• <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 ?

    復(fù)雜裝備退化狀態(tài)早期識(shí)別方法研究

    2016-09-07 05:51:32徐廷學(xué)肖楚琬
    關(guān)鍵詞:信息源波包向量

    鄧 力,徐廷學(xué),肖楚琬

    (1.海軍航空工程學(xué)院 兵器科學(xué)與技術(shù)系,山東 煙臺(tái) 264001;2.海軍航空工程學(xué)院 接改裝訓(xùn)練大隊(duì), 山東 煙臺(tái) 264001)

    ?

    復(fù)雜裝備退化狀態(tài)早期識(shí)別方法研究

    鄧力1,徐廷學(xué)1,肖楚琬2

    (1.海軍航空工程學(xué)院 兵器科學(xué)與技術(shù)系,山東 煙臺(tái)264001;2.海軍航空工程學(xué)院 接改裝訓(xùn)練大隊(duì), 山東 煙臺(tái)264001)

    針對(duì)復(fù)雜裝備早期退化狀態(tài)難以識(shí)別的問(wèn)題,提出一種將相關(guān)向量機(jī)(RVM)和Dezert-Smarandache 理論(DSmT)相結(jié)合的多特征融合決策識(shí)別方法;該方法首先分別采用時(shí)域分析法和時(shí)頻域小波包變換法對(duì)裝備的狀態(tài)特征進(jìn)行提?。恢髮顟B(tài)特征向量輸入RVM模型中完成對(duì)狀態(tài)屬性的判定并獲得各種狀態(tài)模式的基本置信度分配;最后依據(jù)DSmT的PCR6規(guī)則對(duì)含有沖突信息的多個(gè)識(shí)別結(jié)果進(jìn)行決策融合,得到早期退化狀態(tài)的最終識(shí)別結(jié)果;在對(duì)某航空機(jī)電設(shè)備的實(shí)例應(yīng)用中表明,該方法可以有效地解決信息高沖突條件下的早期退化狀態(tài)識(shí)別問(wèn)題,結(jié)果可靠準(zhǔn)確。

    復(fù)雜裝備;性能退化;狀態(tài)識(shí)別;相關(guān)向量機(jī);Dezert-Smarandache 理論

    0 引言

    在裝備故障發(fā)生的早期,及時(shí)發(fā)現(xiàn)故障并安排有計(jì)劃的維護(hù),可以降低維護(hù)成本,避免故障傳播,以免造成更大故障,減少停機(jī)損失,預(yù)防重大安全事故等,因此,早期故障及時(shí)檢測(cè)與預(yù)防維護(hù)具有很大的經(jīng)濟(jì)與安全意義[1-2]。

    裝備的故障必須有一個(gè)發(fā)展過(guò)程,在其功能喪失之前有故障跡象或征兆[3]。當(dāng)裝備在正常工作的時(shí)候,其監(jiān)測(cè)信息一般在某一常數(shù)值周圍隨機(jī)波動(dòng),且較為平穩(wěn);而當(dāng)裝備工作在性能退化階段時(shí),監(jiān)測(cè)信息就會(huì)顯現(xiàn)出變化異常的趨勢(shì),從而不斷偏離正常態(tài)下的平穩(wěn)常數(shù)值,且偏離度會(huì)因退化程度的加劇而逐漸增加。所以,對(duì)反映裝備狀態(tài)的信息進(jìn)行監(jiān)測(cè)來(lái)判定裝備當(dāng)前狀態(tài)是可行的。

    1 相關(guān)研究

    1.1單信息源狀態(tài)識(shí)別算法

    近幾年用于單信息源狀態(tài)識(shí)別最主要的兩類算法是基于傳統(tǒng)統(tǒng)計(jì)學(xué)的識(shí)別算法與統(tǒng)計(jì)判決法,統(tǒng)計(jì)判決算法通過(guò)假設(shè)檢驗(yàn)與概率來(lái)完成,其主要存在的不足:獲得準(zhǔn)確判決的門(mén)限前提是必須給出合理的假設(shè)以及嚴(yán)密的數(shù)據(jù)分析;文獻(xiàn)[4]運(yùn)用ANN(人工神經(jīng)網(wǎng)絡(luò))算法進(jìn)行模式識(shí)別,效果較為理想,但是受樣本數(shù)量的限制,ANN算法常發(fā)生欠學(xué)習(xí)或過(guò)學(xué)習(xí)、陷入局部極小值等情況,從而導(dǎo)致ANN算法的泛化能力較差。已有研究人員運(yùn)用SVM(支持向量機(jī))算法進(jìn)行模式識(shí)別[5- 6],效果要優(yōu)于ANN算法。

    但是SVM仍存在明顯的不足[7-9]:①解的稀疏性只是相對(duì),訓(xùn)練樣本集的增加會(huì)造成支持向量的數(shù)量線性上升;②無(wú)法輸出概率信息;③核函數(shù)必須符合Mercer條件;④需通過(guò)交叉驗(yàn)證等算法對(duì)規(guī)則化系數(shù)進(jìn)行估計(jì),會(huì)產(chǎn)生額外的樣本數(shù)據(jù)以及計(jì)算開(kāi)銷。

    一種新型的機(jī)器學(xué)習(xí)算法(SVM的概率擴(kuò)展)——相關(guān)向量機(jī)(Relevance Support Machine,RVM),是由Tipping提出的與支持向量機(jī)相似的基于核函數(shù)的模式識(shí)別算法[10]。正是該算法的提出,使得SVM的不足得以有效解決;雖然兩者采用相同函數(shù)的形式,但是用于求解核函數(shù)對(duì)應(yīng)權(quán)值的算法不同,這使得RVM大部分的權(quán)值趨于零,最終得到的模型較SVM更加稀疏,即模型只與部分的訓(xùn)練點(diǎn)有關(guān)。當(dāng)前,RVM已開(kāi)始用于故障預(yù)測(cè)[11]、模式識(shí)別[12]等領(lǐng)域。

    1.2多信息源狀態(tài)識(shí)別算法

    當(dāng)裝備性能退化狀態(tài)剛開(kāi)始的時(shí)候,其狀態(tài)特征通常會(huì)有以下特點(diǎn):①退化狀態(tài)特征信號(hào)會(huì)很微弱,從而導(dǎo)致?tīng)顟B(tài)特征呈現(xiàn)不確定的特性;②由于內(nèi)部結(jié)構(gòu)差異與傳輸線路的不同,微弱的退化狀態(tài)特征信號(hào)通常最先在裝備某個(gè)局部位置出現(xiàn)。所以一個(gè)傳感器無(wú)法全面、準(zhǔn)確地捕捉裝備的狀態(tài)信息,融合多個(gè)傳感器信息成為識(shí)別退化狀態(tài)的有效方式,將位于多個(gè)關(guān)鍵位置的傳感器構(gòu)造成信息網(wǎng)絡(luò),充分獲取不同位置的測(cè)量信息,并運(yùn)用信息融合技術(shù)對(duì)測(cè)量信息進(jìn)行融合得到最終的識(shí)別結(jié)果。

    在多信息源進(jìn)行融合的過(guò)程之中,需處理的信息或數(shù)據(jù)除由隨機(jī)性而造成的誤差以外,通常還具有不準(zhǔn)確、模糊、彼此不一致,甚至是部分未知、時(shí)變等特征,這些不確定性可能源于傳感器的不精確性,也可能源于人為或環(huán)境等因素的干擾。

