• <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 ?

    面向電力變壓器油中溶解氣體的卷積神經網絡診斷方法

    2020-11-05 05:06:38裴小鄧
    遼寧石油化工大學學報 2020年5期
    關鍵詞:池化層池化準確率

    裴小鄧,羅 林,陳 帥,王 喬

    (遼寧石油化工大學信息與控制工程學院,遼寧撫順113001)

    電力變壓器是電力系統(tǒng)中關鍵電氣設備之一,一旦變壓器因故障而停止工作,將會對整個區(qū)域的生產生活造成不可估量的損失。因此,實時識別電力變壓器的運行狀態(tài)是非常必要的[1]。電力變壓器在實際運行條件下受電氣應力、機械應力和熱壓力等因素的影響,其絕緣材料與變壓器油會發(fā)生緩慢的化學變化,進而放出CO2、CO 氣體以及生成某些碳氫化合物(CH4、C2H6等)溶解在油中。當變壓器發(fā)生故障時,將加速這些化學反應的進行,所生成的化合物種類及比例與放電、放熱等故障有著密切的聯系[2]。

    基于DGA 的電力變壓器故障診斷方法主要分為傳統(tǒng)診斷方法和人工智能診斷方法。傳統(tǒng)診斷方法主要有特征氣體法和比值法(包括IEC 三比值法、改進的IEC 三比值法)。雖然這些方法便于工程應用,但是編碼并不完備,對于某些故障很難找到與之對應的編碼,因此診斷的準確率較低。人工智能診斷方法主要包括模糊理論[3]、專家系統(tǒng)[4]、神經網絡[5]、支持向量機[6]等。雖然這些方法取得了較好的應用效果,提高了故障識別率,但同時存在著一定不足。模糊理論診斷法隸屬函數難以確定,需要大量的實際故障數據;專家系統(tǒng)診斷法需要大量的專家經驗,獲取到的經驗難以表達,推理能力較弱;神經網絡診斷法存在易陷入局部最優(yōu)、收斂速度慢、泛化能力差等缺點;支持向量機診斷法在本質上屬于二分類問題,處理多分類問題時需要經歷“一對一”或“一對多”等復雜的過程,核函數和正則化參數選擇困難。

    隨著機器學習的發(fā)展,深度學習的發(fā)展推動了人工智能技術在變壓器DGA 故障診斷方面的諸多應用,如深度置信網絡(Deep Belief Network,DBN)[7]、深度自編碼網絡(Deep Auto -Encoder Network,DAEN)[8]、卷積神經網絡(Convolutional Neural Network,CNN)[9]。文獻[10]提出了一種基于深度置信網絡構建變壓器故障診斷模型,利用快速歧化算法加快了網絡收斂速度,在診斷的準確率上較BPNN 和SVM 有了提升。文獻[11]提出了一種基于貝葉斯正則化深度信念網絡的電力變壓器故障診斷方法,克服了傳統(tǒng)的DBN 方法在大量無標簽樣本的情況下才能得到較高準確率的缺點。文獻[12]提出了一種基于深度自編碼網絡的電力變壓器故障診斷方法,解決了一些樣本數據缺少標簽的問題,但是該方法需要大量的預訓練樣本,在預訓練樣本數據較少時,診斷的效果并不理想。文獻[13]提出了一種基于卷積神經網絡的變壓器故障診斷方法,雖然克服了一些淺層機器學習方法存在的問題,但是池化類型和網絡深度的選擇并未說明,卷積網絡強大的特征提取能力并未得到展示。

    本文提出了一種基于卷積神經網絡的變壓器故障診斷方法,利用卷積層提取特征和池化層強化重要特征的能力來解決特征提取和過擬合的問題,達到提高診斷準確率的目的。

    1 卷積神經網絡的基本原理

    一個完整的卷積神經網絡一般是由輸入層、卷積層、池化層、展開層、全連接層、輸出層組成,其中卷積層和池化層是整個網絡的核心。

    1.1 卷積層

    卷積層是通過使用卷積核對上一層的部分區(qū)域進行卷積運算,提取出相應的特征信息。卷積層最重要的兩個特點是稀疏連接和權值共享,這兩點也是卷積神經網絡和普通的神經絡本質上的區(qū)別。稀疏連接和全連接的不同之處在于卷積層中的神經元只與上一層的部分神經元相連,權值共享的優(yōu)點在于特征提取時可以不考慮局部特征的位置,同時可以有效地減少卷積層網絡參數的數量,從而降低因參數過多而發(fā)生過擬合的幾率。全連接、稀疏連接、權值共享示意圖如圖1 所示。

    圖1 全連接、稀疏連接、權值共享示意圖

    卷積層的輸出結果為:

    1.2 池化層

    卷積層提取到的特征在傳入下一層之前,可以對其進行處理,池化是最常用的處理方式。通過池化層的處理,卷積層提取到的特征維度得到有效的壓縮,可以減少網絡中參數的數量,網絡的計算量得到降低,同時也降低網絡發(fā)生過擬合的幾率。池化有最大池化和平均池化兩種方式,最大池化是對某個區(qū)域的特征取最大化的操作,可以濾去一些不重要的特征信息。平均池化是對某個區(qū)域的特征進行平均化的操作,對一些不重要的特征信息并不像最大池化那樣完全濾去,而是淡化,以此來強化那些重要的特征信息。由此可見,模型經過池化處理后,其抗干擾能力和穩(wěn)定性都得到加強。

