• <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ISSA?DELM算法的CSTR系統(tǒng)廣義預(yù)測控制研究

    2024-10-13 00:00:00盛斌張軍
    現(xiàn)代電子技術(shù) 2024年19期
    關(guān)鍵詞:優(yōu)化模型系統(tǒng)

    摘" 要: 連續(xù)攪拌反應(yīng)釜(CSTR)作為典型的聚合反應(yīng)化工生產(chǎn)用到的設(shè)備,其在工作運(yùn)行時(shí)具有強(qiáng)非線性、大滯后性和不確定性,用傳統(tǒng)的方法難以建立精準(zhǔn)的數(shù)學(xué)模型。文中根據(jù)一類CSTR反應(yīng)過程采用Hammerstein?Wiener模型,使用高斯徑向基函數(shù)的LS?SVM分別對模型的兩個(gè)非線性模塊進(jìn)行建模,并使用其建立的Hammerstein?Wiener模型作為廣義預(yù)測控制的預(yù)測模型;針對廣義預(yù)測控制的滾動優(yōu)化環(huán)節(jié),采用多策略改進(jìn)的麻雀算法(ISSA)優(yōu)化深度極限學(xué)習(xí)機(jī)(DELM)的混和優(yōu)化算法策略,并利用基準(zhǔn)函數(shù)測試改進(jìn)麻雀算法的優(yōu)越性;最后將混合優(yōu)化算法應(yīng)用在非線性CSTR對象上,經(jīng)過實(shí)驗(yàn)證明,所提出的ISSA?DELM混合優(yōu)化算法對CSTR系統(tǒng)具有較好的控制效果,并與未改進(jìn)的SSA?DELM算法和DELM算法進(jìn)行仿真結(jié)果對比,結(jié)果顯示,文中算法控制效果明顯優(yōu)于SSA?DELM算法和傳統(tǒng)的DELM算法。

    關(guān)鍵詞: 連續(xù)攪拌反應(yīng)釜(CSTR); Hammerstein?Wiener模型; 廣義預(yù)測控制(GPC); 改進(jìn)麻雀算法(ISSA); 深度極限學(xué)習(xí)機(jī)(DELM); 高斯徑向基函數(shù)

    中圖分類號: TN919?34; TP273" " " " " " " " " " "文獻(xiàn)標(biāo)識碼: A" " " " " " " " " " 文章編號: 1004?373X(2024)19?0123?08

    CSTR system′ generalized predictive control based on ISSA?DELM algorithm

    SHENG Bin, ZHANG Jun

    (College of Automation Engineering, Shanghai University of Electric Power, Shanghai 200090, China)

    Abstract: The continuously stirred tank reactor (CSTR), as a typical equipment used in chemical production of polymerization reaction, has strong nonlinearity, large lag and uncertainty during operation, so it is difficult to establish an accurate mathematical model with the traditional methods. In this paper, the Hammerstein?Wiener model is adopted according to a class of CSTR reaction processes, and the two nonlinear modules of the model are modeled by Gaussian radial basis function LS?SVM, and the established Hammerstein?Wiener model is used as the prediction model for generalized predictive control (GPC). For the rolling optimization of GPC, a hybrid optimization algorithm strategy based on deep extreme learning machine (DELM) which is optimized by multi?strategy improved sparrow search algorithm (ISSA) is adopted, and the superiority of the ISSA is tested by reference function. The hybrid optimization algorithm is applied to nonlinear CSTR objects. The experimental results show that the proposed hybrid optimization algorithm ISSA?DELM has a good control effect on CSTR system. The simulation results of the SSA?DELM algorithm and the DELM algorithm show that the control effect of the proposed algorithm is significantly better than those of the SSA?DELM algorithm and the traditional DELM algorithm.

    Keywords: CSTR; Hammerstein?Wiener model; GPC; ISSA; DELM; Gaussian radial basis function

    0" 引" 言

    連續(xù)攪拌反應(yīng)釜(Continuously Stirred Tank Reactor, CSTR)作為化工生產(chǎn)的典型設(shè)備代表,其具有大滯后性、強(qiáng)非線性和難以建立準(zhǔn)確的數(shù)學(xué)模型的特點(diǎn)[1]。早期由于PID算法簡單易用,所以廣泛地應(yīng)用于化工生產(chǎn)中,但是隨著我國經(jīng)濟(jì)的逐漸增強(qiáng),特別是在當(dāng)下中美貿(mào)易脫鉤越發(fā)嚴(yán)重的情況下,精細(xì)化工生產(chǎn)的地位越發(fā)突出。

    針對化工生產(chǎn)的CSTR系統(tǒng)反應(yīng)過程常常表現(xiàn)出較為復(fù)雜的非線性特性,經(jīng)典PID算法控制精度低,其很難滿足生產(chǎn)要求。近年來許多學(xué)者針對CSTR系統(tǒng)的控制方法展開了廣泛的研究。包括預(yù)測控制[1]、自適應(yīng)神經(jīng)網(wǎng)絡(luò)[2]、自抗擾控制[3]、有限時(shí)間控制[4]等控制方法。文獻(xiàn)[5]提出了基于擴(kuò)張狀態(tài)觀測器和反步法的自適應(yīng)控制方法,并結(jié)合連續(xù)動作強(qiáng)化學(xué)習(xí)器(CARLA)進(jìn)行控制器參數(shù)整定,通過Matlab仿真驗(yàn)證該方法具有良好的控制效果。文獻(xiàn)[6]將二次逼近神經(jīng)網(wǎng)絡(luò)和預(yù)測控制結(jié)合的方法應(yīng)用在連續(xù)攪拌反應(yīng)釜上,對該仿真結(jié)果進(jìn)行分析表明該方法控制精確度較高。

    廣義預(yù)測控制(Generalized Predictive Control, GPC)自提出以后在各個(gè)領(lǐng)域具有廣泛的應(yīng)用,很多學(xué)者也將其應(yīng)用到非線性系統(tǒng)并且取得了良好的控制效果[7?9]。文獻(xiàn)[10]中設(shè)計(jì)的預(yù)測控制器是以ARMAX模型作為預(yù)測模型,但在系統(tǒng)參數(shù)未知的情況下該方法不能實(shí)現(xiàn)參數(shù)的一致估計(jì)和較好的精度控制。文獻(xiàn)[11]將基于徑向基的神經(jīng)網(wǎng)絡(luò)的多變量解耦比例和GPC算法結(jié)合形成PI?GPC算法,應(yīng)用于污水處理系統(tǒng)且取得了較快、穩(wěn)定的控制效果。文獻(xiàn)[12]中根據(jù)多輸入多輸出(MIMO)系統(tǒng)辨識的參數(shù)將GPC的優(yōu)化問題轉(zhuǎn)換成數(shù)學(xué)二次規(guī)劃問題,有效地降低了計(jì)算的復(fù)雜性。在非線性系統(tǒng)的控制上也出現(xiàn)了許多新的方法,如基于Hammerstein模型、Wiener模型等預(yù)測控制方法,用這些模型對CSTR系統(tǒng)進(jìn)行逼近,再結(jié)合群智能算法進(jìn)行優(yōu)化控制,如粒子群算法、遺傳算法、支持向量機(jī)神經(jīng)網(wǎng)絡(luò)等[13?14],但是這些群智能算法大多都具有收斂速度慢、易陷入局部最優(yōu)等缺點(diǎn)?;谌褐悄芩惴ǖ娜秉c(diǎn),很多學(xué)者提出了改進(jìn)方法,例如在種群初始化方面采用Logistic混沌映射[15]解決GWO算法陷入局部最優(yōu)的問題。針對種群后期多樣性的降低和過早收斂的情況,采用改進(jìn)的動態(tài)反向方法[16?17]等。

