• <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PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)的機(jī)身筒段應(yīng)力預(yù)測(cè)

    2023-06-28 09:12:40楊超張開(kāi)富
    航空學(xué)報(bào) 2023年7期
    關(guān)鍵詞:機(jī)身監(jiān)測(cè)點(diǎn)神經(jīng)網(wǎng)絡(luò)

    楊超,張開(kāi)富

    1.西北工業(yè)大學(xué) 機(jī)電學(xué)院,西安 710072

    2.中國(guó)航空工業(yè)集團(tuán)公司北京長(zhǎng)城航空測(cè)控技術(shù)研究所,北京 101111

    飛機(jī)機(jī)身筒段是構(gòu)建飛機(jī)氣動(dòng)外形的重要組成部分,具有尺寸大、形狀復(fù)雜、容易變形等特點(diǎn),筒段中的蒙皮和長(zhǎng)桁等零件都屬于易變形薄壁零件。飛機(jī)制造過(guò)程中,前機(jī)身、中機(jī)身和后機(jī)身通常是在不同的地方分別制造,最后運(yùn)輸?shù)揭黄疬M(jìn)行機(jī)身對(duì)接裝配。運(yùn)輸過(guò)程中,柔性薄壁機(jī)身筒段會(huì)在重力的作用下發(fā)生形變,機(jī)身部件的制造誤差、定位誤差和溫度變化以及零件剛度弱等因素的存在導(dǎo)致實(shí)際機(jī)身部件與理論模型有較大差距,過(guò)大的初始誤差增大了機(jī)身裝配的難度。因此在筒段裝配對(duì)接前,需要形狀控制工裝對(duì)飛機(jī)筒段進(jìn)行形狀調(diào)整[1]。目前機(jī)身筒段形狀控制工藝受工人經(jīng)驗(yàn)差異的影響,導(dǎo)致機(jī)身形狀因人而異、質(zhì)量穩(wěn)定性差、返修率高和控形耗時(shí)長(zhǎng),因此迫切需要設(shè)計(jì)出自動(dòng)化可調(diào)工裝進(jìn)行弱剛性大部件的形狀控制。為避免自動(dòng)化可調(diào)工裝控形過(guò)程中局部應(yīng)力過(guò)大造成筒段損壞,控形過(guò)程中需要時(shí)刻關(guān)注筒段圓桁表面實(shí)時(shí)應(yīng)力數(shù)據(jù)和應(yīng)力變化趨勢(shì),常規(guī)的應(yīng)用有限元計(jì)算應(yīng)力的時(shí)間代價(jià)較大,不能滿足控形過(guò)程中的應(yīng)力監(jiān)測(cè)實(shí)時(shí)性要求。應(yīng)用電阻應(yīng)變片傳感器可以對(duì)飛機(jī)筒段圓桁表面應(yīng)力進(jìn)行精確地監(jiān)測(cè),但只能對(duì)之前的時(shí)刻進(jìn)行監(jiān)測(cè),不能對(duì)未來(lái)數(shù)據(jù)趨勢(shì)進(jìn)行分析預(yù)測(cè),因此如何快速準(zhǔn)確地預(yù)測(cè)控形過(guò)程中筒段圓桁表面的應(yīng)力顯得尤為重要,預(yù)測(cè)的效率和精度進(jìn)而決定了控形過(guò)程應(yīng)力優(yōu)化的效率和準(zhǔn)確性。

    薄壁機(jī)身筒段在裝配前受制造、運(yùn)輸、重力等因素影響,筒段呈現(xiàn)出不規(guī)則形狀,導(dǎo)致筒段在控形過(guò)程中,筒段圓桁的應(yīng)力變化具有非線性變化特點(diǎn),使用傳統(tǒng)方法難以計(jì)算出筒段準(zhǔn)確應(yīng)力??紤]到機(jī)身薄壁筒段控形過(guò)程應(yīng)力具有時(shí)序相關(guān)性,采用一種基于雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型進(jìn)行機(jī)身薄壁筒段控形過(guò)程中的應(yīng)力預(yù)測(cè),并搭建機(jī)身筒段試驗(yàn)臺(tái)驗(yàn)證應(yīng)力預(yù)測(cè)方法的有效性。LSTM神經(jīng)網(wǎng)絡(luò)是一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò),由于LSTM神經(jīng)網(wǎng)絡(luò)的激活函數(shù)是sigmoid函數(shù)與tanh函數(shù)相結(jié)合,所以避免了競(jìng)爭(zhēng)模型循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)反向傳播求導(dǎo)時(shí)會(huì)出現(xiàn)梯度消失和梯度爆炸的情況,大大加快了模型收斂速度。

    國(guó)內(nèi)外學(xué)者在應(yīng)力預(yù)測(cè)和LSTM神經(jīng)網(wǎng)絡(luò)方面做了一些研究。唐成順[2]、袁泓磊[3]、Gulgec[4]等基于LSTM神經(jīng)網(wǎng)絡(luò)分別建立了汽輪機(jī)轉(zhuǎn)子表面應(yīng)力預(yù)測(cè)模型,甘蔗轉(zhuǎn)運(yùn)車關(guān)節(jié)點(diǎn)應(yīng)力預(yù)測(cè)模型,鋼制結(jié)構(gòu)的振動(dòng)、應(yīng)力預(yù)測(cè)模型,并通過(guò)多次實(shí)驗(yàn)驗(yàn)證,驗(yàn)證了應(yīng)力預(yù)測(cè)模型的高效性和穩(wěn)定性。Huang等[5]基于LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)油井性能,與傳統(tǒng)儲(chǔ)層數(shù)值模型相比,LSTM神經(jīng)網(wǎng)絡(luò)模型在計(jì)算速度和精度方面有明顯的優(yōu)勢(shì)。Ma等[6]提出一種基于LSTM神經(jīng)網(wǎng)絡(luò)和混合優(yōu)化算法的自適應(yīng)修改方法,用于補(bǔ)償渦輪風(fēng)扇發(fā)動(dòng)機(jī)在健康狀態(tài)下的實(shí)驗(yàn)數(shù)據(jù)和非線性分量級(jí)模型之間的初始誤差。Hajiaghayi和Vahedi[7]使用LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行代碼故障預(yù)測(cè)和模式提取,并利用貝葉斯優(yōu)化算法優(yōu)化網(wǎng)絡(luò)模型超參數(shù),實(shí)驗(yàn)表明,該方法優(yōu)于決策樹(shù)和隨機(jī)森林等經(jīng)典學(xué)習(xí)模型。標(biāo)準(zhǔn)LSTM神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)長(zhǎng)序列信息時(shí),記憶細(xì)胞長(zhǎng)度通常不能滿足需求,會(huì)出現(xiàn)梯度消失問(wèn)題,BiLSTM神經(jīng)網(wǎng)絡(luò)很好的解決了這個(gè)問(wèn)題,國(guó)內(nèi)外學(xué)者將BiLSTM神經(jīng)網(wǎng)絡(luò)應(yīng)用在多個(gè)領(lǐng)域。Zhang[8]基于BiLSTM神經(jīng)網(wǎng)絡(luò)建立了航空發(fā)動(dòng)機(jī)轉(zhuǎn)子多故障特征參數(shù)預(yù)測(cè)參數(shù)模型;Pan等[9]基于BiLSTM神經(jīng)網(wǎng)絡(luò)檢測(cè)衛(wèi)星遙測(cè)異常數(shù)據(jù);車暢暢等[10]通過(guò)BiLSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)性能退化趨勢(shì);Bian等[11]基于BiLSTM神經(jīng)網(wǎng)絡(luò)捕獲前向和反向電池時(shí)間信息。通過(guò)上述學(xué)者在BiLSTM神經(jīng)網(wǎng)絡(luò)領(lǐng)域的研究實(shí)驗(yàn)結(jié)果可以看出,基于BiLSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型在長(zhǎng)序列信息記憶能力上有顯著提升。一些學(xué)者為了增強(qiáng)LSTM神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和預(yù)測(cè)能力,提出改進(jìn)型LSTM神經(jīng)網(wǎng)絡(luò),并應(yīng)用在各個(gè)領(lǐng)域。Liu等[12]采用LSTM-RNN模型預(yù)測(cè)燃料電池的剩余壽命;Que等[13]提出一種改進(jìn)自編碼長(zhǎng)短期記憶 (Auto-Encoder-Long Short-Term Memory Neural Networks, AE-LSTM) 神經(jīng)網(wǎng)絡(luò),用來(lái)預(yù)測(cè)飛機(jī)飛行過(guò)程中的異常數(shù)據(jù);Li等[14]提出了卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶 (Convolutional Neural Network-Long Short-Term Memory,CNN-LSTM) 神經(jīng)網(wǎng)絡(luò)混合網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型,預(yù)測(cè)橡膠拉伸變形過(guò)程中應(yīng)激數(shù)據(jù);Sun等[15]提出基于長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)和高斯過(guò)程回歸(Long Short-Term Memory Neural Networks-Gaussian Process Regression, LSTM-GPR)混合模型,可在不降低LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度的情況下,準(zhǔn)確預(yù)測(cè)船舶運(yùn)動(dòng)姿態(tài)。Yao等[16]提出一種基于深度學(xué)習(xí)的模糊粗糙集和長(zhǎng)短期記憶 (Fuzzy Rough Set-Long Short-Term Memory, FRS-LSTM) 神經(jīng)網(wǎng)絡(luò)模型,采用模糊粗糙理論進(jìn)行短期風(fēng)速預(yù)測(cè),實(shí)驗(yàn)表明,預(yù)測(cè)精度高于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)。Du等[17]建立基于RNN和LSTM神經(jīng)網(wǎng)絡(luò)的車輛速度預(yù)測(cè)模型,經(jīng)實(shí)驗(yàn)結(jié)果表明,在預(yù)測(cè)數(shù)據(jù)較長(zhǎng)的情況下,LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差更小,具有更好的性能。Ma等[18]使用縱向BiLSTM神經(jīng)網(wǎng)絡(luò)建立刀具磨損預(yù)測(cè)模型,根據(jù)刀具切削力預(yù)測(cè)的磨損值誤差在8%以內(nèi)。

