• <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PCA神經(jīng)網(wǎng)絡(luò)和D-S決策的瓦斯傳感器故障辨識

    2015-06-09 22:44:12徐平安王其軍任玉東
    儀表技術(shù)與傳感器 2015年3期
    關(guān)鍵詞:降維分類器瓦斯

    黃 丹,徐平安,王其軍,2,任玉東,嚴(yán) 彬

    (1.安徽理工大學(xué)電氣與信息工程學(xué)院,安徽淮南 232001;2.淮南職業(yè)技術(shù)學(xué)院,安徽淮南 232001)

    ?

    基于PCA神經(jīng)網(wǎng)絡(luò)和D-S決策的瓦斯傳感器故障辨識

    黃 丹1,徐平安1,王其軍1,2,任玉東1,嚴(yán) 彬1

    (1.安徽理工大學(xué)電氣與信息工程學(xué)院,安徽淮南 232001;2.淮南職業(yè)技術(shù)學(xué)院,安徽淮南 232001)

    針對瓦斯傳感器故障診斷時(shí),存在提取的樣本數(shù)據(jù)空間維數(shù)大、診斷實(shí)時(shí)性差、診斷結(jié)論的識別能力低和存在不確定性的問題,提出了一種基于主元分析(PCA)-神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論集成的故障診斷策略。使用主元分析方法對高維故障樣本空間數(shù)據(jù)進(jìn)行降維,再結(jié)合神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行故障模式識別。并且運(yùn)用DS證據(jù)理論對神經(jīng)網(wǎng)絡(luò)分類器的故障診斷結(jié)果進(jìn)行數(shù)據(jù)融合。仿真實(shí)驗(yàn)表明:該診斷方法改善了神經(jīng)網(wǎng)絡(luò)對瓦斯傳感器故障診斷準(zhǔn)確率的同時(shí)提高了診斷速度,并且降低了故障結(jié)論的不確定性以及提高了結(jié)論的識別與決策能力。

    瓦斯傳感器;故障診斷;主成分分析;神經(jīng)網(wǎng)絡(luò);DS證據(jù)理論

    0 引言

    瓦斯氣體濃度的監(jiān)測是煤礦安全監(jiān)測的重要指標(biāo)之一。瓦斯傳感器也就成了煤礦安全的重要儀器。目前我國煤礦井下大都使用帶有載體催化元件的瓦斯傳感器。但由于井下環(huán)境惡劣,導(dǎo)致瓦斯傳感器的卡死故障、沖擊故障、漂移故障、周期故障等常見故障頻發(fā)。因此研究瓦斯傳感器的故障診斷方法,對提高煤礦安全監(jiān)測系統(tǒng)的可靠性有著極其重要的作用[1]。

    目前在煤礦安全監(jiān)測系統(tǒng)中常采用的診斷方法有粗糙集與證據(jù)理論的結(jié)合,粗糙集與神經(jīng)網(wǎng)絡(luò)的結(jié)合等。其中粗糙集在原始故障數(shù)據(jù)的預(yù)處理方面已經(jīng)得到很好的運(yùn)用,它在處理冗余數(shù)據(jù)有其長處,而不足之處在于對噪聲的敏感。神經(jīng)網(wǎng)絡(luò)主要優(yōu)勢在于對噪聲數(shù)據(jù)不敏感,不足之處在于存在訓(xùn)練時(shí)間過長、實(shí)時(shí)性差、過擬合、輸出結(jié)論的不確定性等問題。D-S證據(jù)理論則可以降低不確定性,可以彌補(bǔ)神經(jīng)網(wǎng)絡(luò)輸出的不穩(wěn)定性,但D-S證據(jù)理論要求每個(gè)證據(jù)都是相互獨(dú)立的,并且由于其計(jì)算量大容易引起組合爆炸的問題[2-3]。據(jù)此,針對瓦斯傳感器的故障診斷,提出了一種基于主元分析(PCA)——神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論集成的故障融合診斷策略。該策略首先針對故障數(shù)據(jù)空間維數(shù)大的問題,利用PCA對故障數(shù)據(jù)進(jìn)行降維。然后將降維后的數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò),以此簡化了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),達(dá)到實(shí)時(shí)診斷的目的。神經(jīng)網(wǎng)絡(luò)選用的是概率神經(jīng)網(wǎng)絡(luò),并與BP神經(jīng)網(wǎng)絡(luò)作了對比仿真實(shí)驗(yàn)。針對單一故障診斷方法存在準(zhǔn)確性和可靠性不高,甚至可能還會出現(xiàn)誤診的情況,利用了D-S證據(jù)理論將經(jīng)過PCA處理的概率神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的故障診斷結(jié)果進(jìn)行融合,進(jìn)而獲得最終可靠的診斷結(jié)果,避免誤診的現(xiàn)象。故障診斷模型如圖1所示。

    圖1 故障診斷模型

    1 故障診斷策略

    1.1 主成分分析和神經(jīng)網(wǎng)絡(luò)

    主成分分析方法(PCA)可對高維故障樣本空間數(shù)據(jù)進(jìn)行降維,將得到的低維故障數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行故障模式識別。從而建立主成分分析和神經(jīng)網(wǎng)絡(luò)的結(jié)合。結(jié)合主成分分析,分別用概率神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對瓦斯傳感器的故障進(jìn)行診斷,并且對二者的診斷效果做了對比研究。

    1.1.1 主成分分析原理

    主成分分析(Principle Component Analysis)[4]概念首先由Karl pearson在1901年引進(jìn),Hotelling在1933年對這個(gè)概念進(jìn)行補(bǔ)充,將此概念由非隨機(jī)向量推廣到隨機(jī)向量。它是最為常用的特征提取方法,通過對原始數(shù)據(jù)的加工處理,剔除冗余信息,簡化問題處理的難度以改善對外界干擾的抵抗力。