    本文在結(jié)合前人提出群智能算法的研究基礎(chǔ)上結(jié)合廣義預(yù)測控制(GPC)提出改進(jìn)麻雀算法(ISSA)優(yōu)化深度極限學(xué)習(xí)機(jī)(DELM)的混合算法作為滾動優(yōu)化策略,廣義預(yù)測控制的預(yù)測模型采用經(jīng)典的Hammerstein?Wiener組合模型,該模型在非線性系統(tǒng)中有較為成熟的應(yīng)用,并使用帶有高斯徑向基函數(shù)的LS?SVM算法分別對模型的兩個(gè)非線性模塊進(jìn)行逼近。DELM算法有較強(qiáng)的泛化能力和對數(shù)據(jù)的學(xué)習(xí)能力,針對DELM單層網(wǎng)絡(luò)的隨機(jī)輸入權(quán)重和偏置會影響算法訓(xùn)練效果的缺點(diǎn),引入改進(jìn)的SSA算法能夠有效改善DELM算法易陷入局部最優(yōu),加強(qiáng)DELM算法的尋優(yōu)能力。利用ISSA?DELM混合優(yōu)化算法作為GPC的滾動優(yōu)化策略,能夠避免復(fù)雜的矩陣計(jì)算,提高滾動優(yōu)化的性能,將其應(yīng)用在CSTR實(shí)驗(yàn)中,并與單個(gè)DELM算法、未改進(jìn)的SSA?DELM算法進(jìn)行對比,經(jīng)過實(shí)驗(yàn)仿真驗(yàn)證該混合算法的有效性。

    1" 理論分析

    1.1" Hammerstein?Wiener模型

    在非線性模型中,根據(jù)連接方式的不同,動態(tài)模型可分為Hammerstein模型、Wiener模型。Hammerstein模型具有以下優(yōu)點(diǎn):非線性部分不需要以往的信息輸入、輸出和計(jì)算量少等;Wiener模型中的動態(tài)線性部分一般采用狀態(tài)方程代替,可以用靜態(tài)模糊模型來代替其靜態(tài)非線性部分。把這兩個(gè)模型的優(yōu)點(diǎn)組合構(gòu)成Hammerstein?Wiener模型,其在理論上會更接近于真實(shí)的非線性系統(tǒng),結(jié)構(gòu)圖如圖1所示。

    Hammerstein?Wiener模型是由一個(gè)靜態(tài)的非線性輸入模塊[fx]、輸出的靜態(tài)非線性模塊[hv]和中間動態(tài)線性部分[gu]組成,即有:

    [u=f(x), y=h(v), v=g(y)=h-1(y)G(z)=b1z-1+b2z-2+…+bmz-m1-a1z-1-…-anz-n] (1)

    式中:[ai=(a1,a2,…,an)T],[bj=(b1,b2,…,bm)T]是自回歸參數(shù)。于是,[v(k)=i=1naiv(k-i)+j=1mbju(k-j)],故Hammerstein?Wiener模型可以變換成如下形式:

    [y(k)=i=1naig(y(k-i))+j=1mbjf(x(k-j))+e(k)] (2)

    式中[fx]和[gy]部分可以采用式(3)進(jìn)行LS?SVM函數(shù)逼近。

    [y(x)=wTφ(x)+d] (3)

    則:

    [y(k)=i=1nai[wTφ(yk-i)]+j=1mbj[wTφ(xk-j)]+i=1naid1+j=1mbjd0+e(k)] (4)

    令[?Ti=aiwT, ?Tj=bjwT, i=1naid1=c1, j=1mbjd0=c2],式(4)可以改寫成以下形式:

    [y(k)=i=1n?Tiφ(yk-i)+j=1m?Tjφ(xk-j)+c1+c2+e(k)] (5)

    用最優(yōu)化方法去定義相應(yīng)的優(yōu)化問題和約束條件,對上述非線性函數(shù)進(jìn)行尋優(yōu),得到待定參數(shù)[c1和c2],再通過奇異值分解得到自回歸參數(shù)[ai和bj],從而得到非線性部分[18][f(x)和g(y)]。

    所以,整個(gè)Hammerstein?Wiener辨識模型可以用式(6)進(jìn)行描述:

    [y(k)=i=1naisv=1NαsvK(vk-j,vsv)+c1+j=1mbjsv=1NαsvK(xk-j,xsv)+c2+ek] (6)

    式中,[K(x,xk)=exp-x-xk22σ2]為高斯核函數(shù)。

    1.2" 廣義預(yù)測控制

    廣義預(yù)測控制(GPC)是文獻(xiàn)[19]提出的一種控制算法,現(xiàn)在已在非線性控制領(lǐng)域得到廣泛應(yīng)用。GPC吸取模型預(yù)測控制(MAC)和動態(tài)矩陣控制(DMC)中的滾動優(yōu)化策略,具備預(yù)測控制的性能,并且基于參數(shù)模型引入預(yù)測長度和控制長度,即具有預(yù)測控制的三大特征:預(yù)測模型、滾動優(yōu)化和反饋矯正[20]。但是其缺點(diǎn)也很明顯,矩陣計(jì)算復(fù)雜度高、計(jì)算時(shí)間長等。

    一般廣義預(yù)測控制的離散差分方程可用式(7)表示:

    [A(z-1)y(k)=B(z-1)u(k-1)+1ΔC(z-1)ε(k)] (7)

    式中:[y]為該系統(tǒng)的輸出;[u]為系統(tǒng)的輸入;[ε]為白噪聲;[Δ=1-z-1]為差分算子。

    [ A(z-1)=1+i=1naaiz-iB(z-1)=i=0nbbiz-iC(z-1)=1+i=1ncciz-i] (8)

    式中[ai]、[bi]、[ci]為系統(tǒng)參數(shù)。將式(7)兩端同時(shí)乘以[Δ]可得:

    [A(z-1)y(k)=B(z-1)Δu(k-1)+C(z-1)ε(k)] (9)

    式中[A(z-1)=A(z-1)Δ]。

    引入丟潘圖方程:

    [A(z-1)Rj(z-1)+z-jSj(z-1)=1] (10)

    式中:[Rjz-1=1+i=1j-1rj,iz-i],[Sjz-1=i=0nasj,iz-i],并將丟潘圖方程代入式(7)中,可得:

    [y(k+j)=yp(k+j)k+εp(k+j)] (11)

    式中:[yp(k+j)k=Bz-1Rjz-1Δuk+j-1+Sj(z-1)y(k)]為系統(tǒng)的預(yù)測輸出;[εpk+j=Rjz-1εk+j]為系統(tǒng)的預(yù)測誤差。

    廣義預(yù)測控制也是一種自適應(yīng)控制算法,需要通過某一性能指標(biāo)來確定下一時(shí)刻的優(yōu)化,且這個(gè)性能指標(biāo)會干涉下一時(shí)刻的系統(tǒng)行為。一般采用如下的二次性能指標(biāo):

    [JP=j=1P[y(k+j)-yr(k+j)]2+j=1Mλj[Δu(k+j-1)]2] (12)

    式中:[P]為最大輸出長度(預(yù)測長度);[M]為控制長度;[λj]為控制加權(quán)系數(shù),一般取常值;[yr(k+j)]為參考軌跡。

    2" 基于ISSA?DELM算法的控制滾動優(yōu)化

    2.1" 經(jīng)典麻雀搜索算法

    麻雀搜索算法(SSA)[21]是在2020年提出的一種新型的群智能優(yōu)化搜索算法,其主要受到麻雀覓食行為和反被捕食行為的啟發(fā)。經(jīng)典麻雀搜索算法步驟如下所示。