    對(duì)于本文需要計(jì)算的機(jī)身薄壁筒段應(yīng)力,應(yīng)用有限元計(jì)算的時(shí)間成本較高,應(yīng)用傳統(tǒng)多層前饋神經(jīng)網(wǎng)絡(luò)無(wú)法處理應(yīng)力預(yù)測(cè)的時(shí)序序列問(wèn)題,而RNN在處理時(shí)序序列問(wèn)題時(shí)也因?yàn)樾蛄袛?shù)據(jù)過(guò)長(zhǎng)而導(dǎo)致不易克服的梯度消失和梯度爆炸問(wèn)題。因此為快速準(zhǔn)確的計(jì)算和預(yù)測(cè)機(jī)身薄壁筒段應(yīng)力,建立了基于BiLSTM神經(jīng)網(wǎng)絡(luò)的機(jī)身筒段應(yīng)力預(yù)測(cè)模型,并使用粒子群算法優(yōu)化BiLSTM神經(jīng)網(wǎng)絡(luò)超參數(shù),提高預(yù)測(cè)模型訓(xùn)練效率和選取更優(yōu)的參數(shù)組合降低預(yù)測(cè)誤差。為驗(yàn)證提出的解決方法的有效性,使用RNN和標(biāo)準(zhǔn)LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比試驗(yàn)分析。

    1 相關(guān)理論及方法

    1.1 BiLSTM神經(jīng)網(wǎng)絡(luò)

    RNN和LSTM神經(jīng)網(wǎng)絡(luò)都是依據(jù)之前時(shí)刻的時(shí)序信息來(lái)預(yù)測(cè)下一時(shí)刻的信息,不能結(jié)合未來(lái)時(shí)刻的信息,但是在一些問(wèn)題中,當(dāng)前時(shí)刻的信息輸出不僅與之前的狀態(tài)有關(guān),還與未來(lái)的狀態(tài)有關(guān),此時(shí)就需要將之前的時(shí)序信息和未來(lái)的時(shí)序信息都輸入到神經(jīng)網(wǎng)絡(luò)中,本文提出雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)用于飛機(jī)薄壁圓筒控形過(guò)程中更精準(zhǔn)的應(yīng)力預(yù)測(cè)。Cui[19]和Siami-Namini[20]等對(duì)LSTM神經(jīng)網(wǎng)絡(luò)和BiLSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行過(guò)詳細(xì)的比較,結(jié)果表明BiLSTM神經(jīng)網(wǎng)絡(luò)在相應(yīng)的時(shí)間系列任務(wù)中優(yōu)于LSTM神經(jīng)網(wǎng)絡(luò)。

    BiLSTM神經(jīng)網(wǎng)絡(luò)與標(biāo)準(zhǔn)LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相同,BiLSTM神經(jīng)網(wǎng)絡(luò)也是由基本的細(xì)胞狀態(tài)、輸入門、遺忘門和輸出門組成,BiLSTM神經(jīng)網(wǎng)絡(luò)的基本原理是由一個(gè)向前的標(biāo)準(zhǔn)LSTM神經(jīng)網(wǎng)絡(luò)和一個(gè)向后的標(biāo)準(zhǔn)LSTM神經(jīng)網(wǎng)絡(luò)組成,標(biāo)準(zhǔn)LSTM神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)如圖1所示。

    圖1 標(biāo)準(zhǔn)LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Standard LSTM neural network structure

    BiLSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由雙向循環(huán)神經(jīng)網(wǎng)絡(luò)和標(biāo)準(zhǔn)LSTM神經(jīng)網(wǎng)絡(luò)組成,BiLSTM神經(jīng)網(wǎng)絡(luò)包含2個(gè)訓(xùn)練方向的LSTM神經(jīng)網(wǎng)絡(luò),每層的網(wǎng)絡(luò)節(jié)點(diǎn)都包含完整的過(guò)去信息與未來(lái)信息,2個(gè)訓(xùn)練方向最后都與輸出層相連。BiLSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

    圖2 BiLSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 BiLSTM neural network structure

    1.2 粒子群算法

    粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法是一種基于動(dòng)物種群覓食的隨機(jī)優(yōu)化技術(shù),受鳥(niǎo)群和魚群覓食過(guò)程中的生物行為和群集行為的啟發(fā),Kennedy和Eberhart[21]于1995年提出粒子群算法。將覓食中的每只鳥(niǎo)都看作空間中搜索的粒子,有自己的速度和位置特征。粒子在空間中的運(yùn)動(dòng)會(huì)結(jié)合自身判斷和群體共享信息,分別稱為局部搜索和全局搜索,粒子會(huì)結(jié)合全局搜索最佳位置和局部搜索最佳位置決定運(yùn)動(dòng)方式并指向目的地,并且會(huì)更新局部搜索最佳位置然后將其保存下來(lái),最終實(shí)現(xiàn)從局部最優(yōu)到全局最優(yōu)的搜索過(guò)程。

