• <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 ?

    基于小波分析的PSO-MBCNN 的風(fēng)電齒輪箱故障診斷

    2023-10-21 09:01:08劉彬豪孫敬偉鄧志華
    關(guān)鍵詞:齒輪箱分支故障診斷

    劉彬豪,孫敬偉,鄧志華

    (汕頭大學(xué) 工學(xué)院,汕頭 515063)

    近年來(lái),為了應(yīng)對(duì)日益嚴(yán)重的能源短缺危機(jī),風(fēng)力資源的開發(fā)已經(jīng)成為全球各國(guó)解決能源危機(jī)的重要舉措,因此風(fēng)力發(fā)電的規(guī)模越來(lái)越大,風(fēng)電設(shè)備的智能化程度也越來(lái)越高,風(fēng)電發(fā)展在未來(lái)也有很大的發(fā)展前景[1]。然而,機(jī)械設(shè)備必然會(huì)存在或高或低的故障率,故障會(huì)使得風(fēng)力機(jī)的停機(jī)時(shí)間加長(zhǎng),進(jìn)而導(dǎo)致風(fēng)力發(fā)電效率變低。在眾多風(fēng)力設(shè)備的零部件里,齒輪箱的故障率較低,但其發(fā)生故障導(dǎo)致風(fēng)力機(jī)停機(jī)的時(shí)間卻是最長(zhǎng)的[2],所以風(fēng)力機(jī)齒輪箱的故障診斷一直是風(fēng)力機(jī)故障檢測(cè)的重要組成部分之一。而齒輪箱的齒輪故障一般包括斷齒、齒面點(diǎn)蝕、齒根裂紋、齒面磨損、齒面膠合五種[3]。

    目前,國(guó)內(nèi)外對(duì)齒輪箱方面的故障診斷也已經(jīng)開拓了許多方向,卷積神經(jīng)網(wǎng)絡(luò)(CNN)、堆疊稀疏自動(dòng)編碼器(Stacked Sparse Autoencoder,SSAE)和深度置信網(wǎng)絡(luò)(Dynamic Bayesian Network,DBN)等深度學(xué)習(xí)模型已廣泛用于故障診斷系統(tǒng)。Xiang 和黎陽(yáng)羊等人[4-5]將CNN 融入長(zhǎng)短期記憶網(wǎng)絡(luò)以檢測(cè)風(fēng)電機(jī)組的故障與異常識(shí)別;Jing 等人[6]開發(fā)了一種一維CNN,可以分析獲得的振動(dòng)頻率等信息特征,以此對(duì)齒輪箱故障作出診斷分類;Zhang[7]等人利用凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)集,提出了一種CNN 結(jié)構(gòu),它在第一層卷積層利用寬卷積核對(duì)原始信號(hào)提取特征并進(jìn)行去噪,在前面的層中,使用了小卷積濾波器;Sun 等人[8]利用CNN 方法從振動(dòng)信號(hào)的雙樹復(fù)小波變換獲得的多尺度信號(hào)特征中識(shí)別齒輪故障特征;Du等人[9]研究750 kW 的風(fēng)力機(jī)齒輪箱齒輪表面,采用低秩和卷積稀疏學(xué)習(xí)的方法實(shí)現(xiàn)故障的精準(zhǔn)識(shí)別。然而以上方法只適用局部情況,因此,該領(lǐng)域仍然有許多亟待解決的問(wèn)題[10]。

    本文提出粒子群優(yōu)化多分支卷積神經(jīng)網(wǎng)絡(luò)(PSO-MBCNN)預(yù)測(cè)方法。首先,從實(shí)驗(yàn)齒輪箱平臺(tái)模擬四種運(yùn)行狀態(tài):正常、點(diǎn)蝕、斷齒、磨損,以此獲得振動(dòng)數(shù)據(jù)。粒子群優(yōu)化算法用于更新CNN 的內(nèi)部權(quán)重和偏差,以避免使用梯度反向傳播算法更新CNN 權(quán)重和偏差所導(dǎo)致的“梯度消失”和“梯度爆炸”問(wèn)題。最后,將小波分析獲得的圖像數(shù)據(jù)輸入PSO-MBCNN 模型中,并將其與傳統(tǒng)的BP 網(wǎng)絡(luò)和CNN 進(jìn)行了比較。

    1 基礎(chǔ)理論及改進(jìn)方法

    1.1 小波變換

    風(fēng)力機(jī)齒輪箱的振動(dòng)信號(hào)受到各種因素影響(風(fēng)力、速度等),所以它是一種非平穩(wěn)信號(hào),它的信號(hào)隨時(shí)間而變化。與時(shí)域或頻域中的一維信號(hào)相比,圖像是一個(gè)二維數(shù)據(jù)矩陣,包含更多更豐富的特征信息,而且從直觀圖像中學(xué)習(xí)特征比從抽象數(shù)據(jù)中學(xué)習(xí)特征相對(duì)容易,因此可以用來(lái)表示更復(fù)雜的數(shù)據(jù)分布。短時(shí)傅里葉變換、Wigner-Ville(WV)分布、Hilbert 變換等方法雖然在機(jī)械故障診斷領(lǐng)域的應(yīng)用取得了不少成績(jī)[11],但是仍然存在自身固有的缺陷導(dǎo)致難以精確提取信號(hào)特征。短時(shí)傅里葉變換的窗口大小是固定的;WV 分布可能會(huì)導(dǎo)致內(nèi)在交叉干擾項(xiàng)目的問(wèn)題,污染原始數(shù)據(jù);Hilbert 變換會(huì)產(chǎn)生嚴(yán)重的邊界效應(yīng)。小波變換克服了上述方法的缺點(diǎn),其具有很強(qiáng)的時(shí)頻復(fù)合觀測(cè)特性,而在變工況條件下(速度和負(fù)載時(shí)變)風(fēng)力機(jī)的齒輪箱振動(dòng)頻率觀測(cè)值具有清晰的時(shí)變非線性,所以該研究使用小波變換來(lái)實(shí)現(xiàn)時(shí)頻特性的提?。?2]。為了提取故障特征,小波變換求解初始信號(hào)和小波基函數(shù)之間的卷積,如下:

