• <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 ?

    基于決策融合方法和遷移學(xué)習(xí)的齒輪箱故障診斷

    2025-06-28 00:00:00劉婷婷王哲銘于文英盧武蔚偉劉永生
    關(guān)鍵詞:故障診斷特征故障

    中圖分類號:TP206 文獻標(biāo)志碼:A

    Gearbox Fault Diagnosis Based on Decision Fusion Methods and Transfer Learning

    LIU Tingting1,2, WANG Zheming 1 , YU Wenying' , LU Wu1 , YU Wei 2 , LIU Yongsheng 1 (1.Institute of Solar Energy,Shanghai Universityof Electric Power,Shanghai 2O13O6,China; 2.Huadian Electric Power Research Institute,Hangzhou 31OO3O,Zhejiang,China)

    Abstract:Toadress the problemsof frequent gearboxfailures inindustrial scenarios,large datarequirements,and low interpretability indeep learning diagnostics,a gearbox fault diagnosis model was proposedbasedondecisionfusionmethods andtransfer learning.Vibration signal features were extracted from CWRU Bearing Dataset using a knowledge-driven approach.Theoptimal feature subsets,including complex envelope spectra,time-domain statistical features,and wavelet packetnalysisfeatures,were then selected using arecursive feature elimination algorithm.Sixclasification models were employed,andthedecision fusion methodsofvoting,stacking,and blending werecombined toestablish thefaultdiagnosis model.The model trainedon CWRU Bearing Dataset was applied to Southeast University Planetary Gearbox Dataset using transfer learning todiagnosegearbox faults.The experimentalresultsshow that the stacking-based ensemble model, integrating sixclassfiers,performs excelentlyonboth the CWRU Bearing Dataset and the gearbox fault diagnosis task, withminimal accuracy differences between thetwo tasks.Theaccuracyrateof the model inthefaultdiagnosis task of gears and bearings in gearbox reaches 100% ,which has better diagnostic ability compared with other fault diagnosis models.

    Keywords: gearbox; fault diagnosis; feature extraction; decision fusion; transfer learning

    隨著工業(yè)系統(tǒng)復(fù)雜性的增加,機械設(shè)備故障診斷技術(shù)的發(fā)展對保證工業(yè)生產(chǎn)和正常生活起著至關(guān)重要的作用[1-2]。齒輪箱作為機械傳動系統(tǒng)、風(fēng)力發(fā)電機組傳動鏈及其他自動化設(shè)備等的關(guān)鍵組成部件,一旦發(fā)生故障就會影響整個系統(tǒng)的正常運行。以齒輪箱在風(fēng)力發(fā)電機組調(diào)查為例,齒輪箱機械故障造成的停機時間最長,占風(fēng)力發(fā)電機組故障停機總時間的 50% 甚至更高[3]。對大型風(fēng)力發(fā)電機組進行快速、有效的故障排查診斷,可以有效減少非計劃停機時間,保證能源的持續(xù)、穩(wěn)定供應(yīng)[4-5]故障診斷技術(shù)在建立各種狀態(tài)檢測信息與機器運行狀態(tài)間的映射關(guān)系中具有重要作用。由于齒輪箱的動力學(xué)特性復(fù)雜,故障形式多樣,原始振動信號具有極強的非線性和大量的噪聲,因此傳統(tǒng)的故障診斷方法過度依賴信號處理和人工特征提取技術(shù)。

    齒輪箱作為風(fēng)力發(fā)電系統(tǒng)中最關(guān)鍵的組件之一,其可靠性直接影響整個系統(tǒng)的性能和經(jīng)濟效益。齒輪箱故障診斷的復(fù)雜性不僅源于齒輪箱本身復(fù)雜的機械結(jié)構(gòu),而且受到齒輪類型、工況、環(huán)境因素以及材料特性的影響。不同類型的齒輪,如斜齒輪、直齒輪或行星齒輪,各自有不同的負載分布、應(yīng)力集中點和磨損模式,使得故障模式和特征變得多樣化。此外,齒輪箱在不同工作條件下表現(xiàn)出不同的行為特征,如負載波動、轉(zhuǎn)速變化以及溫度波動,進一步增加了故障診斷的難度。齒輪箱故障診斷不僅要依賴包括振動信號、聲發(fā)射信號、油液分析數(shù)據(jù)、溫度記錄等大量數(shù)據(jù)的分析,并且還要借助高級的數(shù)據(jù)處理和分析技術(shù)來提取故障特征。目前常用的齒輪箱故障診斷方法主要依靠振動信號進行診斷,要求操作者具備一定的對大量數(shù)據(jù)的獲取和處理能力,以及從大量信息中提取有價值的診斷依據(jù)的能力。

    近年來,機器學(xué)習(xí)、人工智能在齒輪箱診斷領(lǐng)域的廣泛應(yīng)用,減少了故障診斷對人工勞動和專家知識的依賴,極大地推動了智能故障診斷的發(fā)展。王皓等提出基于小波和誤差反向傳播(BP)神經(jīng)網(wǎng)絡(luò)的風(fēng)機齒輪箱故障診斷方法,根據(jù)不同工況下風(fēng)機齒輪箱振動信號驗證了方法的有效性。王超等[7]提出一種將互信息特征選擇、深度學(xué)習(xí)和殘差滑動窗口分析相結(jié)合的風(fēng)機齒輪箱軸承故障預(yù)警方法,并通過風(fēng)電場現(xiàn)場數(shù)據(jù)驗證了方法的有效性,同時獲得較高的預(yù)警準(zhǔn)確率。孟繁曄等[8]提出基于多方向振動數(shù)據(jù)的風(fēng)機齒輪箱故障診斷方法,采用極點對稱模態(tài)分解算法、神經(jīng)網(wǎng)絡(luò)和Dempster-Shafer(D-S)證據(jù)理論,極大地減少了運算時間。

    雖然上述基于數(shù)據(jù)驅(qū)動的風(fēng)機齒輪箱智能故障診斷方法已經(jīng)得到一定的應(yīng)用;但是在工業(yè)應(yīng)用中準(zhǔn)確獲取標(biāo)注的齒輪箱故障數(shù)據(jù)比較困難,同時齒輪箱主轉(zhuǎn)速、負載、檢測部位的不同,傳感器收集數(shù)據(jù)的特征空間分布具有顯著差異,因此故障診斷準(zhǔn)確率有待提高。遷移學(xué)習(xí)是近年來人工智能領(lǐng)域一個重大突破,旨在運用已有的知識解決相關(guān)但不完全相同領(lǐng)域的問題。學(xué)者們已經(jīng)開展許多用遷移學(xué)習(xí)來解決訓(xùn)練樣本少的問題的研究,旨在通過放寬假設(shè)來自相同分布的訓(xùn)練和測試數(shù)據(jù)來實現(xiàn)故障診斷知識的跨領(lǐng)域遷移學(xué)習(xí)。侯召國等提出的基于遷移學(xué)習(xí)與加權(quán)多通道融合的齒輪箱故障診斷方法具有較高的診斷精度,而且變工況下泛化性能得到改善。為了解決實驗場景中存在各種噪聲干擾、獲得的振動數(shù)據(jù)較少、故障特征不明顯的問題,Guo等[10]提出基于多核融合卷積神經(jīng)網(wǎng)絡(luò)(MKFCNN)和長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)遷移學(xué)習(xí)算法,提高了基于目標(biāo)域小樣本數(shù)量的故障識別精度。Wan等[]采用內(nèi)聚性評價方法選擇任務(wù)的敏感特征,利用基于遷移學(xué)習(xí)的稀疏自編碼器將單一工況下學(xué)習(xí)到的知識遷移到復(fù)雜工況中,在風(fēng)力發(fā)電機動力傳動系統(tǒng)診斷模擬器上證明了方法的有效性。