    2 預(yù)測(cè)模型構(gòu)建

    BiLSTM神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過(guò)程中需要調(diào)節(jié)很多超參數(shù),只有輸入和輸出參數(shù)可以直接確定,輸入是一個(gè)應(yīng)力檢測(cè)點(diǎn)的歷史檢測(cè)數(shù)據(jù),因此BiLSTM神經(jīng)網(wǎng)絡(luò)模型的輸入層單元個(gè)數(shù)與輸入數(shù)據(jù)維度都是相同的,輸出維度與全連接層單元個(gè)數(shù)相同。其他參數(shù)包括隱藏層神經(jīng)元數(shù)量、學(xué)習(xí)率、訓(xùn)練迭代次數(shù)和滑窗大小都對(duì)機(jī)身筒段應(yīng)力預(yù)測(cè)非常重要,但是無(wú)法直接計(jì)算出。若通過(guò)正交試驗(yàn)法獲得最優(yōu)組合超參數(shù),將耗費(fèi)大量的資源和時(shí)間,并且不能確保得到的超參數(shù)組合是最優(yōu)解。因此本文使用粒子群算法優(yōu)化雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)超參數(shù),提出基于PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)的機(jī)身筒段應(yīng)力預(yù)測(cè)模型。

    Greff等[22]的實(shí)驗(yàn)表明對(duì)LSTM神經(jīng)網(wǎng)絡(luò)模型影響最大的超參數(shù)是學(xué)習(xí)率,其次是最大迭代次數(shù)和隱藏層神經(jīng)元數(shù)量,網(wǎng)絡(luò)深度對(duì)LSTM神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確度影響最小,因此本文采用單層BiLSTM神經(jīng)網(wǎng)絡(luò)模型。將學(xué)習(xí)率lr、最大時(shí)代ep、隱藏層神經(jīng)元數(shù)量lb、輟學(xué)率dp這4個(gè)主要超參數(shù)和滑動(dòng)窗口大小、培訓(xùn)批次大小、學(xué)習(xí)率下降因子這3個(gè)次要超參數(shù)作為PSO算法的對(duì)象,基于PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)的機(jī)身筒段應(yīng)力預(yù)測(cè)模型流程圖如圖3所示。具體步驟為

    圖3 基于PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)的機(jī)身筒段應(yīng)力預(yù)測(cè)模型流程圖Fig.3 Flow chart of stress prediction model of fuselage tube section based on PSO-BiLSTM neural network

    步驟 1采集機(jī)身筒段控形過(guò)程中應(yīng)力數(shù)據(jù),構(gòu)建應(yīng)力預(yù)測(cè)數(shù)據(jù)集。

    步驟 2對(duì)應(yīng)力數(shù)據(jù)進(jìn)行歸一化處理,采用離差標(biāo)準(zhǔn)化方法對(duì)應(yīng)力數(shù)據(jù)進(jìn)行線性變換,映射到[0,1]范圍內(nèi),提高應(yīng)力預(yù)測(cè)精度和加快模型梯度下降求最優(yōu)解的速度。

    步驟 3將歸一化后的數(shù)據(jù)分為訓(xùn)練集Train_x、Train_y和測(cè)試集Test_x、Test_y,再分別劃分為輸入數(shù)據(jù)和數(shù)據(jù)標(biāo)簽。

    步驟 4初始化粒子群,并以各粒子對(duì)應(yīng)參數(shù)構(gòu)建BiLSTM神經(jīng)網(wǎng)絡(luò)模型,通過(guò)訓(xùn)練數(shù)據(jù)進(jìn)行模型訓(xùn)練,將預(yù)測(cè)結(jié)果的均方根誤差(Root Mean Square Error, RMSE)作為各粒子的適應(yīng)度值。

    步驟 5將適應(yīng)度值作為終止條件,若滿足終止條件,返回最優(yōu)超參數(shù)取值,否則,返回步驟 4。

    步驟 6粒子群優(yōu)化算法根據(jù)BiLSTM神經(jīng)網(wǎng)絡(luò)模型適應(yīng)度更新粒子并確定粒子全局最優(yōu)位置,構(gòu)建PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型。

    步驟 7將測(cè)試集輸入數(shù)據(jù)放入訓(xùn)練好的預(yù)測(cè)模型中,將輸出數(shù)據(jù)與測(cè)試集測(cè)試結(jié)果Test_out進(jìn)行比較,根據(jù)均方根誤差計(jì)算應(yīng)力預(yù)測(cè)模型誤差。

    為了客觀評(píng)價(jià)預(yù)測(cè)結(jié)果的準(zhǔn)確性和有效性,選用RMSE、平均絕對(duì)誤差(Mean Absolute Error, MAE)和決定系數(shù)R2評(píng)估不同應(yīng)力預(yù)測(cè)模型的準(zhǔn)確性,其表達(dá)式分別為

    式中:yi為應(yīng)力真實(shí)值為應(yīng)力預(yù)測(cè)值為應(yīng)力真實(shí)值的平均值;m為應(yīng)力預(yù)測(cè)次數(shù)。

    應(yīng)力預(yù)測(cè)模型基于python,實(shí)驗(yàn)使用的計(jì)算機(jī)環(huán)境為:windows10,E-2286M處理器,12 G內(nèi)存,Tesla T4顯卡(12 G顯存),tensrflow2.0。

    3 實(shí)驗(yàn)驗(yàn)證及結(jié)果分析

    3.1 搭建實(shí)驗(yàn)臺(tái)

    為了測(cè)試預(yù)測(cè)模型的可行性和有效性,使用飛機(jī)機(jī)身筒段進(jìn)行控形應(yīng)力預(yù)測(cè)實(shí)驗(yàn)。以某型號(hào)客機(jī)為原型,制造1∶4縮比模型,模型包括機(jī)身筒段主體和形狀控制工裝,如圖4和圖5所示。

    圖4 某型客機(jī)機(jī)身筒段主體1∶4縮比模型Fig.4 A 1∶4 scaled model of main body of fuselage tube section for a certain type of passenger aircraft

    圖5 形狀控制工裝Fig.5 Tooling for shape control

    機(jī)身筒段由桁架和蒙皮組成,因?yàn)槊善ず穸葍H0.5 mm,所以蒙皮和圓桁受重力影響會(huì)發(fā)生一定的形變,筒段還會(huì)受到制造誤差和運(yùn)輸振動(dòng)的影響,導(dǎo)致機(jī)身筒段在裝配前可能出現(xiàn)不規(guī)則的變形,例如局部塌陷或左右不對(duì)稱。

    為了克服筒段出現(xiàn)的不規(guī)則變形,在筒段對(duì)接一側(cè)安裝形狀控制工裝調(diào)節(jié)筒段形狀,如圖5所示,形狀控制工裝由框架和6個(gè)支撐模塊組成,支撐模塊對(duì)稱安裝在框架上,可徑向支撐圓桁達(dá)到控制筒段形狀的目的。圓桁上貼有6個(gè)電阻應(yīng)變片,如圖藍(lán)色圓圈位置,用來(lái)監(jiān)測(cè)控形過(guò)程中筒段應(yīng)力變化,筒段中心設(shè)有可旋轉(zhuǎn)的位移檢測(cè)傳感器。旋轉(zhuǎn)1周采集12個(gè)預(yù)設(shè)標(biāo)記點(diǎn)位置,通過(guò)擬合計(jì)算出筒段變形位置及變形量。

    3.2 采集控形應(yīng)力數(shù)據(jù)

