UB、UC以及三相電流IA、IB、IC。構(gòu)建車(chē)載電源微小故障候選特征向量集合X∈RN×M,故障特征標(biāo)簽集合y∈R。

    (1)

    (2)

    式中:N表示特征集合中樣本個(gè)數(shù);M表示候選的特征變量個(gè)數(shù),即M=15;k表示車(chē)載電源工況類(lèi)型對(duì)應(yīng)的標(biāo)簽,由表1常見(jiàn)微小故障類(lèi)型加上正常狀態(tài)共計(jì)k=5。

    基于SVM-RFE的車(chē)載電源特征優(yōu)選,是利用候選特征集中的樣本訓(xùn)練SVM,并通過(guò)特征排序系數(shù)公式(3)式計(jì)算各個(gè)特征權(quán)重,作為特征排序的依據(jù)。目標(biāo)分類(lèi)器SVM采用徑向基核函數(shù)代替內(nèi)積,如(4)式所示。

    (3)

    (4)

    式中:r為特征序號(hào);α為拉格朗日乘子;H為樣本矩陣,H(-r)表示第r個(gè)特征被移除時(shí)矩陣的值;Hij表示核函數(shù)K(xi,xj)對(duì)應(yīng)的核矩陣,xi,xj為輸入樣本;σ表示高斯核的帶寬。基于SVM-RFE算法流程如圖1所示。

    圖1 SVM-RFE算法流程圖

    圖1中,S表示當(dāng)前候選特征排序列表,F(xiàn)表示最終輸出的特征排序列表;二者在每次執(zhí)行完畢后進(jìn)行更新;?表示空集。

    2.3 基于SAE的車(chē)載電源微小故障診斷

    自編碼器(AE)主要包括編碼器和解碼器兩部分。其中編碼器由輸入層和隱層組成,其對(duì)原始數(shù)據(jù)進(jìn)行編碼,在隱層得到特征向量并“壓縮”原始數(shù)據(jù)。解碼器由隱層和輸出層組成,隱層輸出的特征向量通過(guò)解碼器“還原”為原始數(shù)據(jù),當(dāng)輸出數(shù)據(jù)和原始數(shù)據(jù)之間的重構(gòu)誤差足夠小時(shí),則認(rèn)為隱層輸出的高階特征可以有效表達(dá)原始數(shù)據(jù)[27-28]。多個(gè)自編碼網(wǎng)絡(luò)堆疊在一起構(gòu)成了SAE,其能夠獲取比原始AE網(wǎng)絡(luò)更抽象的特征表達(dá)。SAE因利用“貪婪逐層”算法訓(xùn)練網(wǎng)絡(luò),解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法容易陷入局部最優(yōu)的問(wèn)題[29-30]。因而其與原始的自編碼網(wǎng)絡(luò)相比,更適合復(fù)雜的多分類(lèi)問(wèn)題。

    單層AE網(wǎng)絡(luò)編碼過(guò)程可定義為

    h=sf(Wx+b)

    (5)

    式中:h為隱層輸出的特征集合;sf(·)為編碼器的激活函數(shù),一般選擇sigmoid函數(shù);W為輸入層到隱層之間的權(quán)值矩陣;x為原始輸入數(shù)據(jù);b為輸入層到隱層之間的偏置矩陣。

    解碼過(guò)程可以定義為

    x′=sg(W′h+b′)

    (6)

    式中:x′為輸出集合;sg(·)為解碼器的激活函數(shù);W′為隱層到輸出層之間的權(quán)值矩陣;b′為隱層到輸出層之間的偏置矩陣。

    自編碼器通過(guò)尋求最優(yōu)參數(shù){W,W′,b,b′}令輸出x′盡可能的還原輸入x。網(wǎng)絡(luò)輸出層采用非線性激活函數(shù),其還原程度用重構(gòu)誤差來(lái)定義,即

    (7)

    式中:m為樣本數(shù)。

    車(chē)載電源微小故障診斷的深度網(wǎng)絡(luò)模型中使用多層堆疊的AE來(lái)提取更高級(jí)別的微小故障特征。對(duì)SAE執(zhí)行分層的正向無(wú)監(jiān)督訓(xùn)練,隨機(jī)初始化第1層 AE的初始權(quán)值和偏置{W1,W′1,b1,b′1},采用(7)式所示的均方誤差作為損失函數(shù),通過(guò)梯度下降算法訓(xùn)練網(wǎng)絡(luò)使得重構(gòu)誤差達(dá)到最小。待第1層AE網(wǎng)絡(luò)訓(xùn)練完成后只保留其編碼部分,然后將第1層 AE提取的高級(jí)特征作為第2層AE的輸入,并對(duì)第2層網(wǎng)絡(luò)進(jìn)行訓(xùn)練。以此類(lèi)推,完成整個(gè)網(wǎng)絡(luò)的訓(xùn)練后,最后一層網(wǎng)絡(luò)輸出的高級(jí)特征即為車(chē)載電源微小故障最終的特征表達(dá)。

    將一個(gè)Softmax分類(lèi)層連接在SAE網(wǎng)絡(luò)層頂端,使用樣本標(biāo)簽和提取的微小故障特征進(jìn)一步訓(xùn)練整個(gè)深度網(wǎng)絡(luò),微調(diào)網(wǎng)絡(luò)參數(shù)。同時(shí)Softmax分類(lèi)層輸出車(chē)載電源各類(lèi)微小故障的概率,最終完成故障診斷。SAE網(wǎng)絡(luò)結(jié)構(gòu)可表示如圖2所示,其輸入為車(chē)載電源最優(yōu)特征子集,輸出為微小故障類(lèi)別標(biāo)簽。