    采用基于機器學(xué)習(xí)和統(tǒng)計學(xué)的數(shù)據(jù)驅(qū)動故障診斷方法,可以通過分析大量實際運行數(shù)據(jù)來識別故障模式和潛在關(guān)聯(lián)。該方法的顯著優(yōu)勢在于對機械系統(tǒng)的知識要求相對較低,同時能夠有效利用現(xiàn)有的大數(shù)據(jù)資源。相比于傳統(tǒng)的基于物理模型的方法,數(shù)據(jù)驅(qū)動方法在提供精確的數(shù)值預(yù)測和深入的理論解釋方面可能存在一定的局限性,原因是基于物理模型的方法只能依靠已知的物理規(guī)律和精確的數(shù)學(xué)模型,提供對故障機制的深刻洞察和準(zhǔn)確的量化分析。

    利用工業(yè)領(lǐng)域傳感器采集的振動數(shù)據(jù),結(jié)合現(xiàn)有的故障診斷算法在實際應(yīng)用中的特點優(yōu)化最終的決策結(jié)果,能夠在一定程度上提高齒輪箱故障診斷的準(zhǔn)確率,提高數(shù)據(jù)驅(qū)動方法在齒輪箱故障診斷領(lǐng)域的應(yīng)用潛力,尤其是在處理大規(guī)模數(shù)據(jù)和復(fù)雜系統(tǒng)時的效率和實用性。本文中提出一個基于決策融合方法和遷移學(xué)習(xí)的齒輪箱故障診斷模型,通過構(gòu)建特征模型來描述齒輪運動和力學(xué)特性,從而獲取能夠描述部件物理特性的特征;然后運用數(shù)據(jù)驅(qū)動方法學(xué)習(xí)隱藏的特征模式和規(guī)律,利用不同分類器搭建決策融合模型,實現(xiàn)故障分類和模型的預(yù)測;最后,利用具有相同類型的源域數(shù)據(jù)集訓(xùn)練故障分類預(yù)測模型,通過基于模型的遷移學(xué)習(xí)將訓(xùn)練好的模型應(yīng)用于齒輪箱數(shù)據(jù)集中,實現(xiàn)對齒輪箱故障的識別,提高齒輪箱故障診斷的精確度和泛化能力,識別故障產(chǎn)生的主要原因,豐富齒輪箱故障的專家診斷知識庫。

    1 理論方法

    1. 1 統(tǒng)計特征

    振動信號時域特征通常涉及對脈沖故障比較敏感的統(tǒng)計特征[12],尤其是在初期階段選擇[13]中使用的特征作為代表。設(shè)每段序號按時間的序列編號 i=1 ,2,…, N , N 為每段分割信號的樣本點數(shù),xi 為每段分割信號的時域序列, 為每段分割信號時域序列的均值。以下給出時域中8個統(tǒng)計特征的定義:

    1)均方根(root mean square,RMS),

    2)幅值平方根(square root of the amplitude,SRA),

    3)峰度值(kurtosisvalue,KV),

    式中 σ 為標(biāo)準(zhǔn)差。

    4)偏度值(skewnessvalue,SV),

    5)峰峰值(peak-to-peakvalue,PPV),

    XPPV=max(xi)-min(xio

    6)波峰因子(crestfactor,CF)

    7)脈沖因子(pulse factor,IF),

    8)邊際因子(marginal factor,MF),

    頻域分析是信號的另一種描述,可以揭示那些在時域中無法找到的信息[14]。設(shè)每段譜線的序列

    編號 k=1 ,2,…, M,M 為譜線數(shù), fk 為第 k 條譜線的頻率值。以下給出頻域中3個統(tǒng)計特征的定義:

    1)頻率中心(frequencycenter,F(xiàn)C),

    2)均方根頻率(root mean square frequency,RMSF),

    3)根方差頻率(rootvariance frequency,RVF),

    1. 2 包絡(luò)特征

    復(fù)包絡(luò)分析是一種振動信號分析技術(shù),常用于提取調(diào)制信號的幅值和相位信息,進而分析調(diào)制信號和具有非平穩(wěn)特性的信號。信號包絡(luò)可以借助于希爾伯特(Hilbert)變換來計算,可以捕獲振幅和相位的瞬時變化。通過采用復(fù)雜包絡(luò)分析,可以識別諧振頻率,分析瞬態(tài)事件,研究振動系統(tǒng)的動態(tài)行為

    給定時域中的信號 h(t) ,希爾伯特變換是 h(t) 與信號 1/πt 的卷積,產(chǎn)生時域中的新信號,即

    式中:希爾伯特變換記作 為實值函數(shù)。

    分析信號,即 ha(t) 由原始信號 及其正交的希爾伯特變換 組成,定義為

    式中: ha(t) 為時域中的復(fù)信號;i為虛數(shù)單位。

    軸承缺陷頻譜的計算分析步驟如下:

    1)計算原始信號 h(t) 的分析信號 ha(t) :

    2)解析信號 的傅里葉變換;

    3)頻譜分析 1。

    1.3 小波特征

    分析非平穩(wěn)信號的最佳方式包括短時傅里葉(Fourier)變換、小波變換(或小波包變換)、希爾伯特-黃(Huang)變換(HHT)等[15],采用小波包分解(waveletpacketdecomposition,WPT)可以得到軸承振動信號的時頻分布圖與多分辨率分析特性。小波包分析(wavelet packet analysis,WPA)是小波變換的一種擴展,經(jīng)過逐層分解獲取正交性、光滑性和時頻局部化等特性。一個3級小波包分解的例子如圖1所示。

    圖13級小波包分解圖例

    小波包節(jié)點能量可以表征振動信號的特征。一般來說,小波分析中最大的困難是母小波函數(shù)的選擇和確定,以及信號在不同應(yīng)用中的分解水平[16]不同的母小波函數(shù)及其順序?qū)μ卣魈崛〉挠绊懖煌?。Rafiee等[17]提出尋找故障分類最佳母小波函數(shù)的新方法,以及在機器狀態(tài)監(jiān)測中利用小波分析分解振動信號的最佳水平,實驗結(jié)果表明,在多貝西極限相位小波的消失矩為2~20(DB2、DB3、、DB20),其中DB4正交小波將振動信號分解為4級,比其他小波能更有效地揭示振動信號中軸承損傷產(chǎn)生的異常瞬態(tài)。 s 個樣本的一維時域振動信號,在小波包分解樹的深度為 j 的情況下,獲取 2j 個葉子節(jié)點 0:,[15] [13]。每個節(jié)點具有大約S/2j 個小波系數(shù)。令 cj,ns (每個樣本中按時序分割的時域振動信號的序列號 是小波包分解樹的深度 j 處的葉子節(jié)點 Ωn 的 S/2j 個小波系數(shù), n=0 ,1,…, 2j-1 。第 n 個葉子節(jié)點的能量Ej(n) 為