    不確定性推理理論為不精確、不確定、不完善信息的處理提供了有效途徑。目前不確定性推理方法有模糊理論、隨機(jī)理論、粗糙集理論、貝葉斯推理理論和證據(jù)推理理論等。而證據(jù)理論以其在不確定信息的表達(dá)以及組合方面的優(yōu)勢(shì)受到重視。其中,DS理論(Dempster-Shafer theory,DST)首先由Dempster提出通過(guò)多值映射推導(dǎo)出上下概率,之后由Shafer將其進(jìn)一步完善,建立了命題與集合間一一對(duì)應(yīng)的關(guān)系[13],將命題不確定性的問(wèn)題轉(zhuǎn)化成集合不確定性的問(wèn)題,且具有較貝葉斯推理滿足條件更弱的優(yōu)勢(shì),可對(duì)不知道與不確定問(wèn)題進(jìn)行直接表達(dá),最終形成一整套的數(shù)學(xué)理論[14],在故障診斷、人工智能與模式識(shí)別等方面應(yīng)用廣泛,并獲得了豐厚的成果[15]。但DST在處理高沖突證據(jù)時(shí)可能會(huì)得到與實(shí)際情況相悖的結(jié)果;同時(shí)它的前提條件要求元素是互斥的,故DST比較難處理連續(xù)或模糊焦元的情況。為此,Dezert和Smarandache一起提出用于解決這些問(wèn)題的新的證據(jù)理論——DSm理論(Dezert-Smarandache theory,DSmT)[16]。DSmT的目標(biāo)是建立一個(gè)統(tǒng)一的理論體系,即能夠處理傳統(tǒng)的問(wèn)題,又能夠處理實(shí)際融合中動(dòng)態(tài)的、沖突的、模糊的以及不確定的較復(fù)雜的難題[17]。

    本文首先設(shè)計(jì)了復(fù)雜裝備退化狀態(tài)早期識(shí)別系統(tǒng)的框架結(jié)構(gòu),明確了識(shí)別的具體工作流程;之后甄選了狀態(tài)信息的處理與特征提取方法;接下來(lái)提出了單信息源的RVM識(shí)別算法;最后運(yùn)用DSmT融合算法多信息源的最終識(shí)別。應(yīng)用實(shí)例表明本文提出的算法具有更高的可靠性,且識(shí)別結(jié)果與實(shí)際情況更加吻合。

    2 退化狀態(tài)早期識(shí)別系統(tǒng)

    本文提出的基于RVM和DSmT復(fù)雜裝備退化狀態(tài)早期識(shí)別系統(tǒng)結(jié)構(gòu)如圖1所示。該系統(tǒng)主要分為信息處理與特征提取、基于RVM的單信息源狀態(tài)識(shí)別和基于DSmT的狀態(tài)屬性決策融合等3個(gè)部分。

    圖1 復(fù)雜裝備退化狀態(tài)早期識(shí)別系統(tǒng)結(jié)構(gòu)

    1)信息處理與特征提?。?/p>

    針對(duì)裝備工作時(shí)不同時(shí)間段和不同部位的工作狀態(tài)信息,分別采用不同的傳感器對(duì)裝備工作時(shí)的數(shù)據(jù)進(jìn)行采集,之后運(yùn)用時(shí)域分析法和時(shí)頻域分析等方法,從裝備的狀態(tài)信息中提取相關(guān)特征向量,從而得到由不同的狀態(tài)特征向量構(gòu)建的向量空間,并對(duì)相應(yīng)的狀態(tài)類型空間進(jìn)行構(gòu)建。

    2)基于RVM的單信息源狀態(tài)識(shí)別:

    (1)為了構(gòu)建出狀態(tài)特征的向量空間與狀態(tài)的類型空間之間的非線性關(guān)系,建立兩個(gè)空間對(duì)應(yīng)的RVM模型,并采用實(shí)驗(yàn)樣本數(shù)據(jù)對(duì)該模型進(jìn)行識(shí)別訓(xùn)練。

    (2)對(duì)已經(jīng)訓(xùn)練好的各個(gè)RVM,分別采用裝備狀態(tài)信息的測(cè)試樣本數(shù)據(jù)進(jìn)行測(cè)試,在測(cè)試過(guò)程中獲取各RVM的運(yùn)行時(shí)間和測(cè)試次數(shù)等信息,向DSmT決策融合提供重要的參數(shù)信息。

    3)基于DSmT的狀態(tài)屬性決策融合:

    (1)綜合匯總各個(gè)RVM的不同識(shí)別結(jié)果,從而構(gòu)建出DSm據(jù)側(cè)融合必須的證據(jù)空間,空間的證據(jù)元素即裝備同一工作狀態(tài)下不同識(shí)別結(jié)果。

    (2)依據(jù)裝備的狀態(tài)類型構(gòu)建識(shí)別空間,再依據(jù)廣義基本置信分配函數(shù)m(·)獲取不同狀態(tài)類型可能的概率。

    (3)依據(jù)不同識(shí)別結(jié)果的基本置信度,運(yùn)用DSm理論中合理的融合規(guī)則,得到狀態(tài)類型總的概率分布,從而得出最終的識(shí)別結(jié)果。

    3 信息處理與特征提取

    采用傳感器獲取裝備的狀態(tài)信息之后,關(guān)鍵的一步就是分析處理得到的信息。運(yùn)用時(shí)域分析方法與時(shí)頻域小波包變換方法提取狀態(tài)信息特征,形成狀態(tài)信息的特征向量,并將該特征向量作為后續(xù)RVM的輸入向量。時(shí)域分析法中的狀態(tài)信息的特征向量是時(shí)域內(nèi)幅值域中的參數(shù),其對(duì)非平穩(wěn)的信號(hào)比較敏感。小波包變換方法則是對(duì)裝備的狀態(tài)信息進(jìn)行分解得到許多的獨(dú)立頻帶,之后提取各個(gè)頻帶的能量作為特征向量輸入RVM模型。時(shí)域分析方法和時(shí)頻域小波包變換方法都很適合用于裝備狀態(tài)信息的特征提取。

    3.1時(shí)域分析

    運(yùn)用時(shí)域分析法得到時(shí)域特征向量元素分別為:均方根值、峰峰值、脈沖因子、峰值因子、波形因子、裕度因子和峭度因子,各向量元素的計(jì)算公式為:

    (1)

    (2)

    (3)

    (4)

    (5)

    (6)

    (7)

    3.2時(shí)頻域分析

    1)小波包變換:

    小波包變換作為小波分析的一種,能夠隨頻率的升高,進(jìn)一步將頻率窗口分割細(xì)化,同時(shí)在高頻段具有較高的頻率分辨與時(shí)間分辨率,因此常被用于進(jìn)行突變信號(hào)的頻域分析[ 18]。

    小波包變換在確定小波函數(shù)之后,將濾波系數(shù)設(shè)為:h={hn},令gk=(-1)kh1-k,則遞歸函數(shù)定義如下:

    (8)

    小波包{Wn(t)}n∈z由式(8)確定,其中W0(t)為尺度函數(shù),W1(t)即為相應(yīng)的小波函數(shù)。小波包同時(shí)將高頻信號(hào)與低頻信號(hào)進(jìn)行分解,從而構(gòu)建成信號(hào)分解的二叉樹(shù),各層都信號(hào)所有的頻率涵蓋在內(nèi),同時(shí)頻率分辨率隨著層數(shù)的上升而提高。小波包變換將小波分析的二元結(jié)構(gòu)改變成樹(shù)式結(jié)構(gòu),得到一組樹(shù)式小波包變換如圖2所示。

    圖2 小波包變換樹(shù)形結(jié)構(gòu)

    2)特征提?。?/p>

    小波包變換之后各尺度空間中高頻的細(xì)節(jié)信號(hào)與低頻的近似信號(hào),既能給出各頻段信號(hào)的構(gòu)成信息,同時(shí)又能給出裝備狀態(tài)的時(shí)頻局域信息。如果各分解尺度空間信號(hào)頻譜的能量值能夠求解出來(lái),就能建立狀態(tài)特征信號(hào)的樣本集,供RVM訓(xùn)練與測(cè)試。下面列舉了提取裝備狀態(tài)特征的具體過(guò)程:

    (1)狀態(tài)信號(hào)的小波包變換。針對(duì)采集的裝備狀態(tài)信號(hào),利用小波包變換公式對(duì)其進(jìn)行三層小波包變換,同時(shí)得到原始小波包樹(shù)形結(jié)構(gòu)的最優(yōu)完整樹(shù)。

    (2)狀態(tài)信號(hào)重構(gòu)。對(duì)最優(yōu)完整小波包樹(shù)的底層小波包各結(jié)點(diǎn)進(jìn)行重構(gòu),獲得重構(gòu)后的8個(gè)小波包信號(hào),重構(gòu)之后的信號(hào)涵蓋了原始采集信號(hào)中低頻至高頻的各頻段狀態(tài)信息。

    (3)計(jì)算重構(gòu)狀態(tài)信號(hào)頻譜的能量值。令S3i(i=0,1,…,7)為重構(gòu)后的八個(gè)小波包信號(hào),先對(duì)各重構(gòu)信號(hào)的單邊幅度頻譜SF(3,i)(i=0,1,…,7)進(jìn)行求解,之后對(duì)各單邊頻譜分別取向量的二范數(shù),即

    (9)

    式中,|SF(3,i)(j)|為重構(gòu)后各個(gè)小波包信號(hào)單邊頻譜離散點(diǎn)的幅值。

    4 基于RVM與DSmT的識(shí)別算法

    4.1RVM分類模型

    (10)

    對(duì)于二元分類問(wèn)題,統(tǒng)計(jì)學(xué)上習(xí)慣使y(x)服從sigmoid函數(shù)。

    (11)

    不同于回歸問(wèn)題,分類不存在數(shù)據(jù)噪聲。樣本集的似然函數(shù)服從伯努利分布:

    (12)

    依據(jù)SVM結(jié)構(gòu)風(fēng)險(xiǎn)的最小化原則可知,若不先進(jìn)行權(quán)重系數(shù)的約束,而直接最大化式(12)會(huì)造成嚴(yán)重過(guò)擬和的現(xiàn)象。因此為使模型的泛化能力得到提升以實(shí)現(xiàn)光滑模型,RVM為所有權(quán)重系數(shù)設(shè)定了高斯先驗(yàn)概率分布:

    (13)

    式中,α=(α0,α1,…,αN)T為超參數(shù),其決定了權(quán)重系數(shù)ω的先驗(yàn)分布,并限定了權(quán)重系數(shù)的允許偏離均值程度范圍。

    參數(shù)ω和α的后驗(yàn)概率可表示為:

    (14)

    (15)

    (16)

    (17)

    其中:A=diag(α0,α1,…,αN);yi=σ{y(xi,ω)}。

    對(duì)于和ω和α的最有估計(jì)可采用以下3步迭代進(jìn)行。

    1)固定α,采用最大后驗(yàn)概率方法估計(jì)權(quán)重ω的最大值:

    (18)

    其中:g=ΦT(t-y)-Aω;H=-(ΦTBΦ+A);y=[y1,y2,…,yN]T。

    B=diag(y1(1-y1),y2(1-y2),…,yN(1-yN));

    Φ=(K(x,x1),K(x,x2),…,K(x,xN))T

    2)求解協(xié)方差矩陣:

    (19)

    3)更新αi:

    (20)

    (21)

    其中:∑i,i是Σ中對(duì)角線上的第i項(xiàng)元素。

    在給定α的初始值之后,采用上述步驟進(jìn)行不斷迭代更新,就能夠逼近ωMP。在迭代更新進(jìn)行足夠多后大多數(shù)的αi會(huì)趨于無(wú)窮大,其對(duì)應(yīng)的ωi則為0。這使大部分核函數(shù)矩陣的項(xiàng)不會(huì)參與到預(yù)測(cè)計(jì)算中,而其他的αi會(huì)穩(wěn)定趨近有限值,與之對(duì)應(yīng)的xi就稱之為相關(guān)向量(Relevance Vectors, RVs),而整個(gè)實(shí)用的計(jì)算模型稱為相關(guān)向量機(jī)。

    在解決多分類問(wèn)題時(shí),可采用多個(gè)二分類器組合來(lái)實(shí)現(xiàn)多分類器的構(gòu)造。常見(jiàn)方法有[19]:一對(duì)一法、一對(duì)多法、決策導(dǎo)向無(wú)環(huán)圖法以及決策二叉樹(shù)法等。其中一對(duì)一法(One against one,OAO)是指在K類訓(xùn)練樣本中構(gòu)造出所有可能的二分類器,每個(gè)分類器僅在所有分類中的兩類訓(xùn)練樣本中進(jìn)行訓(xùn)練,最終共構(gòu)建K(K-1)/2個(gè)分類器,其中概率最大的那個(gè)類別被判定為最終分類。因?yàn)橐粚?duì)一法中構(gòu)造的二分類器既簡(jiǎn)單,同時(shí)計(jì)算量也小,所以本文采用OAO方式事先多分類。

    4.2DSmT證據(jù)理論

    DSmT定義了廣義的識(shí)別框架Θ以及超冪集的概念,其和DST最大的差別就是其將沖突信息加入框架體系內(nèi),而DST的框架內(nèi)只涵蓋了確定與不確定信息,卻無(wú)法處理沖突信息。

    定義1:廣義識(shí)別框架。

    令Θ={θ1,θ2,θ3,…,θn}由n個(gè)完備的元素組成的一個(gè)非空有限集合,稱Θ為廣義識(shí)別框架。

    定義2:超冪集。

    定義超冪集DΘ為由廣義識(shí)別框架內(nèi)的元素經(jīng)過(guò)∪和∩運(yùn)算后產(chǎn)生的所有組合命題集合。

    定義3:廣義基本置信分配函數(shù)。

    若有廣義識(shí)別框架Θ,且存在一組映射m(·):DΘ→[0,1],同時(shí)滿足下列條件:

    1)m(φ)=0,φ為空集;

    3)0≤m(A)≤1,A∈DΘ。

    則稱m(A)為元素A的廣義基本置信分配函數(shù)。目前關(guān)于置信的組合規(guī)則主要有經(jīng)典組合規(guī)則和比例沖突再分配規(guī)則(proportional conflict redistribution rules, PCR)。

    若mi(·)表示由多個(gè)獨(dú)立且等可靠的信息源得到的廣義基本置信分配函數(shù),則有針對(duì)多信息源經(jīng)典的組合規(guī)則(DSmC)如下:

    (22)

    由上式可知,當(dāng)Θ的勢(shì)增加時(shí),DΘ中的元素也急劇增長(zhǎng),這將耗費(fèi)大量的存儲(chǔ)空間,也加大了經(jīng)典DSmT組合規(guī)則的計(jì)算量。

    PCR規(guī)則是在DSmT基礎(chǔ)上提出的證據(jù)組合規(guī)則。它是將沖突置信按一定比例加至組合置信上,以便更充分地利用證據(jù)。至今已從PCR1發(fā)展至PCR6規(guī)則。其中,PCR1、PCR2規(guī)則針對(duì)全局沖突置信實(shí)行再分配,PCR3-6規(guī)則主要針對(duì)局部的沖突實(shí)行再分配。從PCR1至PCR6,規(guī)則的復(fù)雜度以及對(duì)沖突實(shí)行再分配的精準(zhǔn)度都在不斷提升。此外,除PCR1規(guī)則,其余規(guī)則都保證合成結(jié)果中空置信的影響中立。PCR6為當(dāng)前最為有效的規(guī)則,其不但能獲得理想的合成結(jié)果,同時(shí)在計(jì)算量方面也具有優(yōu)勢(shì)。PCR6規(guī)則定義為:

    (23)

    4.3多特征RVM-DSmT融合決策規(guī)則

    假設(shè)k種狀態(tài)類型A1,A2,…,Ak,被n種特征提取方法獲取特征向量經(jīng)由RVM分類決策融合識(shí)別的識(shí)別框架為

    (24)

    各種單信息源的RVM識(shí)別算法給各命題的置信分配函數(shù)可寫(xiě)成:

    (25)

    式中,qi為第i種特征RVM分類的正確率,其值的確定可采用統(tǒng)計(jì)方法,對(duì)于單信息源RVM分類而言,可選擇訓(xùn)練集樣本的識(shí)別率作為該特征的RVM分類識(shí)別正確率;pij為第i種特征RVM分類判定樣本為第j中狀態(tài)類型識(shí)別的置信度,j=1,2,…,k,其值為RVM分類輸出概率值。

    對(duì)于框架Θ中的任意狀態(tài)類型Aj,多特征的RVM分類判定結(jié)果的DSmT決策規(guī)則采用PCR6規(guī)則。

    5 應(yīng)用實(shí)例

    本文以某航空機(jī)電設(shè)備為研究對(duì)象。根據(jù)該型設(shè)備的特性,該設(shè)備的電壓與電流信號(hào)能較好地反映設(shè)備的性能狀態(tài),因此,對(duì)其不同狀態(tài)下的電壓與電流信號(hào)進(jìn)行采集。采樣頻率為6.4 kHz,每種狀態(tài)分別連續(xù)采集24 s,得到正常、退化與故障三組樣本集,各按順序每組數(shù)據(jù)分割成150個(gè)數(shù)據(jù)段,每段時(shí)長(zhǎng)0.16 s,每段1 024個(gè)采樣點(diǎn)。本應(yīng)用實(shí)例數(shù)據(jù)分析所用的運(yùn)行平臺(tái)為Matlab2012b,運(yùn)行環(huán)境為Windows 7。

    5.1狀態(tài)特征提取

    某航空機(jī)電設(shè)備在正常狀態(tài)時(shí)的電壓信號(hào)波形圖如圖3所示。

    圖3 正常狀態(tài)電壓波形圖

    采用時(shí)域分析法中各種指標(biāo)計(jì)算公式對(duì)信號(hào)采集得到的數(shù)據(jù)進(jìn)行計(jì)算,可以得到以下指標(biāo)值:Zrms=2.706 6,pp=1.864 9,If=1.369 8,Cf=1.368 2,Sf=1.001 1,CLf=1.370 6,Kv=1.009 6

    圖4 小波包變換后各頻帶內(nèi)重構(gòu)信號(hào)圖

    圖4是采集得到的設(shè)備正常狀態(tài)信號(hào),采用db6小波包進(jìn)行3層分解的方法,分解得到的一個(gè)時(shí)間段內(nèi)每個(gè)頻帶中MATLAB仿真的信號(hào)重構(gòu)圖,并計(jì)算其各頻帶中的能量歸一化值分別為T(mén)3,0=0.144 3,T3,1=0.105 8,T3,2=0.125 4,T3,3=0.123 9,T3,4=0.137 5,T3,5=0.130 4,T3,6=0.117 1,T3,7=0.115 3。其中小波分解得到的各頻帶能量圖如圖5所示。

    圖5 正常狀態(tài)小波分解能量

    5.2基于RVM狀態(tài)識(shí)別

    為了驗(yàn)證本文采用的RVM在單信息源狀態(tài)識(shí)別方面的優(yōu)越性,將RVM與SVM識(shí)別效果進(jìn)行比較。本節(jié)采用電壓正常和故障兩組樣本,經(jīng)小波包變換后獲得新的8維頻帶能量向量樣本序列。其中每組樣本中訓(xùn)練樣本100個(gè),測(cè)試樣本50個(gè)。

    RVM模型中,核函數(shù)采用最常用的高斯徑向基(RBF)核函數(shù),核函數(shù)參數(shù)σ在[0.01,5]范圍內(nèi)通過(guò)交叉驗(yàn)證優(yōu)化選擇,可得,當(dāng)σ=3.75時(shí),RVM模型識(shí)別精度最高。同理,SVM模型中,將C和σ在[1,10]范圍內(nèi)間隔變化計(jì)算分類精度,得到當(dāng)C=100,σ=6.5時(shí),正確分類率最大,故選擇該參數(shù)為SVM最佳識(shí)別參數(shù)。

    表1 RVM和SVM識(shí)別效果比較

    比較RVM與SVM識(shí)別效果,樣本集分別訓(xùn)練5次取均值。從表1可以看出,以訓(xùn)練集/測(cè)試集樣本數(shù)100/100為例,RVM識(shí)別的準(zhǔn)確率為92.43%,明顯優(yōu)于SVM識(shí)別的準(zhǔn)確率89.27%,RVM平均相關(guān)向量的數(shù)量為3.2,遠(yuǎn)低于SVM平均支持向量數(shù)45.6,RVM識(shí)別時(shí)間為0.017 9 s,SVM識(shí)別時(shí)間0.162 8 s。當(dāng)訓(xùn)練樣本數(shù)量依次增加為120、140、160、180和200,測(cè)試樣本保持不變,兩種識(shí)別算法得到識(shí)別的準(zhǔn)確率也在相應(yīng)提升,同時(shí)RVM識(shí)別準(zhǔn)確率仍能略高于SVM。當(dāng)訓(xùn)練/測(cè)試樣本的數(shù)量為200/100時(shí),RVM識(shí)別的準(zhǔn)確率為97.25%,優(yōu)于SVM的識(shí)別準(zhǔn)確率95.43%,RVM平均相關(guān)向量的數(shù)量為12.2,遠(yuǎn)低于SVM平均支持向量數(shù)104.4,SVM識(shí)別時(shí)間增至3.765 8 s,RVM仍保持較低識(shí)別時(shí)間0.116 3 s。

    可見(jiàn)對(duì)于不同的測(cè)試和訓(xùn)練集,識(shí)別時(shí)間明顯小于SVM,識(shí)別準(zhǔn)確率均高于SVM算法。同時(shí)針對(duì)于小數(shù)據(jù)集的測(cè)試樣本,RVM較 SVM其泛化能力更優(yōu)。此外,RVM算法的解稀疏性更好,從而致使相關(guān)向量數(shù)量遠(yuǎn)低于SVM支持向量的數(shù)

    表2 某型航空機(jī)電設(shè)備退化狀態(tài)早期識(shí)別算例

    量,且模型的結(jié)構(gòu)更加簡(jiǎn)化。由于SVM的學(xué)習(xí)機(jī)是通過(guò)結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原則建立的,故只能進(jìn)行歸屬的接受或者拒絕這樣簡(jiǎn)單的判別,從而導(dǎo)致訓(xùn)練時(shí)可能會(huì)造成多個(gè)支持向量出現(xiàn)在界限之外,使訓(xùn)練具有較大誤差。RVM模型則利用貝葉斯定理輸出后驗(yàn)概率,因此即能為檢測(cè)結(jié)果是否屬于該類進(jìn)行量化評(píng)價(jià),又可以為裝備退化狀態(tài)早期識(shí)別系統(tǒng)提供更直接的融合決策信息。