    在實(shí)際問題中會經(jīng)常遇到需要研究多變量的情況,這會使得分析問題的復(fù)雜程度增加,因?yàn)樽兞枯^多時(shí)變量之間存在一定相關(guān)性。主成分分析就是重新組合原來具有一定相關(guān)性的眾多變量,使其組成一組新的相互無關(guān)的綜合變量來代替原來變量,并且按重要度從大到小排列。如果將選取的第一個(gè)線性組合即第一個(gè)綜合變量記為X1,那么X1的方差Var(X1)越大,表示X1包含的信息越多。X1即為第一主成分,因?yàn)樵谒械木€性組合中所選取的X1是方差最大的。再考慮選取第二個(gè)線性組合X2,前提是第一個(gè)主成分不足以代表原來N個(gè)變量的信息,并且X1已有的信息不能出現(xiàn)在X2中,即數(shù)學(xué)表達(dá)式為Cov(X1,X2)=0 ,依此類推可以構(gòu)造出第3,4,…,第N個(gè)主成分。由前所述易知主成分之間的方差是依次遞減的,并且它們也都是不相關(guān)的。因此在實(shí)際的具體問題中可以挑選前幾個(gè)最大主成分,這樣有利于問題的分析和處理。

    1.1.2 主成分分析計(jì)算步驟

    設(shè)x=(x1,x2,……,xn)T為n維隨機(jī)向量,則PCA具體求解步驟如下所示[5]:

    (1) 將由具體的實(shí)際對象中所獲得的數(shù)據(jù)組成樣本矩陣X每一列為一個(gè)觀察樣本x,每一行代表一維數(shù)據(jù)。求解樣本的協(xié)方差矩陣W;

    (2) 計(jì)算協(xié)方差矩陣W的特征向量ui及相應(yīng)特征值λi,其中i= 1 ,2 ,…,n;

    (3)按照下式計(jì)算前m個(gè)主元的累積貢獻(xiàn)率η(m),并按由大到小的順序排列特征值。

    累積貢獻(xiàn)率用于衡量新生成分量對原始數(shù)據(jù)的信息代表度。當(dāng)前m個(gè)主成分大于85%時(shí)即可將前m個(gè)主成分作為樣本特征;

    (4) 取前m個(gè)較大特征值對應(yīng)的特征向量構(gòu)成變換矩陣AT:

    AT= (u1,u2,…,um),m

    (5) 通過Y=AX計(jì)算前m個(gè)主成分,達(dá)到降低維數(shù)的目的。

    1.1.3 概率神經(jīng)網(wǎng)絡(luò)

    概率神經(jīng)網(wǎng)絡(luò)(PNN),是D.F.Specht博士首先提出的。它是基于Parzen窗的概率密度函數(shù)估計(jì)方法與Bayes分類發(fā)展而來的并行算法。PNN是一類結(jié)構(gòu)簡單、訓(xùn)練簡潔、應(yīng)用廣泛的人工神經(jīng)網(wǎng)絡(luò)。在解決分類問題的實(shí)際應(yīng)用中,PNN的優(yōu)勢在于用線性的學(xué)習(xí)算法來完成非線性學(xué)習(xí)算法所做的工作,同時(shí)保持非線性算法的高精度等特性[6]。

    概率神經(jīng)網(wǎng)路屬于前饋型神經(jīng)網(wǎng)絡(luò),它是由徑向基函數(shù)網(wǎng)絡(luò)發(fā)展而來。Spread為徑向基函數(shù)的擴(kuò)展系數(shù),Spread值越大其輸出結(jié)果越光滑,但過大也會導(dǎo)致數(shù)值計(jì)算上的困難。在概率神經(jīng)網(wǎng)絡(luò)分類時(shí),當(dāng)Spread值較大時(shí)它構(gòu)成訓(xùn)練樣本的臨近分類器,而當(dāng)Spread值過小時(shí)它則構(gòu)成了最鄰分類器。PNN的層次模型總共有4層即由輸入層、模式層、求和層以及輸出層構(gòu)成。其基本結(jié)構(gòu)如圖2所示。輸入層將輸入樣本的特征向量傳遞給模式層的各個(gè)神經(jīng)元,輸入層神經(jīng)元個(gè)數(shù)與輸入樣本矢量的維數(shù)相等。模式層神經(jīng)元總數(shù)等于參加樣本訓(xùn)練的樣本數(shù),它將輸入層傳遞來的特征向量進(jìn)行疊加計(jì)算,并通過非線性函數(shù)轉(zhuǎn)化后輸出給求和層。求和層則只是將屬于某類的概率進(jìn)行累計(jì)。輸出層從求和層輸出的結(jié)果中選擇最大的,其對應(yīng)的狀態(tài)模式即為分類結(jié)果。

    圖2 概率神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

    1.1.4 BP神經(jīng)網(wǎng)絡(luò)

    目前在神經(jīng)網(wǎng)絡(luò)中BP神經(jīng)網(wǎng)絡(luò)已被廣泛用,其結(jié)構(gòu)一般由輸入層,隱含層,輸出層組成[7]。BP神經(jīng)網(wǎng)絡(luò)是多層前饋型神經(jīng)網(wǎng)絡(luò),學(xué)習(xí)算法由正向傳播和反向傳播組成,其中反向傳播時(shí)權(quán)值按Delta學(xué)習(xí)規(guī)則進(jìn)行調(diào)整。在前向傳遞中依次按式(1)計(jì)算各層的輸入輸出直到輸出層。

    y=f(wi)

    (1)

    式中:wi為某一層第i個(gè)節(jié)點(diǎn)的激活值;θj為閾值;xj為輸入信號;wij為第i節(jié)點(diǎn)與第j節(jié)點(diǎn)的連接權(quán)系數(shù);yi為某一層第i個(gè)節(jié)點(diǎn)的輸出值。

    反向傳播則是根據(jù)期望與實(shí)際輸出之間的誤差調(diào)整權(quán)值和閾值[8]。權(quán)值的調(diào)整公式見式(2):

    (2)

    式中:E為神經(jīng)網(wǎng)絡(luò)期望輸出與實(shí)際輸出的誤差;η為學(xué)習(xí)速率。

    1.2 D-S證據(jù)理論

    1.2.1 D-S證據(jù)理論的合成規(guī)則

    D-S證據(jù)理論的基本概念由基本概率分配函數(shù)M(A),信任函數(shù)Bel(A)以及似然函數(shù)PI(A)構(gòu)成[9]。D-S合成規(guī)則是在給定幾個(gè)同一識別框架上的基于不同證據(jù)的概率分配函數(shù),如果這幾組證據(jù)不是完全沖突,那么就可以利用該合成規(guī)則計(jì)算出一個(gè)概率分配函數(shù),這個(gè)概率分配函數(shù)就可以作為這幾組證據(jù)的聯(lián)合作用下產(chǎn)生的概率分配函數(shù)。D-S合成規(guī)則是一個(gè)反應(yīng)證據(jù)聯(lián)合作用的規(guī)則。其合成公式如式(3)所示:

    (3)

    式中:Mi(Ai)為同一識別框架U上的概率分配函數(shù);Ai為焦元,即若A?U且m(A)>0,則稱A為焦元;K為標(biāo)準(zhǔn)化因子,若K≠0上式有意義,存在合成后的概率分配函數(shù),若K=0則上式無意義,原先的概率分配函數(shù)之間矛盾[10]。

    1.2.2 D-S證據(jù)理論的診斷決策

    計(jì)算得到每一個(gè)診斷命題和不確定性的概率分配函數(shù),就可以由以下規(guī)則得到診斷結(jié)論[11]。

    規(guī)則1:判斷的故障類型應(yīng)具有最大的概率數(shù),并要大于某一閾值a,這里a取0.5。

    規(guī)則2:判斷的故障類型與其他類型的概率數(shù)之差要大于某個(gè)門限b,這里b取0.2。

    規(guī)則3:不確定故障概率數(shù)要小于某個(gè)門限c,這里c取0.2。

    規(guī)則4:判斷的故障類型概率數(shù)要大于不確定性函數(shù)值。

    1.2.3 D-S證據(jù)理論的融合診斷模型

    單一的故障診斷方法存在缺陷,往往會影響診斷結(jié)論的準(zhǔn)確性和可靠性。針對瓦斯傳感器的故障診斷,提出基于主成分分析(PCA)-神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論集成的故障融合診斷模型。利用了經(jīng)過PCA處理后的概率神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對瓦斯傳感器進(jìn)行故障診斷,以及為了作對比分析將未經(jīng)過PCA處理的概率神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)也同時(shí)對瓦斯傳感器進(jìn)行診斷,即采取的是多種故障診斷方法共同診斷的策略。然后利用D-S證據(jù)理論對這4組故障結(jié)論進(jìn)行融合,最后根據(jù)診斷決策得出最終的故障診斷結(jié)果。

    2 仿真研究

    2.1 故障樣本獲取

    選取的故障樣本數(shù)據(jù)來源于KG9017A低濃度甲烷傳感器在4種故障(卡死故障、沖擊故障、漂移故障、周期故障)和無故障的狀態(tài)下反復(fù)進(jìn)行實(shí)驗(yàn)所獲取的瓦斯?jié)舛戎?。共記錄?00組數(shù)據(jù),5種狀態(tài)下記錄的數(shù)據(jù)各占40組,每組12個(gè)數(shù)據(jù)。

    2.2 PCA特征降維

    考慮到主成分分析是對有一定相關(guān)性的變量重新進(jìn)行線性組合和降維,并且各個(gè)故障狀態(tài)下的數(shù)據(jù)顯然具有一定的相關(guān)性,故利用PCA對5種數(shù)據(jù)分別進(jìn)行降維以此來提高診斷的實(shí)時(shí)性。下面首先利用前面介紹的主成分分析計(jì)算方法對沖擊故障數(shù)據(jù)進(jìn)行降維。沖擊故障數(shù)據(jù)的主成分比例分布圖如圖3所示,圖形靠上方的曲線為累加線,是每個(gè)主成分累加后所占信息的比例線。由累加線可知前8個(gè)主成分所代表的信息已大于85%,故只需提取前8個(gè)主成分,即每組減少為8個(gè)數(shù)據(jù)作為故障樣本即可。從而神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元由12個(gè)降為8個(gè)。例如選取在瓦斯傳感器沖擊故障下所得到的部分瓦斯?jié)舛葦?shù)據(jù)如表1所示,經(jīng)過PCA降維后的數(shù)據(jù)如表2所示。

    表1 選取3組沖擊故障數(shù)據(jù) %

    表2 PCA降維后3組沖擊故障數(shù)據(jù)

    同理考慮到所提取的主成分,信息總和要大于85%以及神經(jīng)網(wǎng)絡(luò)輸入層的個(gè)數(shù)的統(tǒng)一性,對剩下的4種狀態(tài)(卡死故障,漂移故障,周期故障,正常)分別提取前8個(gè)主成分,即每組減少為8個(gè)數(shù)據(jù)作為新的故障樣本數(shù)據(jù),達(dá)到降維目的。并將降維后每種故障樣本的40組數(shù)據(jù),前30組作為故障樣本訓(xùn)練數(shù)據(jù),剩下的10組作為故障樣本測試數(shù)據(jù)。

    圖3 沖擊故障的主成分比例分布圖

    2.3 利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷

    先利用瓦斯傳感器4種故障和無故障下的200組原始數(shù)據(jù)分別設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)分類器和概率神經(jīng)網(wǎng)絡(luò)分類器。每種故障樣本為40組數(shù)據(jù),每組12個(gè)數(shù)據(jù),前30組用于訓(xùn)練,剩下的10組用于測試。神經(jīng)網(wǎng)絡(luò)的輸入層用于接收故障樣本每組12數(shù)據(jù),故概率神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)為12個(gè),輸出層神經(jīng)元個(gè)數(shù)都為5個(gè),分別對應(yīng)卡死故障、沖擊故障、漂移故障、周期故障和正常5種狀態(tài)。對于BP神經(jīng)網(wǎng)絡(luò)采用3層結(jié)構(gòu)即輸入層、隱含層、輸出層。隱含層采用的激發(fā)函數(shù)為Sigmoid函數(shù)。而對于概率神經(jīng)網(wǎng)絡(luò)采用輸入層、模式層、求和層以及輸出層4層結(jié)構(gòu)。其中輸出層的激發(fā)函數(shù)改為purelinear函數(shù),這是為了概率神經(jīng)網(wǎng)絡(luò)輸出結(jié)果最終可以作為D-S證據(jù)理論的基本概率分配函數(shù)作鋪墊。

    然后用經(jīng)過PCA降維后的200組故障樣本數(shù)據(jù)再分別設(shè)計(jì)1個(gè)概率神經(jīng)網(wǎng)絡(luò)分類器和BP神經(jīng)網(wǎng)絡(luò)分類器,即每種故障樣本為40組數(shù)據(jù),每組已降維到8個(gè)數(shù)據(jù),前30組用于訓(xùn)練,剩下的10組用于測試。以此來驗(yàn)證PCA的作用。概率神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)除輸入層神經(jīng)元個(gè)數(shù)為8個(gè),其余同上。神經(jīng)網(wǎng)絡(luò)分類器診斷結(jié)果對比分析如表3所示。

