• <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
    国产欧美日韩精品亚洲av| 色综合欧美亚洲国产小说| 国产精品一区二区免费欧美| 老司机在亚洲福利影院| 97人妻精品一区二区三区麻豆| 天堂√8在线中文| 国产精品自产拍在线观看55亚洲| 亚洲欧美日韩高清专用| 精品国产乱子伦一区二区三区| 手机成人av网站| 日本与韩国留学比较| 国产成年人精品一区二区| 最近最新中文字幕大全免费视频| 久久性视频一级片| 成人三级做爰电影| 欧美最黄视频在线播放免费| 欧美最黄视频在线播放免费| 免费看光身美女| 一级黄色大片毛片| 日韩精品中文字幕看吧| 成年版毛片免费区| 黄色 视频免费看| 91av网一区二区| 国产蜜桃级精品一区二区三区| www.999成人在线观看| 黄色视频,在线免费观看| 男女视频在线观看网站免费| 免费观看的影片在线观看| 国产成人一区二区三区免费视频网站| 亚洲av电影不卡..在线观看| 亚洲av成人精品一区久久| 99国产精品99久久久久| 国产精品一区二区精品视频观看| 大型黄色视频在线免费观看| 久久国产精品影院| 国内少妇人妻偷人精品xxx网站 | 观看美女的网站| 亚洲熟妇中文字幕五十中出| 午夜亚洲福利在线播放| 在线免费观看不下载黄p国产 | 亚洲 欧美 日韩 在线 免费| 97人妻精品一区二区三区麻豆| 久久香蕉国产精品| 丝袜人妻中文字幕| 亚洲欧美精品综合久久99| 夜夜躁狠狠躁天天躁| 国产精品99久久久久久久久| 悠悠久久av| 搡老岳熟女国产| 十八禁网站免费在线| 黄频高清免费视频| 成人性生交大片免费视频hd| 级片在线观看| 久久久久国产精品人妻aⅴ院| 成人特级黄色片久久久久久久| 欧美日韩精品网址| 亚洲av成人不卡在线观看播放网| 亚洲18禁久久av| 在线观看美女被高潮喷水网站 | 老司机深夜福利视频在线观看| 三级男女做爰猛烈吃奶摸视频| 国产高潮美女av| 亚洲国产精品999在线| 香蕉av资源在线| 叶爱在线成人免费视频播放| 禁无遮挡网站| 国产单亲对白刺激| 亚洲av中文字字幕乱码综合| 国内精品美女久久久久久| 亚洲av美国av| 男女之事视频高清在线观看| 国产淫片久久久久久久久 | 黄色女人牲交| 亚洲中文av在线| 男女之事视频高清在线观看| 亚洲aⅴ乱码一区二区在线播放| 国产亚洲av嫩草精品影院| 欧美zozozo另类| 久久久久国内视频| 午夜免费激情av| 国产视频内射| 窝窝影院91人妻| 曰老女人黄片| 国产真人三级小视频在线观看| 亚洲无线在线观看| 久久午夜亚洲精品久久| 欧洲精品卡2卡3卡4卡5卡区| 欧美绝顶高潮抽搐喷水| 国产男靠女视频免费网站| 91麻豆精品激情在线观看国产| 国产精品自产拍在线观看55亚洲| 狂野欧美白嫩少妇大欣赏| svipshipincom国产片| 一级毛片精品| 久久国产精品影院| 日本 av在线| 午夜福利免费观看在线| 一本久久中文字幕| 黄色丝袜av网址大全| 亚洲午夜理论影院| 男人舔女人的私密视频| 午夜免费观看网址| 亚洲欧美一区二区三区黑人| 99久国产av精品| 淫妇啪啪啪对白视频| 天天一区二区日本电影三级| 又粗又爽又猛毛片免费看| 国内揄拍国产精品人妻在线| 久久中文字幕一级| 狂野欧美白嫩少妇大欣赏| 老司机福利观看| 天堂网av新在线| 成人高潮视频无遮挡免费网站| 亚洲中文字幕一区二区三区有码在线看 | 又粗又爽又猛毛片免费看| 天天一区二区日本电影三级| 亚洲专区中文字幕在线| 99精品欧美一区二区三区四区| 最近视频中文字幕2019在线8| 桃红色精品国产亚洲av| 亚洲av电影不卡..