    圖2 SAE網(wǎng)絡(luò)結(jié)構(gòu)圖

    2.4 基于RFE-SAE車(chē)載電源微小故障診斷框架與步驟

    綜合2.1節(jié)~2.3節(jié),基于RFE-SAE的車(chē)載電源微小故障診斷方法框架如圖3所示。

    圖3 車(chē)載電源微小故障診斷框架圖

    本文所提車(chē)載電源微小故障診斷方法其診斷步驟如下:

    步驟1在車(chē)載電源仿真平臺(tái)模擬表1內(nèi)對(duì)應(yīng)的微小故障,并采集運(yùn)行數(shù)據(jù)。

    步驟2對(duì)采集到的數(shù)據(jù)進(jìn)行歸一化預(yù)處理,消除不同特征之間的量綱影響。

    步驟3利用SVM-RFE算法對(duì)候選特征集進(jìn)行特征重要度排序,并通過(guò)優(yōu)選得到最優(yōu)特征子集。

    步驟4將最優(yōu)特征子集按一定比例隨機(jī)生成訓(xùn)練集和測(cè)試集。

    步驟5初始化網(wǎng)絡(luò)參數(shù),即設(shè)置SAE網(wǎng)絡(luò)的網(wǎng)絡(luò)層數(shù)和每層單元數(shù),并隨機(jī)初始化其權(quán)值和偏置。

    步驟6將訓(xùn)練集中無(wú)標(biāo)簽樣本輸入上述多層網(wǎng)絡(luò),采用逐層貪婪的方法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,提取故障特征并更新網(wǎng)絡(luò)參數(shù)。

    步驟7在SAE網(wǎng)絡(luò)頂部添加Softmax分類(lèi)器,將提取到的特征和樣本標(biāo)簽作為分類(lèi)器的輸入,通過(guò)誤差反向傳播算法,對(duì)整個(gè)網(wǎng)絡(luò)的參數(shù)進(jìn)行有監(jiān)督的微調(diào)。

    步驟8將測(cè)試集輸入已建立的SAE故障診斷模型,進(jìn)行故障分類(lèi)。

    3 仿真實(shí)驗(yàn)與結(jié)果分析

    3.1 數(shù)據(jù)采集與評(píng)價(jià)指標(biāo)

    本文通過(guò)車(chē)載電源仿真平臺(tái)分別模擬5類(lèi)運(yùn)行工況,即系統(tǒng)正常運(yùn)行、同步發(fā)電機(jī)部分失磁、同步發(fā)電機(jī)三相電壓不平衡度1%~2%、噴油嘴輕微堵塞、調(diào)速器退化。采集相應(yīng)的運(yùn)行數(shù)據(jù)構(gòu)成候選特征集,數(shù)據(jù)集中每類(lèi)工況包含5 000個(gè)樣本,共計(jì) 25 000個(gè)數(shù)據(jù),具體數(shù)據(jù)集描述如表2所示。在數(shù)據(jù)集中隨機(jī)抽取80%的樣本作為訓(xùn)練集,即20 000個(gè)樣本用于網(wǎng)絡(luò)模型的訓(xùn)練。剩余20%的樣本作為測(cè)試集,即5 000個(gè)樣本用于模型最終的微小故障診斷效果測(cè)試。

    表2 車(chē)載電源微小故障數(shù)據(jù)集描述

    為了客觀量化的評(píng)價(jià)所建模型對(duì)車(chē)載電源常見(jiàn)微小故障診斷的有效性,考慮其本質(zhì)仍屬于多分類(lèi)問(wèn)題,在此運(yùn)用分類(lèi)任務(wù)中常用的評(píng)價(jià)指標(biāo):準(zhǔn)確率(accuracy)、精度(precision)、召回率(recall),對(duì)RFE-SAE診斷模型進(jìn)行評(píng)價(jià)。計(jì)算第i類(lèi)樣本的評(píng)價(jià)指標(biāo)時(shí),將第i類(lèi)作為正類(lèi),其他類(lèi)作為負(fù)類(lèi)。評(píng)價(jià)指標(biāo)計(jì)算公式如下:

    (8)

    (9)

    (10)

    式中:TP表示模型輸出為正類(lèi)且實(shí)際為正類(lèi)的樣本數(shù)量;TN表示模型輸出為負(fù)類(lèi)且實(shí)際為負(fù)類(lèi)的樣本數(shù)量;FP表示模型輸出為正類(lèi)且實(shí)際為負(fù)類(lèi)的樣本數(shù)量;FN表示模型輸出為負(fù)類(lèi)且實(shí)際為正類(lèi)的樣本數(shù)量。

    3.2 基于RFE的特征優(yōu)選結(jié)果分析

    在完成數(shù)據(jù)采集工作后,首先采用MAX-MIN歸一化算法對(duì)不同特征進(jìn)行預(yù)處理。進(jìn)一步為了消除冗余特征,根據(jù)2.2節(jié)中SVM-RFE算法步驟對(duì)15個(gè)候選特征變量進(jìn)行重要度排序,重要度排序結(jié)果如表3所示。