    Step1:初始化麻雀種群的參數(shù):最大迭代次數(shù)[itermax]、種群數(shù)量[N]、探索者比例PD、追隨者比例SD、預(yù)警值[R2∈[0,1]]。

    Step2:通過算法計(jì)算找到目前各自的適應(yīng)度值,通過排序得到最好適應(yīng)度的個(gè)體和最差的個(gè)體。

    Step3:在迭代過程中應(yīng)用式(13)對探索者進(jìn)行位置更新。

    [Xt+1i,j=Xti,j+Q·L," " " R2≥STXti,j·exp-i(α·itermax)," " " R2lt;ST] (13)

    式中:[itermax]是種群最大迭代次數(shù);[t]為種群當(dāng)前的迭代次數(shù);[α]為(0,1]之間均勻分布的隨機(jī)數(shù);[R2∈0,1]為警戒值;[ST∈0.5,1.0]表示安全值;[Q]為服從正態(tài)分布的隨機(jī)數(shù);[L]為[1×d]的矩陣,其中每個(gè)內(nèi)部元素都為1。

    Step4:應(yīng)用式(14)對跟隨者進(jìn)行位置更新。

    [Xt+1i,j=Q·exp(Xworst-Xti,j)i2," " " igt;n2Xt+1p+Xti,j-Xt+1p?A+?L," " " otherwise] (14)

    式中:[A]是一個(gè)矩陣內(nèi)部元素為1或?1的多維矩陣;[Xworst]表示當(dāng)前全局最差的位置;[Xt+1p]表示種群第[t+1]次迭代中,個(gè)體處于局部最佳和[j]維最差。

    Step5:應(yīng)用式(15)對警戒者進(jìn)行位置更新。

    [Xt+1i,j=Xtbest+β·Xt+1i, j-Xtbest," " " " figt;fgXti,j+K?Xti, j-Xtworst (fi-fw+ε)," " " " "fi=fg] (15)

    式中:[Xbest]是當(dāng)前麻雀個(gè)體全局最優(yōu)的位置;[K∈[-1,1]]的隨機(jī)數(shù);[ε]是最小參數(shù);[β]服從標(biāo)準(zhǔn)正態(tài)分布[β~N(0,1)];[fi]是麻雀種群個(gè)體適應(yīng)度值;[fg]和[fw]為適應(yīng)度值全局最優(yōu)和全局最差。

    Step6:結(jié)束當(dāng)前的種群迭代,計(jì)算出麻雀個(gè)體的位置更新,根據(jù)計(jì)算出的麻雀種群的適應(yīng)度值來確定是否進(jìn)行麻雀位置更新。

    Step7:計(jì)算出所優(yōu)化參數(shù)的精度,若符合最優(yōu)結(jié)果,則結(jié)束并返回最優(yōu),否則,返回Step3。

    經(jīng)典麻雀算法和其他群智能算法一樣存在諸多缺點(diǎn):比如,種群的隨機(jī)初始化沒有較好的遍歷性;種群后期單一化的探索者會使得算法陷入局部最優(yōu);迭代后期種群的多樣性下降等。

    2.2" 改進(jìn)的麻雀搜索算法

    針對經(jīng)典麻雀算法的缺點(diǎn),本文在前人研究的基礎(chǔ)上提出了三種改進(jìn)措施。

    2.2.1" 種群初始化的改進(jìn)

    由于麻雀算法在種群初始化時(shí)是隨機(jī)的,不能保證算法的種群多樣性、均勻性。故本文采用正交陣列對SSA算法種群初始化。正交陣列能夠提供均勻分布的位置組合,利用正交表的這一性質(zhì)可以構(gòu)建初解[22]能夠使得算法充分均勻地搜索整個(gè)空間,避免陷入局部最優(yōu)。

    假設(shè)正交矩陣為[LQNM],即該矩陣的大小為[Q×M],將[M]個(gè)因子分為[N]個(gè)等級,且[N]為奇整數(shù),[Q=NI],[I]滿足等式:[N=QI-1Q-1]。

    正交表C的構(gòu)建方法如下所示。

    1) 正交表C的基本元素如下:

    [αij=?i-1NI-k] (16)

    [j=Nk-1-1N-1+1] (17)

    式中:[k=1,2,…,I];[i=1,2,…,Q]。

    2) 正交表C的非基礎(chǔ)元素為:

    [αj+(s-1)(N-1)+t=remαst+αj,N] (18)

    式中:[s∈(1,j-1)];[t∈(1,N-1)];[αj=α1j,α2j,…,αQjT]。

    3) 刪除正交表C的[(M-D)]列,使矩陣控制在[D]列。

    4) 同樣地,刪除正交表C的[(N-Q)]行,使矩陣控制在[Q]行。

    計(jì)算得到矩陣,并使用下列公式初始化解:

    [xij=αijxU-xLmaxA-minA+xL] (19)

    式中:[i=1,2,…,Q];[j=1,2,…,D]。

    2.2.2" 余弦權(quán)重因子

    由于傳統(tǒng)的SSA算法是由探索者尋找最優(yōu)的解,但是麻雀個(gè)體在整個(gè)搜索空間是隨機(jī)的,只有當(dāng)探索者找到自身附近有麻雀時(shí)會通知,否則就會隨機(jī)的搜索,這就大大降低了收斂速度和精度。故本文引入較為成熟的余弦權(quán)重因子來提高個(gè)體的尋優(yōu)能力[23],此時(shí)探索者更新變?yōu)椋?/p>

    [Xt+1i,j=Xti,j·exp-iωα·itermax," " " R2lt;STXti,j+Q·L," " " R2≥ST] (20)

    式中[ω=cos2π·t2·itermax]是隨著迭代次數(shù)增加而減少的余弦權(quán)重因子。經(jīng)過引入余弦權(quán)重因子,在算法的前期搜索空間范圍較大,隨著迭代次數(shù)的增加,因子逐漸減小,搜索空間變小,此時(shí)會進(jìn)行細(xì)致搜索,經(jīng)過引入余弦權(quán)重因子會提高探索者收斂能力,有助于算法跳出局部極值,從而增強(qiáng)算法的尋優(yōu)能力。

    2.2.3" t?分布擾動策略

    經(jīng)典SSA算法同其他群智能算法一樣,迭代到后期會發(fā)生種群多樣性降低,為提高種群多樣性,引入t?分布對迭代后期比平均適應(yīng)度低的個(gè)體進(jìn)行t?分布的擾動,避免算法陷入局部最優(yōu)。t?分布又叫學(xué)生分布[24],含有自由度參數(shù)[v],概率密度函數(shù)如式(21)所示:

    [f(t)=Gamv+12(πv)12Gamv2×1+t2v-v+12] (21)

    式中[Gamx]為伽馬函數(shù)。當(dāng)參數(shù)[v]=1時(shí),t?分布為柯西分布;當(dāng)自由度參數(shù)[v]逐漸增大時(shí),t?分布漸漸接近于正態(tài)分布。反之,當(dāng)參數(shù)[v]趨近于無窮時(shí),t?分布接近于高斯分布。所以t?分布是高斯分布和柯西分布的一個(gè)臨界特例分布[25]。針對迭代后期適應(yīng)度小于平均值的個(gè)體執(zhí)行t?分布擾動,其位置更新公式如下:

    [Xti=Xi+Xi?titeration] (22)

    式中:[Xti]是第[i]個(gè)經(jīng)過擾動后的新位置;[Xi]是擾動之前的位置;[titeration]是自由度參數(shù)為迭代次數(shù)的t?分布。