    在室內(nèi)溫度27 ℃的條件下,進(jìn)行機(jī)身筒段形狀控制應(yīng)力采集實(shí)驗(yàn),以0.5 mm/s的速度驅(qū)動(dòng)步進(jìn)電機(jī)移動(dòng),控制機(jī)身筒段形狀,以0.1 s為采樣間隔,采集電阻應(yīng)變片數(shù)據(jù)和機(jī)身筒段形狀變化量。為了增強(qiáng)PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型的魯棒性,采集不同初始狀態(tài)下筒段控形的應(yīng)力數(shù)據(jù),對(duì)重力狀態(tài)下靜置的機(jī)身筒段進(jìn)行人工干預(yù),改變機(jī)身筒段形狀,模擬機(jī)身筒段受不可控因素出現(xiàn)不規(guī)則形狀的情況,然后采集不同變形情況下機(jī)身筒段形狀控制的應(yīng)變變化數(shù)據(jù)。針對(duì)筒段上6個(gè)應(yīng)力監(jiān)測(cè)點(diǎn),對(duì)其進(jìn)行應(yīng)變采集實(shí)驗(yàn),通過(guò)在筒段長(zhǎng)桁上添加重物的形式對(duì)機(jī)身筒段做出8次形狀改變,以模擬機(jī)身筒段在重力和運(yùn)輸振動(dòng)影響下的不規(guī)則變形。然后分別采集8組應(yīng)變變化數(shù)據(jù),將其中7組作為訓(xùn)練數(shù)據(jù),1組作為測(cè)試數(shù)據(jù)進(jìn)行應(yīng)變預(yù)測(cè)實(shí)驗(yàn)。圖6所示為6個(gè)應(yīng)變監(jiān)測(cè)點(diǎn)在8次形狀調(diào)整實(shí)驗(yàn)中的應(yīng)變監(jiān)測(cè)數(shù)據(jù)。

    圖6 機(jī)身筒段監(jiān)測(cè)點(diǎn)應(yīng)變監(jiān)測(cè)數(shù)據(jù)Fig.6 Strain monitoring data at monitoring point of fuselage tube section

    上述實(shí)驗(yàn)數(shù)據(jù)中,出現(xiàn)應(yīng)力下降和跌宕起伏的原因是機(jī)身筒段控形過(guò)程中,6個(gè)支撐點(diǎn)一起運(yùn)動(dòng),且支撐速度和支撐距離并非線性的,1個(gè)監(jiān)測(cè)點(diǎn)的應(yīng)力可能受其他5個(gè)支撐點(diǎn)變化的影響。應(yīng)用6個(gè)應(yīng)力監(jiān)測(cè)點(diǎn)數(shù)據(jù)集分別訓(xùn)練6個(gè)應(yīng)力預(yù)測(cè)模型,因?yàn)?個(gè)應(yīng)力監(jiān)測(cè)點(diǎn)應(yīng)變變化相似,所以本文選擇應(yīng)變變化較為復(fù)雜的監(jiān)測(cè)點(diǎn)2和監(jiān)測(cè)點(diǎn)4,用于展示模型訓(xùn)練過(guò)程和預(yù)測(cè)準(zhǔn)確度。監(jiān)測(cè)點(diǎn)2和監(jiān)測(cè)點(diǎn)4分別有3 200和3 400個(gè)歷史數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),為了實(shí)現(xiàn)連續(xù)預(yù)測(cè)和克服樣本數(shù)據(jù)少而帶來(lái)的深度學(xué)習(xí)模型訓(xùn)練不準(zhǔn)確問(wèn)題,采用滑動(dòng)窗口處理方法處理樣本訓(xùn)練數(shù)據(jù),通過(guò)滑動(dòng)窗口方法不但可以重復(fù)利用樣本訓(xùn)練數(shù)據(jù),提高控形過(guò)程中應(yīng)力相鄰元素的相關(guān)性,還可以增加應(yīng)力預(yù)測(cè)模型訓(xùn)練的樣本數(shù)量,在應(yīng)力預(yù)測(cè)過(guò)程中具有更強(qiáng)的魯棒性。因此,飛機(jī)機(jī)身應(yīng)力預(yù)測(cè)問(wèn)題變成一個(gè)回歸問(wèn)題?;瑒?dòng)窗口處理方法會(huì)將樣本數(shù)據(jù)重構(gòu)為BiLSTM神經(jīng)網(wǎng)絡(luò)模型需要的三維輸入格式,更加適應(yīng)時(shí)間序列模型的輸入。

    3.3 應(yīng)力預(yù)測(cè)結(jié)果及分析

    以數(shù)據(jù)集中前7組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),最后1組數(shù)據(jù)作為測(cè)試數(shù)據(jù),分別對(duì)4種應(yīng)力預(yù)測(cè)模型進(jìn)行訓(xùn)練和測(cè)試。RNN、標(biāo)準(zhǔn)LSTM神經(jīng)網(wǎng)絡(luò)和BiLSTM神經(jīng)網(wǎng)絡(luò)在模型訓(xùn)練過(guò)程中均需要手動(dòng)調(diào)節(jié)模型超參數(shù),確定最佳參數(shù)的方法是在保持其他參數(shù)不變的情況下,僅調(diào)整相關(guān)參數(shù)以獲得最佳預(yù)測(cè)性能。而PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)可以利用粒子群優(yōu)化算法自動(dòng)優(yōu)化模型超參數(shù),需要調(diào)節(jié)的超參數(shù)包括:學(xué)習(xí)率(0.001~0.1)、隱藏層神經(jīng)元數(shù)量(30~200)、最大時(shí)代(50~500)、輟學(xué)率(0.2~0.5)、優(yōu)化器(Adam)和學(xué)習(xí)率下降因子(0~0.6)。優(yōu)化后的4個(gè)應(yīng)力預(yù)測(cè)模型最佳超參數(shù)見(jiàn)表1和表2。

    表1 4種應(yīng)力預(yù)測(cè)模型超參數(shù)(監(jiān)測(cè)點(diǎn)2)Table 1 Four kinds of stress prediction model hyperparameters at monitoring point 2

    表2 4種應(yīng)力預(yù)測(cè)模型超參數(shù)(監(jiān)測(cè)點(diǎn)4)Table 2 Four kinds of stress prediction model hyperparameters at monitoring point 4

    為了研究PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)模型在模型訓(xùn)練階段的高效率和穩(wěn)定性,將BiLSTM神經(jīng)網(wǎng)絡(luò)模型和PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練時(shí)的損失函數(shù)曲線進(jìn)行分析對(duì)比,圖7和圖8分別為BiLSTM神經(jīng)網(wǎng)絡(luò)模型和PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過(guò)程中的RMSE誤差收斂曲線。

    圖7 監(jiān)測(cè)點(diǎn)2模型訓(xùn)練RMSE誤差收斂曲線Fig.7 Model training RMSE error convergence curve at monitoring point 2

    圖8 監(jiān)測(cè)點(diǎn)4模型訓(xùn)練RMSE誤差收斂曲線Fig.8 Model training RMSE error convergence curve at monitoring point 4

    由以上2個(gè)監(jiān)測(cè)點(diǎn)的模型訓(xùn)練誤差收斂時(shí)間可以看出,BiLSTM訓(xùn)練50個(gè)時(shí)代后基本穩(wěn)定,在120個(gè)時(shí)代后訓(xùn)練停止,而PSO-BiLSTM只需要20個(gè)時(shí)代就基本達(dá)到穩(wěn)定值,在80個(gè)時(shí)代后訓(xùn)練停止,加入粒子群優(yōu)化算法后訓(xùn)練效率提升了50%,且在PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)中加入了提前退出迭代的算法,通過(guò)設(shè)置適應(yīng)度函數(shù)變化容忍度,每次迭代完成后計(jì)算與上一次迭代的適應(yīng)度函數(shù)之差,連續(xù)8次達(dá)到閾值即退出迭代,極大的節(jié)省了超參數(shù)調(diào)優(yōu)工作量。并且PSOBiLSTM神經(jīng)網(wǎng)絡(luò)模型的RMSE誤差比BiLSTM神經(jīng)網(wǎng)絡(luò)模型的RMSE誤差更小,在監(jiān)測(cè)點(diǎn)1的訓(xùn)練過(guò)程中RMSE誤差達(dá)到0.0032,這表明粒子群優(yōu)化算法可以在模型訓(xùn)練迭代過(guò)程中獲得更優(yōu)的參數(shù)來(lái)優(yōu)化BiLSTM模型。結(jié)果表明,PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練效率更高且超參數(shù)調(diào)優(yōu)能力更好。