    池化層的輸出結果為:

    1.3 Softmax 回歸模型

    本文采用Softmax 回歸模型。Softmax 回歸模型是Logistic 回歸模型的推廣,常用于求解多分類問題。假設訓練集為{(x(1),y(1)),(x(2),y(2)),…,(x(m),y(m))},其中x(i)∈Rn+1,y(i)∈{1,2,3,4,…,k},當輸入樣本為x 時,可由激勵函數hθ(x)求出樣本屬于任意類別時的概率p(y=j|x)。假設函數將要輸出一個k維的向量來表示k 個估計的概率值,這些向量元素之和為1。激勵函數可表示為:

    式中,θ1,θ2,…,θK∈Rn+1為模型參數項是對概率分布進行歸一化處理,使所有概率的和等于1。將θ 用一個K×(n+1)的矩陣可表示為:

    接下來對Softmax 回歸代價函數進行分析。代價函數J(θ)見式(5)。在式(5)中,1{·}是指示性函數,運算規(guī)則為:1{表達式的值為真}=1,1{表達式的值為假}=0。

    將樣本x 分類,分為第j 類的概率為:

    在實現softmax 回歸算法時,通過在式中添加一個權重衰減項對過大的參數值進行懲罰?;貧w代價函數公式將表示為:

    增加權重衰減項后,代價函數成為一個凸函數,這樣能防止優(yōu)化過程中陷入局部收斂,得到最優(yōu)解。為對其進行優(yōu)化,需要計算J(θ)的導數,其梯度公式為:

    式中,?θjJ(θ)為向量,第l 個元素是J(θ)對θj第l 個分量的偏導數。利用梯度下降法對代價函數J(θ)進行最小化。每次迭代過程中都需要對參數進行更新。

    式中,α 為學習率。

    2 卷積網絡診斷模型的搭建

    2.1 輸入和輸出向量的選擇

    根據《變壓器油中溶解氣體分析和判斷導則》可知,變壓器發(fā)生故障狀態(tài)時共有氫氣(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)、一氧化碳(CO)、二氧化碳(CO2)七種氣體存在,本文選取其中五種氣體(H2、CH4、C2H6、C2H4、C2H2)作為變壓器故障診斷的輸入特征向量。選取正常N、局部放電PD、低能放電D1、高能放電D2、中低溫過熱T1、高溫過熱T2 作為卷積神經網絡的輸出向量。

    2.2 數據預處理

    本文將每種氣體(共五種)體積與氣體總體積之比作為卷積網絡診斷模型的輸入,按照式(10)做規(guī)范化處理。

    2.3 變壓器故障編碼

    對六種變壓器故障類型進行二進制編碼,結果如表1 所示。

    2.4 CNN 模型診斷結構圖

    卷積神經網絡處理的數據一般是m×n 的二維格式,但是本文用于診斷變壓器故障的數據是m×1 的一維格式,所以采用一維卷積神經網絡搭建診斷模型。由于數據維度小,只搭建了單層和雙層兩種診斷模型。

    表1 變壓器故障類型編碼

    CNN 模型診斷結構如圖2 所示。輸入層的大小為5×1,因此卷積層C1卷積核的大小有1×1、2×1、3×1、4×1 四種選擇。為了體現卷積層稀疏連接的優(yōu)勢,C1層只選擇卷積核大小為2×1、3×1、4×1三種進行實驗。

    圖2 CNN 模型診斷結構

    2.4.1 單層卷積診斷模型 當卷積層有K 個大小為m×1(m=2,3,4)的卷積核,可以提取到K 個大小為(6-m)×1 的特征圖。當池化層的大小為2×1,可以得到K 個大小為的 特征圖,經展開后共獲得K(6-m)/2 個特征。

    2.4.2 雙層卷積診斷模型

    (a)當卷積層C1有K1個大小為2×1 的卷積核,可以提取到K1個大小為4×1 的特征圖。當池化層P1的大小為2×1,可以得到K1個大小為2×1 的特征圖。當卷積層C2有K2個大小為2×1 的卷積核,可以提取到K2個大小為1×1 的特征圖,當池化層P2的大小為1×1,可以得到K2個大小為1×1 的特征圖,經展開后共獲得K2個特征。(b)當卷積層C1有K1個大小為3×1 的卷積核,可以提取到K1個大小為3×1的特征圖。當池化層P1的大小為2×1,可以得到K1個大小為2×1 的特征圖。當卷積層C2有K2個大小為2×1 的卷積核,可以提取到K2個大小為1×1 的特征圖。當池化層P2的大小為1×1,可以得到K2個大小為1×1 的特征圖,經展開后共獲得K2個特征。

    全連接層的神經元個數設為32,卷積層和全連接層的激活函數為Relu。為防止過擬合,在全連接層后面使用Dropout 技術,比率設為0.2,學習率設為0.000 1,迭代次數設為2 500。