    2.3" 改進(jìn)SSA?DELM混合算法

    本文引入改進(jìn)的麻雀算法優(yōu)化深度極限學(xué)習(xí)機(jī),具體是用麻雀搜索算法的優(yōu)越尋優(yōu)能力去精確搜索DELM網(wǎng)絡(luò)訓(xùn)練過程單層網(wǎng)絡(luò)的輸入權(quán)重和偏置因子,以此來提高DELM的訓(xùn)練精度。上文提出三種對麻雀搜索算法的改進(jìn)措施能夠平衡SSA算法的全局和局部最優(yōu)值,加強(qiáng)SSA算法的全局搜索能力和局部開發(fā)能力。

    基于改進(jìn)的SSA?DELM混合算法的步驟如下。

    Step1:準(zhǔn)備相關(guān)的數(shù)據(jù)集,并對數(shù)據(jù)進(jìn)行歸一化。

    Step2:初始化麻雀算法和深度極限學(xué)習(xí)機(jī)的相關(guān)參數(shù),包括最大迭代次數(shù)[itermax]、種群數(shù)量[N]、探索者比例PD、追隨者比例SD、預(yù)警值[R2∈[0,1]]。利用正交陣列進(jìn)行麻雀種群初始化。

    Step3:計(jì)算出麻雀種群適應(yīng)度值,并進(jìn)行排序。

    Step4:在迭代過程中對探索者、追隨者、警戒者進(jìn)行位置更新。

    Step5:選擇t?分布擾動策略對最優(yōu)解進(jìn)行擾動,產(chǎn)生新的解,并將產(chǎn)生的新解和當(dāng)前最優(yōu)值進(jìn)行比較,是否再次進(jìn)行位置更新。

    Step6:一直迭代到最大迭代數(shù),得到全局最優(yōu)值和最優(yōu)適應(yīng)度值。

    Step7:將得到的最優(yōu)數(shù)據(jù)作為深度極限學(xué)習(xí)機(jī)的算法輸入,利用DELM泛化學(xué)習(xí)能力不斷訓(xùn)練,達(dá)到收斂條件即算法結(jié)束。

    2.4" 混合算法的尋優(yōu)能力比較

    為了驗(yàn)證本文所提混合算法的優(yōu)越性,將其與SSA?DELM算法和DELM算法進(jìn)行比較。將這三個(gè)算法分別對5個(gè)給定初值點(diǎn)的無約束優(yōu)化問題測試函數(shù)進(jìn)行尋優(yōu),如表1所示。其中,[f1~f3]為單峰函數(shù),[f4]、[f5]為多峰函數(shù)。相關(guān)參數(shù)設(shè)置為:SSA算法中[N]=10,[M]=100,探索者數(shù)量和追隨者數(shù)量的比例均占20%;DELM網(wǎng)絡(luò)中激活函數(shù)設(shè)為Sigmoid,正則化系數(shù)設(shè)置為2,而DELM網(wǎng)絡(luò)的隱含層數(shù)會影響算法的精度,根據(jù)文獻(xiàn)[26]的實(shí)驗(yàn)結(jié)論,深度極限學(xué)習(xí)機(jī)的隱含層為4層時(shí)各項(xiàng)指標(biāo)較優(yōu)。在計(jì)算過程中重復(fù)進(jìn)行實(shí)驗(yàn)30次,統(tǒng)計(jì)均值,得到最終的實(shí)驗(yàn)結(jié)果如表2所示。根據(jù)表2可以很明顯地看到,改進(jìn)的SSA?DELM無論是對單峰函數(shù)還是多峰函數(shù),其尋優(yōu)能力更加強(qiáng)大,收斂速度也得到加強(qiáng),表明該改進(jìn)算法具有較好的優(yōu)越性。

    2.5" 基于ISSA?DELM算法的滾動優(yōu)化策略

    ISSA?DELM混合優(yōu)化算法具有優(yōu)越的尋優(yōu)性能,故本文將這一算法引入到廣義預(yù)測控制的滾動優(yōu)化中,并以H?W模型作為GPC的預(yù)測模型,其基于ISSA?DELM的混合優(yōu)化算法的滾動優(yōu)化的廣義預(yù)測控制整體步驟如下。

    Step1:給定廣義預(yù)測控制的初始參數(shù)、ISSA的初始參數(shù)、DELM的初始參數(shù)、基于LS?SVM的模型辨識初始參數(shù)。

    Step2:由H?W模型辨識給出預(yù)測系統(tǒng)的多步輸出。

    Step3:根據(jù)Step2和參考軌跡計(jì)算性能指標(biāo)。

    Step4:根據(jù)2.4節(jié)提出的混合優(yōu)化算法進(jìn)行尋優(yōu)計(jì)算,得到最小的輸入控制量。

    Step5:返回Step2,將得到的最小輸入量再次輸入系統(tǒng),繼續(xù)下一個(gè)周期的預(yù)測控制,其控制結(jié)構(gòu)圖如圖2所示。

    3" CSTR系統(tǒng)的模型建立和預(yù)測控制

    3.1" CSTR系統(tǒng)的機(jī)理模型

    連續(xù)攪拌反應(yīng)釜(CSTR)作為化工生產(chǎn)中常見的設(shè)備,其內(nèi)部是均勻的,即在任何時(shí)刻任何釜內(nèi)位置其化學(xué)反應(yīng)的速率是不變的,釜內(nèi)各位置的溫度也都是相同的。這為用熱力學(xué)和動力學(xué)來描述其內(nèi)部反應(yīng)過程提供了有效表達(dá)。在反應(yīng)過程中需要用到攪拌棒對釜內(nèi)進(jìn)行充分的攪拌,即在釜頂加裝一個(gè)由電機(jī)控制的攪拌棒,其結(jié)構(gòu)如圖3所示。

    在生產(chǎn)中,反應(yīng)釜中發(fā)生不可逆放熱化學(xué)反應(yīng)過程A→B,控制目標(biāo)通過控制冷卻劑流速[qc]或者冷卻劑溫度[Tc]來控制反應(yīng)器的溫度,從而達(dá)到控制生成物濃度[CA]的目的[27]。在反應(yīng)過程存在時(shí)滯的情況下,由熱力學(xué)及化學(xué)動力學(xué)原理,可以給出CSTR過程的物料平衡與熱量平衡微分方程[28]:

    [dCAdt=qV(CA0-CA)-k0CAexp-ERTdTdt=qV(T0-T)-ΔHρCPk0CAexp-ERT+UAVρCP(Tc-T)] (23)

    式中各參數(shù)的描述和數(shù)值選取[1]如表3所示。

    3.2" 基于H?W模型的CSTR系統(tǒng)的仿真

    通過第1節(jié)建立的CSTR系統(tǒng)的Hammerstein?Wiener模型,使用LS?SVM經(jīng)典算法進(jìn)行模型的辨識。利用(85,125)間的隨機(jī)幅值序列作為其機(jī)理模型的輸入,采樣周期設(shè)為0.2 s,采集得到1 000組輸入輸出的數(shù)據(jù),其中前800組數(shù)據(jù)用于模型的辨識,后200組數(shù)據(jù)用以驗(yàn)證模型的辨識能力,其模型的辨識效果如圖4所示。

    根據(jù)辨識過程中計(jì)算其測試結(jié)果的RMSE為0.001 68,可知采用Hammerstein?Wiener模型代替CSTR的機(jī)理模型具有很好的替代效果。

    為了驗(yàn)證本文提出的ISSA?DELM混合算法作為GPC的滾動優(yōu)化尋優(yōu)的優(yōu)越性,將該算法和SSA?DELM算法以及DELM算法作為滾動優(yōu)化策略進(jìn)行比較。選取幅值為0.12、0.04、0.09、0.06的方波作為期望輸出,選取廣義預(yù)測控制的參數(shù)預(yù)測步長[N]=8、控制時(shí)域?yàn)?,控制加權(quán)系數(shù)矩陣為3[×]3的單位陣,柔化系數(shù)設(shè)置為0.3。未加入干擾時(shí)的仿真效果如圖5所示。