    為了驗(yàn)證4種應(yīng)力預(yù)測(cè)模型的實(shí)際預(yù)測(cè)效果,分別測(cè)試數(shù)據(jù)集第8組數(shù)據(jù),PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)完全由粒子群優(yōu)化算法得出最優(yōu)解,其他3個(gè)模型的超參數(shù)為表1中最優(yōu)組合解。應(yīng)變預(yù)測(cè)性能分析如圖9和圖10所示。

    圖9 監(jiān)測(cè)點(diǎn)2應(yīng)變預(yù)測(cè)性能分析Fig.9 Strain prediction performance analysis at monitoring point 2

    圖10 監(jiān)測(cè)點(diǎn)4應(yīng)變預(yù)測(cè)性能分析Fig.10 Strain prediction performance analysis at monitoring point 4

    在以上2個(gè)監(jiān)測(cè)點(diǎn)的應(yīng)力預(yù)測(cè)實(shí)驗(yàn)中,4個(gè)應(yīng)力預(yù)測(cè)模型均可以實(shí)現(xiàn)對(duì)應(yīng)力變化趨勢(shì)的基本預(yù)測(cè)。應(yīng)力預(yù)測(cè)性能比較:PSO-BiLSTM>BiLSTM>LSTM>RNN。RNN模型預(yù)測(cè)的數(shù)據(jù)曲線與真實(shí)曲線有較大偏差,在應(yīng)力數(shù)據(jù)變化大的部分不能準(zhǔn)確預(yù)測(cè),例如監(jiān)測(cè)點(diǎn)1中300~350 s的預(yù)測(cè)偏差達(dá)到了18,這是因?yàn)镽NN模型沒(méi)有長(zhǎng)期記憶細(xì)胞,當(dāng)新的隱藏層數(shù)據(jù)輸入就會(huì)覆蓋原有數(shù)據(jù)信息,造成梯度爆炸損失預(yù)測(cè),在長(zhǎng)序列數(shù)據(jù)預(yù)測(cè)方面具有不可彌補(bǔ)的缺陷。標(biāo)準(zhǔn)LSTM神經(jīng)網(wǎng)絡(luò)在RNN的基礎(chǔ)上增加了1路輸入和1路輸出,通過(guò)新增的長(zhǎng)期記憶細(xì)胞可以保留更多的序列數(shù)據(jù),預(yù)測(cè)準(zhǔn)確度相比RNN模型有較大提升,但是標(biāo)準(zhǔn)LSTM神經(jīng)網(wǎng)絡(luò)模型在面對(duì)應(yīng)力變化較大的預(yù)測(cè)問(wèn)題時(shí),仍然存在明顯的預(yù)測(cè)結(jié)果滯后問(wèn)題,這是因?yàn)樾蛄惺綌?shù)據(jù)存在自相關(guān)性。標(biāo)準(zhǔn)LSTM神經(jīng)網(wǎng)絡(luò)模型需要以序列式數(shù)據(jù)作為輸入,滑動(dòng)窗口的應(yīng)用讓輸入數(shù)據(jù)中當(dāng)前時(shí)刻的值與其自身上一時(shí)刻的值具有一階自相關(guān)性,此缺陷不可避免,且滯后性導(dǎo)致的誤差會(huì)隨著時(shí)間的推移越來(lái)越大。多數(shù)情況下,BiLSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果與真實(shí)結(jié)果偏差較小,在正向預(yù)測(cè)和反向預(yù)測(cè)的疊加處理后,梯度消失問(wèn)題和預(yù)測(cè)滯后問(wèn)題都得到解決。在應(yīng)力預(yù)測(cè)的前半部分,BiLSTM神經(jīng)網(wǎng)絡(luò)模型和PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)準(zhǔn)確度都很高,與真實(shí)曲線基本擬合,隨著時(shí)間的推移,BiLSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)準(zhǔn)確度略低于PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)模型,這是因?yàn)槿藶檎{(diào)節(jié)BiLSTM神經(jīng)網(wǎng)絡(luò)模型超參數(shù)不能使模型發(fā)揮出最佳性能,經(jīng)過(guò)粒子群優(yōu)化算法調(diào)優(yōu)的PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)模型不僅訓(xùn)練速度快,在預(yù)測(cè)穩(wěn)定性方面也有明顯提高。

    為進(jìn)一步驗(yàn)證PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)性能,表3和表4給出了4種預(yù)測(cè)模型在2個(gè)應(yīng)力監(jiān)測(cè)點(diǎn)的評(píng)價(jià)指標(biāo)計(jì)算結(jié)果。PSOBiLSTM神經(jīng)網(wǎng)絡(luò)模型的RMSE、MAE都低于其他預(yù)測(cè)模型,在決定系數(shù)R2評(píng)價(jià)標(biāo)準(zhǔn)中,該模型計(jì)算結(jié)果比其他預(yù)測(cè)模型更接近1,表明其預(yù)測(cè)性能優(yōu)于其他模型。監(jiān)測(cè)點(diǎn)2的評(píng)價(jià)指標(biāo)計(jì)算結(jié)果中,PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)模型的RMSE比RNN模型低66%,比LSTM神經(jīng)網(wǎng)絡(luò)模型低56.6%,比BiLSTM神經(jīng)網(wǎng)絡(luò)模型低20%,其模型預(yù)測(cè)精度顯著提高,在PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)模型與BiLSTM神經(jīng)網(wǎng)絡(luò)模型具有相同單元結(jié)構(gòu)的情況下,PSO-BiLSTM神經(jīng)網(wǎng)絡(luò)模型依靠粒子群優(yōu)化算法優(yōu)秀的超參數(shù)尋優(yōu)能力顯著提高了預(yù)測(cè)精度。

    表3 4種模型評(píng)價(jià)指標(biāo)比較(監(jiān)測(cè)點(diǎn)2)Table 3 Comparison of evaluation indicators of four kinds of model at monitoring point 2

    表4 4種模型評(píng)價(jià)指標(biāo)比較(監(jiān)測(cè)點(diǎn)4)Table 4 Comparison of evaluation indicators of four kinds of model at monitoring point 4

    4 結(jié) 論

    1)使用滑動(dòng)窗口提取應(yīng)力數(shù)據(jù)相關(guān)信息,可以提高序列式數(shù)據(jù)相關(guān)性,使預(yù)測(cè)結(jié)果更加穩(wěn)定。

    2)應(yīng)用RNN、LSTM神經(jīng)網(wǎng)絡(luò)和BiLSTM神經(jīng)網(wǎng)絡(luò)分別對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試,實(shí)驗(yàn)結(jié)果表明,BiLSTM神經(jīng)網(wǎng)絡(luò)對(duì)于相關(guān)性強(qiáng)的長(zhǎng)序列信息預(yù)測(cè)性能最好,可以較好地解決梯度消失問(wèn)題和預(yù)測(cè)結(jié)果滯后問(wèn)題。