在线观看| 欧美绝顶高潮抽搐喷水| 亚洲成人精品中文字幕电影| 亚洲精品色激情综合| 亚洲aⅴ乱码一区二区在线播放| 99在线视频只有这里精品首页| 亚洲avbb在线观看| 天天一区二区日本电影三级| 无遮挡黄片免费观看| 久久久水蜜桃国产精品网| 日本 欧美在线| 亚洲成人久久爱视频| 黄色丝袜av网址大全| 欧美日本视频| 国产高清视频在线播放一区| 欧美黑人欧美精品刺激| 一夜夜www| 精品一区二区三区四区五区乱码| 国产激情欧美一区二区| 夜夜看夜夜爽夜夜摸| 日韩欧美一区二区三区在线观看| 国产成人精品久久二区二区91| 在线免费观看不下载黄p国产 | 亚洲va日本ⅴa欧美va伊人久久| 人妻夜夜爽99麻豆av| 国产欧美日韩一区二区三| 国产高清有码在线观看视频| 国产成人欧美在线观看| 午夜日韩欧美国产| 丁香欧美五月| 九九久久精品国产亚洲av麻豆 | 国产成人福利小说| 欧美激情久久久久久爽电影| 成人精品一区二区免费| 国产精品一区二区免费欧美| 欧美一级毛片孕妇| 高潮久久久久久久久久久不卡| 欧美国产日韩亚洲一区| 免费看美女性在线毛片视频| 琪琪午夜伦伦电影理论片6080| 又粗又爽又猛毛片免费看| 最新中文字幕久久久久 | 黄色 视频免费看| 一级a爱片免费观看的视频| 十八禁网站免费在线| 欧美一区二区国产精品久久精品| 国产精品爽爽va在线观看网站| 91av网站免费观看| 啦啦啦免费观看视频1| 小说图片视频综合网站| 国产精品一区二区三区四区免费观看 | 久久精品综合一区二区三区| 国产亚洲欧美在线一区二区| 午夜亚洲福利在线播放| 国产真实乱freesex| 亚洲天堂国产精品一区在线| 搡老熟女国产l中国老女人| 国产99白浆流出| 国产午夜福利久久久久久| 精品久久久久久,| 搡老岳熟女国产| 99精品欧美一区二区三区四区| 国产伦人伦偷精品视频| 夜夜爽天天搞| 两人在一起打扑克的视频| 亚洲 欧美一区二区三区| 欧美日韩福利视频一区二区| 国产成人影院久久av| 18禁美女被吸乳视频| 欧美性猛交黑人性爽| 亚洲精品色激情综合| 女生性感内裤真人,穿戴方法视频| 国产一区二区三区在线臀色熟女| 国产伦人伦偷精品视频| 男插女下体视频免费在线播放| 99久久国产精品久久久| 欧美3d第一页| 真实男女啪啪啪动态图| 中文字幕av在线有码专区| 久久久久免费精品人妻一区二区| 亚洲国产精品sss在线观看| 欧美日韩中文字幕国产精品一区二区三区| 国产久久久一区二区三区| 白带黄色成豆腐渣| 国产私拍福利视频在线观看| 成人无遮挡网站| 精品久久久久久久久久久久久| 中文字幕久久专区| 好男人电影高清在线观看| 成年女人永久免费观看视频| 免费在线观看亚洲国产| 亚洲国产欧美网| 午夜福利18| 制服丝袜大香蕉在线| 性欧美人与动物交配| 99热这里只有是精品50| 欧美一区二区精品小视频在线| 国产av不卡久久| 香蕉国产在线看| 国产伦精品一区二区三区四那| 午夜亚洲福利在线播放| 这个男人来自地球电影免费观看| xxx96com| 一级黄色大片毛片| 日韩三级视频一区二区三区| 精品一区二区三区视频在线 | 在线观看一区二区三区| 欧美zozozo另类| 蜜桃久久精品国产亚洲av| 欧美日韩瑟瑟在线播放| 九九久久精品国产亚洲av麻豆 | 国产淫片久久久久久久久 | 国产乱人视频| 国产精品日韩av在线免费观看| 99精品久久久久人妻精品| 精品久久久久久久久久免费视频| 国产乱人伦免费视频| 久久国产乱子伦精品免费另类| 国产精品精品国产色婷婷| bbb黄色大片| 色综合婷婷激情| 