    為體現(xiàn)本文所提出的混合算法作為廣義預(yù)測可控滾動優(yōu)化策略的優(yōu)越性,本文使用均方根誤差(RMSE)和平均絕對誤差(MAE)對這三種算法分別作為滾動優(yōu)化策略對CSTR控制進(jìn)行對比實(shí)驗(yàn)。無干擾作用下,這三種算法作為滾動優(yōu)化策略所產(chǎn)生的MAE和RMSE如表4所示。

    從表4中數(shù)據(jù)和控制效果仿真圖(見圖5)可以看到,在不加干擾的情況下,基于ISSA?DELM算法的CSTR控制能力的誤差指標(biāo)相對較小,明顯好于SSA?DELM算法和DELM算法。

    為了驗(yàn)證本文算法的抗干擾性能,在50 s的時(shí)候增加擾動信號,加入干擾的仿真效果圖如圖6所示。從圖6中可以看到,相較于DELM算法和SSA?DELM算法,ISSA?DELM算法能夠更好、更快速地消除干擾到達(dá)穩(wěn)定狀態(tài)。在存在干擾作用時(shí)三種算法作為滾動優(yōu)化策略所產(chǎn)生的MAE和RMSE如表5所示。

    從表5中數(shù)據(jù)和干擾下的仿真圖(見圖6)明顯看到,在有干擾的情況下,基于ISSA?DELM算法的控制是最快回到平穩(wěn)狀態(tài),其控制效果的誤差比其他兩種算法產(chǎn)生的誤差相對更小,所以在工業(yè)環(huán)境復(fù)雜情形下,本文所提出的基于Hammerstein?Wiener模型改進(jìn)的使用ISSA?DELM作為廣義預(yù)測控制的滾動優(yōu)化策略可更好實(shí)現(xiàn)對連續(xù)攪拌反應(yīng)釜的控制。

    4" 結(jié)" 語

    本文將化工生產(chǎn)中最常見的連續(xù)攪拌反應(yīng)釜作為研究對象,采用Hammerstein?Wiener模型代替具有大滯后和強(qiáng)非線性的CSTR模型,并使用高斯徑向基函數(shù)的LS?SVM分別對模型的兩個(gè)非線性模塊進(jìn)行逼近。通過辨識得到LS?SVM模型作為廣義預(yù)測控制的預(yù)測模型,針對麻雀搜索算法易陷入局部最優(yōu)、后期種群多樣性下降等缺點(diǎn)和極限深度學(xué)習(xí)機(jī)隨機(jī)輸入權(quán)重和偏置會影響網(wǎng)絡(luò)訓(xùn)練效果等缺陷,用本文所提的基于改進(jìn)麻雀算法優(yōu)化深度極限學(xué)習(xí)機(jī)的混合算法作為GPC的滾動優(yōu)化策略,并將其與SSA?DELM算法和DELM算法進(jìn)行對比實(shí)驗(yàn),從實(shí)驗(yàn)中可以看到本文所提算法具有較好的控制效果。在群智能算法飛速發(fā)展的當(dāng)下,各種算法均具有其應(yīng)用場景,其他算法用于預(yù)測控制的改進(jìn)研究還需繼續(xù)深入研究。

    注:本文通訊作者為張軍。

    參考文獻(xiàn)

    [1] 高鈺凱,許娣,趙濤,等.基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的連續(xù)攪拌反應(yīng)釜系統(tǒng)的改進(jìn)廣義預(yù)測控制[J].科學(xué)技術(shù)與工程,2020,20(11):4404?4409.

    [2] 周紅標(biāo),張鈺,柏小穎,等.基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)模型預(yù)測控制[J].化工學(xué)報(bào),2020,71(7):3201?3212.

    [3] 楊慧中,蘇思賢.連續(xù)攪拌反應(yīng)釜系統(tǒng)的自抗擾控制[J].控制工程,2011,18(3):369?372.

    [4] HAIMO V T. Finite time controllers [J]. SIAM journal on control and optimization, 1986, 24(4): 760?770.

    [5] 王素珍,辛誠,孫國法.連續(xù)攪拌反應(yīng)釜的自適應(yīng)輸出反饋控制及參數(shù)整定[J].控制理論與應(yīng)用,2021,38(10):1587?1596.

    [6] LIN Y, SONG Y F, WEN Y D. Predictive control of reactor based on quadratic approximation neural network [J]. Journal of computer measurement and control, 2017, 25(10): 81?84.

    [7] 劉穎明,王樹旗,王曉東.基于廣義預(yù)測控制的風(fēng)電場調(diào)頻控制策略研究[J].太陽能學(xué)報(bào),2022,43(3):405?410.

    [8] 李旭生,牛宏,陶金梅.基于深度學(xué)習(xí)的非線性廣義預(yù)測控制[J].信息與控制,2023,52(2):202?210.

    [9] 王金鎖,蔣啟龍,羅雨,等.磁懸浮系統(tǒng)自抗擾廣義預(yù)測控制[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),2022,54(9):141?150.

    [10] YUAN Z D. Generalized predictive control based on an ARMAX model [J]. Control theory amp; applications, 1988, 5(1): 12?17.

    [11] 趙敏,趙強(qiáng),基于神經(jīng)網(wǎng)絡(luò)的污水處理系統(tǒng)的廣義預(yù)測控制[J].控制工程,2023,30(11):2091?2099.

    [12] JIN Y Y, GU X Y. Improved generalized predictive control algorithm [J]. Information and control, 1990(3): 8?14.

    [13] 沈新鋒,基于最小二乘法和支持向量機(jī)的車輛視覺導(dǎo)航與控制系統(tǒng)研究[D].南京:南京信息工程大學(xué),2019.

    [14] 朱群雄,王軍霞.連續(xù)攪拌釜式反應(yīng)器的魯棒最優(yōu)控制[J].化工學(xué)報(bào),2013,64(11):4114?4120.

    [15] HU J, HEIDARI A A, ZHANG L J, et al. Chaotic diffusion?limited aggregation enhanced grey wolf optimizer: Insights, analysis, binarization and feature selection [J]. International journal of intelligent systems, 2022, 37(8): 4864?4927.

    [16] SAHOO S K, SAHA A K, NAMA S, et al. An improved moth flame optimization algorithm based on modified dynamic opposite learning strategy [J]. Artificial intelligence review, 2022, 56(4): 2811?2869.

    [17] WEN C S, JIA H M, WU D, et al. Modified remora optimization algorithm with multistrategies for global optimization problem [J]. Mathematics, 2022, 10(19): 3604?3639.

    [18] 滿紅.CSTR過程的模型辨識及其非線性預(yù)測控制方法研究[D].大連:大連理工大學(xué),2014.

    [19] CLARKE D W, MOHTADI C. Properties of generalized predictive control [J]. Automatica, 1989, 25(6): 859?875.

    [20] 盧佳佳.船舶動力定位系統(tǒng)控制策略研究及應(yīng)用[D].鎮(zhèn)江:江蘇科技大學(xué),2012.

    [21] XUE J K, SHEN B. A novel swarm intelligence optimization approach: Sparrow search algorithm [J]. Systems science and control engineering, 2020, 8(1): 22?34.

    [22] LEUNG Y W, WANG Y P. An orthogonal genetic algorithm with quantization for global numerical optimization [J]. IEEE transactions on evolutionary computation, 2001, 5(1): 41?53.

    [23] 王言文,邱啟榮,王寶坤.基于Lasso和SVR的向量夾角余弦變權(quán)重組合預(yù)測模型[J].統(tǒng)計(jì)與決策,2020,36(18):22?26.