    第 n 個小波包特征為

    式中 Ej(m) 為第 ?m 葉子節(jié)點的能量, m=0,1,…, 2j-1 。

    在樹的深度 j=4 時,葉子節(jié)點的數(shù)量為16,即W4,0?W4,1?…?W4,15 ,因此獲得16 個特征 ,其中 中

    1.4 決策融合

    決策融合是一種通過整合多個傳感器、系統(tǒng)或算法的輸出以形成統(tǒng)一決策的過程,核心內(nèi)容包括數(shù)據(jù)源整合、多算法組合、優(yōu)化決策結(jié)果。數(shù)據(jù)源整合通過多個不同的傳感器或系統(tǒng)收集數(shù)據(jù),并將其整合在一起用于分析和解釋。多算法組合可以通過結(jié)合多個算法的優(yōu)點,減小單一算法可能帶來的偏見和誤差,提升決策能力,提供更強大、更靈活的決策支持。決策融合能夠自動分析多個決策的結(jié)果,允許在不同場景和條件下靈活適應(yīng)。本文中采用決策融合策略,對上述特征模型所提取出的統(tǒng)計特征、包絡(luò)特征和小波特征進行聯(lián)合判斷和處理,從而得出對觀測目標(biāo)的一致性結(jié)論。

    本文中通過現(xiàn)有的較易獲取的旋轉(zhuǎn)設(shè)備軸承數(shù)據(jù),從信號中提取有效的信息,并在利用 K 近鄰(KNN)、決策樹(DT)、隨機森林(RF)、支持向量機(SVM)、輕量梯度提升機(light-GBM)和極端梯度提升機(XGBoost)6種分類器,根據(jù)從不同角度提取的有效信息診斷、分類設(shè)備狀態(tài),并最終通過集成算法實現(xiàn)決策融合,綜合利用各分類器的優(yōu)點,提高預(yù)測的準(zhǔn)確性和泛化能力。本文中采用投票法(Voting)、融合法(Blending)和堆疊法(Stacking)的3 種集成學(xué)習(xí)方法[1]將KNN、DT、RF、SVM、light-GBM和XGBoost6種分類器分別構(gòu)建成3個決策模型 M1 、 M2 、 M3 開展融合實驗,并評估 M1 、 M2 、 M3 模型的組合效果。

    1.5 遷移學(xué)習(xí)

    遷移學(xué)習(xí)是從一個問題(稱為源域)學(xué)習(xí)到的知識應(yīng)用到另一個相關(guān)但不完全相同的問題(稱為目標(biāo)域)上的一種機器學(xué)習(xí)方法,在數(shù)據(jù)量不足或計算資源有限的情況下非常適用,在齒輪箱故障診斷方面也有較廣應(yīng)用。遷移學(xué)習(xí)的原理可以分為知識遷移、領(lǐng)域適應(yīng)、知識共享和模型遷移4個方面。遷移學(xué)習(xí)廣泛存在于人類的各項活動中,不同領(lǐng)域共享的因素越多,遷移學(xué)習(xí)越容易實現(xiàn);否則就變得困難,甚至出現(xiàn)負遷移[18-19]的情況,產(chǎn)生副作用。目前遷移學(xué)習(xí)方法主要分為基于實例的深度遷移學(xué)習(xí)[20]、基于映射的深度遷移學(xué)習(xí)[21]、基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)[22]和基于對抗的深度遷移學(xué)習(xí)[10]等。為了盡可能充分利用源域和目標(biāo)域的數(shù)據(jù)和特征,本文中采用基于網(wǎng)絡(luò)模型的遷移學(xué)習(xí)診斷齒輪箱故障。

    2基于網(wǎng)絡(luò)模型的遷移學(xué)習(xí)

    M1 模型主要假設(shè)是,通過盡可能多地從振動信號中提取信息,并在遞歸特征消除(RFE)過程中將特征數(shù)量減少到合理范圍內(nèi),可以提升故障檢測系統(tǒng)的判別能力。以往的研究[17]表明,通過特征模型所提取的不同位置傳感器的振動信號特征可以提高故障診斷效率。為了適應(yīng)不同規(guī)模和特征空間數(shù)據(jù)的應(yīng)用,本文中選擇KNN、DT、RF、SVM、lightGBM和XGBoost分類器,通過集成算法搭建網(wǎng)絡(luò)模型,并在CWRU電機軸承故障數(shù)據(jù)集[23上實現(xiàn)故障診斷。當(dāng)模型診斷結(jié)果達到理想狀態(tài)后,通過基于網(wǎng)絡(luò)模型的遷移學(xué)習(xí)將 M1 ! M2 、M3 模型應(yīng)用到東南大學(xué)齒輪箱軸承數(shù)據(jù)集[24],檢驗將數(shù)據(jù)應(yīng)用于基于網(wǎng)絡(luò)模型遷移學(xué)習(xí)后,對齒輪箱軸承故障預(yù)測的準(zhǔn)確性。齒輪箱故障診斷模型框架如圖2所示。

    標(biāo)題

    齒輪箱故障診斷模型框架信息處理步驟如下:

    1)信號獲取。分別同時獲取源域中電機軸承和目標(biāo)域中齒輪箱的相關(guān)傳感器數(shù)據(jù),構(gòu)成各自源域和目標(biāo)域的原始信號2)信號分割。將從各個傳感器獲取的振動信號分割成連續(xù)的間隔。3)信號特征提取。從源域中分割的原始信號中提取該特征模型的特征向量。4)特征池。組裝關(guān)于源域中電機軸承狀況的信息的全局特征向量,將現(xiàn)有特征模型所提取出的特征向量通過特征選擇算法降維。

    5)特征層的特征選擇。從已有的源域特征向量中,通過RFE結(jié)合分類器性能評估特征的重要性,選擇重要特征,形成現(xiàn)有特征子集。該步驟主要目標(biāo)是降維和增加網(wǎng)絡(luò)特征集的區(qū)分能力。

    6)分類。定義多分類器模型并評估其在源域中的性能。7)決策融合。將源域中各傳感器經(jīng)特征模型提取的特征向量通過 M1 ! M2 ! M3 模型的預(yù)測結(jié)果進行綜合判斷,從而提高模型在源域中預(yù)測的準(zhǔn)確性和泛化能力。

    8)遷移學(xué)習(xí)。將上述在源域中訓(xùn)練好的網(wǎng)絡(luò)模型通過基于網(wǎng)絡(luò)模型的遷移學(xué)習(xí)應(yīng)用到目標(biāo)域中,評估目標(biāo)域中 M1 、 M2 : M3 模型的預(yù)測、診斷性能,得到最終的診斷結(jié)果。

    3 實驗與結(jié)果討論

    3.1 數(shù)據(jù)集及實驗設(shè)備

    本文中使用的實驗數(shù)據(jù)集是CWRU電機軸承故障數(shù)據(jù)集(https://engineering.case.edu/bearing-datacenter/download-data-file)和東南大學(xué)齒輪箱軸承數(shù)據(jù)集(https://engineering.case.edu/bearingdata-center/download-data-file)。實驗所用設(shè)備為筆記本電腦,顯卡為NVIDIA公司的RTX2050,中央處理器(CPU)型號為 i712700H ,運行內(nèi)存為16GB。此外,構(gòu)建的模型均在Tensorflow框架下完成,采用的數(shù)據(jù)從風(fēng)力渦輪機測試機中采樣,故障數(shù)據(jù)來源、詳細參數(shù)以及源域和目標(biāo)域的劃分見表1。