    式中,f(t) 是原始振動(dòng)信號(hào);τ是轉(zhuǎn)換參數(shù);a是比例因子;φ是母小波。

    1.2 改進(jìn)的粒子群優(yōu)化算法

    Kennedy 等人[13]于1995 年提出粒子群算法(PSO),以其易于操作、高精度和快速收斂而聞名,主要用于處理工業(yè)設(shè)計(jì)中的優(yōu)化問(wèn)題。后來(lái)因?yàn)槠洫?dú)有的特性,它就在各個(gè)領(lǐng)域中被用來(lái)優(yōu)化各種深度算法。在PSO 算法中,開始時(shí)每一個(gè)微粒都會(huì)給定特定的位置、速度和適應(yīng)度值,迭代過(guò)程中,每個(gè)微粒均能鎖定其所處的最佳位置,在這過(guò)程中每個(gè)微粒的速度也決定了其運(yùn)動(dòng)的方向和距離,以此使微粒能得到全局最優(yōu)解[14]。當(dāng)微粒進(jìn)行一輪迭代訓(xùn)練之后,微粒的速度和位置都會(huì)發(fā)生改變,而此時(shí)要更新微粒的速度和位置信息的話就需要借助適應(yīng)度值與單個(gè)極值(pbest)和全局極值(gbest)兩者分別進(jìn)行比較。微粒的速度和位置信息通過(guò)以下式子來(lái)計(jì)算更新:

    式中,i為種群數(shù)目;c1和c2為加速因子;r1和r2為隨機(jī)數(shù);t為當(dāng)前的進(jìn)化代數(shù)。

    在很多情況下,加速因子(Acceleration Constants)c1和c2一般都會(huì)取2,而且它們的值均為非負(fù)值常數(shù),但也可以根據(jù)具體問(wèn)題在0~4 的范圍內(nèi)選擇適合的數(shù)值,設(shè)置加速因子的作用是使微粒具備向優(yōu)秀個(gè)體學(xué)習(xí)的能力,使得微粒能夠不斷趨向歷史個(gè)體最優(yōu)點(diǎn),進(jìn)而達(dá)到全局優(yōu)化的結(jié)果。粒子群優(yōu)化算法的優(yōu)點(diǎn)是簡(jiǎn)單易實(shí)現(xiàn),并且不需要調(diào)整許多參數(shù)。BP 神經(jīng)網(wǎng)絡(luò)模型中存在著梯度消失的問(wèn)題,本文通過(guò)確定隱藏層中的神經(jīng)元數(shù)量和PSO 的優(yōu)化來(lái)避免這個(gè)問(wèn)題。

    傳統(tǒng)PSO 優(yōu)化算法均存在一種局限,就是在全局搜索能力和收斂速度上較難達(dá)到平衡,難以把握。所以該研究對(duì)傳統(tǒng)PSO 算法進(jìn)行改進(jìn),即在傳統(tǒng)PSO 算法中引入一個(gè)標(biāo)準(zhǔn)量相似度S,是為了在PSO 后期的迭代過(guò)程中可以豐富粒子的種類以及分析出粒子群的多樣性,進(jìn)一步提升對(duì)MBCNN 模型相關(guān)參數(shù)全局搜索能力和收斂速度的能力。這里定義任意兩個(gè)粒子i、j,其距離由Euclid 距離公式可得:

    式中,div(i,j) 為i、j間距離;S為相似度,取值為div(i,j)最大值與最小值之間。

    當(dāng)i、j粒子的距離越小,相似度S也越小,則這兩個(gè)粒子的相似性越大,而隨著粒子群的繼續(xù)迭代更新,最優(yōu)粒子和這些粒子的相似度S會(huì)越來(lái)越小,粒子的更新能力也持續(xù)下降,失去了粒子種群的多樣性,也從而存在發(fā)生優(yōu)化停滯的可能。所以通過(guò)分析相似度S的變化大小來(lái)分析粒子在迭代過(guò)程中需不需要進(jìn)行變異,如果rand 的大小小于相似度和進(jìn)化代數(shù)與周期的乘積大小,則粒子的位置就是rand 所設(shè)定的位置上。

    因此,同一迭代中不同粒子之間的越相似,粒子群算法在迭代過(guò)程中則越需要產(chǎn)生變異。通過(guò)這樣改進(jìn)PSO 算法在保證收斂速度上,有利于提高早期的PSO 算法全局搜索能力,后期保持局部的探測(cè)能力。

    1.3 CNN 結(jié)構(gòu)

    卷積神經(jīng)網(wǎng)絡(luò)作為一種前饋神經(jīng)網(wǎng)絡(luò),存在著普通神經(jīng)網(wǎng)絡(luò)所沒(méi)有的特點(diǎn),自從卷積神經(jīng)網(wǎng)絡(luò)被LeCun 等人[15]提出的這些年以來(lái),許多學(xué)者對(duì)其進(jìn)行了發(fā)展與拓展,使得卷積神經(jīng)網(wǎng)絡(luò)技術(shù)也被成功地引入到機(jī)器故障診斷領(lǐng)域,在各個(gè)領(lǐng)域已經(jīng)成為了一種具有里程碑意義的技術(shù),在各種計(jì)算機(jī)視覺(jué)和模式識(shí)別任務(wù)中都取得了最先進(jìn)的性能。本文在回顧其在風(fēng)力機(jī)故障診斷的應(yīng)用之前,首先介紹卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)及其獨(dú)特的過(guò)人之處。圖1 為CNN 的基本結(jié)構(gòu)圖,CNN 不外乎都是由輸入層、卷積層、池化層、全連接層以及輸出層構(gòu)成。此外,CNN 結(jié)構(gòu)還包括了歸一化處理和dropout 處理兩種CNN 常用操作,以提高模型的性能。換一句話說(shuō),縱觀CNN 的整體結(jié)構(gòu),其實(shí)就是一個(gè)個(gè)濾波器,輸入的數(shù)據(jù)信號(hào)通過(guò)這些濾波器,提取數(shù)據(jù)相關(guān)的特征。CNN 的稀疏連接和權(quán)重共享共同作用可以降低數(shù)據(jù)的維度,從而達(dá)到優(yōu)化CNN的網(wǎng)絡(luò)結(jié)構(gòu)的效果[16]。所以,當(dāng)輸入的數(shù)據(jù)數(shù)量比較多時(shí),CNN 技術(shù)是一個(gè)很好的處理方法。

    圖1 CNN 的基本結(jié)構(gòu)