    [24] 湯先峰,張勝茂,樊偉,等.基于深度學(xué)習(xí)的刺網(wǎng)與拖網(wǎng)作業(yè)類型識別研究[J].海洋漁業(yè),2020,42(2):233?244.

    [25] 韓斐斐,劉升.基于自適應(yīng)t分布變異的緞藍(lán)園丁鳥優(yōu)化算法[J].微電子學(xué)與計(jì)算機(jī),2018,35(8):117?121.

    [26] SUN W Y, YUAN Y X. Optimization theory and methods: Nonlinear programming [M]. Heidelberg, Germany: Springer?Verlag, 2006: 637?647.

    [27] 陳輝.基于自適應(yīng)觀測器的CSTR系統(tǒng)有界控制的研究[D].焦作:河南理工大學(xué),2010.

    [28] BAHITA M, BELARBI K. Model reference neural?fuzzy adaptive control of the concentration in a chemical reactor (CSTR) [J]. IFAC papers on line, 2016, 49(29): 158?162.

    作者簡介:盛" 斌(1996—),男,安徽宿州人,碩士研究生,主要研究方向?yàn)榉蔷€性系統(tǒng)的預(yù)測控制技術(shù)。

    張" 軍(1967—),男,上海人,博士研究生,副教授,主要研究方向?yàn)楣虖U能源化利用技術(shù)的研究、開發(fā)與工程實(shí)現(xiàn)。

    收稿日期:2024?03?21" " " " " "修回日期:2024?04?15

    基金項(xiàng)目:國家自然科學(xué)基金項(xiàng)目(61273190)