亚洲美女黄片视频| av视频在线观看入口| 精品99又大又爽又粗少妇毛片 | 午夜免费观看网址| 精品一区二区三区视频在线 | 国产aⅴ精品一区二区三区波| 亚洲国产高清在线一区二区三| 男女做爰动态图高潮gif福利片| 久久天躁狠狠躁夜夜2o2o| 两个人看的免费小视频| 波多野结衣高清无吗| av欧美777| 欧美xxxx黑人xx丫x性爽| 亚洲在线观看片| 亚洲专区中文字幕在线| 精品欧美国产一区二区三| 中文字幕av在线有码专区| 伊人久久大香线蕉亚洲五| 亚洲片人在线观看| 999久久久精品免费观看国产| 久久久国产欧美日韩av| 巨乳人妻的诱惑在线观看| 草草在线视频免费看| or卡值多少钱| 两性夫妻黄色片| 久久久久国产一级毛片高清牌| 成人欧美大片| 亚洲中文字幕一区二区三区有码在线看 | 老司机深夜福利视频在线观看| 亚洲欧美精品综合一区二区三区| 日韩欧美国产一区二区入口| 18禁国产床啪视频网站| av视频在线观看入口| 国产精品久久久久久人妻精品电影| 国产成人一区二区三区免费视频网站| 亚洲无线观看免费| 99re在线观看精品视频| 18美女黄网站色大片免费观看| 国产综合懂色| 人人妻,人人澡人人爽秒播| 极品教师在线免费播放| 欧洲精品卡2卡3卡4卡5卡区| 国产黄片美女视频| 国产黄a三级三级三级人| 欧美成人性av电影在线观看| 最新美女视频免费是黄的| 99久久久亚洲精品蜜臀av| 嫩草影院精品99| 精品无人区乱码1区二区| 欧美日韩国产亚洲二区| 欧美在线黄色| 亚洲欧美日韩高清专用| 国产免费男女视频| 亚洲av美国av| 99久久国产精品久久久| 欧美精品啪啪一区二区三区| 国产高清视频在线观看网站| 久久这里只有精品19| 激情在线观看视频在线高清| 国产高清视频在线观看网站| 国产成人欧美在线观看| 小说图片视频综合网站| 精品人妻1区二区| 免费大片18禁| 国产v大片淫在线免费观看| 亚洲欧美精品综合一区二区三区| 十八禁网站免费在线| 日韩有码中文字幕| 国产免费男女视频| 日韩成人在线观看一区二区三区| av视频在线观看入口| 国产aⅴ精品一区二区三区波| 此物有八面人人有两片| 18美女黄网站色大片免费观看| 一级毛片精品| 精华霜和精华液先用哪个| 国产成人精品无人区| 亚洲第一电影网av| 男人舔女人的私密视频| 18禁裸乳无遮挡免费网站照片| 淫妇啪啪啪对白视频| 此物有八面人人有两片| 最近最新免费中文字幕在线| 高清在线国产一区| 神马国产精品三级电影在线观看| 欧美在线一区亚洲| 淫妇啪啪啪对白视频| 男人舔奶头视频| 成人av在线播放网站| 国产亚洲精品一区二区www| 他把我摸到了高潮在线观看| 亚洲人与动物交配视频| 亚洲午夜精品一区,二区,三区| 国产高清视频在线观看网站| 色av中文字幕| 国产一级毛片七仙女欲春2| 亚洲精品美女久久av网站| 美女高潮的动态| 亚洲无线观看免费| 午夜a级毛片| 久久九九热精品免费| 中文字幕av在线有码专区| 少妇丰满av| 国产亚洲精品久久久com| 国产免费男女视频| 在线免费观看的www视频| 国产亚洲欧美98| 欧美日韩综合久久久久久 | 亚洲人与动物交配视频| 国产精品98久久久久久宅男小说| 午夜福利欧美成人| 免费av不卡在线播放| 中亚洲国语对白在线视频| 国产激情久久老熟女| 日本黄大片高清| 天天添夜夜摸| 日本一本二区三区精品| 国产男靠女视频免费网站| 90打野战视频偷拍视频| 亚洲国产精品久久男人天堂| 日本免费一区二区三区高清不卡| 一个人观看的视频www高清免费观看 | 嫩草影视91久久| 久久香蕉国产精品| 99久久成人亚洲精品观看| 一进一出抽搐gif免费好疼| 亚洲九九香蕉| 日本一本二区三区精品| 免费看a级黄色片| 亚洲精品久久国产高清桃花| 在线国产一区二区在线| 欧美一区二区精品小视频在线| 国产精品九九99| 亚洲人成伊人成综合网2020| 国产精品1区2区在线观看.