    表3 診斷結(jié)果比較

    從表3中可知,利用PCA對各個(gè)故障樣本數(shù)據(jù)進(jìn)行降維處理后,神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)從12個(gè)減少為8個(gè),概率神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的收斂時(shí)間均有不同程度的降低,從而故障診斷速度得以提高。并且由于PCA具有對原始故障信息進(jìn)行加工處理,剔除冗余信息,以改善對外界干擾的抵抗力的作用,故概率神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)降維后的故障診斷正確率均有不同程度的提高。另外概率神經(jīng)網(wǎng)絡(luò)的總體收斂時(shí)間要少于BP神經(jīng)網(wǎng)絡(luò)。

    2.4 在診斷結(jié)論中運(yùn)用D-S證據(jù)理論

    將瓦斯傳感器的5種狀態(tài)即沖擊故障、卡死故障、漂移故障、周期故障以及正常狀態(tài)分別記為F1、F2、F3、F4和F5,且每個(gè)故障樣本只屬于這5種故障模式并且為單一故障,由此建立目標(biāo)識別框架U={F1、F2、F3、F4、F5}。

    BP神經(jīng)網(wǎng)絡(luò)分類器的輸出數(shù)據(jù)不能直接作為D-S證據(jù)理論的概率分配函數(shù)必須進(jìn)行歸一化轉(zhuǎn)換即

    經(jīng)轉(zhuǎn)化后便可得到所需的概率分配函數(shù)值。

    對于概率神經(jīng)網(wǎng)絡(luò)而言,將其輸出層的競爭神經(jīng)元的激發(fā)函數(shù)改為purelinear,則輸出為測試樣本屬于不同故障模式的后驗(yàn)概率,對這組后驗(yàn)概率進(jìn)行歸一化得到的結(jié)果即可做為概率分配函數(shù)值。

    瓦斯傳感器常見故障類型總共5類(包括正常狀態(tài)),從原始的故障數(shù)據(jù)中選取30個(gè)樣本訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)分類器1和PNN神經(jīng)網(wǎng)絡(luò)分類器1,再將這30個(gè)故障樣本經(jīng)PCA降維后訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)分類器2和PNN神經(jīng)網(wǎng)絡(luò)分類器2。當(dāng)瓦斯傳感器發(fā)生卡死故障時(shí),對故障傳感器反復(fù)進(jìn)行多組實(shí)驗(yàn)獲取測量數(shù)據(jù),將測量數(shù)據(jù)輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)分類器1和PNN神經(jīng)網(wǎng)絡(luò)分類器1,進(jìn)行故障識別。再將降維后的測量數(shù)據(jù)輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)分類器2和PNN神經(jīng)網(wǎng)絡(luò)分類器2,同樣進(jìn)行故障的識別。這樣便可同時(shí)得出4組故障診斷結(jié)論。表4為測量數(shù)據(jù)中的一組故障數(shù)據(jù)對應(yīng)的4種神經(jīng)網(wǎng)絡(luò)分類器的診斷結(jié)果,經(jīng)歸一轉(zhuǎn)化后所得到的概率分配函數(shù)值如表5所示。利用D-S證據(jù)理論的合成公式進(jìn)行數(shù)據(jù)融合如表6所示。

    表4 神經(jīng)網(wǎng)絡(luò)分類器的實(shí)際輸出數(shù)據(jù)

    表5 概率分配函數(shù)值

    表6 利用證據(jù)理論合成公式進(jìn)行數(shù)據(jù)融合

    表4中雖然大部分神經(jīng)網(wǎng)絡(luò)分類器故障診斷的結(jié)論為卡死故障,但結(jié)論的區(qū)分性不高。例如降維后的BP神經(jīng)網(wǎng)絡(luò)輸出值中卡死故障與正常狀態(tài)對應(yīng)的輸出值比較接近,并且BP神經(jīng)網(wǎng)絡(luò)分類器還出現(xiàn)了誤判的情況,即將卡死故障誤診斷為漂移故障。表5是將各神經(jīng)網(wǎng)絡(luò)輸出值經(jīng)歸一化處理得到的基本概率分配值,由于表4中神經(jīng)網(wǎng)絡(luò)分類器的輸出值之間區(qū)分性不好、可靠性不高導(dǎo)致表5的各神經(jīng)網(wǎng)絡(luò)分類器的概率分配值基本偏低即可信度不高,利用D-S證據(jù)理論診斷決策無法作出故障診斷,故利用證據(jù)理論合成公式進(jìn)行數(shù)據(jù)融合得到表6。由診斷決策可知表6最終的融合結(jié)果為卡死故障,并且表6融合后的不確定性與表5各神經(jīng)網(wǎng)絡(luò)的不確定性相比也大為降低。D-S證據(jù)理論的融合診斷方法解決了單一故障診斷方法存在誤判的問題,給出了正確的故障診斷結(jié)論,將其運(yùn)用于瓦斯傳感器的故障診斷是可行的。

    3 結(jié)論

    針對故障樣本空間維數(shù)大、診斷實(shí)時(shí)性差的問題,提出了主成分分析法(PCA),對瓦斯傳感器故障樣本數(shù)據(jù)進(jìn)行降維預(yù)處理。仿真結(jié)果表明:運(yùn)用主成分分析方法實(shí)現(xiàn)了對故障樣本空間的降維,在保留原始故障數(shù)據(jù)主要信息、改善神經(jīng)網(wǎng)絡(luò)故障識別率的同時(shí),簡化了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),提高了故障診斷速度。

    由于故障診斷結(jié)論的識別能力低以及結(jié)論的不確定性問題,在利用主成分分析對神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)進(jìn)行預(yù)處理的同時(shí),對神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果運(yùn)用D-S證據(jù)理論,降低了輸出結(jié)果的不確定性并提高了輸出結(jié)果的識別與決策能力。

    [1] 黃凱峰,劉澤功,王其軍,等.基于ASGSO-SVR模型的瓦斯傳感器故障診斷.煤炭學(xué)報(bào),王其軍,2013(S2):518-523.

    [2] 高婷.數(shù)據(jù)挖掘和信息融合在煤礦安全監(jiān)測系統(tǒng)中的研究:[學(xué)位論文].阜新:遼寧工程技術(shù)大學(xué),2008.

    [3] 胡雅馨.基于粗糙集與證據(jù)理論的瓦斯傳感器故障診斷技術(shù)的研究:[學(xué)位論文].阜新:遼寧工程技術(shù)大學(xué),2009.