    1.4 多分支結(jié)構(gòu)及最優(yōu)分支選擇

    CNN 模型的識(shí)別精度直接受其網(wǎng)絡(luò)結(jié)構(gòu)的影響,CNN 網(wǎng)絡(luò)體系結(jié)構(gòu)包括網(wǎng)絡(luò)層的數(shù)量、卷積核的大小、卷積層中輸出通道的數(shù)量和池的大小。傳統(tǒng)CNN 只有一條網(wǎng)絡(luò)結(jié)構(gòu)路線,提取的隱藏特征量也比較少,所以在該研究中本文提出了一個(gè)多分支模塊來(lái)構(gòu)建一個(gè)無(wú)須先驗(yàn)知識(shí)的CNN 網(wǎng)絡(luò)體系結(jié)構(gòu):多分支卷積神經(jīng)網(wǎng)絡(luò)(MBCNN)。MBCNN 通過(guò)使用多個(gè)分支,在分支中不斷學(xué)習(xí),并在最佳分支中提取較多的特征量,深入且全面的學(xué)習(xí)特征,從而輸出更精確的結(jié)果。

    MBCNN 中最為關(guān)鍵的結(jié)構(gòu)是多分支模塊,每個(gè)多分支模塊包括多個(gè)分支,每個(gè)分支由一個(gè)或多個(gè)單元組成,每個(gè)單元由卷積層和最大池層組成。如圖2(a)所示,多分支模塊由N個(gè)單元組成,第一條分支由一個(gè)單元組成,第二條分支由兩個(gè)單元組成,以此類推,第n條分支就由N個(gè)單元組成。其中,n∈[1,N]。每個(gè)單元由一個(gè)卷積、不同的學(xué)習(xí)速率等參數(shù)組成,其在CNN 中的等效結(jié)構(gòu)如圖2(b)所示。

    圖2 多分支模塊結(jié)構(gòu)

    然后,輸入二維特征圖,計(jì)算每個(gè)分支最后一次訓(xùn)練的損失函數(shù)。其中,損失函數(shù)為交叉熵[17],其計(jì)算如下:

    其中,yj和sj分別是預(yù)期輸出和預(yù)測(cè)輸出。各個(gè)分支結(jié)構(gòu)獨(dú)自運(yùn)算訓(xùn)練,最后,通過(guò)比較每個(gè)分支最后一個(gè)訓(xùn)練階段損失函數(shù)的大小,而得出損失函數(shù)最小的分支即為最優(yōu)分支。

    2 基于小波分析的PSO-MBCNN 的智能故障診斷方法

    2.1 改進(jìn)的粒子群優(yōu)化多分支卷積神經(jīng)網(wǎng)絡(luò)

    采用粒子群優(yōu)化(PSO)對(duì)多分支卷積神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值通過(guò)進(jìn)行迭代訓(xùn)練的方式得到優(yōu)化,以獲得最優(yōu)參數(shù),再把優(yōu)化后的權(quán)值、閾值及其他參數(shù)輸入到MBCNN 網(wǎng)絡(luò)中對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練,并基于PSO-MBCNN 算法模型構(gòu)建了風(fēng)力機(jī)齒輪箱故障診斷模型。這種模型在一定程度上能很好地提高M(jìn)BCNN 的訓(xùn)練速度和最終的預(yù)測(cè)精度。PSO-MBCNN 模型的運(yùn)行步驟如下:

    (1)輸入風(fēng)力機(jī)齒輪箱的運(yùn)行(圖像)數(shù)據(jù),并劃分好訓(xùn)練集、驗(yàn)證集(用于驗(yàn)證故障診斷模型的能力)和測(cè)試集。

    (2)為了避免不同單元之間無(wú)法進(jìn)行比較的情況,對(duì)圖像數(shù)據(jù)進(jìn)行了預(yù)提取并對(duì)其進(jìn)行了歸一化。

    (3)使用粒子群優(yōu)化MBCNN 的初始權(quán)重和閾值來(lái)搜索最優(yōu)參數(shù)。

    (4)根據(jù)實(shí)際情況,判斷是否在這里;否則,返回步驟(3)。

    (5)利用獲得的最優(yōu)參數(shù)對(duì)PSO-MBCNN 模型進(jìn)行評(píng)估,并確定隱藏層中的最佳節(jié)點(diǎn)。

    (6)利用優(yōu)化好的參數(shù)應(yīng)用回MBCNN 里,再進(jìn)行訓(xùn)練、驗(yàn)證的過(guò)程。

    (7)輸出該風(fēng)力機(jī)的運(yùn)行狀態(tài)類型準(zhǔn)確度。

    PSO-MBCNN 算法的基本流程如圖3 所示。PSO-MBCNN 算法使用的參數(shù)可以分為三類:粒子群算法參數(shù)、MBCNN 網(wǎng)絡(luò)架構(gòu)和MBCNN 訓(xùn)練參數(shù)。粒子群算法的主要參數(shù)是迭代次數(shù)、種群大小和更新速度時(shí)設(shè)置的選擇閾值。迭代次數(shù)越多,找到全局最優(yōu)解的概率就越大。當(dāng)種群規(guī)模達(dá)到一定水平時(shí),再次增加種群規(guī)模對(duì)算法性能的改善有限,但會(huì)增加運(yùn)算量??紤]到算法的性能和計(jì)算量,將迭代次數(shù)和種群大小分別設(shè)置為100 和40。為了減少整體訓(xùn)練時(shí)間,本研究將粒子評(píng)估期間訓(xùn)練的時(shí)間段數(shù)設(shè)置為1。PSO-MBCNN 算法中的所有參數(shù)設(shè)置如表1 所示。

    表1 PSO-MBCNN 算法的參數(shù)設(shè)置

    圖3 PSO-MBCNN 算法流程圖

    2.2 故障診斷流程

    將基于小波分析的PSO-MBCNN 模型應(yīng)用于風(fēng)力機(jī)齒輪箱故障診斷,如圖4 所示,具體步驟如下:

    圖4 基于小波分析的PSO-MBCNN 故障診斷模型流程

    (1)從風(fēng)力機(jī)齒輪箱中采集故障振動(dòng)信號(hào)。

    (2)通過(guò)復(fù)Morlet 連續(xù)小波變換將原始一維振動(dòng)信號(hào)轉(zhuǎn)換成二維時(shí)頻圖像數(shù)據(jù),使用的小波帶寬參數(shù)為3,中心頻率也為3,圖片尺寸為256×256。

    (3)將得到的小波時(shí)頻圖進(jìn)行裁剪處理,裁剪圖片尺寸為64×64,以減少運(yùn)算負(fù)擔(dān),加快訓(xùn)練速度;將所有的樣本按比例劃分,其中70%的樣本作為訓(xùn)練集,20%樣本作為驗(yàn)證集,10%樣本則作為測(cè)試集。