| 村上凉子中文字幕在线| 久久天躁狠狠躁夜夜2o2o| 日韩欧美在线乱码| 色综合亚洲欧美另类图片| 很黄的视频免费| 网址你懂的国产日韩在线| 99精品欧美一区二区三区四区| 999精品在线视频| 亚洲精品在线美女| 老鸭窝网址在线观看| 99精品在免费线老司机午夜| 丰满的人妻完整版| 性欧美人与动物交配| 国产一级毛片七仙女欲春2| 久久中文字幕人妻熟女| 午夜久久久久精精品| 黄色 视频免费看| 岛国在线免费视频观看| 国产伦精品一区二区三区四那| av欧美777| 亚洲av熟女| 国产精品 欧美亚洲| 亚洲 国产 在线| 成在线人永久免费视频| 1024手机看黄色片| 亚洲欧美激情综合另类| 亚洲av片天天在线观看| 一级黄色大片毛片| 国产不卡一卡二| 一个人免费在线观看电影 | 午夜日韩欧美国产| 老汉色∧v一级毛片| 国产午夜精品久久久久久| 国产成人欧美在线观看| 欧美激情久久久久久爽电影| 亚洲片人在线观看| 男女视频在线观看网站免费| 黑人欧美特级aaaaaa片| 老熟妇乱子伦视频在线观看| 一区福利在线观看| 岛国在线免费视频观看| e午夜精品久久久久久久| 人妻久久中文字幕网| 两个人的视频大全免费| 中文字幕熟女人妻在线| 三级毛片av免费| 国产av麻豆久久久久久久| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲性夜色夜夜综合| 国产69精品久久久久777片 | 麻豆一二三区av精品| 亚洲国产看品久久| 日韩有码中文字幕| 亚洲熟女毛片儿| 免费观看人在逋| 少妇的逼水好多| 久久精品影院6| 久久午夜综合久久蜜桃| 最新中文字幕久久久久 | 亚洲第一电影网av| 成人三级黄色视频| 18禁黄网站禁片午夜丰满| 动漫黄色视频在线观看| 久久久久久国产a免费观看| av黄色大香蕉| 国产真人三级小视频在线观看| 亚洲成人久久爱视频| 国产99白浆流出| 精品一区二区三区四区五区乱码| 亚洲最大成人中文| 免费高清视频大片| 日本一本二区三区精品| 淫秽高清视频在线观看| 成人国产综合亚洲| 欧美成狂野欧美在线观看| www.自偷自拍.com| 老司机福利观看| 18禁国产床啪视频网站| 成人精品一区二区免费| а√天堂www在线а√下载| 精品福利观看| 成年人黄色毛片网站| 波多野结衣高清无吗| 亚洲欧美精品综合久久99| 神马国产精品三级电影在线观看| 真人一进一出gif抽搐免费| 国产精品99久久99久久久不卡| 精品国产乱码久久久久久男人| 成人精品一区二区免费| 国产91精品成人一区二区三区| 午夜激情欧美在线| 欧美日韩综合久久久久久 | 午夜久久久久精精品| 亚洲乱码一区二区免费版| 国产成人av教育| 午夜福利在线观看免费完整高清在 | 熟女人妻精品中文字幕| 成年女人看的毛片在线观看| 欧美xxxx黑人xx丫x性爽| 久久精品亚洲精品国产色婷小说| 深夜精品福利| 校园春色视频在线观看| 搞女人的毛片| 两性午夜刺激爽爽歪歪视频在线观看| 久久中文字幕人妻熟女| av黄色大香蕉| 久久99热这里只有精品18| 成年女人毛片免费观看观看9| 精品福利观看| 啪啪无遮挡十八禁网站| 欧美日韩国产亚洲二区| 极品教师在线免费播放| 窝窝影院91人妻| 十八禁网站免费在线| 亚洲第一电影网av| 