    [4] 苑津莎,尚海昆.基于主成分分析和概率神經(jīng)網(wǎng)絡(luò)的變壓器局部放電模式識別.電力自動化設(shè)備,2013,33(6):27-30.

    [5] 唐宏賓,吳運(yùn)新,滑廣軍,等.基于PCA和BP網(wǎng)絡(luò)的液壓油缸內(nèi)泄漏故障診斷.中南大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,42(12):3709-3713.

    [6] 王桂英,張世軍,潘思堯,等.基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法研究.計(jì)算機(jī)測量與控制,2012,20(7):1760-1762.

    [7] 張學(xué)軍.基于BP神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的火災(zāi)報(bào)警系統(tǒng).儀表技術(shù)與傳感器,2011(1):104-105.

    [8] 高峰,肖麗.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的SRM 間接位置檢測技術(shù).儀表技術(shù)與傳感器,2012(9):54-56.

    [9] 田海雷,李洪儒,許葆華.基于D-S證據(jù)理論和支持向量機(jī)的液壓泵故障診斷技術(shù).儀表技術(shù)與傳感器,2013(5):81-83.

    [10] 陳淑娟.基于DS證據(jù)理論的多傳感器數(shù)據(jù)融合危險(xiǎn)預(yù)警系統(tǒng):[學(xué)位論文].北京:北京化工大學(xué),2010.

    [11] 王其軍.瓦斯監(jiān)測系統(tǒng)故障智能診斷技術(shù)研究:[學(xué)位論文].青島:山東科技大學(xué),2007.

    Fault Identification for Gas Sensor Based on PCA-neuralNetwork and D-S Evidence Theory

    HUANG Dan1,XU Ping-an1,WANG Qi-jun1,2,REN Yu-dong1,YAN Bin1

    (1.School of Electric and Information Engineering ,Anhui University of Science and Technology,Huainan 232001,China;2.Huainan Vocational Technical College,Huainan 232001,China)

    For the problems existing in the gas sensor fault diagnosis such as the large space dimension of the sample data,weak real-time of fault diagnosis,poor identification ability of the diagnosis result and the uncertainty,fault diagnosis strategy was proposed based on principal component analysis (PCA) neural network and D-S evidence theory.The principal component analysis(PCA) was used to reduce the high dimension of the fault sample space data,combining the neural network classifiers to identify the fault mode,and the DS evidence theory was used for data fusion in the fault diagnosis results of the neural network classifiers.The simulation results show that the accuracy rate can be improved and the diagnosis speed can be increased by the use of the method.Furthermore,the uncertainty of fault conclusion can be reduced and the ability of the conclusion recognition and decision-making can be improved.

    gas sensor;fault diagnosis;principal component analysis;neural network;DS evidence theory

    國家自然科學(xué)基金青年科學(xué)基金項(xiàng)目(51304007)

    2014-07-07 收修改稿日期:2014-10-05

    TP212

    A

    1002-1841(2015)03-0099-05

    黃丹(1986—),碩士研究生,主研方向:煤礦安全監(jiān)測、人工智能與故障診斷。E-mail:94609498@qq.com 徐平安(1989—),碩士研究生,主研方向:智能信號處理。 E-mail: xupingan11@ 163.com