    5.3基于DSmT的融合決策狀態(tài)識(shí)別

    以該航空機(jī)電設(shè)備的電壓與電流號(hào)作為進(jìn)行融合的信號(hào)源,對(duì)其進(jìn)行信號(hào)采集并采取一些初步預(yù)處理之后,進(jìn)行時(shí)域與時(shí)頻域的特征提取,獲得的時(shí)域特征向量Tv和時(shí)頻域特征向量T3。隨后將特征向量輸入到訓(xùn)練好的RVM模型中,RVM的輸出經(jīng)式(25)處理后,得到3種狀態(tài)模式(正常A1,退化A2,故障A3)的基本置信度。最后運(yùn)用PCR6融合規(guī)則進(jìn)行最終的融合識(shí)別。表2列出了某航空機(jī)電設(shè)備的退化狀態(tài)早期識(shí)別應(yīng)用實(shí)例,為了體現(xiàn)本文提出算法的優(yōu)越性,還同DST融合算法進(jìn)行比較。

    表2可以看出,由于設(shè)備剛進(jìn)入性能退化階段,狀態(tài)信息比較微弱,從而致使只有電流傳感器檢測(cè)到較為明顯的退化狀態(tài),電壓傳感器卻檢測(cè)到的退化狀態(tài)和正常狀態(tài)難以區(qū)分,存在信息源間信息高度沖突,這符合裝備退化狀態(tài)早期所具有的特征。在算例中,電流時(shí)頻域輸出得到的置信度值與電壓時(shí)域完全沖突,信息間的沖突因子是1,DST融合算法無(wú)法處理此類情況;DSmT的PCR6規(guī)則則可較好處理沖突信息,最終結(jié)果顯示設(shè)備狀態(tài)超過(guò)預(yù)定退化閾值,證明已正確檢測(cè)了早期退化狀態(tài)。

    6 結(jié)束語(yǔ)

    預(yù)知維修目的是降低維修的費(fèi)用、并將災(zāi)難性故障風(fēng)險(xiǎn)降到最低,最終使裝備發(fā)揮出其最大效能,同時(shí)減少備件(備品)的庫(kù)存數(shù)量。預(yù)知維修能實(shí)現(xiàn)僅僅在需要的時(shí)候才對(duì)裝備進(jìn)行維修,從而防止裝備在工作過(guò)程中出現(xiàn)故障,從本質(zhì)上替換不適合裝備的昂貴的定期維修工作,最大可能地減少裝備故障的發(fā)生。

    預(yù)知維修的前提是裝備發(fā)生功能故障前存在退化發(fā)生點(diǎn),退化狀態(tài)的早期識(shí)別直接影響裝備退化程度的預(yù)知,進(jìn)而影響其后的維修決策。本文針對(duì)復(fù)雜裝備早期性能退化狀態(tài)的特征,提出了基于RVM和DSmT的識(shí)別算法,有效地解決了多信息源高沖突條件下的退化狀態(tài)早期識(shí)別的問(wèn)題,從而可以及時(shí)制定維修策略,減少與避免事故的發(fā)生提供了技術(shù)條件。論文的下一步將對(duì)復(fù)雜裝備預(yù)知維修的另一關(guān)鍵技術(shù)——健康狀態(tài)預(yù)測(cè)進(jìn)行研究。

    [1]曾聲奎,Michael G. Pecht,吳際. 故障預(yù)測(cè)與健康管理(PHM)技術(shù)的現(xiàn)狀與發(fā)展[J]. 航空學(xué)報(bào). 2005, 26(5): 626-630.

    [2] 王英. 設(shè)備狀態(tài)維修系統(tǒng)結(jié)構(gòu)與決策模型研究[D]. 哈爾濱:哈爾濱工業(yè)大學(xué),2007.

    [3] 楊景輝,康建設(shè). 機(jī)械設(shè)備故障規(guī)律與維修策略研究[J]. 科學(xué)技術(shù)與工程,2011, 7(16): 4143-4146.

    [4] 楊洲,景博,張劼,等. 自動(dòng)駕駛儀PHM系統(tǒng)健康評(píng)估方法研究[J]. 儀器儀表學(xué)報(bào),2012, 33(8): 1765-1772.

    [5] 馮靜,周經(jīng)倫. 基于退化失效數(shù)據(jù)的環(huán)境因子問(wèn)題研究[J]. 航空動(dòng)力學(xué)報(bào),2010, 25(7): 1622-1627.

    [6] 楊昌昊,胡小建,竺長(zhǎng)安. 從故障樹(shù)到故障貝葉斯網(wǎng)映射的故障診斷方法[J]. 儀器儀表學(xué)報(bào),2009, 30(7): 1481-1486.

    [7] 楊正友,彭濤,李健寶,等. 基于貝葉斯推斷LSSVM的滾動(dòng)軸承故障診斷[J]. 電子測(cè)量與儀器學(xué)報(bào),2010, 24(5): 420-424.

    [8] 代京,張平,李行善,等. 綜合運(yùn)載器健康管理健康評(píng)估技術(shù)研究[J]. 宇航學(xué)報(bào),2009, 30(4): 1704-1714.

    [9] 李中. 基于人工免疫系統(tǒng)的電力變壓器故障診斷技術(shù)研究[D]. 北京:華北電力大學(xué),2010.

    [10] Jardine A, Lin D, Banjevic D. A review on machinery prognostic diagnostics and implementing condition-based maintenance[J] . Mechanical Systems and Signal Processing, 2005, 20(1):1483-1510.

    [11] 范庚,馬登武,鄧力,等. 基于灰色相關(guān)向量機(jī)的故障預(yù)測(cè)模型[J]. 系統(tǒng)工程與電子技術(shù),2012, 34(2): 424-428.

    [12] 黃大榮,黃麗芬. 灰色系統(tǒng)理論在故障預(yù)測(cè)中的應(yīng)用現(xiàn)狀及其發(fā)展趨勢(shì)[J].火炮發(fā)射與控制學(xué)報(bào),2009, 1(3 ): 88-92.

    [13] Wang W Q, Uolnaraghi M F, Ismail F. Prognosis of machine health condition using neuro-fuzzy systems[J]. Mechanical Systems and Signal Processing, 2004, 18(4): 813-831.

    [14] 段青. 基于稀疏貝葉斯學(xué)習(xí)方法的回歸與分類在電力系統(tǒng)中的預(yù)測(cè)研究[D]. 濟(jì)南:山東大學(xué),2010.

    [15] Deh W. Time series prediction for machining errors using support vector regression[A].Proc. of the 1st International Conference on Intelligent Networks and Intelligent Systems[C].2008: 27-30.

    [16] 楊穎濤,王躍鋼,鄧衛(wèi)強(qiáng),等. 稀疏貝葉斯相關(guān)向量機(jī)的模擬電路故障診斷[J]. 計(jì)算機(jī)工程,2011, 37(18): 7-9.

    [17] 沈默,廖瑛,尹大偉. RVM在航空發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用研究[J]. 計(jì)算機(jī)工程與設(shè)計(jì),2012, 37(18): 220-223.

    [18] 高保祿. 大型復(fù)雜機(jī)電設(shè)備分布式故障診斷方法研究[J]. 太原:太原理工大學(xué),2010.