    表1故障數(shù)據(jù)集來源、參數(shù)以及源域和目標(biāo)域的劃分

    3.2 特征提取、選擇

    將源域(CWRU電機軸承故障數(shù)據(jù)集)中的振動信號通過特征模型提取,生成代表設(shè)備狀態(tài)的特征向量。以CWRU電機軸承故障實驗臺數(shù)據(jù)為例進行分析,在驅(qū)動端(DE)和風(fēng)扇端(FE)位置所獲取某個信號分割片段所提取的時頻包絡(luò)圖如圖3(a)、(b)所示。由時域包絡(luò)圖不僅可以得到信號的主要頻率成分、相位信息,進一步分析信號的頻域特征、頻率分布以及相位變化和相位差異,而且可以得到不同時間、頻率時振幅的變化信息,顏色越深,振幅越大,從中可以識別振幅異?;蜃兓膮^(qū)域。本文中將源域中每個樣本提取的 241×2 型特征矩陣轉(zhuǎn)換為 482×1 型一維數(shù)組作為該樣本的特征。

    小波包分解樹的深度 j 為4時的CWRU電機軸承故障數(shù)據(jù)小波分解結(jié)果如圖4所示。為了避免圖表過載,僅處理源域中DE端獲取到的正常狀態(tài)和故障點直徑為 1.778mm 、電機負載為735W的內(nèi)圈故障狀態(tài)下的振動信號,并截取前0.01s的2段信號。每個葉子節(jié)點僅使用該點的小波包系數(shù)表示重構(gòu)樣本,比較DE端內(nèi)圈故障和正常狀態(tài)的2段信號。對比圖4(a)、(b)中原始信號經(jīng)4級分解得到的16個小波分解的時域圖可以看到,節(jié)點能量確實存在很大差異,經(jīng)過小波分解可以更容易地觀察到能量高的頻率范圍、能量聚集區(qū)域的位置和強度,并能觀察信號中的主要頻率成分和頻帶,反映信號在不同尺度上的能量分布。

    圖3CWRU電機軸承故障數(shù)據(jù)集軸承振動信號的時頻包絡(luò)圖
    圖4小波包分解樹的 j 為4的CWRU電機軸承故障數(shù)據(jù)小波包分解結(jié)果

    源域中每個樣本的總特征個數(shù)見表2。SVM分類器基于不同特征模型提取的特征的故障診斷準(zhǔn)確率(ACC)和受試者工作特性曲線下的面積(AUC)見表3。由表中數(shù)據(jù)可以看出,與基于不同特征的ACC、AUC相比,SVM基于特征池的故障診斷ACC和AUC均最小,基于后續(xù)經(jīng)REF特征選擇后的特征的ACC最大,說明CWRU數(shù)據(jù)集中各特征模型所提取的特征中存在冗余特征,增加了分類器計算復(fù)雜性和存儲需求。

    表3支持向量機分類器基于不同特征模型提取的特征的故障診斷結(jié)果
    表2每個樣本提取的特征及數(shù)量
    注: ①AUC 為受試者工作特性曲線下的面積。 ② REF為遞歸特征消除。

    從表3的單類特征訓(xùn)練結(jié)果可以看出,源域頻域統(tǒng)計特征在SVM分類器中表現(xiàn)較差(ACC和AUC均小于 65% ),表明此類特征對故障診斷的區(qū)分能力有限。為此,本文中采用RFE結(jié)合SVM評估特征重要性,通過迭代移除最不重要的特征并重新訓(xùn)練,最終篩選出最優(yōu)特征子集。RFE選擇的特征的重要性結(jié)果如圖5所示。由圖可見,小波統(tǒng)計特征與時域特征的重要性分值最低(即貢獻最大),而一階差分、二階差分特征的重要性分值高達時域特征的30倍,因此被剔除。最終保留的時域特征、復(fù)雜包絡(luò)特征及小波統(tǒng)計特征構(gòu)成了最優(yōu)特征子集。從表3中的實驗結(jié)果可知,基于該子集的SVM分類器在故障診斷任務(wù)中表現(xiàn)出色,ACC和AUC均大于 85% ,最高可達 95% 。相比之下,SVM對單一特征的分類性能波動較大(ACC為 80%~97% ),而對所有原始特征的組合的ACC和AUC都小于65% ,驗證了時域特征、復(fù)雜包絡(luò)特征與小波統(tǒng)計特征的協(xié)同作用,它們通過互補的時頻信息捕捉軸承故障的瞬態(tài)特性與全局模式,使分類器的魯棒性與泛化能力顯著提升。

    圖5遞歸特征消除(REF)選擇的特征的重要性結(jié)果

    3.3 不同分類器對最優(yōu)特征子集的故障診斷性能

    將SVM、KNN、light-GBM、XGBoost、RF和DT6種分類器在RFE特征選擇所得到的源域和目標(biāo)域的最優(yōu)的特征子集中訓(xùn)練,故障診斷性能如圖6所示。由圖可知:除KNN分類器外,其他5種分類器在源域(傳感器1、2)的故障診斷的ACC幾乎都大于 95% 。經(jīng)過基于網(wǎng)絡(luò)模型的遷移學(xué)習(xí),除KNN分類器外,其他5種分類器在4個目標(biāo)數(shù)據(jù)集上的ACC基本都在 80% 以上。對于轉(zhuǎn)速為 30r/min 、負載電壓為 0ΔV 配置的齒輪數(shù)據(jù)集,第一個通道(對應(yīng)傳感器7)收集到的振動信號經(jīng)過特征提取和分類器訓(xùn)練后,其ACC和AUC數(shù)值中基本為該曲線的最低點。在其他目標(biāo)數(shù)據(jù)集中,除了KNN分類器之外,另外5種分類器的ACC基本均能達到 95% ,進一步說明基于網(wǎng)絡(luò)模型的遷移學(xué)習(xí)在齒輪箱故障診斷中也有較好的效果。

    圖6不同分類器在源域和目標(biāo)域的故障診斷準(zhǔn)確率(ACC)和受試者工作特性曲線下的面積(AUC)

    3.4 源域和目標(biāo)域中的決策融合

    基于最優(yōu)特征子集,本文中采用投票法、融合法和堆疊法分別集成6種基分類器構(gòu)建 M1 、 M2 、 M3 模型,3個模型的分類ACC和AUC如表4所示。表中結(jié)果顯示,在目標(biāo)域測試集上的故障分類任務(wù)中,3個模型的ACC和AUC均大于 96% ,其中 M2 模型通過融合法整合互補分類器優(yōu)勢,ACC達到 100% 。與圖6中單一分類器的分類性能相比較,3個集成模型的故障分類診斷性能顯著提升,驗證了遷移學(xué)習(xí)框架的有效性。其中, M2 模型憑借特征級融合策略,在復(fù)雜工況下的泛化能力尤為突出,為目標(biāo)域軸承故障診斷提供了高魯棒性解決方案。

    表4決策融合模型的故障診斷性能

    注: ①AUC 為受試者工作特性曲線下的面積。 ②M1 模型為 K 近鄰分類器(KNN)、決策樹分類器(DT)、隨機森林分類器(RF)、支持向量機分類器(SVM)、輕量梯度提升機分類器( )和極端梯度提升機分類器(XGBoost)通過投票法構(gòu)建的模型。 ③ M2 模型為上述6種分類器通過融合法構(gòu)建的模型。 ④M3 模型為上述6種分類器通過堆疊法構(gòu)建的模型。