    猜你喜歡
    優(yōu)化模型系統(tǒng)
    一半模型
    Smartflower POP 一體式光伏系統(tǒng)
    超限高層建筑結(jié)構(gòu)設(shè)計(jì)與優(yōu)化思考
    民用建筑防煙排煙設(shè)計(jì)優(yōu)化探討
    關(guān)于優(yōu)化消防安全告知承諾的一些思考
    一道優(yōu)化題的幾何解法
    WJ-700無人機(jī)系統(tǒng)
    ZC系列無人機(jī)遙感系統(tǒng)
    北京測繪(2020年12期)2020-12-29 01:33:58
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    亚洲精品久久午夜乱码| 一本色道久久久久久精品综合| av网站在线播放免费| 观看美女的网站| 最近手机中文字幕大全| 18禁动态无遮挡网站| 欧美97在线视频| 五月开心婷婷网| 天天躁夜夜躁狠狠久久av| 国产成人免费观看mmmm| 大片免费播放器 马上看| av在线播放精品| 久久国产亚洲av麻豆专区| 老司机影院成人| 亚洲国产成人一精品久久久| 国产成人一区二区在线| 日产精品乱码卡一卡2卡三| 久久久久久伊人网av| 久久久久久久久免费视频了| 久久精品夜色国产| 久久久久久久亚洲中文字幕| 99精国产麻豆久久婷婷| 精品久久久久久电影网| 王馨瑶露胸无遮挡在线观看| 久热久热在线精品观看| 黄片小视频在线播放| 你懂的网址亚洲精品在线观看| 亚洲天堂av无毛| √禁漫天堂资源中文www| 国产精品久久久久久av不卡| 国产一级毛片在线| 深夜精品福利| 亚洲av中文av极速乱| av片东京热男人的天堂| 丰满少妇做爰视频| 亚洲少妇的诱惑av| 免费在线观看完整版高清| 精品人妻偷拍中文字幕| 中文精品一卡2卡3卡4更新| 嫩草影院入口| 韩国高清视频一区二区三区| 伊人久久国产一区二区| 国产在线免费精品| 制服丝袜香蕉在线| 国产成人免费观看mmmm| 热99国产精品久久久久久7| 伊人久久国产一区二区| 免费女性裸体啪啪无遮挡网站| 搡女人真爽免费视频火全软件| 天堂8中文在线网| 在线免费观看不下载黄p国产| 国产xxxxx性猛交| 国产av精品麻豆| 久久这里只有精品19| av国产精品久久久久影院| 建设人人有责人人尽责人人享有的| 午夜福利乱码中文字幕| 欧美xxⅹ黑人| 亚洲精品国产一区二区精华液| 日韩免费高清中文字幕av| 日韩制服丝袜自拍偷拍| 久久精品人人爽人人爽视色| 制服诱惑二区| 欧美日韩视频高清一区二区三区二| 丝袜脚勾引网站| 亚洲国产毛片av蜜桃av| 寂寞人妻少妇视频99o| 精品久久久久久电影网| 99久国产av精品国产电影| 韩国精品一区二区三区| 精品国产一区二区三区久久久樱花| 免费观看a级毛片全部| 中国国产av一级| 午夜激情av网站| 日本91视频免费播放| 日韩熟女老妇一区二区性免费视频| 欧美日韩成人在线一区二区| 最近中文字幕高清免费大全6| 国产日韩欧美视频二区| 精品视频人人做人人爽| 视频在线观看一区二区三区| 成人18禁高潮啪啪吃奶动态图| 欧美精品亚洲一区二区| 国产精品不卡视频一区二区| 国产精品一国产av| 亚洲国产欧美网| 亚洲国产精品国产精品| 寂寞人妻少妇视频99o| 亚洲av福利一区| 我要看黄色一级片免费的| av线在线观看网站| 在线天堂最新版资源| 一级毛片 在线播放| 久久午夜福利片| 国产一级毛片在线| 99精国产麻豆久久婷婷| 日韩一卡2卡3卡4卡2021年| 日本av免费视频播放| 一边摸一边做爽爽视频免费| 9191精品国产免费久久| 少妇猛男粗大的猛烈进出视频| 丰满少妇做爰视频| 黄网站色视频无遮挡免费观看| 日日啪夜夜爽| 欧美变态另类bdsm刘玥| 美女高潮到喷水免费观看| 国产福利在线免费观看视频| 亚洲精品,欧美精品| 极品人妻少妇av视频| 精品一区在线观看国产| 日韩欧美精品免费久久| 97精品久久久久久久久久精品| 女人被躁到高潮嗷嗷叫费观| 国产精品久久久av美女十八| 尾随美女入室| 2021少妇久久久久久久久久久| 在线亚洲精品国产二区图片欧美| 性高湖久久久久久久久免费观看| 菩萨蛮人人尽说江南好唐韦庄| 国产免费一区二区三区四区乱码| 国产免费又黄又爽又色| 日产精品乱码卡一卡2卡三| 美女xxoo啪啪120秒动态图| 一级黄片播放器| 欧美老熟妇乱子伦牲交| 一区在线观看完整版| 日韩成人av中文字幕在线观看| 老汉色∧v一级毛片| 日本黄色日本黄色录像| 国产精品秋霞免费鲁丝片| av卡一久久| 女人高潮潮喷娇喘18禁视频| 国产成人精品久久久久久| 自拍欧美九色日韩亚洲蝌蚪91| 人妻少妇偷人精品九色| 18+在线观看网站| 亚洲精品,欧美精品| 精品少妇久久久久久888优播| 久久久久久人人人人人| 成人亚洲精品一区在线观看| 爱豆传媒免费全集在线观看| 国产黄色视频一区二区在线观看| 亚洲精品美女久久av网站| 欧美bdsm另类| 国产在视频线精品| 精品一品国产午夜福利视频| 亚洲精品自拍成人| 久久综合国产亚洲精品| 久久精品国产鲁丝片午夜精品| 色网站视频免费| 久久久久视频综合| 欧美成人午夜精品| 日韩,欧美,国产一区二区三区| 男人操女人黄网站| 一本久久精品| 日韩在线高清观看一区二区三区| 亚洲国产av新网站| 国产精品免费视频内射| 熟女av电影| 如日韩欧美国产精品一区二区三区| 天堂8中文在线网| 久久久久久人人人人人| 寂寞人妻少妇视频99o| www.熟女人妻精品国产| 丰满饥渴人妻一区二区三| 美女高潮到喷水免费观看| 国产精品秋霞免费鲁丝片| 高清欧美精品videossex| 久久国产精品男人的天堂亚洲| 久久人妻熟女aⅴ| 大码成人一级视频| 妹子高潮喷水视频| 国产免费福利视频在线观看| 国产亚洲最大av| 久久久久久免费高清国产稀缺| 捣出白浆h1v1| 日韩中文字幕视频在线看片| 妹子高潮喷水视频| 大话2 男鬼变身卡| 看免费av毛片| 成年动漫av网址| 亚洲色图 男人天堂 中文字幕| 亚洲欧美一区二区三区久久| 两个人免费观看高清视频| 免费人妻精品一区二区三区视频| 99九九在线精品视频| 久久国产精品男人的天堂亚洲| 汤姆久久久久久久影院中文字幕| 91精品伊人久久大香线蕉| 精品人妻一区二区三区麻豆| 国产精品国产三级专区第一集| 少妇猛男粗大的猛烈进出视频| 国产熟女午夜一区二区三区| 少妇人妻久久综合中文| 国产老妇伦熟女老妇高清| 国产精品国产av在线观看| 国产 一区精品| 99九九在线精品视频| 日韩电影二区| 免费在线观看黄色视频的| av不卡在线播放| 亚洲第一av免费看| 69精品国产乱码久久久| av国产久精品久网站免费入址| 美女午夜性视频免费| 超色免费av| 99九九在线精品视频| 午夜福利一区二区在线看| 日韩中字成人| 亚洲欧美精品综合一区二区三区 | 日韩在线高清观看一区二区三区| 欧美日韩一级在线毛片| 在线 av 中文字幕| 国产午夜精品一二区理论片| 久久久久久伊人网av| a级毛片黄视频| 中文字幕人妻丝袜一区二区 | 97在线视频观看| 国产成人欧美| 久久久亚洲精品成人影院| 久久人人爽av亚洲精品天堂| av在线老鸭窝| 成人手机av| 欧美日韩国产mv在线观看视频| 国产av一区二区精品久久| 日本午夜av视频| 一本久久精品| 亚洲久久久国产精品| 亚洲国产av新网站| 超碰97精品在线观看| 色网站视频免费| 免费久久久久久久精品成人欧美视频| 亚洲五月色婷婷综合| 久久久久国产网址| 日本猛色少妇xxxxx猛交久久| 黄色 视频免费看| 看免费成人av毛片| 免费av中文字幕在线| 免费黄网站久久成人精品| 国产成人精品无人区| 在线观看国产h片| 国产爽快片一区二区三区| 日本-黄色视频高清免费观看| 97在线视频观看| 久久人人97超碰香蕉20202| 黄频高清免费视频| 亚洲精品av麻豆狂野| 国产一区有黄有色的免费视频| 婷婷色麻豆天堂久久| 亚洲色图综合在线观看| 亚洲国产毛片av蜜桃av| 国产国语露脸激情在线看| 在现免费观看毛片| 夫妻性生交免费视频一级片| 我的亚洲天堂| 亚洲第一av免费看| 久久久精品免费免费高清| 午夜av观看不卡| 日本欧美国产在线视频| 国产精品一区二区在线观看99| 大片电影免费在线观看免费| 伊人久久国产一区二区| 哪个播放器可以免费观看大片| 精品卡一卡二卡四卡免费| 欧美变态另类bdsm刘玥| 国产一区亚洲一区在线观看| 乱人伦中国视频| 日韩人妻精品一区2区三区| 亚洲精品av麻豆狂野| 久久这里有精品视频免费| 成人手机av| 亚洲av免费高清在线观看| 国产在线视频一区二区| 水蜜桃什么品种好| 美女午夜性视频免费| 18在线观看网站| 久久综合国产亚洲精品| 亚洲国产欧美日韩在线播放| 欧美日本中文国产一区发布| 欧美日韩视频精品一区| 午夜日韩欧美国产| 日韩制服丝袜自拍偷拍| 色网站视频免费| 2018国产大陆天天弄谢| 少妇人妻精品综合一区二区| 久久毛片免费看一区二区三区| 午夜av观看不卡| 久久影院123| 欧美精品亚洲一区二区| 欧美人与善性xxx| 日韩中字成人| 