    3)將PSO算法與BiLSTM神經(jīng)網(wǎng)絡(luò)相結(jié)合,使用PSO算法對(duì)BiLSTM神經(jīng)網(wǎng)絡(luò)超參數(shù)進(jìn)行迭代優(yōu)化,解決了人為調(diào)參的不確定性并提高了工作效率,實(shí)驗(yàn)結(jié)果表明,基于PSOBiLSTM神經(jīng)網(wǎng)絡(luò)的應(yīng)力預(yù)測(cè)模型可在飛機(jī)薄壁筒段控形過(guò)程中提供準(zhǔn)確且快速的應(yīng)力預(yù)測(cè)結(jié)果。

    猜你喜歡
    機(jī)身監(jiān)測(cè)點(diǎn)神經(jīng)網(wǎng)絡(luò)
    天津南港LNG接收站沉降監(jiān)測(cè)點(diǎn)位布設(shè)
    煤氣與熱力(2022年4期)2022-05-23 12:44:56
    撫河流域綜合治理監(jiān)測(cè)布局優(yōu)化
    遠(yuǎn)不止DCI色域,輕量級(jí)機(jī)身中更蘊(yùn)含強(qiáng)悍的亮度表現(xiàn) 光峰(Appptronics)C800
    全站儀極坐標(biāo)法監(jiān)測(cè)點(diǎn)穩(wěn)定性分析方法研究
    神經(jīng)網(wǎng)絡(luò)抑制無(wú)線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    Augmented Reality comes to the classroom
    全畫幅機(jī)身
    我省舉辦家畜血吸蟲病監(jiān)測(cè)點(diǎn)培訓(xùn)班
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    捣出白浆h1v1| 国产av精品麻豆| 在线观看66精品国产| 成年女人毛片免费观看观看9 | 精品亚洲成国产av| 欧美 亚洲 国产 日韩一| 亚洲成国产人片在线观看| 高清黄色对白视频在线免费看| 一二三四社区在线视频社区8| 巨乳人妻的诱惑在线观看| 黑人巨大精品欧美一区二区mp4| 亚洲 欧美一区二区三区| 国产成人免费观看mmmm| 国产不卡一卡二| 久久久久久人人人人人| 9热在线视频观看99| 黄色a级毛片大全视频| 欧美一级毛片孕妇| 欧美人与性动交α欧美精品济南到| 精品国产乱码久久久久久男人| 久久精品aⅴ一区二区三区四区| 自线自在国产av| 国产精品1区2区在线观看. | 欧美成人午夜精品| 国产乱人伦免费视频| 一本大道久久a久久精品| 国产精品永久免费网站| 日本vs欧美在线观看视频| 欧美日韩视频精品一区| 久久人妻熟女aⅴ| 亚洲男人天堂网一区| 日本五十路高清| 黑人巨大精品欧美一区二区mp4| 精品久久久精品久久久| 国产精品一区二区免费欧美| av片东京热男人的天堂| 日韩大码丰满熟妇| 国产有黄有色有爽视频| 91精品三级在线观看| 亚洲国产看品久久| 日韩制服丝袜自拍偷拍| 一级a爱视频在线免费观看| 99精品在免费线老司机午夜| 国产亚洲欧美精品永久| 国产极品粉嫩免费观看在线| 亚洲精品自拍成人| 91av网站免费观看| 午夜福利,免费看| 亚洲第一av免费看| videos熟女内射| 不卡一级毛片| 9热在线视频观看99| 中文字幕精品免费在线观看视频| 午夜免费鲁丝| 亚洲综合色网址| 三级毛片av免费| 国产成人影院久久av| 日韩欧美免费精品| 天堂√8在线中文| 精品视频人人做人人爽| 天天躁狠狠躁夜夜躁狠狠躁| 热re99久久精品国产66热6| 黄色成人免费大全| 色婷婷久久久亚洲欧美| 欧美乱色亚洲激情| 亚洲 欧美一区二区三区| 91老司机精品| 久久国产精品人妻蜜桃| www.熟女人妻精品国产| 国产成人免费观看mmmm| 欧美日本中文国产一区发布| 黑人巨大精品欧美一区二区蜜桃| 身体一侧抽搐| 麻豆乱淫一区二区| 欧美精品啪啪一区二区三区| 99久久99久久久精品蜜桃| 久久久久久久久免费视频了| 美女扒开内裤让男人捅视频| 久久久久视频综合| x7x7x7水蜜桃| 99久久国产精品久久久| 在线观看日韩欧美| 中文欧美无线码| 亚洲精华国产精华精| 日韩欧美免费精品| 老司机影院毛片| 欧美日韩中文字幕国产精品一区二区三区 | 啦啦啦在线免费观看视频4| 免费av中文字幕在线| 99久久综合精品五月天人人| 色婷婷av一区二区三区视频| 精品久久久久久电影网| 中文字幕人妻熟女乱码| 视频在线观看一区二区三区| 久久久久久久精品吃奶| 亚洲国产欧美一区二区综合| 老司机午夜福利在线观看视频| av国产精品久久久久影院| 国产精品久久久久成人av| 九色亚洲精品在线播放| av线在线观看网站| 91精品三级在线观看| 黑丝袜美女国产一区| 成人亚洲精品一区在线观看| av免费在线观看网站| 欧美日韩av久久| av线在线观看网站| 亚洲精品久久成人aⅴ小说| 亚洲成人免费av在线播放| 大码成人一级视频| 首页视频小说图片口味搜索| 老司机午夜十八禁免费视频| 欧美黄色淫秽网站| 国产成人免费观看mmmm| 99热网站在线观看| 一级片'在线观看视频| 黄色毛片三级朝国网站| 日日爽夜夜爽网站| 香蕉久久夜色| 亚洲欧美一区二区三区久久| 亚洲自偷自拍图片 自拍| 欧美日韩瑟瑟在线播放| 不卡av一区二区三区| 亚洲va日本ⅴa欧美va伊人久久| 不卡av一区二区三区| 麻豆乱淫一区二区| 欧美日韩黄片免| 亚洲专区中文字幕在线| 欧美+亚洲+日韩+国产| 男人舔女人的私密视频| 久久人人97超碰香蕉20202| 少妇粗大呻吟视频| 韩国精品一区二区三区| 亚洲少妇的诱惑av| 国产xxxxx性猛交| 精品一品国产午夜福利视频| 日韩 欧美 亚洲 中文字幕| 国产成人系列免费观看| 久久精品aⅴ一区二区三区四区| 精品人妻在线不人妻| 一进一出好大好爽视频| 一二三四社区在线视频社区8| 久久久久久久午夜电影 | 黑人巨大精品欧美一区二区蜜桃| 国产在线一区二区三区精| 国产精品久久久av美女十八| 欧美黑人精品巨大| 宅男免费午夜| 91精品三级在线观看| 国产三级黄色录像| 国产一区二区三区在线臀色熟女 | 大陆偷拍与自拍| 黄色视频,在线免费观看| 精品国产乱码久久久久久男人| 久久久久国内视频| 午夜精品在线福利| 精品一区二区三区四区五区乱码| 女人精品久久久久毛片| 成人三级做爰电影| 夫妻午夜视频| 欧洲精品卡2卡3卡4卡5卡区| 