    3.5 診斷方法比較

    以下將比較 M1 、 M2 、 M3 模型與自編碼算法(SAE)網(wǎng)絡(luò)[25]、MKFCNN-LSTM遷移學(xué)習(xí)算法的齒輪箱中軸承故障的診斷性能,驗證本文模型的有效性和優(yōu)越性,結(jié)果見表5。SAE網(wǎng)絡(luò)的參數(shù)設(shè)置為:2個隱藏層的神經(jīng)元數(shù)量分別為256、128,迭代次數(shù)為30。MKFCNN-LSTM遷移學(xué)習(xí)算法的參數(shù)設(shè)置為:MKFCNN網(wǎng)絡(luò)結(jié)構(gòu)為6層,每個隱藏層神經(jīng)元數(shù)分別為0、16和32。從表5中數(shù)據(jù)可以看出,本文搭建的 M2 模型的故障診斷準(zhǔn)確率均比其他2種算法的高,且最高可達 100%

    表5不同算法或模型的齒輪箱故障診斷準(zhǔn)確率

    注: ①SAE 為一個由多層稀疏自編碼器組成的深度神經(jīng)網(wǎng)絡(luò)模型。 ② MKFCNN-LSTM為基于多核融合卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)算法。 $\textcircled { 3 } \textcircled { \mathrm { M } } _ { 1 }$ 模型為 K 近鄰分類器(KNN)、決策樹分類器(DT)、隨機森林分類器(RF)、支持向量機分類器(SVM)、輕量梯度提升機分類器(lightGBM)和極端梯度提升機分類器(XGBoost)通過投票法構(gòu)建的模型。 ④M2 模型為上述6種分類器通過融合法構(gòu)建的模型。 ⑤M3 模型為上述6種分類器通過堆疊法構(gòu)建的模型。

    4結(jié)論

    本文中提出一種基于決策融合方法和遷移學(xué)習(xí)的齒輪箱故障診斷模型。該模型結(jié)合傳統(tǒng)分類器在診斷性能上的優(yōu)缺點,構(gòu)建決策融合模型,對 M2 模型的齒輪箱故障診斷性能進行對比評估,得出以下結(jié)論:

    1)將特征模型和不同分類器構(gòu)建的決策融合模型,可以充分發(fā)揮各分類器的優(yōu)點,彌補各自的缺點,實現(xiàn)對不同工況下齒輪箱故障的診斷,準(zhǔn)確率最高可達 100% 。

    2)通過基于網(wǎng)絡(luò)模型的遷移學(xué)習(xí),將在CWRU電機軸承故障數(shù)據(jù)集訓(xùn)練好的基于決策融合的軸承故障診斷模型應(yīng)用于東南大學(xué)齒輪箱軸承數(shù)據(jù)集,驗證該模型對齒輪箱軸承的故障診斷具有普適性。實驗結(jié)果表明, M2 模型在齒輪箱故障診斷中的準(zhǔn)確率接近于該模型在源域上的診斷準(zhǔn)確率,最高可達 100% 。與SAE網(wǎng)絡(luò)和MKFCNN-LSTM遷移學(xué)習(xí)算法相比,本文中提出的基于決策融合方法和遷移學(xué)習(xí)的齒輪箱故障診斷模型在準(zhǔn)確率上具有明顯的優(yōu)勢。

    參考文獻:

    [1]LIU W Y. Intelligent fault diagnosis of wind turbines using multidimensional kernel domain spectrum technique[J]. Measurement, 2019,133:303.

    [2]GAO Q W,LIU W Y,TANG BP,et al. A novel wind turbine fault diagnosis method based on intergral extension load mean decomposition multiscale entropy and least squares support vector machine [J].Renewable Energy,2018,116:169.

    [3]XIA H,DAI L,SUN L P,et al. Analysis of the spatiotemporal distribution pattern and driving factors of renewable energy power generation in China[J].Economic Analysis and Policy,2023, 80: 414.

    [4]CHEN R X,HUANG X, YANG L X,et al. Inteligent fault diagnosis method of planetary gearboxes based on convolution neural network and discrete wavelet ransfor[J].Computers in Industry, 2019,106:48.

    [5]REN H,LIU W Y,SHAN MC,et al.A novel wind turbine health condition monitoring method based on composite variational mode entropy and weighted distribution adaptation[J].Renewable Energy,2021,168:972.

    [6]王皓,周峰.基于小波包和BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機齒輪箱故障診 斷[J].噪聲與振動控制,2015,35(2):154.

    [7]王超,李大忠.基于LSTM網(wǎng)絡(luò)的風(fēng)機齒輪箱軸承故障預(yù)警 [J].電力科學(xué)與工程,2020,36(9):40.

    [8]孟繁曄,高翼飛,陳長征,等.基于多方向振動數(shù)據(jù)的風(fēng)機齒 輪箱故障智能診斷[J].機械工程師,2022,16:66.

    [9] 侯召國,王華偉,王峻洲,等.基于遷移學(xué)習(xí)與加權(quán)多通道融 合的齒輪箱故障診斷[J].振動與沖擊,2023,42(9):236.

    [10]GUO Y L,WU G X, LIU X L. Small sample MKFCNN-LSTM transfer learning fault diagnosis method[C]//ZHANG H,F(xiàn)ENG G J,WANG H J,et al. Proceedings of IncoME-VI and TEPEN 2021:Performance Engineering and Maintenance Enginering. Cham:Springer International Publishing,2022:265.

    [11]WAN Z T,YANG R,HUANG M J. Deep transfer learningbased fault diagnosis for gearbox under complex working conditions[J].Shock and Vibration,2020,2020:1.

    [12]LU Y,TANG J. On time-frequency domain feature extraction of wave signals for structural health monitoring[J]. Measurement, 2018,114: 51.

    [13]XIA Z G,XIA S X,WAN L,et al. Spectral regression based fault feature extraction for bearing accelerometer sensor signals [J].Sens0rs,2012,12(10):13694. sis of induction motors using a genetic algorithm and machine learning classifiers[J]. Sensors,2020,20(7):1884.

    [15]HU D, ZHANG C,YANG T,et al. An intelligent anomaly detection method for rotating machinery based on vibration vectors[J]. IEEE Sensors Journal,2022,22(14):14294.

    [16] ZHANG YF,KANGBY,HOOIB,et al.Deep long-tailed learning:a survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2023,45(9) : 10795.

    [17]RAFIEE R,RAFIEE S,TSE P W. Bearing fault diagnosis based on wavelet transform and fuzzy logic[J].Mechanical Systems and Signal Processing,2011, 25(2) : 667.

    [18] ROSENSTEINM T,MARX Z,KAELBLINGL ΔP ,etal.To transfer or not to transfer[C]//NIPS 2O05 Workshop on Inductive Transfer: 10 Years Later, December 5-8 ,2005,Vancouver, Canada. Cambridge:MIT Press 2005,898(3):4.

    [19]AGAHI H,MAHMOODZADEH A. Decision fusion scheme for bearing defects diagnosis in induction motors[J].Electrical Engineering,2020,102(4):2269.

    [20]AJAKAN H,GERMAIN P,LAROCHELLE H,et al. Domainadversarial neural networks[EB/OL]. (2014-12-15)[2024- 02-01]. https://doi.org/10. 48550/arXiv. 1412.4446.

    [21]HINTON G,VINYALS O,DEAN J. Distilling the knowledge in a neural network[EB/OL].(2015-03-09)[2024-02-01]. https://doi.org/10. 48550/arXiv.1503.02531.

    [22]SHAO S Y,McALEER S,YAN R Q,et al. Highly accurate machine fault diagnosis using deep transfer learning[J].IEEE Transactions on Industrial Informatics,2019,15(4):2446.

    [23] DAI WY,YANG Q,XUE GR,et al.Boosting for transfer learning[C]//GHAHRAMANI Z. ICML'O7: Proceedings of the 24th International Conference on Machine Learning. New York: Association for Computing Machinery,2O07:193.