    (4)圖像數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)以及其多分支模塊上,在多分支模塊通過(guò)損失函數(shù)的計(jì)算選取最優(yōu)分支,再將這分支的結(jié)果輸入到卷積神經(jīng)網(wǎng)絡(luò)上。

    (5)設(shè)計(jì)改進(jìn)的PSO 方法優(yōu)化多分支卷積神經(jīng)網(wǎng)絡(luò)(MBCNN)模型,使用訓(xùn)練集進(jìn)行模型訓(xùn)練,將驗(yàn)證樣本輸入訓(xùn)練好的模型進(jìn)行驗(yàn)證,最后輸出四種狀態(tài)的診斷結(jié)果。

    3 仿真實(shí)驗(yàn)與結(jié)果分析

    3.1 基礎(chǔ)數(shù)據(jù)

    實(shí)驗(yàn)使用模擬的風(fēng)機(jī)齒輪箱作為故障診斷對(duì)象,將正常、點(diǎn)蝕、斷齒、磨損狀態(tài)的齒輪在故障模擬實(shí)驗(yàn)平臺(tái)進(jìn)行模擬實(shí)驗(yàn),故障模擬實(shí)驗(yàn)平臺(tái)是江蘇千鵬診斷工程有限公司的QPZZ-II旋轉(zhuǎn)機(jī)械振動(dòng)及故障模擬實(shí)驗(yàn)平臺(tái),數(shù)據(jù)由實(shí)驗(yàn)平臺(tái)搭配的ADA16-8/2(LPCI)的數(shù)據(jù)采集卡采集而得。實(shí)驗(yàn)過(guò)程中,使用正常、點(diǎn)蝕、磨損和斷齒的四種齒輪進(jìn)行測(cè)試,本文采用了880 轉(zhuǎn)速下的齒輪箱,其振動(dòng)信號(hào)為輸出軸電機(jī)側(cè)軸承Y加速度數(shù)據(jù),采集了53 248 個(gè)加速度數(shù)據(jù)點(diǎn)。

    3.2 數(shù)據(jù)預(yù)處理

    在53 248 個(gè)加速度數(shù)據(jù)點(diǎn)中,每次選取50 個(gè),生成1 000 個(gè)樣本,在對(duì)原始數(shù)據(jù)進(jìn)行小波變換后,對(duì)于每一類狀態(tài)得到1 000 張時(shí)頻圖,將原尺寸為256×256 的時(shí)頻圖均進(jìn)行裁剪處理,裁剪圖片尺寸為64×64,以減小運(yùn)算負(fù)擔(dān),四種狀態(tài)小波變換時(shí)頻圖如圖5 所示。然后再將這些時(shí)頻圖全部輸入到建立好的PSO-MBCNN 模型中。

    圖5 四種狀態(tài)小波變換時(shí)頻圖

    3.3 實(shí)驗(yàn)結(jié)果分析

    使用Windows10 作為系統(tǒng)平臺(tái),運(yùn)行環(huán)境是Matlab R2021a,將以上預(yù)處理后的小波時(shí)頻圖數(shù)據(jù)輸入到本文建立的PSO-MBCNN 診斷模型中。

    為了要對(duì)網(wǎng)絡(luò)模型的表現(xiàn)進(jìn)行全面、客觀的評(píng)價(jià),決定采用ACC 準(zhǔn)確度對(duì)模型進(jìn)行綜合評(píng)價(jià)。

    ACC 準(zhǔn)確度的計(jì)算如下:

    式中,TP 表示正樣本被正確識(shí)別為正樣本;TN表示負(fù)樣本被正確識(shí)別為負(fù)樣本;FN 表示正樣本被錯(cuò)誤識(shí)別為負(fù)樣本。

    為了能有效地訓(xùn)練模型,設(shè)置70%的數(shù)據(jù)集為訓(xùn)練集,20%為驗(yàn)證集,10%為測(cè)試集,經(jīng)過(guò)PSO-MBCNN 模型200 次迭代訓(xùn)練后的故障診斷分類的準(zhǔn)確度如圖6 所示,總體故障準(zhǔn)確度最終能穩(wěn)定達(dá)到99.60%。結(jié)合PSO-MBCNN 診斷模型在該數(shù)據(jù)集中進(jìn)行診斷分類的混淆矩陣圖(圖7)可以看出,每類狀態(tài)均有700 個(gè)樣本,四類狀態(tài)診斷準(zhǔn)確度均在99%以上,其中斷齒狀態(tài)最低為99%。這表明,PSO-MBCNN 模型能對(duì)該齒輪箱進(jìn)行準(zhǔn)確的故障診斷。

    為了進(jìn)一步證明PSO-MBCNN 模型的有效性,使用T-SNE[18]進(jìn)行特征可視化,比較數(shù)據(jù)在輸入PSO-MBCNN 模型訓(xùn)練前后的特征。如圖8 和圖9 分別是原始數(shù)據(jù)和訓(xùn)練分類后特征可視化結(jié)果,可以很清晰地看到原始數(shù)據(jù)的特征混亂且重疊,不能分辨四種狀態(tài);而通過(guò)訓(xùn)練后的數(shù)據(jù),能很容易分辨出四種狀態(tài)的位置,很好地證明PSO-MBCNN 模型具有很高效的分類效果。

    圖8 原始數(shù)據(jù)特征可視化

    圖9 訓(xùn)練后數(shù)據(jù)特征可視化

    3.4 不同方法比較

    在實(shí)驗(yàn)中,把圖像的大小設(shè)置為64×64。PSOMBCNN 網(wǎng)絡(luò)的卷積核大小為1×3。為了便于計(jì)算,將剩余卷積層中卷積核的大小設(shè)置為3×3,將本文提出的PSO-MBCNN 網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與近年來(lái)同類問(wèn)題的先進(jìn)模型進(jìn)行訓(xùn)練比較。這些先進(jìn)模型是CNN、深度信念網(wǎng)絡(luò)(DBN)、支持向量機(jī)(Support Vector Machine,SVM)和MBCNN,將這些模型都運(yùn)行了10 次以評(píng)估模型的效果。平均預(yù)測(cè)精度是該比較的最終度量項(xiàng)。

    (1)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)(CNN):卷積層中卷積核的所有大小都設(shè)置為3×3。池化層選擇最大池化函數(shù)并使用2×2 過(guò)濾器。將迭代設(shè)置為200 代,預(yù)測(cè)精度在運(yùn)行150 代后收斂。