    表3 基于RFE的特征重要度排序

    考慮到特征個(gè)數(shù)在一定程度上會(huì)影響到網(wǎng)絡(luò)模型的性能,過(guò)少選擇特征個(gè)數(shù)會(huì)丟失有用的故障信息,降低故障診斷效果。為了選擇出車(chē)載電源微小故障診斷模型最適用的優(yōu)選特征子集,按表3第2行中的排序,從重要度排序最低的特征變量開(kāi)始,逐次遞增變量個(gè)數(shù)進(jìn)行剔除,將剩余特征變量作為模型輸入。預(yù)先設(shè)定SAE網(wǎng)絡(luò)隱層結(jié)構(gòu)為2層AE組成,每層分別取9個(gè)和6個(gè)神經(jīng)元,在此模型結(jié)構(gòu)下進(jìn)行試驗(yàn),最終得到特征變量剔除個(gè)數(shù)不同時(shí)微小故障診斷準(zhǔn)確率的結(jié)果,如表4所示。

    表4 特征剔除個(gè)數(shù)與故障診斷結(jié)果的關(guān)系

    由表4可以看出:從輸入全部15個(gè)特征變量開(kāi)始,逐步剔除1~4個(gè)重要度低的冗余特征,SAE模型對(duì)微小故障的診斷準(zhǔn)確率隨之提高;當(dāng)剔除4個(gè)重要度排序最低的特征變量時(shí),故障診斷準(zhǔn)確率達(dá)到最高,為95.2%。進(jìn)一步剔除特征變量故障診斷準(zhǔn)確率反而下降。表明對(duì)故障分類(lèi)非關(guān)鍵特征量過(guò)多地保留以及對(duì)其過(guò)度剔除,均會(huì)降低SAE網(wǎng)絡(luò)對(duì)微小故障的診斷性能,前者因?yàn)槿哂嗍咕W(wǎng)絡(luò)魯棒性變?nèi)酰笳邉t因丟失過(guò)多有用的信息致使網(wǎng)絡(luò)診斷能力降低。

    綜上結(jié)果文中選取重要度排序前11的特征變量作為優(yōu)選后的微小故障特征數(shù)據(jù)集,即SAE網(wǎng)絡(luò)模型的輸入。

    3.3 SAE網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)的確定

    為了確定SAE網(wǎng)絡(luò)模型結(jié)構(gòu),對(duì)深度網(wǎng)絡(luò)的隱層數(shù)量和隱層神經(jīng)元個(gè)數(shù)進(jìn)行優(yōu)化實(shí)驗(yàn)。根據(jù)前期大量仿真經(jīng)驗(yàn),綜合考慮后對(duì)SAE隱層數(shù)和隱層神經(jīng)元數(shù)量設(shè)置一個(gè)試驗(yàn)范圍,其中隱層數(shù)由2層遞增到4層,隱層神經(jīng)元數(shù)量范圍為5~10個(gè)。選用Sigmoid函數(shù)作為隱層的激活函數(shù),代價(jià)函數(shù)選用均方差損失函數(shù),網(wǎng)絡(luò)迭代次數(shù)為2 000次。以全工況下的微小故障診斷準(zhǔn)確率作為優(yōu)化試驗(yàn)的評(píng)價(jià)指標(biāo),確定此模型最優(yōu)的SAE網(wǎng)絡(luò)結(jié)構(gòu),具體結(jié)果如表5所示。

    表5 SAE網(wǎng)絡(luò)隱層數(shù)量及隱層神經(jīng)元個(gè)數(shù)對(duì)于故障診斷結(jié)果的影響

    表5給出了9種組合下SAE網(wǎng)絡(luò)模型的微小故障診斷準(zhǔn)確率。對(duì)于2層隱層中的[10 5]組合,其準(zhǔn)確率最高,為95.4%,表明該結(jié)構(gòu)最利于SAE網(wǎng)絡(luò)學(xué)習(xí)車(chē)載電源微小故障的數(shù)據(jù)特征。對(duì)于3層、4層隱層的5種組合雖然增加了網(wǎng)絡(luò)隱層數(shù)量和隱層神經(jīng)元個(gè)數(shù),但是其準(zhǔn)確率并不理想,反而會(huì)增加網(wǎng)絡(luò)訓(xùn)練時(shí)間。綜上,最終確定SAE整體網(wǎng)絡(luò)結(jié)構(gòu)為4層,其中隱層為2層AE,神經(jīng)元個(gè)數(shù)分別為10-5。輸入層神經(jīng)元個(gè)數(shù)對(duì)應(yīng)車(chē)載電源優(yōu)選特征集中變量個(gè)數(shù),即11個(gè)。Softmax分類(lèi)層作為輸出層,其神經(jīng)元個(gè)數(shù)對(duì)應(yīng)表1中車(chē)載電源5類(lèi)工況(正常與4類(lèi)微小故障工況)。

    3.4 基于RFE-SAE的故障診斷結(jié)果分析

    混淆矩陣可以較為直觀全面的反映車(chē)載電源不同微小故障的診斷準(zhǔn)確率和召回率,以及各類(lèi)微小故障誤診、漏診的樣本數(shù)量。因此將RFE-SAE模型的微小故障診斷結(jié)果使用混淆矩陣進(jìn)行可視化,如圖4所示。其中橫軸坐標(biāo)表示故障診斷的目標(biāo)類(lèi)別,縱軸坐標(biāo)表示模型輸出的故障類(lèi)別,主對(duì)角線右下角單元格顯示全工況的故障診斷準(zhǔn)確率為95.4%。矩陣第1行表示第1種工況下有866個(gè)樣本被正確診斷,88個(gè)樣本被誤診,診斷精度達(dá)到90.8%,錯(cuò)誤診斷率為9.2%。矩陣第1列表示第1種工況中共有101個(gè)樣本被漏診,召回率為89.6%,其漏診率為10.4%。