    [24]TZENG E,HOFFMAN J, ZHANG N,et al. Deep domain confusion:maximizing for domain invariance[EB/OL]. (2014-12- 10)[2024-02-01]. https://doi.org/10. 48550/arXiv.1412. 3474.

    [25]HUANG JT,LI JY,YU D,et al. Cross-language knowledge transfer using multilingual deep neural network with shared hidden layers[C]//2013 IEEE International Conference on Acoustics, Speech and Signal Processing,May 26-31,2013,Vancouver, Canada.New York:IEEE,2013:7304.

    (責(zé)任編輯:劉飚)

    猜你喜歡
    故障診斷特征故障
    故障一點通
    如何表達“特征”
    不忠誠的四個特征
    抓住特征巧觀察
    奔馳R320車ABS、ESP故障燈異常點亮
    因果圖定性分析法及其在故障診斷中的應(yīng)用
    故障一點通
    江淮車故障3例
    基于LCD和排列熵的滾動軸承故障診斷
    基于WPD-HHT的滾動軸承故障診斷
    機械與電子(2014年1期)2014-02-28 02:07:31
    亚洲精品久久久久久婷婷小说| 免费少妇av软件| 777久久人妻少妇嫩草av网站| 无限看片的www在线观看| 精品少妇久久久久久888优播| 老司机福利观看| 美女主播在线视频| 汤姆久久久久久久影院中文字幕| 国产免费福利视频在线观看| 成人亚洲精品一区在线观看| 国产精品香港三级国产av潘金莲| 极品少妇高潮喷水抽搐| 美女视频免费永久观看网站| 亚洲欧美激情在线| 久久精品亚洲熟妇少妇任你| 久久综合国产亚洲精品| 久久国产精品人妻蜜桃| 多毛熟女@视频| 中文字幕色久视频| 人人妻人人澡人人看| 亚洲天堂av无毛| 亚洲一码二码三码区别大吗| 肉色欧美久久久久久久蜜桃| 91av网站免费观看| 欧美日韩中文字幕国产精品一区二区三区 | 亚洲五月婷婷丁香| 黄频高清免费视频| 99精国产麻豆久久婷婷| 人人妻人人爽人人添夜夜欢视频| 久久久精品免费免费高清| 国产真人三级小视频在线观看| 精品人妻1区二区| 精品亚洲乱码少妇综合久久| 欧美 日韩 精品 国产| 成人av一区二区三区在线看 | 色94色欧美一区二区| 午夜福利乱码中文字幕| 人妻 亚洲 视频| 久久精品国产亚洲av香蕉五月 | 亚洲免费av在线视频| 久久香蕉激情| 欧美日韩一级在线毛片| 三级毛片av免费| 亚洲国产av新网站| 操出白浆在线播放| 国产精品秋霞免费鲁丝片| 久久久精品国产亚洲av高清涩受| 久久精品久久久久久噜噜老黄| 国产成人av教育| 热99re8久久精品国产| 国产国语露脸激情在线看| 一进一出抽搐动态| 国产极品粉嫩免费观看在线| 午夜精品久久久久久毛片777| 男女边摸边吃奶| 男女边摸边吃奶| 后天国语完整版免费观看| 麻豆av在线久日| 欧美日韩成人在线一区二区| 亚洲精华国产精华精| cao死你这个sao货| 亚洲国产精品一区二区三区在线| 久久人妻熟女aⅴ| 男女免费视频国产| 亚洲国产精品一区二区三区在线| 交换朋友夫妻互换小说| 狠狠狠狠99中文字幕| 永久免费av网站大全| 成年美女黄网站色视频大全免费| 99久久人妻综合| 亚洲精品一区蜜桃| 18禁观看日本| 亚洲五月色婷婷综合| 国产精品一二三区在线看| 麻豆乱淫一区二区| 精品少妇一区二区三区视频日本电影| 亚洲欧美激情在线| 欧美日韩亚洲高清精品| tube8黄色片| 亚洲av成人不卡在线观看播放网 | 老汉色av国产亚洲站长工具| 成年人免费黄色播放视频| 久久女婷五月综合色啪小说| 日本a在线网址| 这个男人来自地球电影免费观看| 一区二区三区精品91| 波多野结衣一区麻豆| 久久这里只有精品19| 亚洲第一欧美日韩一区二区三区 | www.av在线官网国产| 久久久国产精品麻豆| 国产成人精品久久二区二区91| 久久99一区二区三区| 最近最新免费中文字幕在线| 欧美精品一区二区免费开放| 国产麻豆69| 免费av中文字幕在线| 日日摸夜夜添夜夜添小说| 一区二区三区乱码不卡18| 亚洲欧美精品综合一区二区三区| 久久人人爽人人片av| 欧美亚洲日本最大视频资源| 精品亚洲成a人片在线观看| 考比视频在线观看| 成年人免费黄色播放视频| 亚洲欧美精品自产自拍| 超色免费av| 日本vs欧美在线观看视频| 免费av中文字幕在线| xxxhd国产人妻xxx| 久久精品亚洲熟妇少妇任你| 少妇 在线观看| 亚洲 国产 在线| 亚洲第一av免费看| 精品一品国产午夜福利视频| 午夜福利,免费看| 亚洲九九香蕉| 亚洲人成电影观看| 精品国产一区二区久久| 91麻豆av在线| 一区二区三区四区激情视频| 亚洲精品一卡2卡三卡4卡5卡 | 精品人妻在线不人妻| 啦啦啦 在线观看视频| 久久人妻福利社区极品人妻图片| 欧美精品人与动牲交sv欧美| 国产欧美日韩一区二区精品| 午夜久久久在线观看| 国产成人av激情在线播放| 国产免费一区二区三区四区乱码| 欧美日韩av久久| 纯流量卡能插随身wifi吗| 国产淫语在线视频| 性高湖久久久久久久久免费观看| 久久99一区二区三区| 后天国语完整版免费观看| 十分钟在线观看高清视频www| svipshipincom国产片| 国产片内射在线| 少妇猛男粗大的猛烈进出视频| 黑人操中国人逼视频| 丝袜脚勾引网站| 欧美日韩亚洲高清精品| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲男人天堂网一区| 国产欧美日韩精品亚洲av| 亚洲精品中文字幕一二三四区 | 免费看十八禁软件| 男人操女人黄网站| 欧美日韩亚洲国产一区二区在线观看 | 最新在线观看一区二区三区| 成人国产av品久久久| 一区二区三区精品91| 成人国语在线视频| 成人影院久久| 女人爽到高潮嗷嗷叫在线视频| 一区二区三区激情视频| 亚洲国产毛片av蜜桃av| 高清视频免费观看一区二区| 99国产综合亚洲精品| 日本av免费视频播放| 欧美一级毛片孕妇| 丝袜脚勾引网站| 又黄又粗又硬又大视频| 韩国高清视频一区二区三区| 