    3 實驗分析

    本文變壓器故障實驗基于python3.7 語言環(huán)境,在操作系統(tǒng)為Windows10 家庭中文版(64 位)、CPU為Intel(R) Core(TM) i5-5200U (2 201 MHz)、內存為8 G 聯想80FA 電腦上完成。

    3.1 樣本數據的選取

    本文從相關文獻中一共獲取了393 條完整的變壓器DGA 數據進行實驗。將故障樣本按照7∶3 的比例劃分為訓練集和測試集。訓練集和測試集的分布狀況如表2 所示。

    表2 訓練集和測試集的分布情況

    3.2 卷積核數目對模型性能的影響

    為了保證實驗的準確性,將卷積網絡其他參數的設置保持一致(包括卷積核大小、池化類型的選擇、全連接層單元數目、學習率、Dropout 比率等參數)。卷積核數目對訓練集準確率、測試集準確率以及訓練損失的影響如圖3 所示。

    圖3 卷積核數目對訓練集準確率、測試集準確率以及訓練損失的影響

    從圖3 可以看出,當卷積核數目從1 增加到3時,訓練集準確率和測試準確率不斷提高,卷積核數目從3 增加到30 時訓練集準確率和測試準確率趨于平穩(wěn)。當卷積核數目從1 增加到4 時,訓練損失大幅減少,卷積核數目從4 增加到17 時總體上為下降趨勢,卷積核數目從17 增加到30 時有小幅度變化,總體是趨于平穩(wěn)的。由此可以得出,隨著卷積核數目的增加,訓練集和測試集的準確率并不會一直增大,訓練損失也不會一直減小。為了使訓練集和測試集準確率高,同時使訓練損失小,卷積核數目為17 時最為合適。

    3.3 卷積核大小對模型性能的影響

    在卷積核數目為17、其他參數保持相同的情況下,選擇卷積核大小為2×1、3×1、4×1 來測試卷積核對模型性能的影響,從訓練損失和訓練準確率兩方面來比較說明。不同卷積核的訓練損失及訓練集準確率迭代圖如圖4 所示。

    圖4 不同卷積核的訓練損失及訓練集準確率迭代圖

    從圖4 可以看出,當卷積核大小為3×1 時,訓練損失最大,訓練集準確率最低;當卷積核大小為4×1 時,訓練損失最小,訓練準確率最高。該實驗證明,并不是卷積核越小訓練集準確率越高,訓練損失越小。為了使訓練集準確率高同時訓練損失小,卷積核大小為4×1 最為合適。

    3.4 池化層對模型性能的影響

    分別測試最大池化和平均池化對模型性能的影響,選擇卷積核數目為17,卷積核大小為4×1,池化層大小為2×1,其他的參數保持相同。不同池化層下的訓練損失、訓練集準確率、測試集準確率如表3 所示。從表3 可以看出,最大池化的訓練集和測試集準確率更高,訓練損失更小,證明最大池化使模型的診斷性能更為優(yōu)秀。

    表3 不同池化層的訓練損失、訓練集準確率、測試集準確率

    3.5 學習率和Dropout 比率對診斷結果的影響

    為了優(yōu)化模型性能,測試學習率和Dropout 比率對變壓器診斷結果的影響,結果如圖5 所示。

    圖5 學習率和Dropout 比率對變壓器診斷結果的影響

    從圖5 可以看出,當Dropout 比率一定時,診斷的準確率會隨著學習率的減小而增加。當學習率為0.100 0、0.010 0、0.001 0 時,Dropout 比率對診斷結果影響較大,當學習率為0.000 1 時,Dropout 比率對于診斷結果沒有影響。實驗結果表明,當學習率選擇合適時,模型并不會發(fā)生過擬合現象,證明了卷積層的稀疏連接和權值共享能夠有效地防止過擬合,同時也證明了池化層增強了模型的穩(wěn)定性。

    3.6 網絡深度對模型性能的影響

    為了測試網絡深度對模型診斷性能的影響,本實驗將對單層和雙層(單個卷積層加上單個池化層為一層網絡)卷積診斷模型的性能進行對比。單層模型參數選擇實驗最佳參數,即卷積核數目為17,卷積核大小為4×1,池化層選擇最大池化。雙層模型有2 種方式,單層卷積和雙層卷積診斷模型性能如表4 所示。卷積層中17-4×1 表示卷積核數目為17,卷積核大小為4×1,池化層中2×1表示池化層大小為2×1,池化類型同樣選擇最大池化。其余的參數單層和雙層保持一致(從結構上講,雙層是單層網絡的復制,僅設定單層網絡初始參數)。從表4 可知,單層和雙層的訓練損失、訓練集準確率、測試集準確率幾乎相同,證明了單層和雙層診斷模型的性能相同,這是由于DGA數據結構簡單,受網絡深度影響較小。