    圖4 RFE-SAE模型故障診斷結(jié)果

    為了顯示本文方法對(duì)車(chē)載電源微小故障的優(yōu)勢(shì),仿真實(shí)驗(yàn)同時(shí)對(duì)基于淺層BP神經(jīng)網(wǎng)絡(luò),RFE-BP網(wǎng)絡(luò)以及單純SAE網(wǎng)絡(luò)3種模型分別進(jìn)行了測(cè)試。不同模型診斷結(jié)果的混淆矩陣如圖5所示。

    圖5 不同模型故障診斷結(jié)果

    圖5(a)~圖5(c)分別顯示出BP、RFE-BP、SAE 3種模型在全工況下的故障診斷準(zhǔn)確率分別為78.2%、82.1%、93.1%,均低于圖4中RFE-SAE模型的95.4%??紤]到各個(gè)模型訓(xùn)練過(guò)程中的偶然性和隨機(jī)因素對(duì)診斷結(jié)果的影響,為了使故障診斷結(jié)果更具說(shuō)服力。對(duì)4種網(wǎng)絡(luò)模型各進(jìn)行10次故障診斷試驗(yàn)并對(duì)診斷結(jié)果進(jìn)行統(tǒng)計(jì),求取不同模型診斷結(jié)果的準(zhǔn)確率、精度、召回率3項(xiàng)評(píng)價(jià)指標(biāo)的平均值,具體統(tǒng)計(jì)數(shù)據(jù)如表6所示。

    從表6中的對(duì)比數(shù)據(jù)可以看出:僅就全工況下的故障診斷準(zhǔn)確率而言,基于RFE-SAE的網(wǎng)絡(luò)模型診斷效果最好,其總體故障診斷準(zhǔn)確率的平均值達(dá)到95.4%,較SAE網(wǎng)絡(luò)故障診斷準(zhǔn)確率提高了2.4%;RFE-BP將BP的故障診斷準(zhǔn)確率平均值從78.1%提升到81.5%,但診斷效果仍不理想。上述結(jié)果充分表明:對(duì)于微小故障診斷,深層網(wǎng)絡(luò)明顯優(yōu)于淺層網(wǎng)絡(luò),尤其是文中提出的RFE-SAE模型具有更強(qiáng)的故障診斷能力,因此更加適合應(yīng)用于車(chē)載電源的微小故障診斷。

    表6 不同模型診斷效果對(duì)比結(jié)果

    為了進(jìn)一步說(shuō)明RFE-SAE網(wǎng)絡(luò)模型的優(yōu)勢(shì),在仿真過(guò)程中分別統(tǒng)計(jì)了各模型訓(xùn)練與測(cè)試計(jì)算時(shí)間,仿真實(shí)驗(yàn)環(huán)境基于16G內(nèi)存的i7-8750H處理器筆記本電腦。不同模型網(wǎng)絡(luò)耗時(shí)如表7所示。

    表7 不同模型訓(xùn)練計(jì)算時(shí)間

    對(duì)比表7中各模型訓(xùn)練時(shí)長(zhǎng)可知,BP神經(jīng)網(wǎng)絡(luò)因其自身的淺層結(jié)構(gòu)所以訓(xùn)練耗時(shí)較短,深度網(wǎng)絡(luò)SAE模型耗時(shí)最長(zhǎng)。在引入RFE算法后,RFE-BP模型對(duì)比BP網(wǎng)絡(luò)的訓(xùn)練時(shí)長(zhǎng)縮短了3.74 s,RFE-SAE模型訓(xùn)練時(shí)長(zhǎng)為83.071 8 s,相對(duì)于SAE網(wǎng)絡(luò)模型訓(xùn)練診斷耗時(shí)縮短14.7%,表明特征優(yōu)選可以有效減少網(wǎng)絡(luò)訓(xùn)練耗時(shí),提升模型故障診斷效能。

    4 結(jié)論

    車(chē)載電源微小故障征兆微弱,且監(jiān)測(cè)數(shù)據(jù)中存在冗余特征,導(dǎo)致微小故障難以有效診斷。為此,本文結(jié)合特征選擇算法RFE與深度網(wǎng)絡(luò)SAE二者的優(yōu)勢(shì),提出了一種基于RFE-SAE的微小故障診斷方法。經(jīng)過(guò)大量試驗(yàn)分析得到如下結(jié)論:

    1) 對(duì)于車(chē)載電源微小故障的診斷,所構(gòu)建的深度網(wǎng)絡(luò)模型RFE-SAE(包括SAE),其診斷效果明顯優(yōu)于淺層網(wǎng)絡(luò)BP、RFE-BP兩種模型。表明深度網(wǎng)絡(luò)結(jié)構(gòu)能夠更加深入地學(xué)習(xí)車(chē)載電源監(jiān)測(cè)數(shù)據(jù)中高級(jí)特征,因此能更準(zhǔn)確地診斷車(chē)載電源的微小故障。

    2) 對(duì)于車(chē)載電源監(jiān)測(cè)數(shù)據(jù)存在冗余,其微小故障診斷模型的特征變量并非越多越好,冗余變量的合理剔除可以有效提升模型的故障診斷性能。RFE-SAE模型與單純的SAE網(wǎng)絡(luò)相比,在微小故障診斷準(zhǔn)確率和網(wǎng)絡(luò)訓(xùn)練時(shí)效性方面,均顯現(xiàn)出更大優(yōu)勢(shì),可以實(shí)現(xiàn)車(chē)載電源微小故障的有效診斷。

    在實(shí)際工程中,由于噪聲和擾動(dòng)的存在,會(huì)使車(chē)載電源微小故障的診斷任務(wù)更加困難,因此結(jié)合主動(dòng)故障診斷技術(shù)開(kāi)展車(chē)載電源的微小故障診斷,將是下一步研究工作的目標(biāo)。