亚洲国产欧美网| 搡老熟女国产l中国老女人| 国产精品国产三级国产专区5o| 亚洲熟女毛片儿| 国产xxxxx性猛交| 女人久久www免费人成看片| 国产精品久久久久久人妻精品电影 | 日韩欧美一区视频在线观看| 天天添夜夜摸| 国产精品偷伦视频观看了| 青春草亚洲视频在线观看| 超碰成人久久| 亚洲av成人不卡在线观看播放网 | 伦理电影免费视频| 一本大道久久a久久精品| 国产一级毛片在线| av欧美777| 精品国产乱码久久久久久男人| 成人手机av| 多毛熟女@视频| 欧美 亚洲 国产 日韩一| 中文字幕制服av| 1024香蕉在线观看| 中文字幕另类日韩欧美亚洲嫩草| a在线观看视频网站| 色综合欧美亚洲国产小说| 大片免费播放器 马上看| 国产视频一区二区在线看| 国产日韩欧美在线精品| 精品少妇黑人巨大在线播放| 午夜福利在线观看吧| 亚洲综合色网址| 99九九在线精品视频| 亚洲精品国产区一区二| 青春草视频在线免费观看| 亚洲九九香蕉| 精品熟女少妇八av免费久了| 青春草亚洲视频在线观看| 久久久久网色| 欧美精品高潮呻吟av久久| 日韩,欧美,国产一区二区三区| 亚洲精品久久久久久婷婷小说| 多毛熟女@视频| 在线 av 中文字幕| 极品少妇高潮喷水抽搐| 亚洲中文av在线| 国产熟女午夜一区二区三区| 国产人伦9x9x在线观看| 97精品久久久久久久久久精品| 另类亚洲欧美激情| 麻豆av在线久日| 人人妻人人添人人爽欧美一区卜| 精品少妇一区二区三区视频日本电影| 精品一区二区三卡| 国产免费现黄频在线看| 香蕉国产在线看| 中文字幕最新亚洲高清| 欧美日韩国产mv在线观看视频| 黄色 视频免费看| 国产淫语在线视频| 中文字幕另类日韩欧美亚洲嫩草| 免费观看a级毛片全部| 久久久久精品国产欧美久久久 | 亚洲国产成人一精品久久久| 亚洲第一青青草原| 久久久久久久久久久久大奶| 少妇人妻久久综合中文| 欧美精品av麻豆av| 午夜激情av网站| 精品国产一区二区三区四区第35| 最近中文字幕2019免费版| 成年人黄色毛片网站| 黑人欧美特级aaaaaa片| 侵犯人妻中文字幕一二三四区| 搡老岳熟女国产| 国产免费现黄频在线看| 三级毛片av免费| 热re99久久国产66热| www.自偷自拍.com| 十八禁网站网址无遮挡| 十八禁人妻一区二区| 欧美另类一区| 一边摸一边抽搐一进一出视频| 国产日韩欧美在线精品| 少妇裸体淫交视频免费看高清 | 亚洲精品一卡2卡三卡4卡5卡 | 亚洲九九香蕉| 99久久精品国产亚洲精品| 日日爽夜夜爽网站| 亚洲欧美激情在线| 伊人久久大香线蕉亚洲五| 欧美性长视频在线观看| 亚洲国产中文字幕在线视频| 亚洲激情五月婷婷啪啪| 在线永久观看黄色视频| 日韩中文字幕欧美一区二区| 一级毛片精品| 亚洲欧美激情在线| 久久精品aⅴ一区二区三区四区| 亚洲七黄色美女视频| 欧美一级毛片孕妇| 国产精品熟女久久久久浪| 91成人精品电影| 狠狠狠狠99中文字幕| 成人三级做爰电影| 欧美日韩av久久| 宅男免费午夜| 国产黄频视频在线观看| 久久热在线av| 又紧又爽又黄一区二区| 欧美激情 高清一区二区三区| 十八禁人妻一区二区| 精品第一国产精品| 欧美日韩黄片免| 亚洲精品久久成人aⅴ小说| 美女大奶头黄色视频| av网站在线播放免费| 国产精品久久久久久精品电影小说| 啦啦啦免费观看视频1| 人成视频在线观看免费观看| 午夜成年电影在线免费观看| 国产亚洲精品一区二区www | 91麻豆av在线| 水蜜桃什么品种好| 国产免费av片在线观看野外av| 国产精品av久久久久免费| 亚洲美女黄色视频免费看| 精品一区二区三区av网在线观看 | 黄色毛片三级朝国网站| 12—13女人毛片做爰片一| 免费高清在线观看日韩| 久久久久久亚洲精品国产蜜桃av| 一本久久精品| 国产xxxxx性猛交| 永久免费av网站大全| 伦理电影免费视频| 一区二区三区激情视频| www.999成人在线观看| 人人妻人人澡人人看| 91九色精品人成在线观看| 无遮挡黄片免费观看| 欧美xxⅹ黑人| 高清av免费在线| 国产精品99久久99久久久不卡| 国产av一区二区精品久久| 最新的欧美精品一区二区| 国产99久久九九免费精品| 纯流量卡能插随身wifi吗| 国产男女超爽视频在线观看| 国产一区二区在线观看av| www日本在线高清视频| 午夜福利一区二区在线看| 国产黄色免费在线视频| 国产精品一区二区免费欧美 | 99精品久久久久人妻精品| 热re99久久国产66热| 国产在线观看jvid| 啪啪无遮挡十八禁网站| 9色porny在线观看| 欧美 日韩 精品 国产| 黄色视频,在线免费观看| 91麻豆av在线| 又紧又爽又黄一区二区| 十八禁网站网址无遮挡| 精品国产乱码久久久久久小说| 99九九在线精品视频| 日韩 欧美 亚洲 中文字幕| 欧美精品一区二区大全| 伦理电影免费视频| 性色av一级| 国产精品国产av在线观看| a在线观看视频网站| 午夜免费鲁丝| 极品少妇高潮喷水抽搐| 国产精品久久久久久人妻精品电影 | 亚洲九九香蕉| 一级片'在线观看视频| 亚洲欧美精品综合一区二区三区| 99国产精品免费福利视频| 菩萨蛮人人尽说江南好唐韦庄| 亚洲va日本ⅴa欧美va伊人久久 | 国产精品 国内视频| 50天的宝宝边吃奶边哭怎么回事| 成年av动漫网址| 欧美日韩亚洲综合一区二区三区_| 高清在线国产一区| 欧美日韩亚洲高清精品| 国内毛片毛片毛片毛片毛片| 国产精品欧美亚洲77777| 动漫黄色视频在线观看| 性高湖久久久久久久久免费观看| 可以免费在线观看a视频的电影网站| 一二三四在线观看免费中文在| 欧美激情极品国产一区二区三区| 国产97色在线日韩免费| 久热爱精品视频在线9| 日韩电影二区| 午夜福利免费观看在线| 亚洲综合色网址| 热re99久久精品国产66热6| 精品久久久久久久毛片微露脸 | 老司机在亚洲福利影院| 亚洲精品美女久久久久99蜜臀| 久久久久久亚洲精品国产蜜桃av| 欧美精品亚洲一区二区| 国产一区二区三区综合在线观看| 视频区图区小说| 午夜福利影视在线免费观看| 考比视频在线观看| 亚洲人成电影免费在线| 国产老妇伦熟女老妇高清| 欧美黄色片欧美黄色片| 99久久精品国产亚洲精品| 一二三四在线观看免费中文在| 性高湖久久久久久久久免费观看| 婷婷丁香在线五月| 亚洲中文字幕日韩| 亚洲国产日韩一区二区| 女人精品久久久久毛片| 老司机在亚洲福利影院| 大香蕉久久网| av网站在线播放免费| 飞空精品影院首页| 国产福利在线免费观看视频| 脱女人内裤的视频| 美女午夜性视频免费| 久久九九热精品免费| 亚洲专区字幕在线| 国产免费av片在线观看野外av| 国产一区有黄有色的免费视频| 欧美老熟妇乱子伦牲交| 欧美黄色淫秽网站| 亚洲欧美激情在线| 免费高清在线观看日韩| 国产片内射在线| 狠狠精品人妻久久久久久综合| 国产精品久久久久久人妻精品电影 | 又大又爽又粗| 精品少妇内射三级| 国产精品久久久人人做人人爽| 99热全是精品| 视频区欧美日本亚洲| 国产激情久久老熟女| 亚洲专区中文字幕在线| av超薄肉色丝袜交足视频| 亚洲色图综合在线观看| av欧美777| 少妇人妻久久综合中文| 九色亚洲精品在线播放| 亚洲av电影在线进入| 亚洲精品国产色婷婷电影| 在线观看人妻少妇| 汤姆久久久久久久影院中文字幕| 天天躁日日躁夜夜躁夜夜| 久久中文看片网| 精品久久蜜臀av无| 午夜免费成人在线视频| 国产亚洲欧美在线一区二区| www.