    猜你喜歡
    降維分類器瓦斯
    Three-Body’s epic scale and fiercely guarded fanbase present challenges to adaptations
    降維打擊
    海峽姐妹(2019年12期)2020-01-14 03:24:40
    11采區(qū)永久避難硐室控制瓦斯涌出、防止瓦斯積聚和煤層自燃措施
    BP-GA光照分類器在車道線識別中的應(yīng)用
    電子測試(2018年1期)2018-04-18 11:52:35
    高瓦斯礦井防治瓦斯異常涌出措施的應(yīng)用
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器
    瓦斯探鉆鉆頭的一種改進(jìn)
    基于LLE降維和BP_Adaboost分類器的GIS局部放電模式識別
    拋物化Navier-Stokes方程的降維仿真模型
    成年版毛片免费区| 亚洲精品av麻豆狂野| 天堂av国产一区二区熟女人妻 | 成人亚洲精品av一区二区| 欧美丝袜亚洲另类 | 小说图片视频综合网站| 国产99白浆流出| 国内揄拍国产精品人妻在线| 亚洲狠狠婷婷综合久久图片| 午夜福利在线观看吧| 精品久久久久久久末码| 国产精品亚洲av一区麻豆| 伦理电影免费视频| 亚洲自偷自拍图片 自拍| 午夜两性在线视频| 日韩精品青青久久久久久| 午夜a级毛片| 天堂√8在线中文| 国产成人精品久久二区二区91| 51午夜福利影视在线观看| 好男人在线观看高清免费视频| 久99久视频精品免费| 亚洲一卡2卡3卡4卡5卡精品中文| 视频区欧美日本亚洲| netflix在线观看网站| 亚洲国产中文字幕在线视频| 给我免费播放毛片高清在线观看| 欧美日韩中文字幕国产精品一区二区三区| 男人舔女人下体高潮全视频| 亚洲专区中文字幕在线| 国语自产精品视频在线第100页| 国产片内射在线| 午夜成年电影在线免费观看| 国产区一区二久久| 最近在线观看免费完整版| 最近最新免费中文字幕在线| 午夜a级毛片| 少妇粗大呻吟视频| 国产99白浆流出| 国产一级毛片七仙女欲春2| 一区二区三区高清视频在线| 嫩草影视91久久| 亚洲乱码一区二区免费版| 久久精品人妻少妇| 视频区欧美日本亚洲| 欧美精品亚洲一区二区| 国产伦一二天堂av在线观看| 超碰成人久久| 两性午夜刺激爽爽歪歪视频在线观看 | 日韩中文字幕欧美一区二区| 真人做人爱边吃奶动态| 成人国语在线视频| 亚洲五月婷婷丁香| 亚洲av第一区精品v没综合| 亚洲国产欧洲综合997久久,| 亚洲av美国av| 欧美+亚洲+日韩+国产| 久热爱精品视频在线9| 国产成+人综合+亚洲专区| 色综合婷婷激情| 99热这里只有是精品50| 伦理电影免费视频| 国产人伦9x9x在线观看| 亚洲欧美精品综合久久99| 成在线人永久免费视频| 久久久久久国产a免费观看| 一进一出好大好爽视频| 国产蜜桃级精品一区二区三区| 此物有八面人人有两片| 久久欧美精品欧美久久欧美| 国内少妇人妻偷人精品xxx网站 | 丁香六月欧美| 一边摸一边做爽爽视频免费| 18禁黄网站禁片免费观看直播| 亚洲18禁久久av| 日本五十路高清| 精品少妇一区二区三区视频日本电影| 国产成人欧美在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| x7x7x7水蜜桃| 国产精品永久免费网站| 禁无遮挡网站| 精品久久久久久久末码| 1024视频免费在线观看| 叶爱在线成人免费视频播放| 色综合站精品国产| 久久久水蜜桃国产精品网| 国产精品久久久久久精品电影| 美女大奶头视频| 亚洲精品久久成人aⅴ小说| 久久精品夜夜夜夜夜久久蜜豆 | avwww免费| 精品久久久久久,| 国内久久婷婷六月综合欲色啪| 日韩有码中文字幕| 桃红色精品国产亚洲av| 国产熟女午夜一区二区三区| 精品久久久久久久末码| 一级片免费观看大全| 麻豆av在线久日| 18禁裸乳无遮挡免费网站照片| 久久精品91无色码中文字幕| 两个人视频免费观看高清| 精品久久久久久久末码| 国模一区二区三区四区视频 | 欧美精品啪啪一区二区三区| 成人午夜高清在线视频| 久久久久久国产a免费观看| 人人妻,人人澡人人爽秒播| 老司机靠b影院| 久久久久久免费高清国产稀缺| 国产精品1区2区在线观看.| 在线免费观看的www视频| 成人国产综合亚洲| 中文字幕熟女人妻在线| 欧美黄色片欧美黄色片| 国产精品久久久av美女十八| 国产亚洲精品第一综合不卡| 国产av在哪里看| 午夜影院日韩av| 97人妻精品一区二区三区麻豆| 国产午夜精品论理片| 人妻丰满熟妇av一区二区三区| 国产久久久一区二区三区| 最近最新中文字幕大全电影3| 性欧美人与动物交配| 成年女人毛片免费观看观看9| 久9热在线精品视频| 国产成人精品久久二区二区91| 国产av又大| 免费在线观看成人毛片| 亚洲av成人一区二区三| 国产三级中文精品| 久久久久久国产a免费观看| 成人av在线播放网站| 色综合欧美亚洲国产小说| 亚洲av片天天在线观看| 日韩成人在线观看一区二区三区| 久久精品国产亚洲av高清一级| 欧美黄色淫秽网站| 欧美日韩瑟瑟在线播放| 午夜福利在线在线| 国产免费av片在线观看野外av| 日韩三级视频一区二区三区| 欧美性猛交╳xxx乱大交人| 丝袜人妻中文字幕| 国产v大片淫在线免费观看| 久久精品国产综合久久久| 日本五十路高清| 俄罗斯特黄特色一大片| 99热这里只有精品一区 | 亚洲av美国av| 女警被强在线播放| 欧美高清成人免费视频www| av中文乱码字幕在线| 国产精品精品国产色婷婷| 两人在一起打扑克的视频| netflix在线观看网站| 人人妻人人澡欧美一区二区| 我要搜黄色片| 蜜桃久久精品国产亚洲av| 精品少妇一区二区三区视频日本电影| 欧美午夜高清在线| 欧美成人一区二区免费高清观看 | 精品国产乱子伦一区二区三区| 久久香蕉精品热| 99精品欧美一区二区三区四区| 制服诱惑二区| 精品久久蜜臀av无| 又紧又爽又黄一区二区| 99精品欧美一区二区三区四区| 久久久国产成人免费| 成熟少妇高潮喷水视频| 又紧又爽又黄一区二区| 少妇裸体淫交视频免费看高清 | 蜜桃久久精品国产亚洲av| 变态另类成人亚洲欧美熟女| 欧美日韩中文字幕国产精品一区二区三区| 亚洲avbb在线观看| 国产爱豆传媒在线观看 | 国产精品一区二区三区四区免费观看 | 看片在线看免费视频| 国产精品久久视频播放| 中文字幕av在线有码专区| 日韩精品免费视频一区二区三区| 黄色片一级片一级黄色片| 日韩精品中文字幕看吧| 欧美一区二区国产精品久久精品 | 男人舔奶头视频| 久久久久久久精品吃奶| 麻豆一二三区av精品| 国产一区二区在线观看日韩 | 男女床上黄色一级片免费看| 色av中文字幕| 男人舔奶头视频| 欧美黑人巨大hd| 亚洲精品av麻豆狂野| 色噜噜av男人的天堂激情| 久久香蕉激情| 亚洲欧美精品综合一区二区三区| 黄色视频,在线免费观看| 国产人伦9x9x在线观看| 又粗又爽又猛毛片免费看| 九九热线精品视视频播放| 1024视频免费在线观看| 色综合亚洲欧美另类图片| 变态另类丝袜制服| 久久精品91无色码中文字幕| 91麻豆av在线| 中文资源天堂在线| 久久欧美精品欧美久久欧美| 久久久水蜜桃国产精品网| 日韩大码丰满熟妇| 日本三级黄在线观看| 亚洲欧美日韩东京热| 免费看a级黄色片| 女生性感内裤真人,穿戴方法视频| 好男人在线观看高清免费视频| 观看免费一级毛片| 女同久久另类99精品国产91| 久久精品国产亚洲av香蕉五月| 国产精品久久久久久人妻精品电影| 成人亚洲精品av一区二区| 日韩精品中文字幕看吧| 男女做爰动态图高潮gif福利片| 黄色视频不卡| 午夜影院日韩av| 国产午夜精品久久久久久| 午夜精品久久久久久毛片777| 国产av麻豆久久久久久久| 五月伊人婷婷丁香| 99久久精品国产亚洲精品| 日本黄色视频三级网站网址| 岛国在线免费视频观看| 亚洲成av人片在线播放无| 亚洲,欧美精品.| 老司机午夜福利在线观看视频| 不卡一级毛片| 一本久久中文字幕| 国产精品1区2区在线观看.| 国产精品自产拍在线观看55亚洲| 正在播放国产对白刺激| 巨乳人妻的诱惑在线观看| 欧美人与性动交α欧美精品济南到| 老熟妇乱子伦视频在线观看| 制服丝袜大香蕉在线| 精品国内亚洲2022精品成人| 香蕉av资源在线| 久久精品国产99精品国产亚洲性色| 日本黄大片高清| cao死你这个sao货| 亚洲午夜理论影院| 欧美一区二区国产精品久久精品 | 亚洲熟女毛片儿| 欧美日韩亚洲综合一区二区三区_| 男女那种视频在线观看| 国产一区在线观看成人免费| 国产成人欧美在线观看| 97碰自拍视频| 在线观看免费午夜福利视频| 人妻夜夜爽99麻豆av| 国产精品久久久久久人妻精品电影| 欧美高清成人免费视频www| 岛国视频午夜一区免费看| 欧美极品一区二区三区四区| 亚洲欧美日韩无卡精品| 免费在线观看黄色视频的| 久久国产精品影院| 国产精品久久久久久人妻精品电影| 91在线观看av| 亚洲av日韩精品久久久久久密| 一本精品99久久精品77| 草草在线视频免费看| 97超级碰碰碰精品色视频在线观看| 精品国产亚洲在线| 免费看十八禁软件| 久热爱精品视频在线9| 亚洲av第一区精品v没综合| 人人妻人人看人人澡| 免费在线观看完整版高清| 老司机福利观看| 伊人久久大香线蕉亚洲五| 黄片大片在线免费观看| 国产亚洲精品久久久久久毛片| 最近最新中文字幕大全免费视频| 欧美乱色亚洲激情| 久久中文字幕人妻熟女| 在线观看舔阴道视频| 亚洲精品美女久久av网站| 亚洲天堂国产精品一区在线| 欧美午夜高清在线| 天堂影院成人在线观看| 国产真人三级小视频在线观看| 精品一区二区三区四区五区乱码| 久久久久久人人人人人| 精品熟女少妇八av免费久了| 亚洲欧美精品综合一区二区三区| 国产精品日韩av在线免费观看| 久久香蕉激情| 国产亚洲精品久久久久5区| 成人三级做爰电影| 成年版毛片免费区| 十八禁网站免费在线| 麻豆国产av国片精品| 黑人欧美特级aaaaaa片| 亚洲精品中文字幕在线视频| 久久久久久大精品| 亚洲av电影不卡..在线观看| 亚洲精品一卡2卡三卡4卡5卡| 90打野战视频偷拍视频| 日本三级黄在线观看| 日韩免费av在线播放| 老鸭窝网址在线观看| 国产av麻豆久久久久久久| 97人妻精品一区二区三区麻豆| 久久午夜亚洲精品久久| 在线观看舔阴道视频| 啦啦啦免费观看视频1| 午夜福利视频1000在线观看| 亚洲中文日韩欧美视频| 久久国产乱子伦精品免费另类| 中亚洲国语对白在线视频| 国产成人精品久久二区二区免费| 国产野战对白在线观看| 桃红色精品国产亚洲av| 久久精品亚洲精品国产色婷小说| 中文字幕人成人乱码亚洲影| 青草久久国产| 欧美 亚洲 国产 日韩一| 五月伊人婷婷丁香| 成人手机av| 在线观看舔阴道视频| 男人舔女人下体高潮全视频| 日本一区二区免费在线视频| 日韩精品免费视频一区二区三区| 欧美日韩亚洲综合一区二区三区_| 一本精品99久久精品77| 亚洲美女黄片视频| 久久久久九九精品影院| 一本综合久久免费| 丰满人妻一区二区三区视频av | 国产伦在线观看视频一区| 亚洲激情在线av| 久久这里只有精品19| 午夜激情av网站| 日韩精品免费视频一区二区三区| 18美女黄网站色大片免费观看| 99热这里只有是精品50| 日本免费一区二区三区高清不卡| 性色av乱码一区二区三区2| 两人在一起打扑克的视频| 特级一级黄色大片| 午夜a级毛片| 别揉我奶头~嗯~啊~动态视频| 亚洲午夜精品一区,二区,三区| 美女高潮喷水抽搐中文字幕| 国产区一区二久久| 一边摸一边做爽爽视频免费| 国产精品日韩av在线免费观看| 国产精品 欧美亚洲| 国产三级在线视频| 欧美乱妇无乱码| 又黄又爽又免费观看的视频| 露出奶头的视频| 国产aⅴ精品一区二区三区波| 午夜影院日韩av| 毛片女人毛片| 国产精品国产高清国产av| 国产av不卡久久| 亚洲av电影不卡..