    猜你喜歡
    故障診斷特征故障
    故障一點(diǎn)通
    如何表達(dá)“特征”
    不忠誠(chéng)的四個(gè)特征
    抓住特征巧觀察
    奔馳R320車(chē)ABS、ESP故障燈異常點(diǎn)亮
    因果圖定性分析法及其在故障診斷中的應(yīng)用
    故障一點(diǎn)通
    江淮車(chē)故障3例
    基于LCD和排列熵的滾動(dòng)軸承故障診斷
    基于WPD-HHT的滾動(dòng)軸承故障診斷
    国产免费又黄又爽又色| 欧美大码av| 99热国产这里只有精品6| 最近中文字幕2019免费版| 尾随美女入室| 亚洲图色成人| 女性被躁到高潮视频| 国产高清国产精品国产三级| 一区二区av电影网| 精品久久久久久久毛片微露脸 | 国产高清不卡午夜福利| 精品人妻一区二区三区麻豆| 国产1区2区3区精品| 97在线人人人人妻| 热re99久久国产66热| 欧美日韩亚洲国产一区二区在线观看 | 麻豆乱淫一区二区| 国产成人av激情在线播放| 久久久久视频综合| 老司机影院毛片| 国产在线观看jvid| 999久久久国产精品视频| 午夜激情av网站| 咕卡用的链子| 高潮久久久久久久久久久不卡| 国产精品三级大全| 别揉我奶头~嗯~啊~动态视频 | 久久精品熟女亚洲av麻豆精品| 美女视频免费永久观看网站| 日韩制服丝袜自拍偷拍| 日韩视频在线欧美| 老司机靠b影院| 侵犯人妻中文字幕一二三四区| 一本综合久久免费| 天堂8中文在线网| 日韩av免费高清视频| 国产成人av教育| 亚洲美女黄色视频免费看| av网站免费在线观看视频| 久久精品国产亚洲av涩爱| 欧美日韩av久久| 女人爽到高潮嗷嗷叫在线视频| 日韩中文字幕视频在线看片| 亚洲欧美精品自产自拍| 欧美日韩亚洲高清精品| 黄色视频在线播放观看不卡| 人妻人人澡人人爽人人| 中文字幕高清在线视频| 人人澡人人妻人| 亚洲国产中文字幕在线视频| 桃花免费在线播放| 亚洲欧洲国产日韩| 成年人黄色毛片网站| 只有这里有精品99| 天天操日日干夜夜撸| 叶爱在线成人免费视频播放| 久久精品国产亚洲av高清一级| 亚洲精品久久久久久婷婷小说| 国产精品一国产av| 精品国产一区二区久久| 十八禁人妻一区二区| 视频在线观看一区二区三区| 伊人亚洲综合成人网| 亚洲欧美精品自产自拍| 最近中文字幕2019免费版| 在线观看人妻少妇| 一区二区三区四区激情视频| 亚洲精品国产色婷婷电影| 日本猛色少妇xxxxx猛交久久| 少妇的丰满在线观看| 亚洲av成人精品一二三区| 国产精品成人在线| 1024视频免费在线观看| 在线看a的网站| 色网站视频免费| 国产亚洲欧美在线一区二区| 国产欧美日韩精品亚洲av| 午夜免费男女啪啪视频观看| 国产午夜精品一二区理论片| 日本欧美视频一区| 国产免费又黄又爽又色| 男女午夜视频在线观看| 亚洲伊人色综图| 好男人电影高清在线观看| 中文字幕亚洲精品专区| 午夜视频精品福利| 亚洲成人免费电影在线观看 | 大陆偷拍与自拍| 午夜福利在线免费观看网站| 啦啦啦 在线观看视频| 亚洲精品美女久久av网站| 久久av网站| 免费看不卡的av| 成人午夜精彩视频在线观看| 80岁老熟妇乱子伦牲交| 国产日韩欧美在线精品| 久久久久久久国产电影| 丰满饥渴人妻一区二区三| 97精品久久久久久久久久精品| a 毛片基地| 色婷婷久久久亚洲欧美| 亚洲精品国产av成人精品| 美女福利国产在线| 99国产精品99久久久久| 免费一级毛片在线播放高清视频 | av国产久精品久网站免费入址| 又紧又爽又黄一区二区| 女性生殖器流出的白浆| 欧美日韩综合久久久久久| cao死你这个sao货| 成人手机av| 亚洲欧洲国产日韩| 这个男人来自地球电影免费观看| a级毛片在线看网站| 性色av乱码一区二区三区2| 波野结衣二区三区在线| 男女床上黄色一级片免费看| 国产又色又爽无遮挡免| 午夜免费观看性视频| 一区福利在线观看| 美女中出高潮动态图| 人妻一区二区av| 国产有黄有色有爽视频| 日本a在线网址| 免费高清在线观看视频在线观看| 国产色视频综合| 99久久精品国产亚洲精品| 欧美精品av麻豆av| 看免费av毛片| 一边摸一边抽搐一进一出视频| 99国产精品一区二区三区| 国产精品久久久久成人av| 黄色 视频免费看| 99久久人妻综合| h视频一区二区三区| 在线精品无人区一区二区三| 夫妻性生交免费视频一级片| 国产女主播在线喷水免费视频网站| 日本色播在线视频| 最黄视频免费看| 91麻豆av在线| 免费一级毛片在线播放高清视频 | 亚洲av电影在线观看一区二区三区| 亚洲情色 制服丝袜| 天堂8中文在线网| 久久 成人 亚洲| 精品国产国语对白av| 一本久久精品| 五月天丁香电影| 秋霞在线观看毛片| 国产成人欧美| 午夜精品国产一区二区电影| 免费黄频网站在线观看国产| 精品国产一区二区三区四区第35| 美女午夜性视频免费| 国产欧美日韩一区二区三 | av不卡在线播放| 午夜激情av网站| 久久久久国产精品人妻一区二区| 国产精品国产三级国产专区5o| 国产一级毛片在线| 久久人人97超碰香蕉20202| 日本91视频免费播放| 人妻 亚洲 视频| 欧美黄色片欧美黄色片| 日韩熟女老妇一区二区性免费视频| 叶爱在线成人免费视频播放| 99国产精品一区二区蜜桃av | 国产精品久久久久久人妻精品电影 | 一级,二级,三级黄色视频| 久久精品成人免费网站| 成人黄色视频免费在线看| 女警被强在线播放| 成年女人毛片免费观看观看9 | 国产xxxxx性猛交| 美女高潮到喷水免费观看| 丝袜美腿诱惑在线| 久久免费观看电影| 男女边摸边吃奶| 中文欧美无线码| 亚洲人成电影免费在线| 欧美黄色淫秽网站| 久久久久精品国产欧美久久久 | 日韩,欧美,国产一区二区三区| 亚洲,欧美,日韩| 女人久久www免费人成看片| 欧美日韩综合久久久久久| 大话2 男鬼变身卡| 亚洲精品日韩在线中文字幕| 别揉我奶头~嗯~啊~动态视频 | 午夜老司机福利片| 国产男人的电影天堂91| 制服人妻中文乱码| 国产成人免费无遮挡视频| 手机成人av网站| 飞空精品影院首页| 男人添女人高潮全过程视频| 久久av网站| 最近中文字幕2019免费版| 超碰97精品在线观看| 在线亚洲精品国产二区图片欧美| 国产精品久久久av美女十八| 国产精品久久久人人做人人爽| 捣出白浆h1v1| 国产伦人伦偷精品视频| 欧美成狂野欧美在线观看| 亚洲成国产人片在线观看| 亚洲国产精品一区三区| 99久久99久久久精品蜜桃| 国产精品久久久久久精品电影小说| 免费看av在线观看网站| 丝袜喷水一区| 久久亚洲国产成人精品v| 久久人妻熟女aⅴ| 麻豆国产av国片精品| 日韩大片免费观看网站| 亚洲欧洲精品一区二区精品久久久| 啦啦啦中文免费视频观看日本| 亚洲精品国产av成人精品| 又紧又爽又黄一区二区| 中文字幕亚洲精品专区| 国产免费又黄又爽又色| 精品少妇黑人巨大在线播放| 欧美日韩成人在线一区二区| 国产成人91sexporn| 国产99久久九九免费精品| 水蜜桃什么品种好| 丝瓜视频免费看黄片| 欧美黄色片欧美黄色片| 狠狠婷婷综合久久久久久88av| 欧美精品一区二区免费开放| 欧美黄色淫秽网站| 久久人人爽av亚洲精品天堂| 国产精品久久久久成人av| 999精品在线视频| 精品一品国产午夜福利视频| 国产在线免费精品| 欧美亚洲 丝袜 人妻 在线| 波多野结衣一区麻豆| 大片电影免费在线观看免费| 亚洲色图综合在线观看| 国产精品99久久99久久久不卡| 欧美+亚洲+日韩+国产| 久久毛片免费看一区二区三区| 丝袜美腿诱惑在线| 日本色播在线视频| 国产男女内射视频| 人妻人人澡人人爽人人| 丝袜喷水一区| 在线看a的网站| 777米奇影视久久| 91精品国产国语对白视频| 成年人午夜在线观看视频| 韩国高清视频一区二区三区| videos熟女内射| 另类亚洲欧美激情| 欧美激情高清一区二区三区| 国产精品一国产av| 日韩av免费高清视频| 天天躁日日躁夜夜躁夜夜| 丝袜在线中文字幕| 精品一品国产午夜福利视频| 成人亚洲欧美一区二区av| 婷婷色综合大香蕉| 国产高清videossex| 在现免费观看毛片| 亚洲av在线观看美女高潮| 99国产精品免费福利视频| 大型av网站在线播放| 精品熟女少妇八av免费久了| 国产精品一区二区在线不卡| 2021少妇久久久久久久久久久| 好男人电影高清在线观看| 中文字幕人妻丝袜一区二区| 亚洲国产欧美一区二区综合| 国产男人的电影天堂91| 99九九在线精品视频| 三上悠亚av全集在线观看| 免费看不卡的av| 欧美在线一区亚洲| 91麻豆av在线| 日韩免费高清中文字幕av| 男人舔女人的私密视频| 99精国产麻豆久久婷婷| 国产男女内射视频| 久热爱精品视频在线9| 欧美精品高潮呻吟av久久| 少妇裸体淫交视频免费看高清 | 十八禁人妻一区二区| 国产男女内射视频| 五月天丁香电影| 亚洲欧美色中文字幕在线| 亚洲九九香蕉| 国产精品亚洲av一区麻豆| 一本久久精品| 亚洲少妇的诱惑av| 久久久国产精品麻豆| 在线观看免费午夜福利视频| 人人澡人人妻人| 建设人人有责人人尽责人人享有的| 久久久精品免费免费高清| 