    (2)深度信念網(wǎng)絡(luò)(DBN):由三個(gè)RBM 堆疊,其單位數(shù)量分別位于隱藏層400、160 和40中。將迭代設(shè)置為200 代,預(yù)測(cè)精度在運(yùn)行150代后收斂。

    (3)支持向量機(jī)(SVM):將核函數(shù)設(shè)置為RBF 核函數(shù),將懲罰項(xiàng)C設(shè)置為5,將支持向量的影響半徑γ的倒數(shù)設(shè)置為0.1。將迭代設(shè)置為200 代,預(yù)測(cè)精度在運(yùn)行180 代后收斂。

    (4)MBCNN:設(shè)置卷積層中卷積核的所有大小都為3×3。池化層選擇最大池函數(shù)并使用2×2過(guò)濾器。將迭代設(shè)置為200 代,預(yù)測(cè)精度在120代后收斂。

    圖10和表2 顯示了運(yùn)行上述模型20 次的平均準(zhǔn)確率的比較結(jié)果,從中可以得出結(jié)論,PSOMBCNN 模型比其他先進(jìn)模型獲得更好的平均預(yù)測(cè)準(zhǔn)確度99.60%,遠(yuǎn)高于其他模型的預(yù)測(cè)結(jié)果。在本實(shí)驗(yàn)中,PSO-MBCNN 模型在90 個(gè)時(shí)期后基本收斂,比其他模型具有更高的平均準(zhǔn)確率和更快的收斂速度。

    表2 不同方法準(zhǔn)確率比較

    圖10 不同方法結(jié)果比較

    4 結(jié)論

    提出了基于小波分析的PSO-MBCNN 的智能故障診斷方法,可以有效用于診斷風(fēng)力發(fā)電機(jī)組變速箱的復(fù)合故障。鑒于所提方法在小樣本數(shù)據(jù)情況下的有效性,可以考慮將其應(yīng)用于具有少量歷史故障數(shù)據(jù)的風(fēng)機(jī)的實(shí)際監(jiān)測(cè)。這項(xiàng)工作的具體結(jié)論總結(jié)如下:

    (1)對(duì)振動(dòng)信號(hào)進(jìn)行Morlet 小波變換,將一維故障信號(hào)轉(zhuǎn)換成二維故障圖片樣本,得到的故障時(shí)頻樣本同時(shí)具備時(shí)域和頻域特征,解決了故障模式較多時(shí)帶來(lái)的相似性問(wèn)題。

    (2)在卷積神經(jīng)網(wǎng)絡(luò)加入多分支結(jié)構(gòu),在多個(gè)分支中選擇損失量最小的最優(yōu)分支,提高了特征的利用率和提高網(wǎng)絡(luò)訓(xùn)練速度,也加快了網(wǎng)絡(luò)收斂。

    (3)相較于傳統(tǒng)機(jī)器學(xué)習(xí)利用人為提取的特征進(jìn)行訓(xùn)練和診斷,CNN 通過(guò)卷積核自動(dòng)提取樣本中的特征更為有效。而與一般CNN 相比,引入改進(jìn)的粒子群算法,引入相似度S使得PSO 優(yōu)化方法參數(shù)少、收斂速度快的特點(diǎn),使得PSOMBCNN 模型對(duì)于特征的提取和利用能力更突出,診斷精度也更高,準(zhǔn)確度高達(dá)99%以上。

    (4)利用T-SNE 特征可視化方法,通過(guò)比較訓(xùn)練前后數(shù)據(jù)特征可視化和與其他先進(jìn)方法進(jìn)行訓(xùn)練后的預(yù)測(cè)精度比較,進(jìn)一步證明了PSOMBCNN 模型的有效性。

    本研究所提方法能夠較好地應(yīng)用于風(fēng)機(jī)齒輪箱故障診斷中,對(duì)于風(fēng)機(jī)齒輪箱的健康監(jiān)測(cè)和及時(shí)診斷有著顯著的作用。