精品国内亚洲2022精品成人 | 成人av一区二区三区在线看| 午夜免费成人在线视频| 热99久久久久精品小说推荐| 国产一区二区激情短视频| 国产男女超爽视频在线观看| 母亲3免费完整高清在线观看| 制服诱惑二区| 久99久视频精品免费| 操美女的视频在线观看| 久久久久久亚洲精品国产蜜桃av| 大片电影免费在线观看免费| 丰满迷人的少妇在线观看| 日日爽夜夜爽网站| 高清欧美精品videossex| 变态另类成人亚洲欧美熟女 | 精品国产一区二区久久| 精品欧美一区二区三区在线| av天堂久久9| 久久 成人 亚洲| 成人永久免费在线观看视频| 手机成人av网站| 国产精品久久久久久精品古装| av线在线观看网站| 亚洲国产看品久久| 久久久久精品人妻al黑| 露出奶头的视频| 中国美女看黄片| 18禁黄网站禁片午夜丰满| 一级毛片女人18水好多| 九色亚洲精品在线播放| 搡老岳熟女国产| а√天堂www在线а√下载 | 99re在线观看精品视频| 成在线人永久免费视频| 女人被狂操c到高潮| 岛国在线观看网站| 久久精品熟女亚洲av麻豆精品| 亚洲黑人精品在线| 日韩大码丰满熟妇| 久久久精品国产亚洲av高清涩受| 日韩制服丝袜自拍偷拍| 亚洲少妇的诱惑av| 久久精品国产清高在天天线| 露出奶头的视频| 亚洲精品自拍成人| 免费在线观看亚洲国产| www.熟女人妻精品国产| 国产在视频线精品| 午夜两性在线视频| 亚洲美女黄片视频| 丰满的人妻完整版| 国产av精品麻豆| 青草久久国产| aaaaa片日本免费| 黄色丝袜av网址大全| 好看av亚洲va欧美ⅴa在| 欧美亚洲日本最大视频资源| 在线观看一区二区三区激情| av视频免费观看在线观看| 女人久久www免费人成看片| 1024视频免费在线观看| 亚洲成国产人片在线观看| 亚洲欧美日韩高清在线视频| 91九色精品人成在线观看| 国产视频一区二区在线看| 国产成人系列免费观看| 亚洲五月天丁香| www.熟女人妻精品国产| 在线观看www视频免费| 黄片小视频在线播放| 成人黄色视频免费在线看| 首页视频小说图片口味搜索| 最近最新中文字幕大全电影3 | 如日韩欧美国产精品一区二区三区| 成人国语在线视频| 人妻丰满熟妇av一区二区三区 | 午夜免费成人在线视频| 80岁老熟妇乱子伦牲交| 成人亚洲精品一区在线观看| 色精品久久人妻99蜜桃| 最新在线观看一区二区三区| 精品少妇久久久久久888优播| 精品福利观看| 村上凉子中文字幕在线| 99精品欧美一区二区三区四区| 亚洲一码二码三码区别大吗| 午夜老司机福利片| 国产片内射在线| 国产免费男女视频| 国产精品综合久久久久久久免费 | 男女免费视频国产| 在线观看免费午夜福利视频| 成人18禁在线播放| 王馨瑶露胸无遮挡在线观看| 亚洲成人免费电影在线观看| 色在线成人网| 亚洲熟妇中文字幕五十中出 | 国产av精品麻豆| 日韩有码中文字幕| 久久午夜综合久久蜜桃| 97人妻天天添夜夜摸| 巨乳人妻的诱惑在线观看| 国产精品自产拍在线观看55亚洲 | 又紧又爽又黄一区二区| 搡老岳熟女国产| 久久国产精品大桥未久av| 精品熟女少妇八av免费久了| 性少妇av在线| 免费观看精品视频网站| 久久精品国产综合久久久| 亚洲精品国产区一区二| 久久亚洲精品不卡| 国产精品自产拍在线观看55亚洲 | 777久久人妻少妇嫩草av网站| av中文乱码字幕在线| 日韩三级视频一区二区三区| 黄片大片在线免费观看| 免费久久久久久久精品成人欧美视频| 亚洲一区二区三区不卡视频| 午夜精品国产一区二区电影| 亚洲av美国av| 电影成人av| 大片电影免费在线观看免费| 91在线观看av| ponron亚洲| 欧美黄色片欧美黄色片| 亚洲av欧美aⅴ国产| 欧美成人免费av一区二区三区 | 一区二区三区激情视频| 国产精品久久久人人做人人爽| 中文字幕人妻丝袜制服| 精品一区二区三区四区五区乱码| 91精品国产国语对白视频| 亚洲国产欧美日韩在线播放| 国产真人三级小视频在线观看| videosex国产| 日韩有码中文字幕| 91老司机精品| 亚洲中文字幕日韩| 80岁老熟妇乱子伦牲交| 男女下面插进去视频免费观看| 亚洲精品乱久久久久久| 午夜福利影视在线免费观看| 亚洲少妇的诱惑av| 丝袜美腿诱惑在线| 久99久视频精品免费| 50天的宝宝边吃奶边哭怎么回事| 精品少妇一区二区三区视频日本电影| 国产不卡一卡二| 高清黄色对白视频在线免费看| 男人操女人黄网站| 精品第一国产精品| 女同久久另类99精品国产91| 国产精品久久久人人做人人爽| 又大又爽又粗| 丰满人妻熟妇乱又伦精品不卡| 水蜜桃什么品种好| 精品视频人人做人人爽| 亚洲av欧美aⅴ国产| 国产亚洲欧美精品永久| 成人精品一区二区免费| ponron亚洲| 国产精品av久久久久免费| 久久久国产成人精品二区 | 日日夜夜操网爽| 亚洲国产欧美日韩在线播放| 久久香蕉国产精品| 极品人妻少妇av视频| 欧美国产精品va在线观看不卡| a级片在线免费高清观看视频| 成人免费观看视频高清| 亚洲avbb在线观看| 欧美不卡视频在线免费观看 | 精品少妇一区二区三区视频日本电影| 99精品欧美一区二区三区四区| 亚洲人成电影免费在线| 搡老熟女国产l中国老女人| 两个人免费观看高清视频| 一进一出抽搐动态| 亚洲成人手机| 亚洲 国产 在线| 日韩视频一区二区在线观看| 日本撒尿小便嘘嘘汇集6| 国产成+人综合+亚洲专区| 久久精品成人免费网站| 好男人电影高清在线观看| 日韩欧美国产一区二区入口| 精品少妇一区二区三区视频日本电影| 久久国产精品人妻蜜桃| 免费看十八禁软件| 欧洲精品卡2卡3卡4卡5卡区| 午夜老司机福利片| 在线观看免费高清a一片| 最近最新中文字幕大全免费视频| 777久久人妻少妇嫩草av网站| 亚洲一卡2卡3卡4卡5卡精品中文| 日本欧美视频一区| 脱女人内裤的视频| 国精品久久久久久国模美| 99久久综合精品五月天人人| 久久影院123| 精品国产国语对白av| 999久久久国产精品视频| 久久香蕉国产精品| 欧美日韩中文字幕国产精品一区二区三区 | 真人做人爱边吃奶动态| 亚洲精品在线观看二区| 精品国产一区二区三区久久久樱花| 亚洲人成伊人成综合网2020| 午夜福利影视在线免费观看| 免费看a级黄色片| 成年人免费黄色播放视频| 麻豆av在线久日| 99久久精品国产亚洲精品| 亚洲中文日韩欧美视频| 女人高潮潮喷娇喘18禁视频| 日韩欧美免费精品| 色综合欧美亚洲国产小说| 日日爽夜夜爽网站| 国产又色又爽无遮挡免费看| 