满18在线观看网站| 精品久久蜜臀av无| 老司机影院成人| 乱人伦中国视频| 午夜福利免费观看在线| 精品久久久久久电影网| 国产免费视频播放在线视频| 欧美成人精品欧美一级黄| 人体艺术视频欧美日本| 多毛熟女@视频| 久热爱精品视频在线9| 一区福利在线观看| 免费看十八禁软件| 亚洲国产精品成人久久小说| 亚洲中文字幕日韩| 亚洲成人国产一区在线观看 | 97人妻天天添夜夜摸| 久久精品熟女亚洲av麻豆精品| 男女下面插进去视频免费观看| 亚洲精品国产色婷婷电影| 又紧又爽又黄一区二区| 热99久久久久精品小说推荐| 国产色视频综合| 看免费av毛片| 三上悠亚av全集在线观看| 欧美日本中文国产一区发布| 两性夫妻黄色片| 人人妻人人添人人爽欧美一区卜| 韩国高清视频一区二区三区| 国产91精品成人一区二区三区 | 丝袜脚勾引网站| 亚洲第一av免费看| 日本a在线网址| 国产男人的电影天堂91| 国产精品熟女久久久久浪| 少妇精品久久久久久久| 日韩av在线免费看完整版不卡| 免费在线观看日本一区| 午夜免费成人在线视频| 波野结衣二区三区在线| av片东京热男人的天堂| 夜夜骑夜夜射夜夜干| 无遮挡黄片免费观看| 满18在线观看网站| 夫妻午夜视频| 亚洲精品国产区一区二| 啦啦啦 在线观看视频| 国产成人一区二区三区免费视频网站 | 18禁裸乳无遮挡动漫免费视频| 国语对白做爰xxxⅹ性视频网站| 一个人免费看片子| 精品国产乱码久久久久久男人| 各种免费的搞黄视频| 国产老妇伦熟女老妇高清| 国产一区有黄有色的免费视频| 夫妻性生交免费视频一级片| 精品一区二区三区四区五区乱码 | 久久人妻熟女aⅴ| 天堂中文最新版在线下载| 色婷婷av一区二区三区视频| 高清欧美精品videossex| 亚洲少妇的诱惑av| 在线看a的网站| 高清av免费在线| 亚洲欧美中文字幕日韩二区| 80岁老熟妇乱子伦牲交| 亚洲人成电影观看| 国产高清videossex| 韩国高清视频一区二区三区| 老汉色av国产亚洲站长工具| 又大又黄又爽视频免费| 久久精品国产综合久久久| 久久久国产欧美日韩av| 欧美xxⅹ黑人| 黑人猛操日本美女一级片| 亚洲五月色婷婷综合| 亚洲成人国产一区在线观看 | 亚洲欧美日韩另类电影网站| 18禁国产床啪视频网站| 成年人黄色毛片网站| xxxhd国产人妻xxx| 丁香六月天网| 大话2 男鬼变身卡| 欧美国产精品一级二级三级| 久久久久国产精品人妻一区二区| a级片在线免费高清观看视频| 两性夫妻黄色片| 国精品久久久久久国模美| 超碰成人久久| 日韩 欧美 亚洲 中文字幕| 大香蕉久久网| 亚洲av国产av综合av卡| 欧美精品av麻豆av| 国产亚洲av高清不卡| 亚洲国产精品999| 国产精品一国产av| 啦啦啦中文免费视频观看日本| 老司机靠b影院| 亚洲av日韩精品久久久久久密 | 日本av手机在线免费观看| 欧美日韩亚洲高清精品| 久久女婷五月综合色啪小说| av片东京热男人的天堂| 欧美 亚洲 国产 日韩一| 天天影视国产精品| av网站免费在线观看视频| 一级毛片电影观看| 一区二区三区激情视频| 精品人妻熟女毛片av久久网站| 日本午夜av视频| 国产成人精品久久二区二区免费| 欧美精品高潮呻吟av久久| 国产成人精品无人区| 美女扒开内裤让男人捅视频| 亚洲欧美一区二区三区国产| 熟女av电影| 亚洲欧美成人综合另类久久久| 亚洲,一卡二卡三卡| 亚洲伊人色综图| 久久精品国产亚洲av高清一级| www.精华液| 丰满饥渴人妻一区二区三| 国产高清不卡午夜福利| 中文字幕色久视频| 亚洲欧美精品综合一区二区三区| 在线观看免费视频网站a站| 男女边摸边吃奶| 国产成人a∨麻豆精品| 亚洲少妇的诱惑av| 国产女主播在线喷水免费视频网站| 大片电影免费在线观看免费| a级毛片黄视频| 精品久久久久久电影网| 下体分泌物呈黄色| 亚洲精品一二三| 18在线观看网站| 亚洲欧美日韩高清在线视频 | 亚洲精品久久久久久婷婷小说| 国产成人av激情在线播放| 亚洲精品一区蜜桃| 男女下面插进去视频免费观看| 国产人伦9x9x在线观看| 国产精品麻豆人妻色哟哟久久| 亚洲国产欧美一区二区综合| 一级毛片女人18水好多 | 在线观看免费午夜福利视频| 日本av手机在线免费观看| 国产成人系列免费观看| 男男h啪啪无遮挡| 久久久国产欧美日韩av| 亚洲黑人精品在线| www.