    Research on State Recognition Algorithm of Complicated Equipment with Early Performance Degradation

    Deng Li1, Xu Tingxue1, Xiao Chuwan2

    (1.Department of Ordnance Science and Technology, Naval Aeronautical and Astronautical University, Yantai264001,China; 2.Department of Modified Training Battalion, Naval Aeronautical and Astronautical University,Yantai264001, China)

    Aiming at the situation in which state recognition of complicated equipment with early performance degradation is hard to realize, a new fusion decision-making method based on multiple features extraction is presented, which compounds with RVM and DSmT. Firstly,a method, based on time domain analysis and wavelet packet decomposition, is used to extract the signal's feature separately; secondly, basic belief assignment function is constructed based on the output of the RVM model; lastly, PCR6 combination rule of DSmT is used to combine the different conflicting evidences and make the final decision. The application in a certain aerial electromechanical device suggests the approach is available to solve the problem of high-conflict information fusion when early vibration fault happens,and the recognition results are effective and reliable.

    complicated equipment; performance degradation; state recognition; relevance vector machine; Dezert-Smarandache theory

    2015-06-26;

    2015-09-07。

    總裝預(yù)研基金項(xiàng)目資助(9140A27020212JB 14311)。

    鄧力(1985-),男,江西萍鄉(xiāng)人,博士,講師,主要從事武器裝備綜合保障理論與技術(shù)方向的研究。

    徐廷學(xué)(1962-),男,河南駐馬店人,教授,博導(dǎo)。

    1671-4598(2016)01-0137-06

    10.16526/j.cnki.11-4762/tp.2016.01.038

    TJ07

    A

    猜你喜歡
    信息源波包向量
    突發(fā)公共事件背景下信息源選擇多樣性研究:概念內(nèi)涵與測(cè)度方法*
    向量的分解
    睡眠者效應(yīng)
    睡眠者效應(yīng)
    聚焦“向量與三角”創(chuàng)新題
    新媒體時(shí)代,記者如何正確使用信息源
    活力(2019年19期)2020-01-06 07:35:02
    基于小波包Tsallis熵和RVM的模擬電路故障診斷
    向量垂直在解析幾何中的應(yīng)用
    基于小波包變換的電力系統(tǒng)諧波分析
    向量五種“變身” 玩轉(zhuǎn)圓錐曲線
    欧美3d第一页| 国产日韩欧美在线精品| 亚洲av中文字字幕乱码综合| 看十八女毛片水多多多| 国产精品偷伦视频观看了| 国产成人免费观看mmmm| 国产成人福利小说| 国产精品爽爽va在线观看网站| 亚洲高清免费不卡视频| 少妇熟女欧美另类| 成人一区二区视频在线观看| 全区人妻精品视频| 免费电影在线观看免费观看| 男男h啪啪无遮挡| 最近的中文字幕免费完整| 国产日韩欧美亚洲二区| 成年女人看的毛片在线观看| 国产精品一及| 精品久久久久久久末码| 丝瓜视频免费看黄片| 国产欧美亚洲国产| 少妇被粗大猛烈的视频| 一二三四中文在线观看免费高清| 亚洲久久久久久中文字幕| 久久精品国产亚洲av涩爱| 交换朋友夫妻互换小说| 一级a做视频免费观看| 18禁裸乳无遮挡免费网站照片| 午夜精品国产一区二区电影 | 亚洲精品aⅴ在线观看| 亚洲国产精品专区欧美| 国产成人免费无遮挡视频| 国产亚洲一区二区精品| 人妻一区二区av| 午夜福利高清视频| 久久久久久久午夜电影| 精品人妻熟女av久视频| 精品久久久久久久人妻蜜臀av| 肉色欧美久久久久久久蜜桃 | 搡老岳熟女国产| 女性生殖器流出的白浆| 日本wwww免费看| 最近中文字幕高清免费大全6| 亚洲欧美激情在线| 成年动漫av网址| 欧美日韩亚洲综合一区二区三区_| 在线观看免费午夜福利视频| 国产成人a∨麻豆精品| 婷婷色av中文字幕| 亚洲久久久国产精品| 又大又爽又粗| 综合色丁香网| 少妇 在线观看| 精品亚洲成国产av| 国产免费又黄又爽又色| 国产精品香港三级国产av潘金莲 | 2021少妇久久久久久久久久久| 国产成人免费无遮挡视频| 王馨瑶露胸无遮挡在线观看| 欧美日韩视频高清一区二区三区二| 久久久久久久久免费视频了| 91老司机精品| 男男h啪啪无遮挡| av不卡在线播放| 亚洲婷婷狠狠爱综合网| a级毛片黄视频| 日韩中文字幕欧美一区二区 | 少妇被粗大的猛进出69影院| 国产女主播在线喷水免费视频网站| 18禁裸乳无遮挡动漫免费视频| 女人爽到高潮嗷嗷叫在线视频| 丝瓜视频免费看黄片| 国产在线视频一区二区| 99精品久久久久人妻精品| 黄色怎么调成土黄色| 丝袜在线中文字幕| 精品酒店卫生间| 别揉我奶头~嗯~啊~动态视频 | 国产亚洲欧美精品永久| 日韩 亚洲 欧美在线| 青春草视频在线免费观看| 免费女性裸体啪啪无遮挡网站| 成人国产av品久久久| 国产深夜福利视频在线观看| 久久久国产精品麻豆| 日韩一本色道免费dvd| 操出白浆在线播放| 午夜福利影视在线免费观看| av在线老鸭窝| 一级毛片黄色毛片免费观看视频| 成年女人毛片免费观看观看9 | 亚洲精品中文字幕在线视频| 人人妻人人爽人人添夜夜欢视频| 国产精品偷伦视频观看了| 久久综合国产亚洲精品| 激情视频va一区二区三区| 一本一本久久a久久精品综合妖精| 国产黄频视频在线观看| 两个人看的免费小视频| 国产亚洲一区二区精品| 