    表4 單層卷積和雙層卷積診斷模型性能

    3.7 實驗對比

    從混淆矩陣、ROC 曲線、PR 曲線等多個方面來比較CNN、SVM、BPNN 模型診斷性能。CNN、BPNN、SVM 的混淆矩陣如圖6 所示。從圖6 可以看出,CNN 模型對于正常、低能放電、高能放電、中低溫過熱、高溫過熱狀態(tài)預測上效果較好,局部放電狀態(tài)的預測效果一般;BPNN 模型在高能放電、中低溫過熱、高溫過熱狀態(tài)的預測效果較好,在正常、局部放電、低能放電狀態(tài)的預測效果較差;SVM模型在高能放電、中低溫過熱、高溫過熱狀態(tài)的預測效果較好,在局部放電狀態(tài)的預測效果一般,在正常、低能放電狀態(tài)預測效果非常差。尤其是低能放電狀態(tài),SVM 模型預測準確率為0,BPNN 模型預測準確率為50%,而CNN 模型預測準確率為100%。實驗證明了CNN 模型的分類性能要明顯優(yōu)于BPNN 模型和SVM 模型。

    圖6 CNN、BPNN、SVM 的混淆矩陣

    不同模型的訓練集和測試集準確率如表5所示。

    表5 不同模型的訓練集和測試集準確率 %

    從表5 可以看出,CNN 模型的訓練集準確率和測試集準確率都超過了90%,明顯高于SVM 模型和BPNN 模型,這是由于CNN 模型特征提取能力要比SVM 和BPNN 強。SVM 模型訓練集和測試集的準確率都不高,說明SVM 模型在多分類問題上分類能力一般。BPNN 模型雖然訓練集準確率高達95.636%,但是訓練集的準確率只有85.593%,說明BPNN 模型的泛化能力較差,容易發(fā)生過擬合。

    不同模型的ROC 曲線如圖7 所示。從圖7 可以看出,CNN模型ROC 曲線AUC 值高達0.99,比SVM 模型AUC 值高0.02,比BPNN 模型AUC 值高0.01,AUC 值接近的原因是由于樣本不平衡造成的,AUC 值受樣本數量影響較大,從混淆矩陣中可以看出BPNN、SVM 模型在高能放電、高溫過熱狀態(tài)預測結果非常出色,最終導致AUC 值接近。但是,CNN 模型的分類和泛化能力比SVM 和BPNN模型要優(yōu)秀。

    圖7 不同模型的ROC 曲線

    PR 曲線跟ROC 曲線相比,AUC 的值受樣本不平衡影響較小。不同模型的PR 曲線如圖8 所示。

    圖8 不同模型的PR 曲線

    從圖8 可以看出,CNN 模型PR 曲線AUC 值高達0.97,比SVM 模型AUC值高出0.07,比BPNN模型AUC 值高出0.05,證明CNN 模型的泛化和分類能力更為優(yōu)秀。

    3.8 特征可視化

    CNN 模型診斷準確率高的原因之一在于它強大的特征提取能力。為了驗證CNN 模型強大的特征提取能力,采用t-SNE(t-Distributed Stochastic Neighbor Embeding)技術,把CNN 模型提取到的高維特征映射成二維特征,并以散點圖的形式可視化出來。首先把CNN 模型的全連接層提取到的393個樣本的三十二維特征提取出來,然后利用t-SNE技術將393 個樣本的三十二維特征降為二維并展示出來。CNN 模型特征可視化如圖9 所示。從圖9 可以看出,相同的類聚集在一起,不同的類有一定的距離,聚類的準確率在98%以上,說明CNN 模型提取到的特征可分性好,證明CNN 模型有著優(yōu)秀的特征提取能力。

    圖9 CNN 模型特征可視化

    4 結 論

    在變壓器診斷領域,淺層機器學習診斷方法雖然在診斷的精度上較傳統(tǒng)的方法有所提升,但是還存在著一些缺點,為克服這些缺點,構建基于卷積神經網絡的變壓器故障診斷模型。通過混淆矩陣、ROC 曲線、PR 曲線多方面實驗驗證,基于卷積神經網絡的變壓器故障診斷方法跟支持向量機、BP 神經網絡相比,特征提取和泛化能力更強,診斷的準確率更高。實驗結果表明,雙層卷積網絡模型診斷準確率不一定比單層的高,卷積核的數量并不是越多越好,卷積核的尺寸并不是越小越好,因此卷積網絡的深度、核數目、核大小要根據數據的實際情況來選擇。對于池化層的大小和全連接層神經元數目的選擇并未討論,這也是下一步研究的重點。