精华液| 国产亚洲一区二区精品| 欧美日韩亚洲综合一区二区三区_| 伦理电影免费视频| 久久久久久久国产电影| 国产成人精品无人区| 人人澡人人妻人| 黑人巨大精品欧美一区二区蜜桃| 亚洲av电影在线进入| 欧美另类一区| 久久久久久免费高清国产稀缺| 波野结衣二区三区在线| 亚洲欧洲精品一区二区精品久久久| 久久久久久久大尺度免费视频| 亚洲av欧美aⅴ国产| 啦啦啦中文免费视频观看日本| 精品一区二区三卡| 中文字幕人妻熟女乱码| 99国产精品一区二区三区| 久久精品国产亚洲av涩爱| 日韩av免费高清视频| 精品亚洲乱码少妇综合久久| 男人操女人黄网站| 97精品久久久久久久久久精品| 大香蕉久久网| 自拍欧美九色日韩亚洲蝌蚪91| 悠悠久久av| 亚洲一码二码三码区别大吗| 黄色a级毛片大全视频| 免费黄频网站在线观看国产| 色精品久久人妻99蜜桃| av在线播放精品| 日韩电影二区| 国产成人av教育| 丝袜脚勾引网站| 少妇裸体淫交视频免费看高清 | 大话2 男鬼变身卡| xxxhd国产人妻xxx| 亚洲国产看品久久| 日韩伦理黄色片| 国产精品国产三级国产专区5o| 亚洲人成77777在线视频| 国产精品一区二区在线不卡| 久久人人97超碰香蕉20202| 大话2 男鬼变身卡| 久久精品久久精品一区二区三区| 国产不卡av网站在线观看| 少妇人妻久久综合中文| 精品少妇一区二区三区视频日本电影| 国产成人精品在线电影| 欧美另类一区| 亚洲少妇的诱惑av| 视频在线观看一区二区三区| 亚洲av片天天在线观看| 久久天堂一区二区三区四区| 色婷婷av一区二区三区视频| 亚洲中文字幕日韩| 亚洲欧美一区二区三区黑人| 50天的宝宝边吃奶边哭怎么回事| 亚洲第一av免费看| 别揉我奶头~嗯~啊~动态视频 | 99久久99久久久精品蜜桃| 亚洲视频免费观看视频| 少妇人妻久久综合中文| 国产日韩欧美视频二区| 99精国产麻豆久久婷婷| 成人18禁高潮啪啪吃奶动态图| 亚洲国产看品久久| 亚洲国产av新网站| 国产一级毛片在线| 男的添女的下面高潮视频| 精品高清国产在线一区| 蜜桃在线观看..| 婷婷丁香在线五月| 国产爽快片一区二区三区| a级毛片在线看网站| 人妻人人澡人人爽人人| 老汉色av国产亚洲站长工具| 国产激情久久老熟女| 97在线人人人人妻| 亚洲色图 男人天堂 中文字幕| 亚洲国产精品成人久久小说| 国产男女超爽视频在线观看| 久久综合国产亚洲精品| 免费少妇av软件| 精品熟女少妇八av免费久了| 国产视频一区二区在线看| 少妇裸体淫交视频免费看高清 | 老司机午夜十八禁免费视频| 久久精品久久久久久久性| 在线看a的网站| 精品少妇内射三级| 在线精品无人区一区二区三| 欧美中文综合在线视频| 十八禁高潮呻吟视频| 日本午夜av视频| 亚洲欧美精品综合一区二区三区| 国产成人精品无人区| 一级毛片我不卡| 在线亚洲精品国产二区图片欧美| 在线观看免费日韩欧美大片| 亚洲精品一卡2卡三卡4卡5卡 | 亚洲av成人不卡在线观看播放网 | 精品一区二区三卡| 欧美日韩成人在线一区二区| 久久 成人 亚洲| 亚洲男人天堂网一区| √禁漫天堂资源中文www| 无遮挡黄片免费观看| 少妇人妻 视频| 久久久久久久大尺度免费视频| 麻豆国产av国片精品| 麻豆乱淫一区二区| 人成视频在线观看免费观看| 美国免费a级毛片| 女人久久www免费人成看片| 国产日韩一区二区三区精品不卡| 国产淫语在线视频| 国产97色在线日韩免费| 成人国产一区最新在线观看 | 亚洲精品一卡2卡三卡4卡5卡 | 亚洲少妇的诱惑av| 国产极品粉嫩免费观看在线| 亚洲精品国产区一区二| 中文欧美无线码| 一级黄片播放器| 色精品久久人妻99蜜桃| 国产精品久久久久久精品电影小说| 欧美日韩亚洲综合一区二区三区_| 黄色毛片三级朝国网站| 亚洲成av片中文字幕在线观看| 亚洲欧洲精品一区二区精品久久久| 精品国产一区二区三区四区第35| 亚洲成国产人片在线观看| 久久人人97超碰香蕉20202| 亚洲一卡2卡3卡4卡5卡精品中文| 久久久精品区二区三区| 最新的欧美精品一区二区| 国产精品一区二区精品视频观看| 欧美精品一区二区大全| 夜夜骑夜夜射夜夜干| 丝袜美腿诱惑在线| 亚洲中文日韩欧美视频| 久久国产精品大桥未久av| 91精品伊人久久大香线蕉| 国产亚洲欧美在线一区二区| 国产av国产精品国产| www.999成人在线观看| 黄色a级毛片大全视频| 一本一本久久a久久精品综合妖精| 欧美少妇被猛烈插入视频| av视频免费观看在线观看| 国产精品三级大全| 亚洲精品久久成人aⅴ小说| 久久久久精品国产欧美久久久 | 午夜福利影视在线免费观看| 天天添夜夜摸| 丝袜美足系列| 五月开心婷婷网| 中文字幕高清在线视频| 精品久久久久久久毛片微露脸 | 亚洲精品日韩在线中文字幕| 一边摸一边做爽爽视频免费|