亚洲国产最新在线播放| 自线自在国产av| 五月开心婷婷网| 婷婷色综合大香蕉| 午夜福利影视在线免费观看| 免费大片黄手机在线观看| 日日撸夜夜添| 女人被躁到高潮嗷嗷叫费观| 亚洲av中文av极速乱| 一本久久精品| 亚洲成av片中文字幕在线观看 | 五月天丁香电影| 国产免费现黄频在线看| 亚洲国产精品一区三区| 精品一品国产午夜福利视频| 大码成人一级视频| 精品亚洲成a人片在线观看| 欧美亚洲 丝袜 人妻 在线| 国语对白做爰xxxⅹ性视频网站| 欧美+日韩+精品| 午夜激情久久久久久久| 天天躁夜夜躁狠狠躁躁| 黄片无遮挡物在线观看| 九色亚洲精品在线播放| 国产精品 国内视频| 热99国产精品久久久久久7| 女性生殖器流出的白浆| 啦啦啦在线免费观看视频4| 国产精品不卡视频一区二区| 成人18禁高潮啪啪吃奶动态图| 日韩电影二区| 一边亲一边摸免费视频| 亚洲三级黄色毛片| 菩萨蛮人人尽说江南好唐韦庄| 婷婷色av中文字幕| 2022亚洲国产成人精品| 在线免费观看不下载黄p国产| 免费观看av网站的网址| 久久午夜福利片| 亚洲男人天堂网一区| 欧美日韩亚洲国产一区二区在线观看 | 国产黄色免费在线视频| 啦啦啦视频在线资源免费观看| 老熟女久久久| 国产男女超爽视频在线观看| 精品国产乱码久久久久久小说| 啦啦啦在线免费观看视频4| 妹子高潮喷水视频| 亚洲精品美女久久av网站| 18在线观看网站| 人人妻人人添人人爽欧美一区卜| 在线亚洲精品国产二区图片欧美| 中文天堂在线官网| 毛片一级片免费看久久久久| 国产在线免费精品| 黄片播放在线免费| 欧美变态另类bdsm刘玥| 一级毛片电影观看| 亚洲三级黄色毛片| 又粗又硬又长又爽又黄的视频| 乱人伦中国视频| 波多野结衣一区麻豆| 国产精品久久久久久精品电影小说| 国产伦理片在线播放av一区| 欧美xxⅹ黑人| www.熟女人妻精品国产| 999久久久国产精品视频| 亚洲精品,欧美精品| 丰满少妇做爰视频| 免费大片黄手机在线观看| 亚洲av男天堂| 国产日韩欧美视频二区| 电影成人av| 日本爱情动作片www.在线观看| 老女人水多毛片| 波多野结衣一区麻豆| 午夜福利影视在线免费观看| 久久久a久久爽久久v久久| 婷婷色综合大香蕉| 国产 精品1| 欧美激情高清一区二区三区 | 欧美精品av麻豆av| 老女人水多毛片| 在线天堂中文资源库| 亚洲成国产人片在线观看| 男人爽女人下面视频在线观看| 亚洲视频免费观看视频| 一级毛片电影观看| 波多野结衣av一区二区av| av片东京热男人的天堂| 性色av一级| 熟女电影av网| 国语对白做爰xxxⅹ性视频网站| 亚洲精品一二三| 国产成人91sexporn| 成年av动漫网址| 边亲边吃奶的免费视频| 9热在线视频观看99| 90打野战视频偷拍视频| 丰满迷人的少妇在线观看| 成年女人在线观看亚洲视频| 美女国产视频在线观看| 亚洲综合精品二区| 亚洲欧美一区二区三区黑人 | 韩国av在线不卡| 丝袜人妻中文字幕| 丰满少妇做爰视频| 色网站视频免费| 午夜免费鲁丝| 久久 成人 亚洲| 精品一品国产午夜福利视频| 免费av中文字幕在线| 午夜精品国产一区二区电影| 男的添女的下面高潮视频| 久久久久网色| 国产高清不卡午夜福利| av电影中文网址| 宅男免费午夜| av网站在线播放免费| 男女无遮挡免费网站观看| 免费观看a级毛片全部| 热99国产精品久久久久久7| 亚洲av日韩在线播放| 国精品久久久久久国模美| 精品酒店卫生间| 久久久精品94久久精品| 国产爽快片一区二区三区| 日本vs欧美在线观看视频| 国产精品一二三区在线看| 亚洲人成77777在线视频| 色播在线永久视频| 久久久久国产网址| 精品国产国语对白av| 伦精品一区二区三区| 亚洲av福利一区| 成年女人在线观看亚洲视频| 女人精品久久久久毛片| 一级a爱视频在线免费观看| 男女边摸边吃奶| 午夜日韩欧美国产| 国产av一区二区精品久久| 成人18禁高潮啪啪吃奶动态图| 波多野结衣av一区二区av| 亚洲综合色网址| 亚洲美女搞黄在线观看| 国产精品偷伦视频观看了| 亚洲成人一二三区av| 老鸭窝网址在线观看| 少妇 在线观看| 狠狠婷婷综合久久久久久88av| 免费观看无遮挡的男女| 久久女婷五月综合色啪小说| 国精品久久久久久国模美| 夫妻性生交免费视频一级片| 欧美日韩视频高清一区二区三区二| 五月开心婷婷网| 国产免费一区二区三区四区乱码| 久久精品国产亚洲av涩爱| 午夜日韩欧美国产| 亚洲欧美成人精品一区二区| 日韩成人av中文字幕在线观看| 国产一区二区 视频在线| 久久精品国产鲁丝片午夜精品| 国产 一区精品| 18禁动态无遮挡网站| 午夜av观看不卡| 欧美 日韩 精品 国产| 亚洲精品自拍成人| 久热久热在线精品观看| 久久99蜜桃精品久久| 国产一级毛片在线| 精品国产乱码久久久久久男人| 欧美国产精品va在线观看不卡| 久久久久久久久久人人人人人人| 91精品国产国语对白视频| 日韩精品免费视频一区二区三区| 国产亚洲最大av| 国产野战对白在线观看| 18禁裸乳无遮挡动漫免费视频| 美女视频免费永久观看网站| 26uuu在线亚洲综合色| 亚洲欧美日韩另类电影网站| 日韩中字成人| 丁香六月天网| 国产成人免费观看mmmm| tube8黄色片| 日日撸夜夜添| 80岁老熟妇乱子伦牲交| 国产男女内射视频| 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 | 男人爽女人下面视频在线观看| 伦理电影大哥的女人| 黄片播放在线免费| 另类亚洲欧美激情| 色视频在线一区二区三区| 日韩制服丝袜自拍偷拍| 国产男人的电影天堂91| 1024香蕉在线观看| 激情五月婷婷亚洲| 黄色一级大片看看| 亚洲精品av麻豆狂野| 99国产综合亚洲精品| 嫩草影院入口| 男的添女的下面高潮视频| 国精品久久久久久国模美| 你懂的网址亚洲精品在线观看| 亚洲精品久久午夜乱码| 美女高潮到喷水免费观看| 色婷婷久久久亚洲欧美| 中文字幕另类日韩欧美亚洲嫩草| 在线 av 中文字幕| 精品福利永久在线观看| 亚洲国产欧美日韩在线播放| 亚洲精品久久久久久婷婷小说| 国产爽快片一区二区三区| 五月伊人婷婷丁香| 黄色 视频免费看| 国产麻豆69| 欧美成人精品欧美一级黄| 亚洲综合色惰| 自线自在国产av| 亚洲国产欧美在线一区| 97精品久久久久久久久久精品| 观看av在线不卡| 如何舔出高潮| 日日撸夜夜添| 午夜福利一区二区在线看| 国产成人精品婷婷| 午夜福利,免费看| 国产高清国产精品国产三级| 国产在线免费精品| 国精品久久久久久国模美| 国产成人精品无人区| 亚洲综合精品二区| 免费高清在线观看视频在线观看| 国产精品国产三级国产专区5o| 成年美女黄网站色视频大全免费| 一区二区三区乱码不卡18| 国产精品.久久久| a级毛片黄视频| 丝袜美腿诱惑在线| 侵犯人妻中文字幕一二三四区| av网站免费在线观看视频| 国产免费一区二区三区四区乱码| 大陆偷拍与自拍| 色哟哟·www| 岛国毛片在线播放| 午夜免费鲁丝| 免费观看av网站的网址| 一本大道久久a久久精品| 亚洲精品久久久久久婷婷小说| 亚洲五月色婷婷综合| 成人国产麻豆网| 天天躁夜夜躁狠狠躁躁| 国产男女内射视频| 秋霞伦理黄片| 国产高清国产精品国产三级| 免费看不卡的av| 国产成人91sexporn| 国产成人午夜福利电影在线观看| av一本久久久久| 久久久久久久久久久免费av| 少妇猛男粗大的猛烈进出视频| 男的添女的下面高潮视频| av女优亚洲男人天堂| 美女主播在线视频| 亚洲国产欧美日韩在线播放| 婷婷色麻豆天堂久久| 激情视频va一区二区三区| 国产女主播在线喷水免费视频网站| 欧美日韩亚洲高清精品| 五月伊人婷婷丁香| 欧美97在线视频| 777米奇影视久久| 91精品三级在线观看| 久久青草综合色| 午夜福利网站1000一区二区三区| 亚洲欧美中文字幕日韩二区| 欧美日韩视频精品一区| 久热久热在线精品观看| 中文字幕色久视频| 男女午夜视频在线观看| 久久精品久久久久久噜噜老黄| 美女午夜性视频免费| 2018国产大陆天天弄谢| 国产欧美亚洲国产| av在线播放精品| 男女啪啪激烈高潮av片| 女人高潮潮喷娇喘18禁视频| 中国三级夫妇交换| 免费在线观看完整版高清| 天堂8中文在线网| 亚洲精品aⅴ在线观看| 亚洲精品日本国产第一区| 日韩伦理黄色片| 久久精品国产a三级三级三级| 欧美另类一区| 国产不卡av网站在线观看| 精品一区二区三区四区五区乱码 | 日本欧美视频一区| 日本av手机在线免费观看| 电影成人av| 伊人久久国产一区二区| 大码成人一级视频| 亚洲国产日韩一区二区| 久久97久久精品| 99精国产麻豆久久婷婷| 国产无遮挡羞羞视频在线观看| 久久久久精品久久久久真实原创| 少妇的逼水好多| 一区二区三区乱码不卡18| 久久99一区二区三区| 国产在线一区二区三区精| av又黄又爽大尺度在线免费看| 久久久久国产网址| 久久 成人 亚洲| 丝袜人妻中文字幕| 晚上一个人看的免费电影| 伦理电影免费视频| 亚洲国产看品久久| 亚洲成人手机| 亚洲在久久综合| 国产精品久久久久久精品电影小说| 欧美精品人与动牲交sv欧美|