    猜你喜歡
    池化層池化準確率
    面向神經網絡池化層的靈活高效硬件設計
    基于Sobel算子的池化算法設計
    卷積神經網絡中的自適應加權池化
    軟件導刊(2022年3期)2022-03-25 04:45:04
    卷積神經網絡模型研究分析*
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準確率比較探討
    2015—2017 年寧夏各天氣預報參考產品質量檢驗分析
    基于卷積神經網絡的紙幣分類與點鈔
    基于深度學習卷積神經網絡的人體行為識別研究
    科技傳播(2020年6期)2020-05-25 11:07:46
    基于卷積神經網絡和池化算法的表情識別研究
    两个人视频免费观看高清| 亚洲欧美日韩高清专用| 日本与韩国留学比较| 老熟妇仑乱视频hdxx| av国产免费在线观看| 亚洲av美国av| 男插女下体视频免费在线播放| 在线免费观看不下载黄p国产 | 在线免费观看不下载黄p国产 | 欧美人与善性xxx| 精品一区二区三区人妻视频| 亚洲av免费在线观看| 午夜亚洲福利在线播放| 干丝袜人妻中文字幕| 久久人妻av系列| 国产伦在线观看视频一区| 天堂影院成人在线观看| 久99久视频精品免费| 精品久久久久久久末码| 热99re8久久精品国产| 国产大屁股一区二区在线视频| 内射极品少妇av片p| 午夜福利高清视频| 国内揄拍国产精品人妻在线| 国产私拍福利视频在线观看| 无遮挡黄片免费观看| 婷婷精品国产亚洲av| 网址你懂的国产日韩在线| 国产精品久久久久久亚洲av鲁大| a级毛片a级免费在线| 亚洲av免费高清在线观看| 蜜桃久久精品国产亚洲av| 色5月婷婷丁香| 国产毛片a区久久久久| 国产av麻豆久久久久久久| 观看免费一级毛片| 一卡2卡三卡四卡精品乱码亚洲| 男人狂女人下面高潮的视频| 在线免费观看不下载黄p国产 | 久久欧美精品欧美久久欧美| 婷婷六月久久综合丁香| 天美传媒精品一区二区| 91精品国产九色| 中文字幕av在线有码专区| 免费无遮挡裸体视频| 尾随美女入室| 美女被艹到高潮喷水动态| av黄色大香蕉| 久久香蕉精品热| 一a级毛片在线观看| 深爱激情五月婷婷| 国产成人av教育| 人妻丰满熟妇av一区二区三区| 一个人看视频在线观看www免费| 天天一区二区日本电影三级| 亚洲精品粉嫩美女一区| 亚洲av二区三区四区| av在线观看视频网站免费| 男女边吃奶边做爰视频| 热99re8久久精品国产| 免费人成在线观看视频色| 国产视频一区二区在线看| 欧美一区二区精品小视频在线| 波野结衣二区三区在线| 看免费成人av毛片| 久久精品国产亚洲av涩爱 | 欧美丝袜亚洲另类 | 嫩草影院精品99| 免费人成视频x8x8入口观看| 狂野欧美激情性xxxx在线观看| 高清日韩中文字幕在线| 国产精品一及| www.www免费av| 免费黄网站久久成人精品| 免费看光身美女| 日本与韩国留学比较| 国产一区二区三区在线臀色熟女| 啦啦啦啦在线视频资源| 亚洲av成人精品一区久久| 欧美一级a爱片免费观看看| 精品99又大又爽又粗少妇毛片 | 亚洲自偷自拍三级| 国产人妻一区二区三区在| 国产综合懂色| 午夜福利在线观看免费完整高清在 | 亚洲国产欧美人成| 日本五十路高清| 91久久精品电影网| 欧美+亚洲+日韩+国产| 波多野结衣高清作品| 美女cb高潮喷水在线观看| 又爽又黄a免费视频| 欧美日韩综合久久久久久 | 一个人观看的视频www高清免费观看| 日本黄色视频三级网站网址| 亚洲性久久影院| 日日摸夜夜添夜夜添小说| 51国产日韩欧美| 国产69精品久久久久777片| 日本一本二区三区精品| 亚洲午夜理论影院| 91在线观看av| 99久久久亚洲精品蜜臀av| 成人av一区二区三区在线看| 日韩精品有码人妻一区| 黄色视频,在线免费观看| 91在线精品国自产拍蜜月| 亚洲乱码一区二区免费版| 丰满人妻一区二区三区视频av| 欧美日韩乱码在线| 好男人在线观看高清免费视频| 亚洲一区高清亚洲精品| 免费在线观看日本一区| 国内精品一区二区在线观看| 日韩欧美国产一区二区入口| 久久久久久伊人网av| 国产一区二区激情短视频| 成人午夜高清在线视频| 久9热在线精品视频| 日本黄色片子视频| 国产成人av教育| 成人鲁丝片一二三区免费| 十八禁国产超污无遮挡网站| 欧美三级亚洲精品| a级毛片a级免费在线| 日本撒尿小便嘘嘘汇集6| 色5月婷婷丁香| 搡老岳熟女国产| 欧美zozozo另类| 女人被狂操c到高潮| 色尼玛亚洲综合影院| 亚洲av成人精品一区久久| 欧美最黄视频在线播放免费| 