    猜你喜歡
    齒輪箱分支故障診斷
    風(fēng)電齒輪箱軸承用鋼100CrMnSi6-4的開發(fā)
    山東冶金(2022年3期)2022-07-19 03:24:36
    巧分支與枝
    一類擬齊次多項(xiàng)式中心的極限環(huán)分支
    提高齒輪箱式換檔機(jī)構(gòu)可靠性的改進(jìn)設(shè)計(jì)
    杭州前進(jìn)齒輪箱集團(tuán)股份有限公司
    風(fēng)能(2016年12期)2016-02-25 08:45:56
    因果圖定性分析法及其在故障診斷中的應(yīng)用
    基于LCD和排列熵的滾動(dòng)軸承故障診斷
    基于遺傳退火優(yōu)化MSVM的齒輪箱故障診斷
    基于WPD-HHT的滾動(dòng)軸承故障診斷
    高速泵的故障診斷
    河南科技(2014年3期)2014-02-27 14:05:48
    日本欧美视频一区| 亚洲三级黄色毛片| 免费在线观看完整版高清| 国产免费现黄频在线看| 成人国产麻豆网| 欧美另类一区| 精品少妇一区二区三区视频日本电影 | 婷婷色麻豆天堂久久| 日韩三级伦理在线观看| 久久国产亚洲av麻豆专区| 国产精品一二三区在线看| 美女中出高潮动态图| 熟女电影av网| 久久精品国产亚洲av高清一级| 男女边摸边吃奶| 久久狼人影院| 纵有疾风起免费观看全集完整版| 日韩一卡2卡3卡4卡2021年| 最近中文字幕高清免费大全6| 少妇 在线观看| 亚洲三级黄色毛片| 男女下面插进去视频免费观看| 美女国产视频在线观看| 99久久综合免费| 中文字幕制服av| 国产成人午夜福利电影在线观看| 亚洲精品视频女| 最近最新中文字幕免费大全7| 午夜福利视频精品| 女人高潮潮喷娇喘18禁视频| 中文字幕另类日韩欧美亚洲嫩草| 国产精品人妻久久久影院| 国产av国产精品国产| 啦啦啦啦在线视频资源| 国产伦理片在线播放av一区| 在线观看免费日韩欧美大片| 校园人妻丝袜中文字幕| 香蕉精品网在线| 人妻一区二区av| 亚洲精品日韩在线中文字幕| 亚洲精品国产一区二区精华液| 超碰成人久久| 国产精品香港三级国产av潘金莲 | 亚洲国产日韩一区二区| 国产极品粉嫩免费观看在线| 好男人视频免费观看在线| 晚上一个人看的免费电影| 两个人免费观看高清视频| 国产女主播在线喷水免费视频网站| 亚洲国产av新网站| 不卡av一区二区三区| 在线观看人妻少妇| 在线天堂最新版资源| 亚洲av.av天堂| 久久精品国产综合久久久| 老熟女久久久| 日本-黄色视频高清免费观看| 国产成人91sexporn| 精品卡一卡二卡四卡免费| 熟妇人妻不卡中文字幕| 免费高清在线观看日韩| 精品午夜福利在线看| 在现免费观看毛片| 成年女人在线观看亚洲视频| 18在线观看网站| 男女国产视频网站| 国产精品久久久久久精品古装| 午夜福利,免费看| av在线观看视频网站免费| 精品一区在线观看国产| 欧美亚洲日本最大视频资源| 亚洲成色77777| 日韩不卡一区二区三区视频在线| 日日摸夜夜添夜夜爱| 如何舔出高潮| 色94色欧美一区二区| 精品一区二区免费观看| 美国免费a级毛片| 国产日韩欧美亚洲二区| 边亲边吃奶的免费视频| 国产人伦9x9x在线观看 | av福利片在线| 一本久久精品| 人妻 亚洲 视频| 久久免费观看电影| 亚洲精品久久午夜乱码| 日日啪夜夜爽| 永久网站在线| 国产精品欧美亚洲77777| 97人妻天天添夜夜摸| 秋霞伦理黄片| 国产极品天堂在线| 黄色毛片三级朝国网站| 亚洲伊人色综图| 大陆偷拍与自拍| 国产97色在线日韩免费| 黄色视频在线播放观看不卡| 国产毛片在线视频| 国产国语露脸激情在线看| 91久久精品国产一区二区三区| 免费黄色在线免费观看| 精品人妻熟女毛片av久久网站| av免费观看日本| 高清不卡的av网站| 久久久国产欧美日韩av| av网站免费在线观看视频| 国产视频首页在线观看| 国产爽快片一区二区三区| 久久女婷五月综合色啪小说| 中文字幕色久视频| 少妇熟女欧美另类| 看十八女毛片水多多多| 少妇的丰满在线观看| 五月天丁香电影| 秋霞伦理黄片| 看非洲黑人一级黄片| 日韩欧美精品免费久久| 在线观看免费视频网站a站| 满18在线观看网站| 亚洲欧洲日产国产| 丝袜在线中文字幕| 国产精品一区二区在线观看99| 极品人妻少妇av视频| 一级毛片我不卡| 男人添女人高潮全过程视频| 日本色播在线视频| 免费日韩欧美在线观看| 欧美黄色片欧美黄色片| 亚洲av男天堂| 女性被躁到高潮视频| 考比视频在线观看| 免费在线观看黄色视频的| 性色avwww在线观看| 日韩电影二区| 欧美bdsm另类| 男人爽女人下面视频在线观看| 人妻 亚洲 视频| 日本av免费视频播放| 久久韩国三级中文字幕| 久久这里有精品视频免费| 一区二区三区精品91| 久久青草综合色| 亚洲av在线观看美女高潮| 黄频高清免费视频| 激情五月婷婷亚洲| 自线自在国产av| 天堂中文最新版在线下载| 男女高潮啪啪啪动态图| 伊人久久大香线蕉亚洲五| 国产av精品麻豆| 2018国产大陆天天弄谢| 国产在视频线精品| 少妇的逼水好多| av在线观看视频网站免费| 啦啦啦视频在线资源免费观看| 国产爽快片一区二区三区| 日本-黄色视频高清免费观看| 欧美国产精品一级二级三级| 久热久热在线精品观看| 99精国产麻豆久久婷婷| 国产亚洲午夜精品一区二区久久| 超碰97精品在线观看| 看十八女毛片水多多多| 国产片内射在线| 午夜精品国产一区二区电影| 亚洲av日韩在线播放| 黑人猛操日本美女一级片| 日韩中文字幕欧美一区二区 | 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 中文乱码字字幕精品一区二区三区| 久久精品aⅴ一区二区三区四区 | 丝袜在线中文字幕| 国产福利在线免费观看视频| 日本爱情动作片www.