99re在线观看精品视频| 人妻久久中文字幕网| 91av网一区二区| 好男人在线观看高清免费视频| 亚洲最大成人中文| 国产精品av久久久久免费| 国产精品电影一区二区三区| 色综合亚洲欧美另类图片| 成人亚洲精品av一区二区| 国产午夜福利久久久久久| 免费看十八禁软件| 超碰成人久久| 听说在线观看完整版免费高清| 国产成人av激情在线播放| 国产精品av视频在线免费观看| 亚洲欧美精品综合久久99| 99久久久亚洲精品蜜臀av| 日日干狠狠操夜夜爽| 亚洲国产日韩欧美精品在线观看 | a在线观看视频网站| 欧美日韩黄片免| 亚洲成av人片免费观看| 午夜福利视频1000在线观看| 麻豆久久精品国产亚洲av| 夜夜爽天天搞| 一个人看的www免费观看视频| 性色av乱码一区二区三区2| 久久久久免费精品人妻一区二区| 97人妻精品一区二区三区麻豆| 97超级碰碰碰精品色视频在线观看| 久久精品人妻少妇| 久9热在线精品视频| 1000部很黄的大片| 麻豆国产av国片精品| 麻豆久久精品国产亚洲av| 欧美乱妇无乱码| 免费看光身美女| 亚洲av熟女| 亚洲一区二区三区不卡视频| 久久香蕉国产精品| 国产在线精品亚洲第一网站| 美女免费视频网站| 最近最新免费中文字幕在线| 色老头精品视频在线观看| 长腿黑丝高跟| 亚洲欧美一区二区三区黑人| 老司机深夜福利视频在线观看| 亚洲九九香蕉| 国产免费男女视频| 久久天堂一区二区三区四区| 熟女少妇亚洲综合色aaa.| 12—13女人毛片做爰片一| 可以在线观看的亚洲视频| 午夜视频精品福利| 亚洲成av人片免费观看| 成人av一区二区三区在线看| 亚洲国产色片| 又粗又爽又猛毛片免费看| 亚洲av熟女| 老司机深夜福利视频在线观看| 色综合站精品国产| 精品99又大又爽又粗少妇毛片 | 特级一级黄色大片| 嫩草影院精品99| 久久久久免费精品人妻一区二区| 国产一区二区三区在线臀色熟女| 亚洲成av人片在线播放无| 国产精品自产拍在线观看55亚洲| netflix在线观看网站| or卡值多少钱| 久久精品国产综合久久久| 国产午夜精品久久久久久| 少妇的逼水好多| 90打野战视频偷拍视频| 老司机午夜福利在线观看视频| 国产一区二区在线观看日韩 | www.自偷自拍.com| 精品无人区乱码1区二区| 婷婷精品国产亚洲av在线| 成人性生交大片免费视频hd| 亚洲av成人不卡在线观看播放网| 国产黄色小视频在线观看| 国产精品一区二区精品视频观看| 亚洲精品久久国产高清桃花| 亚洲欧美精品综合一区二区三区| 久久天躁狠狠躁夜夜2o2o| 亚洲av五月六月丁香网| 69av精品久久久久久| 又黄又粗又硬又大视频| 免费看美女性在线毛片视频| 亚洲欧美激情综合另类| 特级一级黄色大片| 麻豆国产97在线/欧美| 国产精品美女特级片免费视频播放器 | 欧美性猛交╳xxx乱大交人| 搞女人的毛片| 欧美zozozo另类| 在线a可以看的网站| 色综合亚洲欧美另类图片| 成人性生交大片免费视频hd| 色哟哟哟哟哟哟| 丝袜人妻中文字幕| 99久久成人亚洲精品观看| 在线永久观看黄色视频| 久久久色成人| 欧美高清成人免费视频www| 男女之事视频高清在线观看| 中文字幕久久专区| 国产蜜桃级精品一区二区三区| 中文在线观看免费www的网站| 色吧在线观看| 可以在线观看的亚洲视频| 精品电影一区二区在线| 欧美黑人巨大hd| 欧美日韩综合久久久久久 | 一本久久中文字幕| 男人舔女人的私密视频| 制服人妻中文乱码| 久久香蕉国产精品| 精品不卡国产一区二区三区| 久久草成人影院| 亚洲av免费在线观看| 精品福利观看| 丝袜人妻中文字幕|