在线观看舔阴道视频| 亚洲电影在线观看av| 日日撸夜夜添| 亚洲黑人精品在线| 日韩强制内射视频| 男女做爰动态图高潮gif福利片| 欧美黑人欧美精品刺激| 偷拍熟女少妇极品色| 少妇人妻精品综合一区二区 | av中文乱码字幕在线| 深夜a级毛片| 99热网站在线观看| 在线国产一区二区在线| av天堂中文字幕网| 免费看a级黄色片| 亚洲av.av天堂| 男女之事视频高清在线观看| 嫩草影院入口| 内地一区二区视频在线| 欧美日韩国产亚洲二区| 午夜激情欧美在线| 国产单亲对白刺激| 1024手机看黄色片| 尤物成人国产欧美一区二区三区| 九九爱精品视频在线观看| 亚洲欧美激情综合另类| 黄色丝袜av网址大全| 真实男女啪啪啪动态图| 欧美国产日韩亚洲一区| 日韩av在线大香蕉| 精品人妻视频免费看| 无遮挡黄片免费观看| 亚洲精品一区av在线观看| 国产一区二区三区视频了| 亚洲成av人片在线播放无| 波多野结衣巨乳人妻| 亚洲av成人精品一区久久| 九色国产91popny在线| 看片在线看免费视频| 中文字幕免费在线视频6| 99久久精品一区二区三区| 国产亚洲精品av在线| 99久久精品一区二区三区| 国产精品1区2区在线观看.| 成人国产一区最新在线观看| 哪里可以看免费的av片| 午夜福利视频1000在线观看| 国产大屁股一区二区在线视频| 伦理电影大哥的女人| 亚洲乱码一区二区免费版| 国产一区二区在线av高清观看| 最近中文字幕高清免费大全6 | 久久精品影院6| 男女之事视频高清在线观看| 美女cb高潮喷水在线观看| 成人亚洲精品av一区二区| 成熟少妇高潮喷水视频| 日韩大尺度精品在线看网址| 伦精品一区二区三区| 99久久久亚洲精品蜜臀av| 亚洲精品国产成人久久av| 性欧美人与动物交配| 免费av不卡在线播放| 亚洲av美国av| 国产v大片淫在线免费观看| 黄色日韩在线| 高清日韩中文字幕在线| 欧美成人性av电影在线观看| 在线免费十八禁| 成人二区视频| 国产毛片a区久久久久| 波多野结衣高清无吗| 99久久精品热视频| 淫秽高清视频在线观看| 久久国内精品自在自线图片| 午夜视频国产福利| 亚洲av.av天堂| 18禁黄网站禁片午夜丰满| 国产精品乱码一区二三区的特点| 国产亚洲91精品色在线| 亚洲欧美精品综合久久99| 精品一区二区三区视频在线观看免费| 婷婷六月久久综合丁香| or卡值多少钱| 最近最新免费中文字幕在线| 欧美色欧美亚洲另类二区| 欧美激情久久久久久爽电影| 九色成人免费人妻av| 欧美xxxx性猛交bbbb| 尾随美女入室| 免费不卡的大黄色大毛片视频在线观看 | 国产成年人精品一区二区| 人人妻,人人澡人人爽秒播| 免费看a级黄色片| 天堂√8在线中文| 免费搜索国产男女视频| 欧美日韩亚洲国产一区二区在线观看| 日韩国内少妇激情av| 九九在线视频观看精品| 国产精品1区2区在线观看.| 久久精品国产亚洲av涩爱 | 国产在线男女| 国产欧美日韩精品一区二区| 九色国产91popny在线| 日本在线视频免费播放| 亚洲久久久久久中文字幕| 婷婷丁香在线五月| 国产亚洲欧美98| 1024手机看黄色片| 日本欧美国产在线视频| 国产精品1区2区在线观看.| 国产午夜精品论理片| 人人妻人人澡欧美一区二区| www.色视频.com| 搡老岳熟女国产| 免费看美女性在线毛片视频| 欧美日韩国产亚洲二区| 日本黄色视频三级网站网址| 午夜福利欧美成人| 欧美在线一区亚洲| 欧美极品一区二区三区四区| 在线播放无遮挡| 亚洲 国产 在线| av在线天堂中文字幕| 久久精品国产亚洲网站| 国产久久久一区二区三区| 两性午夜刺激爽爽歪歪视频在线观看| 精品人妻偷拍中文字幕| 有码 亚洲区| 久久精品夜夜夜夜夜久久蜜豆| 亚洲狠狠婷婷综合久久图片| 久久国内精品自在自线图片| 亚洲精品乱码久久久v下载方式| 国产伦一二天堂av在线观看| 亚洲成人精品中文字幕电影| 琪琪午夜伦伦电影理论片6080| 久9热在线精品视频| 国产亚洲精品综合一区在线观看| 深夜a级毛片| 亚洲精品粉嫩美女一区| 三级毛片av免费| 成人欧美大片| 少妇高潮的动态图| 亚洲成人中文字幕在线播放| 一个人免费在线观看电影| 18禁黄网站禁片午夜丰满| 久久久久免费精品人妻一区二区| 美女大奶头视频| 国产精华一区二区三区| 国产欧美日韩精品一区二区| 国产三级在线视频| 女人十人毛片免费观看3o分钟| 亚洲图色成人| 国产精品久久久久久久电影| 精品国产三级普通话版| 久久久久久久精品吃奶| 91精品国产九色| 伦理电影大哥的女人| 午夜福利在线在线| 女生性感内裤真人,穿戴方法视频| 18禁裸乳无遮挡免费网站照片| 欧美成人免费av一区二区三区| 人妻制服诱惑在线中文字幕| 露出奶头的视频| 国产 一区 欧美 日韩| 最好的美女福利视频网| 成人性生交大片免费视频hd| 在线天堂最新版资源| 日本爱情动作片www.