在线观看| videos熟女内射| 亚洲av欧美aⅴ国产| 综合色丁香网| 涩涩av久久男人的天堂| 制服诱惑二区| a 毛片基地| 亚洲成av片中文字幕在线观看 | 妹子高潮喷水视频| 午夜福利在线免费观看网站| 久久ye,这里只有精品| 伊人久久大香线蕉亚洲五| 男女免费视频国产| 亚洲精品av麻豆狂野| 巨乳人妻的诱惑在线观看| 在线观看免费日韩欧美大片| 久久久久网色| 国产毛片在线视频| 日韩av免费高清视频| 麻豆乱淫一区二区| 在线天堂最新版资源| av天堂久久9| 精品亚洲乱码少妇综合久久| 日本av免费视频播放| 一本久久精品| 九草在线视频观看| 高清av免费在线| 啦啦啦啦在线视频资源| 男的添女的下面高潮视频| av在线播放精品| 美女午夜性视频免费| 中文欧美无线码| 婷婷色综合www| 亚洲国产精品999| 精品久久久久久电影网| 国产无遮挡羞羞视频在线观看| 亚洲人成77777在线视频| 欧美少妇被猛烈插入视频| 午夜精品国产一区二区电影| 一区二区三区精品91| 亚洲精品国产av成人精品| 国产伦理片在线播放av一区| 有码 亚洲区| 久久久久久人人人人人| 中文天堂在线官网| 亚洲国产最新在线播放| 热99久久久久精品小说推荐| 中文精品一卡2卡3卡4更新| 免费看av在线观看网站| 日韩av在线免费看完整版不卡| 国产1区2区3区精品| 男女无遮挡免费网站观看| 日本av免费视频播放| 国产精品熟女久久久久浪| 深夜精品福利| 日韩大片免费观看网站| 亚洲三区欧美一区| av网站免费在线观看视频| av卡一久久| 久久精品熟女亚洲av麻豆精品| 日韩伦理黄色片| 久久久久精品性色| 国产有黄有色有爽视频| 国产成人免费无遮挡视频| 精品视频人人做人人爽| 国产精品亚洲av一区麻豆 | 国产在线视频一区二区| 国产精品人妻久久久影院| 中文字幕亚洲精品专区| 亚洲精品,欧美精品| 99久国产av精品国产电影| 亚洲精品美女久久av网站| www.精华液| 国产乱人偷精品视频| 国产精品偷伦视频观看了| 最近手机中文字幕大全| 欧美人与善性xxx| 日韩三级伦理在线观看| 女的被弄到高潮叫床怎么办| 91午夜精品亚洲一区二区三区| 一级毛片我不卡| 在线精品无人区一区二区三| 欧美少妇被猛烈插入视频| 新久久久久国产一级毛片| 欧美日韩视频精品一区| 少妇 在线观看| 欧美日韩一区二区视频在线观看视频在线| 国产1区2区3区精品| 精品人妻在线不人妻| 99香蕉大伊视频| 亚洲精品日本国产第一区| 人妻一区二区av| 国产一区亚洲一区在线观看| 国产精品久久久久久精品古装| 免费观看av网站的网址| 美女福利国产在线| 黄片小视频在线播放| 色婷婷av一区二区三区视频| 婷婷成人精品国产| 国产成人精品无人区| 我的亚洲天堂| 午夜福利乱码中文字幕| 成人国产av品久久久| av网站在线播放免费| 国产精品蜜桃在线观看| 天堂中文最新版在线下载| 亚洲精品av麻豆狂野| 另类亚洲欧美激情| av又黄又爽大尺度在线免费看| 欧美亚洲日本最大视频资源| 麻豆av在线久日| 精品少妇内射三级| 久久这里有精品视频免费| 国产国语露脸激情在线看| 国产精品免费视频内射| 国产成人精品久久二区二区91 | 久久久国产一区二区| 晚上一个人看的免费电影| 一级,二级,三级黄色视频| av国产久精品久网站免费入址| 亚洲精华国产精华液的使用体验| 国产精品人妻久久久影院| 香蕉精品网在线| 成人毛片a级毛片在线播放| 久久 成人 亚洲| 国产xxxxx性猛交| 日韩伦理黄色片| 少妇 在线观看| 精品国产露脸久久av麻豆| av一本久久久久| 涩涩av久久男人的天堂| 欧美中文综合在线视频| 亚洲av在线观看美女高潮| 超色免费av| 日韩免费高清中文字幕av| 伦精品一区二区三区| 国产亚洲欧美精品永久| 成年av动漫网址| 高清黄色对白视频在线免费看| 在线观看免费高清a一片| 国产又色又爽无遮挡免| 熟女少妇亚洲综合色aaa.| 午夜精品国产一区二区电影| 亚洲av国产av综合av卡| 在线 av 中文字幕| 国产熟女欧美一区二区| 久久 成人 亚洲| 1024香蕉在线观看| 大片电影免费在线观看免费| 丁香六月天网| 免费播放大片免费观看视频在线观看| 亚洲av综合色区一区| 寂寞人妻少妇视频99o| av国产精品久久久久影院| av视频免费观看在线观看| 国产97色在线日韩免费| 亚洲图色成人| 免费在线观看黄色视频的| 一边摸一边做爽爽视频免费| 国产成人精品无人区| 9191精品国产免费久久| 日韩熟女老妇一区二区性免费视频| 国产综合精华液| 成年动漫av网址| 精品久久久久久电影网| 狠狠精品人妻久久久久久综合| 亚洲av欧美aⅴ国产| av电影中文网址| 国产成人精品福利久久| 国产精品女同一区二区软件| 蜜桃在线观看..| 久久久久视频综合| 国产深夜福利视频在线观看| 精品国产乱码久久久久久小说| 人妻系列 视频| 男女下面插进去视频免费观看| 国产免费一区二区三区四区乱码| 国产在线免费精品| 久久综合国产亚洲精品| 考比视频在线观看| 有码 亚洲区| 波多野结衣av一区二区av| 亚洲国产av新网站| 日韩制服丝袜自拍偷拍| 欧美人与性动交α欧美精品济南到 | 午夜免费男女啪啪视频观看| 国产精品一区二区在线不卡| 久久亚洲国产成人精品v| 在线观看国产h片| 久热这里只有精品99| 高清av免费在线| 久久狼人影院| 91久久精品国产一区二区三区| 亚洲人成网站在线观看播放| 男女国产视频网站| 亚洲国产精品999| 久久热在线av| 国产一区二区三区综合在线观看| 少妇猛男粗大的猛烈进出视频| 看十八女毛片水多多多| 天天躁日日躁夜夜躁夜夜| 亚洲成色77777| 王馨瑶露胸无遮挡在线观看| 99国产综合亚洲精品| 日韩欧美精品免费久久| 亚洲国产精品一区二区三区在线| 97人妻天天添夜夜摸| 日韩av不卡免费在线播放| 国产精品免费视频内射| 国产精品成人在线| 国产一级毛片在线| 欧美日韩一级在线毛片| www.