熟女人妻精品国产| 午夜免费成人在线视频| 国产精品偷伦视频观看了| 一本大道久久a久久精品| 亚洲精品美女久久久久99蜜臀| 国产亚洲欧美精品永久| 欧美+亚洲+日韩+国产| 最新的欧美精品一区二区| 老司机亚洲免费影院| 99精品欧美一区二区三区四区| 国产男人的电影天堂91| 999久久久国产精品视频| 汤姆久久久久久久影院中文字幕| 高清欧美精品videossex| 亚洲中文av在线| 亚洲国产精品一区三区| 日韩视频在线欧美| 日韩制服骚丝袜av| 黄色 视频免费看| 亚洲激情五月婷婷啪啪| 天天躁日日躁夜夜躁夜夜| 久久久水蜜桃国产精品网| 久久久精品94久久精品| 男女午夜视频在线观看| 成人黄色视频免费在线看| 色老头精品视频在线观看| 欧美日韩中文字幕国产精品一区二区三区 | 色婷婷久久久亚洲欧美| 国产三级黄色录像| 欧美精品av麻豆av| 亚洲国产毛片av蜜桃av| 18禁黄网站禁片午夜丰满| av免费在线观看网站| 色94色欧美一区二区| 一级毛片女人18水好多| 亚洲成人国产一区在线观看| 国产男女内射视频| 新久久久久国产一级毛片| 久9热在线精品视频| 国产成人一区二区三区免费视频网站| 99热全是精品| av网站免费在线观看视频| 我要看黄色一级片免费的| 国产精品久久久av美女十八| 精品国产一区二区久久| 婷婷成人精品国产| 电影成人av| 免费在线观看视频国产中文字幕亚洲 | 十八禁人妻一区二区| 女性被躁到高潮视频| 人人妻人人澡人人爽人人夜夜| 窝窝影院91人妻| 国产一卡二卡三卡精品| 人妻久久中文字幕网| 极品少妇高潮喷水抽搐| 99精品久久久久人妻精品| 性色av一级| a级毛片在线看网站| 免费日韩欧美在线观看| 视频区欧美日本亚洲| 黄色a级毛片大全视频| 久久久欧美国产精品| 欧美中文综合在线视频| 涩涩av久久男人的天堂| 99香蕉大伊视频| 国产一级毛片在线| 日韩大码丰满熟妇| 岛国在线观看网站| 亚洲七黄色美女视频| 美国免费a级毛片| 国产免费现黄频在线看| 国产av国产精品国产| 国产伦理片在线播放av一区| 国产高清videossex| 久久狼人影院| 国产区一区二久久| 黑人巨大精品欧美一区二区蜜桃| 久久久国产成人免费| 国产亚洲一区二区精品| 十八禁人妻一区二区| 九色亚洲精品在线播放| 69av精品久久久久久 | 亚洲va日本ⅴa欧美va伊人久久 | 99热网站在线观看| 成年av动漫网址| 操出白浆在线播放| 美女视频免费永久观看网站| 亚洲一区二区三区欧美精品| 亚洲精品一卡2卡三卡4卡5卡 | 男女国产视频网站| 午夜免费观看性视频| 日韩中文字幕视频在线看片| 丁香六月天网| 在线av久久热| 国产野战对白在线观看| 国产麻豆69| 韩国精品一区二区三区| 精品国产乱码久久久久久小说| 老汉色∧v一级毛片| 成人黄色视频免费在线看| 国产无遮挡羞羞视频在线观看| 国产精品偷伦视频观看了| 亚洲欧美激情在线| 亚洲av国产av综合av卡| 少妇 在线观看| 视频在线观看一区二区三区| 日韩 亚洲 欧美在线| 国产精品久久久久久人妻精品电影 | 多毛熟女@视频| av视频免费观看在线观看| svipshipincom国产片| 欧美黑人精品巨大| 欧美少妇被猛烈插入视频| 精品一品国产午夜福利视频| 欧美中文综合在线视频| 久久精品aⅴ一区二区三区四区| 亚洲欧洲日产国产| 国产免费av片在线观看野外av| 国产精品欧美亚洲77777| 久久精品aⅴ一区二区三区四区| 一级片'在线观看视频| 午夜福利乱码中文字幕| 美女扒开内裤让男人捅视频| 精品一品国产午夜福利视频| 欧美国产精品一级二级三级| 国产主播在线观看一区二区| √禁漫天堂资源中文www| 国产精品久久久久久人妻精品电影 | 视频区图区小说| 纯流量卡能插随身wifi吗| 一区在线观看完整版| 悠悠久久av| 久9热在线精品视频| 老汉色∧v一级毛片| 亚洲色图 男人天堂 中文字幕| 在线观看www视频免费| 久久九九热精品免费| 国产成人欧美| bbb黄色大片| 99国产极品粉嫩在线观看| e午夜精品久久久久久久| 在线观看人妻少妇| 成年女人毛片免费观看观看9 | 欧美精品人与动牲交sv欧美| 一边摸一边抽搐一进一出视频| 欧美精品人与动牲交sv欧美| 丝袜脚勾引网站| 国产精品 国内视频| 日韩一区二区三区影片| 日本av免费视频播放| 亚洲全国av大片| 色婷婷av一区二区三区视频| 男女午夜视频在线观看| 精品欧美一区二区三区在线| 国产真人三级小视频在线观看| 国产激情久久老熟女| 久久精品aⅴ一区二区三区四区| 丰满人妻熟妇乱又伦精品不卡| 国产91精品成人一区二区三区 | 久久久久久久精品精品| 在线天堂中文资源库| 亚洲av片天天在线观看| 黄频高清免费视频| 国产精品久久久久久精品电影小说| 日韩人妻精品一区2区三区| 欧美成人午夜精品| 欧美日韩视频精品一区| 亚洲 国产 在线| 成人国产av品久久久| 一边摸一边做爽爽视频免费| 亚洲五月婷婷丁香| 美女视频免费永久观看网站| 日本一区二区免费在线视频| 午夜免费成人在线视频| 亚洲精品乱久久久久久| avwww免费| 伦理电影免费视频| 人人妻人人爽人人添夜夜欢视频| 国精品久久久久久国模美| 欧美日韩亚洲综合一区二区三区_| 色婷婷久久久亚洲欧美| 久久免费观看电影| 亚洲中文字幕日韩| 久久精品久久久久久噜噜老黄| 精品人妻一区二区三区麻豆| 中文精品一卡2卡3卡4更新| 国产精品久久久人人做人人爽| 黄片播放在线免费| 久久久国产精品麻豆| 欧美 亚洲 国产 日韩一| 亚洲激情五月婷婷啪啪| 国产一级毛片在线|