在线观看| 成人国产一区最新在线观看| 中国美女看黄片| 熟妇人妻久久中文字幕3abv| 99在线人妻在线中文字幕| 99热这里只有精品一区 | 首页视频小说图片口味搜索| 一边摸一边做爽爽视频免费| 九九热线精品视视频播放| 99热这里只有精品一区 | 18禁裸乳无遮挡免费网站照片| 亚洲人成网站高清观看| 国内少妇人妻偷人精品xxx网站 | or卡值多少钱| 欧洲精品卡2卡3卡4卡5卡区| 国产精品久久久久久久电影 | 免费在线观看日本一区| 日韩 欧美 亚洲 中文字幕| 成年人黄色毛片网站| 天天一区二区日本电影三级| 亚洲精品国产精品久久久不卡| 国内久久婷婷六月综合欲色啪| 日本免费一区二区三区高清不卡| 1024视频免费在线观看| 99久久99久久久精品蜜桃| 美女高潮喷水抽搐中文字幕| 国产v大片淫在线免费观看| 日韩免费av在线播放| www.www免费av| 成人永久免费在线观看视频| 男女做爰动态图高潮gif福利片| 两人在一起打扑克的视频| 亚洲国产高清在线一区二区三| 51午夜福利影视在线观看| 99国产精品99久久久久| 欧美黄色片欧美黄色片| 亚洲精品av麻豆狂野| 亚洲无线在线观看| 欧美日韩国产亚洲二区| 国产精品久久久久久人妻精品电影| av免费在线观看网站| 亚洲精品久久国产高清桃花| 亚洲国产高清在线一区二区三| tocl精华| av天堂在线播放| 欧美丝袜亚洲另类 | 久久久精品欧美日韩精品| 欧美最黄视频在线播放免费| 国产一区二区三区在线臀色熟女| 又黄又粗又硬又大视频| 69av精品久久久久久| av免费在线观看网站| 午夜免费激情av| 亚洲一区二区三区色噜噜| av福利片在线| 日韩欧美精品v在线| 亚洲精品国产一区二区精华液| 精品国产美女av久久久久小说| 久久久久久久久免费视频了| 国产一区二区激情短视频| 9191精品国产免费久久| 久久精品国产亚洲av高清一级| 亚洲色图av天堂| 男插女下体视频免费在线播放| 成人av一区二区三区在线看| 久久久久性生活片| 日韩精品免费视频一区二区三区| 黑人欧美特级aaaaaa片| 90打野战视频偷拍视频| 日韩精品中文字幕看吧| 成人手机av| 男人舔女人的私密视频| 中出人妻视频一区二区| 18禁国产床啪视频网站| 可以在线观看毛片的网站| 久久久精品欧美日韩精品| 国产精品乱码一区二三区的特点| 高清毛片免费观看视频网站| 久久精品人妻少妇| 91麻豆av在线| 国产精品免费一区二区三区在线| 一级毛片精品| 久久人妻福利社区极品人妻图片| 亚洲专区国产一区二区| 欧美日韩福利视频一区二区| 少妇人妻一区二区三区视频| 国产高清videossex| 久久久水蜜桃国产精品网| 久久久久免费精品人妻一区二区| 亚洲aⅴ乱码一区二区在线播放 | 亚洲一区高清亚洲精品| 亚洲精品久久成人aⅴ小说| 日本一本二区三区精品| 久久久精品欧美日韩精品| 亚洲一区中文字幕在线| tocl精华| 午夜福利18| 久久伊人香网站| 亚洲18禁久久av| 波多野结衣巨乳人妻| 少妇裸体淫交视频免费看高清 | 欧美日韩亚洲综合一区二区三区_| 成人国产综合亚洲| 亚洲欧美日韩高清专用| 日韩成人在线观看一区二区三区| 中文在线观看免费www的网站 | 757午夜福利合集在线观看| 十八禁人妻一区二区| 伊人久久大香线蕉亚洲五| 亚洲欧美精品综合久久99| 宅男免费午夜| 精品高清国产在线一区| 久久久久久久精品吃奶| 悠悠久久av| 女人被狂操c到高潮| 国产精品久久久久久精品电影| 一级毛片女人18水好多| 亚洲av第一区精品v没综合| 亚洲熟女毛片儿| 久久这里只有精品19| 色噜噜av男人的天堂激情| 淫妇啪啪啪对白视频| 久久久精品欧美日韩精品| 国语自产精品视频在线第100页| 香蕉国产在线看| 午夜影院日韩av| 哪里可以看免费的av片| 欧美乱色亚洲激情| 午夜免费激情av| 久久久久亚洲av毛片大全| 欧洲精品卡2卡3卡4卡5卡区| 天堂√8在线中文| 搞女人的毛片| 欧美乱妇无乱码| 亚洲美女黄片视频| 最新美女视频免费是黄的| or卡值多少钱| 欧美日韩瑟瑟在线播放| 毛片女人毛片| 久久久国产欧美日韩av| 两个人看的免费小视频| 我要搜黄色片| 精品国产超薄肉色丝袜足j| 两人在一起打扑克的视频| 免费av毛片视频| 在线国产一区二区在线| 国产精品久久久久久人妻精品电影| 久久婷婷成人综合色麻豆| 久久久久久亚洲精品国产蜜桃av| av欧美777| 一级毛片女人18水好多| 岛国在线免费视频观看| 日韩欧美 国产精品| 两人在一起打扑克的视频| 1024香蕉在线观看| 香蕉久久夜色| 青草久久国产| 亚洲国产精品sss在线观看| 国产aⅴ精品一区二区三区波| 舔av片在线| 久久香蕉精品热| 国产亚洲欧美98| 黄片小视频在线播放| 男男h啪啪无遮挡| 俄罗斯特黄特色一大片| 两性午夜刺激爽爽歪歪视频在线观看 | 欧美成人性av电影在线观看| netflix在线观看网站| 欧美日韩中文字幕国产精品一区二区三区| 一级毛片精品| 90打野战视频偷拍视频| 亚洲成av人片在线播放无| 我要搜黄色片| 亚洲最大成人中文| 夜夜爽天天搞| 国产亚洲av高清不卡| 高清毛片免费观看视频网站| 999精品在线视频| 无人区码免费观看不卡| 亚洲精品一区av在线观看| www国产在线视频色| 亚洲美女视频黄频| 国产人伦9x9x在线观看| 中文字幕人妻丝袜一区二区| 国产精品野战在线观看| 久久人妻福利社区极品人妻图片| 亚洲最大成人中文| 国产精品久久视频播放| 欧美日韩黄片免| av福利片在线| 男女午夜视频在线观看| www国产在线视频色| 亚洲精品久久成人aⅴ小说| 男女那种视频在线观看| 欧美日韩中文字幕国产精品一区二区三区| 韩国av一区二区三区四区| 51午夜福利影视在线观看| 国产精品98久久久久久宅男小说| 亚洲成av人片免费观看| 精品电影一区二区在线| 国产区一区二久久| 欧美黑人精品巨大| 黑人欧美特级aaaaaa片| 欧美日韩中文字幕国产精品一区二区三区| 国语自产精品视频在线第100页| 国产成人aa在线观看| 欧美午夜高清在线| 欧美绝顶高潮抽搐喷水| 制服诱惑二区| 久久亚洲精品不卡| 9191精品国产免费久久| 亚洲五月婷婷丁香| 午夜福利欧美成人| 在线国产一区二区在线| 禁无遮挡网站| 男人舔女人下体高潮全视频| 日韩欧美在线乱码| 成年人黄色毛片网站| 国产精品香港三级国产av潘金莲| 亚洲av片天天在线观看| 国产成人影院久久av| 日韩成人在线观看一区二区三区| 窝窝影院91人妻| 在线观看午夜福利视频| 美女大奶头视频| 麻豆一二三区av精品| 嫁个100分男人电影在线观看| av国产免费在线观看| 啦啦啦观看免费观看视频高清| 我要搜黄色片| 精品少妇一区二区三区视频日本电影| 99精品久久久久人妻精品| 成人18禁高潮啪啪吃奶动态图| 国产精品香港三级国产av潘金莲| 亚洲欧洲精品一区二区精品久久久| 露出奶头的视频| 亚洲最大成人中文| 欧美色视频一区免费| 人人妻,人人澡人人爽秒播| 国产av一区在线观看免费| 久久久久久大精品| 在线观看66精品国产| 亚洲欧美激情综合另类| 国产精品久久久人人做人人爽| 国产1区2区3区精品| 久久久久久久精品吃奶|