自拍欧美九色日韩亚洲蝌蚪91| 91成人精品电影| 亚洲欧美激情综合另类| 亚洲伊人色综图| 日韩有码中文字幕| 亚洲午夜理论影院| 午夜影院日韩av| 国产不卡一卡二| 国产日韩欧美亚洲二区| 久久久水蜜桃国产精品网| 国内毛片毛片毛片毛片毛片| 久久久久精品人妻al黑| 99riav亚洲国产免费| 少妇的丰满在线观看| www日本在线高清视频| 国产又爽黄色视频| 国产精品 国内视频| 日韩欧美在线二视频 | 日韩三级视频一区二区三区| 亚洲精品av麻豆狂野| 亚洲熟妇熟女久久| 少妇猛男粗大的猛烈进出视频| 亚洲精品国产精品久久久不卡| 精品少妇久久久久久888优播| 欧美黑人欧美精品刺激| 精品国内亚洲2022精品成人 | 国产精品 欧美亚洲| 丁香欧美五月| 久久久国产一区二区| 亚洲第一av免费看| av网站在线播放免费| 亚洲欧美色中文字幕在线| 欧美丝袜亚洲另类 | 在线观看66精品国产| 亚洲av欧美aⅴ国产| 老司机在亚洲福利影院| 午夜福利在线观看吧| 又紧又爽又黄一区二区| 久久久久国内视频| 亚洲三区欧美一区| 香蕉国产在线看| 日韩中文字幕欧美一区二区| 久久九九热精品免费| 伊人久久大香线蕉亚洲五| 亚洲精品成人av观看孕妇| 亚洲av片天天在线观看| 女同久久另类99精品国产91| 亚洲精品国产区一区二| 黄色女人牲交| 一级作爱视频免费观看| 少妇猛男粗大的猛烈进出视频| 美女视频免费永久观看网站| 99国产精品免费福利视频| 一区二区三区精品91| 自拍欧美九色日韩亚洲蝌蚪91| 国产成人影院久久av| 欧美日韩国产mv在线观看视频| 丝袜美腿诱惑在线| 无限看片的www在线观看| 精品免费久久久久久久清纯 | 国产精品自产拍在线观看55亚洲 | 男女免费视频国产| 曰老女人黄片| 大型av网站在线播放| 国精品久久久久久国模美| 另类亚洲欧美激情| 黄色怎么调成土黄色| 国产高清激情床上av| 日本wwww免费看| 精品电影一区二区在线| 国产97色在线日韩免费| 精品视频人人做人人爽| 制服人妻中文乱码| 国产午夜精品久久久久久| 黄色毛片三级朝国网站| 欧美日韩亚洲综合一区二区三区_| 不卡av一区二区三区| 亚洲国产欧美一区二区综合| 精品国产超薄肉色丝袜足j| 99精品久久久久人妻精品| 国产深夜福利视频在线观看| 久久草成人影院| 国产精品国产av在线观看| 91老司机精品| 人人妻人人澡人人爽人人夜夜| av电影中文网址| 国产成人精品无人区| 黄色成人免费大全| 后天国语完整版免费观看| 亚洲精品在线观看二区| 欧洲精品卡2卡3卡4卡5卡区| 久久久水蜜桃国产精品网| 欧美乱码精品一区二区三区| 免费人成视频x8x8入口观看| 国产99白浆流出| 人人妻人人澡人人看| 美女午夜性视频免费| 正在播放国产对白刺激| 亚洲精品粉嫩美女一区| 亚洲欧美一区二区三区久久| 1024视频免费在线观看| ponron亚洲| 三级毛片av免费| 国产一区在线观看成人免费| 午夜久久久在线观看| 深夜精品福利| 久久精品国产综合久久久| 亚洲av熟女| 亚洲中文字幕日韩| 美女 人体艺术 gogo| 丁香欧美五月| 91老司机精品| 免费观看人在逋| 国产精品免费视频内射| 一级作爱视频免费观看| 国产一区在线观看成人免费| 人妻丰满熟妇av一区二区三区 | 免费在线观看日本一区| 丝袜美腿诱惑在线| 午夜两性在线视频| 99久久精品国产亚洲精品| 黄色女人牲交| 热re99久久国产66热| 欧美精品人与动牲交sv欧美| 精品电影一区二区在线| 亚洲国产中文字幕在线视频| 大香蕉久久网| 欧美国产精品va在线观看不卡| a在线观看视频网站| 男人舔女人的私密视频| 久久久国产一区二区| 亚洲熟妇中文字幕五十中出 | 亚洲第一av免费看| 精品国产乱子伦一区二区三区| 黄色视频,在线免费观看| 少妇 在线观看| 国产成人一区二区三区免费视频网站| 一a级毛片在线观看| 脱女人内裤的视频| 久久久久久久精品吃奶| 三上悠亚av全集在线观看| 精品久久蜜臀av无| 一本一本久久a久久精品综合妖精| 欧美乱码精品一区二区三区| 一区二区三区精品91| 国产野战对白在线观看| 国产精品一区二区在线不卡| 国产免费现黄频在线看| 精品福利观看| 日韩有码中文字幕| 国产xxxxx性猛交| 成人三级做爰电影| 国产精品久久久av美女十八| 一区二区三区精品91| x7x7x7水蜜桃| 欧美精品啪啪一区二区三区| 露出奶头的视频| 亚洲中文日韩欧美视频| 亚洲av电影在线进入| 精品久久久精品久久久| 亚洲性夜色夜夜综合| 亚洲午夜理论影院| 久久中文字幕一级| 欧美日韩瑟瑟在线播放| 天天操日日干夜夜撸| 亚洲专区国产一区二区| 一区二区三区精品91| 精品久久久久久,| 夜夜躁狠狠躁天天躁| 免费女性裸体啪啪无遮挡网站| 老司机在亚洲福利影院| 精品无人区乱码1区二区| 热99久久久久精品小说推荐| 天天躁日日躁夜夜躁夜夜| 亚洲一区二区三区欧美精品| 国产日韩欧美亚洲二区| 黄色a级毛片大全视频| 久久人妻熟女aⅴ| 久久久久久免费高清国产稀缺| 成人国语在线视频| 美女高潮喷水抽搐中文字幕| 男男h啪啪无遮挡| 高清黄色对白视频在线免费看| 在线观看免费视频日本深夜| 国产熟女午夜一区二区三区| 悠悠久久av| 国产三级黄色录像| 熟女少妇亚洲综合色aaa.| 国产淫语在线视频| 欧洲精品卡2卡3卡4卡5卡区| 1024香蕉在线观看| 人人澡人人妻人| 亚洲av电影在线进入| 老司机亚洲免费影院| 亚洲av熟女| 亚洲欧美激情在线| 波多野结衣一区麻豆| 超碰97精品在线观看| 别揉我奶头~嗯~啊~动态视频| 日本黄色日本黄色录像| 久久影院123| 亚洲av成人av| 久久青草综合色| 国产亚洲欧美在线一区二区| 美国免费a级毛片| 国产有黄有色有爽视频| 成人永久免费在线观看视频| 免费人成视频x8x8入口观看| 天堂俺去俺来也www色官网| 波多野结衣一区麻豆| 老熟女久久久| 可以免费在线观看a视频的电影网站| 国产精品香港三级国产av潘金莲| 国产精品一区二区免费欧美| cao死你这个sao货| 自线自在国产av| 黑人猛操日本美女一级片| 天天添夜夜摸| 黄色 视频免费看| 国产成人啪精品午夜网站| 露出奶头的视频| 热re99久久精品国产66热6| 自拍欧美九色日韩亚洲蝌蚪91| 国产免费现黄频在线看| 精品国产超薄肉色丝袜足j| 美女扒开内裤让男人捅视频| 午夜福利免费观看在线| 亚洲中文字幕日韩| 久久久国产一区二区| 大陆偷拍与自拍| 国产一区二区三区视频了| 免费av中文字幕在线| 99国产综合亚洲精品|