自偷自拍.com| 国产成人免费观看mmmm| 久久久久久久亚洲中文字幕| 有码 亚洲区| 考比视频在线观看| 黄片播放在线免费| 精品酒店卫生间| 男男h啪啪无遮挡| 国产一区二区激情短视频 | 欧美精品一区二区大全| 国产精品免费视频内射| 在线观看免费日韩欧美大片| 欧美日韩亚洲高清精品| 国产成人91sexporn| 在线观看人妻少妇| 亚洲内射少妇av| 人妻 亚洲 视频| 国产精品一区二区在线不卡| 亚洲精品美女久久av网站| 黄色毛片三级朝国网站| 香蕉丝袜av| 国产精品熟女久久久久浪| 天天操日日干夜夜撸| 一二三四在线观看免费中文在| 久久免费观看电影| 超碰97精品在线观看| 欧美日韩精品成人综合77777| 久久久久久久国产电影| 最近最新中文字幕免费大全7| 亚洲第一av免费看| 国产精品欧美亚洲77777| 日韩在线高清观看一区二区三区| 综合色丁香网| 亚洲人成77777在线视频| 春色校园在线视频观看| 成人毛片60女人毛片免费| a 毛片基地| freevideosex欧美| 成人二区视频| 日韩一卡2卡3卡4卡2021年| 国产一区有黄有色的免费视频| 大片电影免费在线观看免费| a级片在线免费高清观看视频| 青青草视频在线视频观看| 免费大片黄手机在线观看| 亚洲婷婷狠狠爱综合网| 亚洲一码二码三码区别大吗| 热99国产精品久久久久久7| 精品国产一区二区三区久久久樱花| 亚洲色图综合在线观看| 久久久欧美国产精品| 色婷婷av一区二区三区视频| 在线亚洲精品国产二区图片欧美| 日本-黄色视频高清免费观看| 在线观看美女被高潮喷水网站| 免费看不卡的av| 国产成人精品婷婷| 国产精品久久久久久久久免| 男女下面插进去视频免费观看| 免费观看性生交大片5| 亚洲精华国产精华液的使用体验| 可以免费在线观看a视频的电影网站 | 亚洲国产av影院在线观看| 欧美人与性动交α欧美软件| 日韩,欧美,国产一区二区三区| 亚洲国产欧美在线一区| 极品少妇高潮喷水抽搐| av福利片在线| 亚洲精品中文字幕在线视频| 免费人妻精品一区二区三区视频| 亚洲欧美一区二区三区国产| 韩国精品一区二区三区| 欧美人与性动交α欧美精品济南到 | 美女高潮到喷水免费观看| 久久精品国产综合久久久| 久久99一区二区三区| 一边摸一边做爽爽视频免费| 日韩精品有码人妻一区| 国产精品麻豆人妻色哟哟久久| 日本猛色少妇xxxxx猛交久久| 免费在线观看完整版高清| 久久韩国三级中文字幕| 高清黄色对白视频在线免费看| 欧美成人午夜精品| 精品国产一区二区久久| 国产色婷婷99| 人人妻人人添人人爽欧美一区卜| 99国产综合亚洲精品| 高清黄色对白视频在线免费看| 侵犯人妻中文字幕一二三四区| 观看av在线不卡| 国产亚洲av片在线观看秒播厂| av网站在线播放免费| 午夜福利,免费看| 亚洲婷婷狠狠爱综合网| 老鸭窝网址在线观看| 在线免费观看不下载黄p国产| 美女主播在线视频| 亚洲第一av免费看| 亚洲国产欧美在线一区| 国产免费又黄又爽又色| 在线观看三级黄色| 两个人免费观看高清视频| 最近中文字幕高清免费大全6| 人体艺术视频欧美日本| 亚洲精品成人av观看孕妇| 久久精品国产自在天天线| 女的被弄到高潮叫床怎么办| av福利片在线| 韩国精品一区二区三区| www.精华液| 亚洲久久久国产精品| 成人18禁高潮啪啪吃奶动态图| 国产成人午夜福利电影在线观看| av在线播放精品| 免费av中文字幕在线| 久久久精品免费免费高清| 观看美女的网站| 在线天堂最新版资源| 亚洲精品成人av观看孕妇| 日韩精品有码人妻一区| 精品一品国产午夜福利视频| 一区二区三区四区激情视频| 最近最新中文字幕大全免费视频 | 国产精品久久久久久精品电影小说| 91aial.com中文字幕在线观看| 新久久久久国产一级毛片| 91久久精品国产一区二区三区| av有码第一页| 丝袜脚勾引网站| 五月伊人婷婷丁香| 巨乳人妻的诱惑在线观看| 青青草视频在线视频观看| 国产精品av久久久久免费| 亚洲精品成人av观看孕妇| 一区二区av电影网| 人妻 亚洲 视频| 卡戴珊不雅视频在线播放| 男女免费视频国产| 热re99久久精品国产66热6| av免费在线看不卡| 熟女av电影| 一区二区三区乱码不卡18| 日韩av不卡免费在线播放| 自线自在国产av| 多毛熟女@视频| 五月开心婷婷网| 人妻少妇偷人精品九色| 国产国语露脸激情在线看| h视频一区二区三区| 中文字幕av电影在线播放| 亚洲精品aⅴ在线观看| 999精品在线视频| 国产精品亚洲av一区麻豆 | 亚洲熟女精品中文字幕| 国产一区有黄有色的免费视频| 青青草视频在线视频观看| 狠狠婷婷综合久久久久久88av| 麻豆精品久久久久久蜜桃| 国产97色在线日韩免费| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 欧美老熟妇乱子伦牲交| 日韩欧美精品免费久久| 91国产中文字幕| 亚洲国产毛片av蜜桃av| 亚洲情色 制服丝袜| 免费女性裸体啪啪无遮挡网站| 啦啦啦啦在线视频资源| 亚洲国产欧美在线一区| 黄色配什么色好看| 国产成人aa在线观看| 国产麻豆69| 日韩在线高清观看一区二区三区| av电影中文网址| 亚洲美女黄色视频免费看| 天天躁狠狠躁夜夜躁狠狠躁| 日韩av免费高清视频| av有码第一页| 亚洲精品第二区| 国产一区二区在线观看av| 日韩在线高清观看一区二区三区| av电影中文网址| 欧美日韩视频精品一区| 日韩电影二区| 午夜日韩欧美国产| 亚洲人成电影观看| 国产精品麻豆人妻色哟哟久久| xxxhd国产人妻xxx| 高清黄色对白视频在线免费看| 纯流量卡能插随身wifi吗| 国产精品欧美亚洲77777| 国产男女超爽视频在线观看| 久久精品久久久久久久性| 777米奇影视久久| 国产在线视频一区二区| 欧美日韩av久久| 菩萨蛮人人尽说江南好唐韦庄| 亚洲,欧美精品.| 老司机亚洲免费影院| 免费在线观看黄色视频的| 国产午夜精品一二区理论片| 日韩免费高清中文字幕av| 哪个播放器可以免费观看大片| 亚洲三级黄色毛片| 热re99久久国产66热| 久久99精品国语久久久| 久久国产精品男人的天堂亚洲| 久久 成人 亚洲| 亚洲精品久久久久久婷婷小说| 天天躁狠狠躁夜夜躁狠狠躁| 一区二区三区四区激情视频| 亚洲激情五月婷婷啪啪| 极品少妇高潮喷水抽搐| xxxhd国产人妻xxx| 一级片免费观看大全| videos熟女内射| 亚洲 欧美一区二区三区| 亚洲激情五月婷婷啪啪| 波多野结衣av一区二区av| 亚洲精品av麻豆狂野| 丝袜人妻中文字幕| 巨乳人妻的诱惑在线观看| 亚洲成人手机| 免费高清在线观看视频在线观看| 日本91视频免费播放| 亚洲精品久久午夜乱码| 男女啪啪激烈高潮av片| 天天躁狠狠躁夜夜躁狠狠躁| 国产成人免费无遮挡视频| 亚洲精品,欧美精品|