久久毛片免费看一区二区三区| 亚洲精品久久久久久婷婷小说| 男女国产视频网站| 国产精品99久久99久久久不卡 | 久久97久久精品| 中文字幕亚洲精品专区| 19禁男女啪啪无遮挡网站| 欧美人与性动交α欧美精品济南到| 国产精品女同一区二区软件| 超碰97精品在线观看| 欧美日本中文国产一区发布| 观看av在线不卡| 亚洲,一卡二卡三卡| 纯流量卡能插随身wifi吗| 国产成人精品福利久久| 丝袜喷水一区| 老司机影院毛片| 可以免费在线观看a视频的电影网站 | 狠狠精品人妻久久久久久综合| 99国产精品免费福利视频| 亚洲熟女精品中文字幕| 国产99久久九九免费精品| 韩国精品一区二区三区| 久久国产精品大桥未久av| 亚洲成国产人片在线观看| 欧美日韩精品网址| 人人妻人人爽人人添夜夜欢视频| 免费在线观看黄色视频的| 丰满少妇做爰视频| 丝袜喷水一区| 免费高清在线观看视频在线观看| 91老司机精品| 亚洲精品一区蜜桃| 制服丝袜香蕉在线| 午夜久久久在线观看| 一级a爱视频在线免费观看| 久久av网站| 日韩不卡一区二区三区视频在线| a级毛片黄视频| 亚洲,欧美精品.| 国产精品无大码| 91精品国产国语对白视频| 少妇精品久久久久久久| 男的添女的下面高潮视频| 亚洲情色 制服丝袜| 18禁动态无遮挡网站| 成人亚洲欧美一区二区av| 国产精品无大码| 夫妻午夜视频| 久久人人爽人人片av| 亚洲图色成人| 国产黄频视频在线观看| 国产成人av激情在线播放| 自线自在国产av| 久久99一区二区三区| 国产人伦9x9x在线观看| 女的被弄到高潮叫床怎么办| 精品国产一区二区三区久久久樱花| 一边亲一边摸免费视频| 亚洲av综合色区一区| 老司机影院毛片| 午夜久久久在线观看| 婷婷成人精品国产| 大陆偷拍与自拍| 少妇的丰满在线观看| 亚洲欧美精品综合一区二区三区| 久久久久精品人妻al黑| 一本—道久久a久久精品蜜桃钙片| 亚洲欧美精品综合一区二区三区| 日韩,欧美,国产一区二区三区| 99热网站在线观看| 一二三四在线观看免费中文在| 亚洲在久久综合| 性少妇av在线| 丝袜在线中文字幕| 成人毛片60女人毛片免费| 男女高潮啪啪啪动态图| 日韩 亚洲 欧美在线| 日本欧美视频一区| 在线精品无人区一区二区三| 丝袜美腿诱惑在线| 青草久久国产| 精品少妇内射三级| 国产不卡av网站在线观看| 亚洲熟女精品中文字幕| 五月天丁香电影| 亚洲国产精品999| bbb黄色大片| 99久国产av精品国产电影| 另类亚洲欧美激情| 99精品久久久久人妻精品| 日韩免费高清中文字幕av| 人妻 亚洲 视频| 国产精品一国产av| 老司机亚洲免费影院| 人人妻人人爽人人添夜夜欢视频| 亚洲av福利一区| 国产亚洲一区二区精品| 亚洲国产精品一区二区三区在线| 最近中文字幕高清免费大全6| 国产亚洲精品第一综合不卡| 男女边摸边吃奶| 免费观看性生交大片5| 一个人免费看片子| 国产精品成人在线| 亚洲精品国产av成人精品| 久热这里只有精品99| 最黄视频免费看| 国语对白做爰xxxⅹ性视频网站| 久久精品aⅴ一区二区三区四区| 观看av在线不卡| 日本欧美国产在线视频| 女性生殖器流出的白浆| 久久ye,这里只有精品| 久久久久久久国产电影| 日韩人妻精品一区2区三区| 亚洲精品久久午夜乱码| 欧美97在线视频| 一区在线观看完整版| 欧美日韩国产mv在线观看视频| 无遮挡黄片免费观看| 这个男人来自地球电影免费观看 | 欧美激情高清一区二区三区 | 国产精品一区二区在线观看99| 国产精品三级大全| 精品亚洲成国产av| 久久精品亚洲av国产电影网| 女性被躁到高潮视频| 国产探花极品一区二区| 少妇的丰满在线观看| 亚洲av综合色区一区| 成年美女黄网站色视频大全免费| 国产av国产精品国产| 美女午夜性视频免费| 波多野结衣一区麻豆| 高清欧美精品videossex| 深夜精品福利| 大片电影免费在线观看免费| 人人妻,人人澡人人爽秒播 | 成年女人毛片免费观看观看9 | 午夜影院在线不卡| 香蕉国产在线看| 纯流量卡能插随身wifi吗| 国产欧美亚洲国产| 亚洲精品国产色婷婷电影| 日韩制服丝袜自拍偷拍| 亚洲色图 男人天堂 中文字幕| 一本大道久久a久久精品| 久久av网站| 少妇的丰满在线观看| 韩国高清视频一区二区三区| 伊人亚洲综合成人网| 高清不卡的av网站| 欧美黑人精品巨大| 菩萨蛮人人尽说江南好唐韦庄| 亚洲精品成人av观看孕妇| 亚洲成色77777| 久久午夜综合久久蜜桃| 1024视频免费在线观看| 久久精品亚洲熟妇少妇任你| 天天添夜夜摸| 看免费av毛片| 熟女av电影| 国产成人欧美在线观看 | 久久久久精品人妻al黑| 男女边吃奶边做爰视频| 亚洲国产看品久久| 亚洲免费av在线视频| 国产无遮挡羞羞视频在线观看| 51午夜福利影视在线观看| 国产成人av激情在线播放| 欧美av亚洲av综合av国产av | 九九爱精品视频在线观看| 亚洲国产欧美一区二区综合| 一本大道久久a久久精品| 亚洲精品美女久久久久99蜜臀 | 国产精品一区二区精品视频观看| 亚洲成人av在线免费| 免费av中文字幕在线| 极品少妇高潮喷水抽搐| 亚洲人成电影观看| 国产成人a∨麻豆精品| 国产又爽黄色视频| 欧美人与性动交α欧美精品济南到| 国产精品女同一区二区软件| avwww免费| 亚洲伊人久久精品综合| 热re99久久精品国产66热6| 国产av码专区亚洲av| 国产精品女同一区二区软件| 国产午夜精品一二区理论片| 少妇人妻久久综合中文| 亚洲精品国产区一区二| 一级,二级,三级黄色视频| 精品国产国语对白av| 男女床上黄色一级片免费看| 中文精品一卡2卡3卡4更新| 九九爱精品视频在线观看| 制服诱惑二区| 丝袜脚勾引网站| 国产熟女欧美一区二区| 少妇猛男粗大的猛烈进出视频| 男人添女人高潮全过程视频| 狂野欧美激情性xxxx| 18禁动态无遮挡网站| 国产极品天堂在线| 国产精品免费视频内射| 国产女主播在线喷水免费视频网站| 国产1区2区3区精品| a级片在线免费高清观看视频| 久久久久国产一级毛片高清牌| 免费黄网站久久成人精品| 又大又爽又粗| 一级a爱视频在线免费观看| 香蕉丝袜av| 国产成人免费无遮挡视频| 久久天堂一区二区三区四区| 日韩av免费高清视频| 亚洲av在线观看美女高潮| 欧美日韩视频精品一区| 亚洲欧美激情在线| 亚洲精品日韩在线中文字幕| 国产精品一区二区精品视频观看| 久久精品国产亚洲av高清一级| 一二三四中文在线观看免费高清| 欧美激情 高清一区二区三区| 国产亚洲欧美精品永久| 国产又爽黄色视频| 看非洲黑人一级黄片| 美国免费a级毛片| 久久久国产欧美日韩av| 中文字幕另类日韩欧美亚洲嫩草| 极品人妻少妇av视频| 老司机亚洲免费影院| 久久精品熟女亚洲av麻豆精品| 久久性视频一级片| 亚洲色图综合在线观看| 成年av动漫网址| 色94色欧美一区二区| 国产精品人妻久久久影院| 国产精品久久久久久精品电影小说| av视频免费观看在线观看| 91国产中文字幕| 欧美日韩国产mv在线观看视频| 国产精品麻豆人妻色哟哟久久| 日韩不卡一区二区三区视频在线| 亚洲av在线观看美女高潮| 亚洲色图 男人天堂 中文字幕| a 毛片基地| 免费观看人在逋| 午夜福利视频精品| 成人免费观看视频高清| 天美传媒精品一区二区| 十八禁网站网址无遮挡| 国产日韩一区二区三区精品不卡| 国产又色又爽无遮挡免| 熟女少妇亚洲综合色aaa.