在线观看 | 亚洲av熟女| 桃色一区二区三区在线观看| av在线老鸭窝| 亚洲在线观看片| 一区二区三区免费毛片| 亚洲av免费高清在线观看| 午夜激情福利司机影院| 国产真实乱freesex| 非洲黑人性xxxx精品又粗又长| 桃色一区二区三区在线观看| av天堂在线播放| 人人妻,人人澡人人爽秒播| 国产爱豆传媒在线观看| 久久精品人妻少妇| 久久热精品热| 男女下面进入的视频免费午夜| 国产黄a三级三级三级人| 日韩欧美免费精品| 久久九九热精品免费| 成年女人毛片免费观看观看9| 欧美3d第一页| 久久人妻av系列| 色5月婷婷丁香| 色综合色国产| 一级黄色大片毛片| 草草在线视频免费看| 中文字幕熟女人妻在线| 国产午夜精品久久久久久一区二区三区 | 国产一区二区激情短视频| 可以在线观看的亚洲视频| 真人做人爱边吃奶动态| 国产熟女欧美一区二区| 久久久久久伊人网av| 性色avwww在线观看| 国产成人a区在线观看| 午夜a级毛片| 干丝袜人妻中文字幕| 97碰自拍视频| 可以在线观看的亚洲视频| 午夜福利在线观看免费完整高清在 | 亚洲成人久久性| 超碰av人人做人人爽久久| 少妇人妻精品综合一区二区 | 亚洲熟妇中文字幕五十中出| 久久久久久久亚洲中文字幕| 日韩欧美三级三区| 日韩欧美国产在线观看| 亚洲av.av天堂| 九九爱精品视频在线观看| 日本色播在线视频| 男人狂女人下面高潮的视频| 91av网一区二区| 能在线免费观看的黄片| 亚洲精华国产精华液的使用体验 | 乱系列少妇在线播放| 麻豆成人av在线观看| а√天堂www在线а√下载| 91狼人影院| 丰满乱子伦码专区| 麻豆一二三区av精品| 国产男人的电影天堂91| 久久久久久久亚洲中文字幕| 波多野结衣高清作品| 国产色爽女视频免费观看| 无遮挡黄片免费观看| 日韩高清综合在线| av在线老鸭窝| 嫩草影视91久久| 国产成人福利小说| 亚洲久久久久久中文字幕| 国产精品综合久久久久久久免费| 我要看日韩黄色一级片| 夜夜夜夜夜久久久久| 久久久久免费精品人妻一区二区| 国产蜜桃级精品一区二区三区| 国产69精品久久久久777片| 欧美+亚洲+日韩+国产| 精品人妻熟女av久视频| 欧美一区二区精品小视频在线| 久久九九热精品免费| 夜夜看夜夜爽夜夜摸| 18禁裸乳无遮挡免费网站照片| av福利片在线观看| 一本久久中文字幕| 日韩,欧美,国产一区二区三区 | 国产真实伦视频高清在线观看 | 国产精品综合久久久久久久免费| 国产亚洲av嫩草精品影院| 在线天堂最新版资源| 18禁裸乳无遮挡免费网站照片| 麻豆成人av在线观看| 中国美女看黄片| 欧美国产日韩亚洲一区| 内射极品少妇av片p| 国产亚洲精品av在线| 国产真实伦视频高清在线观看 | 很黄的视频免费| 亚洲经典国产精华液单| 久久久久久久久久黄片| 亚洲欧美激情综合另类| 波野结衣二区三区在线| 我的女老师完整版在线观看| 午夜福利在线观看吧| 精品久久久久久久久久久久久| 97碰自拍视频| 99热6这里只有精品| 久久久午夜欧美精品| 亚洲人成伊人成综合网2020| 自拍偷自拍亚洲精品老妇| 欧美色欧美亚洲另类二区| 国产三级在线视频| 欧美成人免费av一区二区三区| 精品久久久久久久久亚洲 | 深夜a级毛片| 好男人在线观看高清免费视频| 免费av观看视频| 国产一区二区三区av在线 | 国产真实伦视频高清在线观看 | 一进一出好大好爽视频| 久久久久精品国产欧美久久久| 国产私拍福利视频在线观看| 免费在线观看日本一区| 狂野欧美激情性xxxx在线观看| 18+在线观看网站| or卡值多少钱| 国产欧美日韩精品一区二区| 婷婷六月久久综合丁香| 成人av在线播放网站| 亚洲欧美日韩东京热| 国产国拍精品亚洲av在线观看| 欧美高清性xxxxhd video| 草草在线视频免费看| 中文字幕免费在线视频6| 日日啪夜夜撸| 性色avwww在线观看| 国产午夜精品论理片| 国产国拍精品亚洲av在线观看| 天堂影院成人在线观看| 日本-黄色视频高清免费观看| 99九九线精品视频在线观看视频| 一卡2卡三卡四卡精品乱码亚洲| 日韩欧美在线二视频| 精品久久久久久成人av| 一个人看视频在线观看www免费| 淫秽高清视频在线观看| 淫妇啪啪啪对白视频| 国产精品福利在线免费观看| 真人一进一出gif抽搐免费| 全区人妻精品视频| 欧美成人一区二区免费高清观看| 国产探花极品一区二区| 国产蜜桃级精品一区二区三区| 精品午夜福利视频在线观看一区| 