| 国产一区有黄有色的免费视频| 国产成人91sexporn| 飞空精品影院首页| 亚洲av欧美aⅴ国产| 青青草视频在线视频观看| 精品国产乱码久久久久久小说| 中文字幕最新亚洲高清| 欧美精品高潮呻吟av久久| 观看av在线不卡| 欧美日韩精品网址| 19禁男女啪啪无遮挡网站| 久久久久精品久久久久真实原创| 毛片一级片免费看久久久久| 纯流量卡能插随身wifi吗| 成人亚洲欧美一区二区av| 777米奇影视久久| 乱人伦中国视频| 国产欧美日韩综合在线一区二区| 国产爽快片一区二区三区| 免费观看a级毛片全部| 在线观看www视频免费| 亚洲av国产av综合av卡| 国产精品国产三级国产专区5o| 久久久亚洲精品成人影院| 欧美日韩精品网址| 亚洲精品视频女| 9热在线视频观看99| 天堂中文最新版在线下载| 欧美乱码精品一区二区三区| 99国产综合亚洲精品| 精品国产国语对白av| 亚洲人成77777在线视频| 大片免费播放器 马上看| 成人亚洲欧美一区二区av| av电影中文网址| 51午夜福利影视在线观看| 亚洲精品日本国产第一区| 男的添女的下面高潮视频| 欧美国产精品va在线观看不卡| 国产不卡av网站在线观看| 色精品久久人妻99蜜桃| 国产成人精品在线电影| 国产精品亚洲av一区麻豆 | 久久国产精品男人的天堂亚洲| 日韩制服骚丝袜av| 精品亚洲成国产av| 在线观看三级黄色| 一区福利在线观看| 亚洲欧洲精品一区二区精品久久久 | 欧美激情高清一区二区三区 | 亚洲人成电影观看| 天堂俺去俺来也www色官网| 国产精品偷伦视频观看了| 蜜桃国产av成人99| 美女主播在线视频| 国产在线一区二区三区精| 国产成人91sexporn| 国产亚洲精品第一综合不卡| 国产男人的电影天堂91| 秋霞伦理黄片| 丰满迷人的少妇在线观看| 欧美黑人欧美精品刺激| 久久97久久精品| 亚洲自偷自拍图片 自拍| 天天添夜夜摸| 欧美国产精品va在线观看不卡| 免费高清在线观看日韩| 欧美日韩国产mv在线观看视频| 国产精品av久久久久免费| 日韩欧美精品免费久久| 在线天堂最新版资源| 久久精品亚洲熟妇少妇任你| a级毛片在线看网站| 久久人人爽人人片av| 国产黄频视频在线观看| 女人被躁到高潮嗷嗷叫费观| 久久久久精品久久久久真实原创| 丁香六月天网| 美女扒开内裤让男人捅视频| 国产又色又爽无遮挡免| 久久综合国产亚洲精品| 亚洲人成77777在线视频| 一本久久精品| 亚洲一码二码三码区别大吗| 97精品久久久久久久久久精品| 在线观看免费日韩欧美大片| 国语对白做爰xxxⅹ性视频网站| 欧美日韩亚洲综合一区二区三区_| 久久久久网色| 免费高清在线观看视频在线观看| 中文字幕制服av| 精品一区二区免费观看| 欧美在线黄色| www.熟女人妻精品国产| 久热这里只有精品99| 黄片播放在线免费| 国产高清不卡午夜福利| 97人妻天天添夜夜摸| 91aial.com中文字幕在线观看| 自线自在国产av| 日韩中文字幕视频在线看片| 国产不卡av网站在线观看| 国产av国产精品国产| 香蕉丝袜av| 久热爱精品视频在线9| 哪个播放器可以免费观看大片| 高清在线视频一区二区三区| 午夜激情久久久久久久| 中文字幕人妻丝袜一区二区 | 久久99一区二区三区| 国产亚洲av高清不卡| 在线观看免费午夜福利视频| 巨乳人妻的诱惑在线观看| 青春草亚洲视频在线观看| 亚洲精品美女久久av网站| av电影中文网址| 久久久亚洲精品成人影院| 丝袜在线中文字幕| 中文字幕色久视频| 国产毛片在线视频| 天天躁日日躁夜夜躁夜夜| av网站免费在线观看视频| 婷婷色av中文字幕| 成人国产av品久久久| 午夜久久久在线观看| 男女床上黄色一级片免费看| 一区二区三区乱码不卡18| 日韩av不卡免费在线播放| 女人被躁到高潮嗷嗷叫费观| 精品午夜福利在线看| 国产伦理片在线播放av一区| 欧美乱码精品一区二区三区| 亚洲精品自拍成人| 伊人久久大香线蕉亚洲五| 可以免费在线观看a视频的电影网站 | 各种免费的搞黄视频| 考比视频在线观看| 午夜福利视频精品| 啦啦啦视频在线资源免费观看| 国产在线视频一区二区| 亚洲四区av| 久久99精品国语久久久| 人人妻,人人澡人人爽秒播 | 日韩中文字幕视频在线看片| 人妻一区二区av| 欧美乱码精品一区二区三区| 国产色婷婷99| 欧美少妇被猛烈插入视频| 深夜精品福利| 我要看黄色一级片免费的| 免费高清在线观看视频在线观看| 高清在线视频一区二区三区| 久久ye,这里只有精品| 日韩熟女老妇一区二区性免费视频| av不卡在线播放| 十八禁人妻一区二区| 亚洲av在线观看美女高潮| 午夜久久久在线观看| 九草在线视频观看| 亚洲精品日本国产第一区| 青草久久国产| 精品亚洲成国产av| 亚洲情色 制服丝袜| 欧美日韩亚洲综合一区二区三区_| 亚洲精品成人av观看孕妇| 亚洲国产av影院在线观看| 一区福利在线观看| 啦啦啦视频在线资源免费观看| 午夜福利网站1000一区二区三区| 美女视频免费永久观看网站| 中文精品一卡2卡3卡4更新| 十八禁网站网址无遮挡| 老司机亚洲免费影院| 一区在线观看完整版| 国产又爽黄色视频| 亚洲 欧美一区二区三区| 天堂中文最新版在线下载| 大片免费播放器 马上看| 久久鲁丝午夜福利片| 赤兔流量卡办理| 成人国产av品久久久| 国产一级毛片在线| 亚洲一区二区三区欧美精品| a级毛片黄视频| 一级毛片黄色毛片免费观看视频| 亚洲色图综合在线观看| 久久精品国产亚洲av涩爱| 少妇猛男粗大的猛烈进出视频| 男的添女的下面高潮视频| 久久久久久久国产电影| 欧美少妇被猛烈插入视频| 久久女婷五月综合色啪小说| 少妇人妻精品综合一区二区| 精品久久久久久电影网| 国产成人午夜福利电影在线观看| av电影中文网址| 亚洲美女黄色视频免费看| 久久久国产欧美日韩av| 日本av手机在线免费观看| 久久99一区二区三区| 三上悠亚av全集在线观看| 多毛熟女@视频| 免费高清在线观看日韩| 一区二区三区激情视频| 亚洲一级一片aⅴ在线观看| 国产成人一区二区在线| 五月天丁香电影| 久久久久精品久久久久真实原创| 亚洲精品自拍成人| 涩涩av久久男人的天堂| 黄片播放在线免费| 国产福利在线免费观看视频| 纯流量卡能插随身wifi吗| 多毛熟女@视频| 99精国产麻豆久久婷婷| 国产无遮挡羞羞视频在线观看| 国产男人的电影天堂91| 成人免费观看视频高清| 欧美成人午夜精品| 精品久久蜜臀av无| 国产在线视频一区二区| 九色亚洲精品在线播放| 亚洲欧美成人综合另类久久久| 久久婷婷青草| 丰满少妇做爰视频| 国产 一区精品| 精品一区二区三卡| av卡一久久| 国产精品偷伦视频观看了| 国产xxxxx性猛交| 久久韩国三级中文字幕| 免费高清在线观看视频在线观看| 搡老岳熟女国产| 国产成人a∨麻豆精品| 久久性视频一级片| 嫩草影视91久久| 久久久久人妻精品一区果冻| 黄频高清免费视频| 晚上一个人看的免费电影| 欧美少妇被猛烈插入视频| 一级毛片黄色毛片免费观看视频| 欧美日韩亚洲高清精品| 久久久久精品国产欧美久久久 | 9热在线视频观看99| 视频区图区小说| 免费在线观看完整版高清| 亚洲一区中文字幕在线| 亚洲欧美成人综合另类久久久| 国产伦理片在线播放av一区| 亚洲一区中文字幕在线| 日本vs欧美在线观看视频| 久久久久精品人妻al黑| 少妇 在线观看| 国产精品人妻久久久影院| 成人亚洲精品一区在线观看| 麻豆精品久久久久久蜜桃| 高清av免费在线| 亚洲人成77777在线视频|