久久久久久大精品| 日日啪夜夜撸| 别揉我奶头~嗯~啊~动态视频| 国产黄片美女视频| 国内毛片毛片毛片毛片毛片| 亚洲中文日韩欧美视频| 女生性感内裤真人,穿戴方法视频| 午夜久久久久精精品| 国产精品福利在线免费观看| 国内精品宾馆在线| 婷婷精品国产亚洲av| 日韩av在线大香蕉| 国产亚洲精品av在线| 国产一区二区三区在线臀色熟女| 久久久久久久久中文| 波多野结衣高清作品| 中文在线观看免费www的网站| 97人妻精品一区二区三区麻豆| 99热这里只有是精品在线观看| 国产女主播在线喷水免费视频网站 | 成年免费大片在线观看| 国产午夜福利久久久久久| 欧美激情在线99| 在线国产一区二区在线| 美女高潮喷水抽搐中文字幕| 直男gayav资源| 久久精品国产自在天天线| 91麻豆av在线| 97人妻精品一区二区三区麻豆| 一级av片app| 婷婷色综合大香蕉| 男人狂女人下面高潮的视频| 深夜a级毛片| 性欧美人与动物交配| 亚洲精品日韩av片在线观看| 麻豆av噜噜一区二区三区| 亚洲乱码一区二区免费版| 麻豆av噜噜一区二区三区| 日本与韩国留学比较| 色视频www国产| 欧美一区二区精品小视频在线| 日韩亚洲欧美综合| 国产极品精品免费视频能看的| 亚洲最大成人手机在线| 亚洲中文字幕一区二区三区有码在线看| 国产黄a三级三级三级人| 欧美成人免费av一区二区三区| 亚洲真实伦在线观看| 国产精品一区www在线观看 | 午夜福利视频1000在线观看| av天堂中文字幕网| 日韩欧美精品免费久久| 在线天堂最新版资源| 性色avwww在线观看| 成年女人看的毛片在线观看| 日本 欧美在线| 午夜免费男女啪啪视频观看 | 中国美女看黄片| av.在线天堂| 成人性生交大片免费视频hd| 欧美+亚洲+日韩+国产| 99热这里只有是精品在线观看| 色在线成人网| 91麻豆av在线| 久久婷婷人人爽人人干人人爱| 久久久久久久久久久丰满 | 成人av在线播放网站| 午夜福利高清视频| 国产精品美女特级片免费视频播放器| 成人av一区二区三区在线看| 国产真实乱freesex| 国产午夜福利久久久久久| 成人无遮挡网站| 九九在线视频观看精品| 春色校园在线视频观看| 亚洲成人免费电影在线观看| 最后的刺客免费高清国语| 成人特级黄色片久久久久久久| 国产亚洲av嫩草精品影院| 免费在线观看影片大全网站| 给我免费播放毛片高清在线观看| 中文亚洲av片在线观看爽| 久久久久国内视频| 在线a可以看的网站| 久久天躁狠狠躁夜夜2o2o| 在线观看免费视频日本深夜| 天美传媒精品一区二区| 搞女人的毛片| 欧美性感艳星| 午夜日韩欧美国产| 综合色av麻豆| 日本一本二区三区精品| 九九久久精品国产亚洲av麻豆| 婷婷丁香在线五月| 亚洲国产精品sss在线观看| 97超级碰碰碰精品色视频在线观看| 日韩欧美 国产精品| 在线免费十八禁| 免费无遮挡裸体视频| 日韩人妻高清精品专区| 欧美xxxx黑人xx丫x性爽| 一个人看的www免费观看视频| 校园人妻丝袜中文字幕| 欧美日本视频| 俄罗斯特黄特色一大片| 内射极品少妇av片p| 禁无遮挡网站| 中文字幕人妻熟人妻熟丝袜美| 久久这里只有精品中国| 日日夜夜操网爽| 久久久久久久精品吃奶| 国产精品1区2区在线观看.| 性插视频无遮挡在线免费观看| 国产伦在线观看视频一区| 舔av片在线| 日日摸夜夜添夜夜添av毛片 | 国产精品永久免费网站| 狂野欧美激情性xxxx在线观看| 三级男女做爰猛烈吃奶摸视频| 99在线视频只有这里精品首页| 国内精品美女久久久久久| 欧美色视频一区免费| 夜夜看夜夜爽夜夜摸| 一夜夜www| 联通29元200g的流量卡| 亚洲国产欧洲综合997久久,| 久久久久久久久久成人| 欧美性猛交╳xxx乱大交人| 欧美人与善性xxx| 中文字幕熟女人妻在线| 久久久久久久久久久丰满 | 婷婷色综合大香蕉| 三级毛片av免费| 两个人的视频大全免费| 在线免费十八禁| 日韩欧美国产一区二区入口| 国产美女午夜福利| 中文字幕av成人在线电影| 久99久视频精品免费| 大型黄色视频在线免费观看| 男人狂女人下面高潮的视频| 国产成年人精品一区二区| 欧美精品啪啪一区二区三区| av女优亚洲男人天堂| 婷婷六月久久综合丁香| 韩国av一区二区三区四区| 给我免费播放毛片高清在线观看| 亚洲精品成人久久久久久| 国产探花在线观看一区二区| 久久6这里有精品| ponron亚洲| av黄色大香蕉| 午夜亚洲福利在线播放| 一进一出抽搐gif免费好疼| 亚洲成人久久爱视频| 精品人妻1区二区| 成人二区视频| 精华霜和精华液先用哪个| 欧美日韩亚洲国产一区二区在线观看| 婷婷六月久久综合丁香|