• <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
    欧美性感艳星| 亚洲av免费高清在线观看| 考比视频在线观看| 青春草国产在线视频| 亚洲五月色婷婷综合| 免费日韩欧美在线观看| 黄片无遮挡物在线观看| 老司机影院毛片| 人妻一区二区av| 亚洲国产成人一精品久久久| 啦啦啦啦在线视频资源| 搡女人真爽免费视频火全软件| 亚洲精品视频女| www.色视频.com| 黑人猛操日本美女一级片| 91精品国产国语对白视频| 99视频精品全部免费 在线| 国产精品.久久久| 亚洲av欧美aⅴ国产| 欧美成人精品欧美一级黄| tube8黄色片| 欧美人与善性xxx| 亚洲经典国产精华液单| 色吧在线观看| 哪个播放器可以免费观看大片| 七月丁香在线播放| 三级国产精品片| 国产69精品久久久久777片| 国产高清三级在线| 观看美女的网站| 男男h啪啪无遮挡| 99热6这里只有精品| 成年美女黄网站色视频大全免费 | 午夜久久久在线观看| 美女内射精品一级片tv| 久久久久久久国产电影| 人人妻人人爽人人添夜夜欢视频| 999精品在线视频| 最新中文字幕久久久久| 制服丝袜香蕉在线| www.av在线官网国产| 人人妻人人澡人人爽人人夜夜| 中文字幕人妻丝袜制服| 欧美日韩在线观看h| 欧美激情极品国产一区二区三区 | 少妇的逼好多水| 亚洲国产精品专区欧美| 亚洲熟女精品中文字幕| 免费大片18禁| 亚洲国产色片| 少妇猛男粗大的猛烈进出视频| 国产精品久久久久久久久免| 麻豆乱淫一区二区| 日韩亚洲欧美综合| 色视频在线一区二区三区| 国产又色又爽无遮挡免| 午夜福利在线观看免费完整高清在| 亚洲国产精品一区三区| 日本欧美国产在线视频| 人体艺术视频欧美日本| 久久精品人人爽人人爽视色| 日本色播在线视频| 国产高清国产精品国产三级| av不卡在线播放| 亚洲五月色婷婷综合| 精品人妻偷拍中文字幕| 国产一区二区在线观看av| 丰满饥渴人妻一区二区三| 狠狠精品人妻久久久久久综合| 又大又黄又爽视频免费| av天堂久久9| 久久精品人人爽人人爽视色| www.av在线官网国产| 欧美亚洲 丝袜 人妻 在线| 99re6热这里在线精品视频| 国产视频首页在线观看| 成年人午夜在线观看视频| av在线观看视频网站免费| 色婷婷av一区二区三区视频| 免费黄色在线免费观看| 中文字幕久久专区| 欧美日韩视频高清一区二区三区二| 精品卡一卡二卡四卡免费| 亚洲av免费高清在线观看| 国产精品一区二区三区四区免费观看| 亚洲精品,欧美精品| 国产乱来视频区| 久久久国产欧美日韩av| 在线天堂最新版资源| 男人爽女人下面视频在线观看| 三级国产精品片| 91国产中文字幕| 国产欧美另类精品又又久久亚洲欧美| 97精品久久久久久久久久精品| 日韩视频在线欧美| 欧美日韩精品成人综合77777| 久久久久精品久久久久真实原创| 黄色怎么调成土黄色| 亚洲欧美日韩另类电影网站| 亚洲精品一二三| 欧美激情国产日韩精品一区| 亚洲精品久久午夜乱码| 亚洲精品第二区| av在线老鸭窝| 91在线精品国自产拍蜜月| 国产免费视频播放在线视频| 日日啪夜夜爽| 男女国产视频网站| 日韩免费高清中文字幕av| 女的被弄到高潮叫床怎么办| 国产精品国产三级国产av玫瑰| 国产综合精华液| 精品一区二区三区视频在线| 日本与韩国留学比较| 少妇的逼好多水| 日韩熟女老妇一区二区性免费视频| 亚洲av欧美aⅴ国产| 极品人妻少妇av视频| 成人18禁高潮啪啪吃奶动态图 | 热99国产精品久久久久久7| 中文字幕制服av| 99国产精品免费福利视频| 国产成人免费无遮挡视频| 丝瓜视频免费看黄片| 久久精品熟女亚洲av麻豆精品| 日本免费在线观看一区| 美女国产高潮福利片在线看| 精品99又大又爽又粗少妇毛片| 久久久久久久久久成人| 少妇被粗大猛烈的视频| 午夜老司机福利剧场| 欧美97在线视频| 韩国高清视频一区二区三区| 欧美日本中文国产一区发布| av一本久久久久| 婷婷色麻豆天堂久久| 黄片播放在线免费| 全区人妻精品视频| 国产欧美日韩综合在线一区二区| 人妻 亚洲 视频| 人妻制服诱惑在线中文字幕| 波野结衣二区三区在线| 少妇丰满av| 亚州av有码| 日本与韩国留学比较| 九色成人免费人妻av| 欧美+日韩+精品| 国产女主播在线喷水免费视频网站| 亚洲综合色惰| 女性被躁到高潮视频| 亚洲av二区三区四区| 日韩中字成人| 女性被躁到高潮视频| 国产精品人妻久久久久久| 久久久国产一区二区| 亚洲欧美清纯卡通| 男女边摸边吃奶| 一本色道久久久久久精品综合| 十八禁网站网址无遮挡| 一区二区三区精品91| 亚洲国产精品一区三区| 色网站视频免费| av免费观看日本| 日韩成人av中文字幕在线观看| 国产成人精品在线电影| 一区二区av电影网| 九色成人免费人妻av| 国产精品不卡视频一区二区| 国产 一区精品| 国产视频内射| 久久婷婷青草| 日韩av免费高清视频| 高清不卡的av网站| av在线老鸭窝| 午夜日本视频在线| 成年av动漫网址| 欧美少妇被猛烈插入视频| 亚州av有码| 免费观看的影片在线观看| 国产成人一区二区在线| 亚洲久久久国产精品| 人人妻人人澡人人爽人人夜夜| 十分钟在线观看高清视频www| 日本爱情动作片www.在线观看| 国产色婷婷99| 99久久精品一区二区三区| 99久久精品国产国产毛片| 日韩亚洲欧美综合| 日本黄色日本黄色录像| 99热国产这里只有精品6| 91久久精品国产一区二区成人| 亚洲精品国产av蜜桃| 国产在线免费精品| 777米奇影视久久| 亚洲精品日本国产第一区| 日本欧美视频一区| 男女啪啪激烈高潮av片| 国产精品女同一区二区软件| 美女视频免费永久观看网站| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | av电影中文网址| 天天影视国产精品| 高清午夜精品一区二区三区| 国产精品无大码| 亚洲av电影在线观看一区二区三区| 国产精品国产三级国产专区5o| 性高湖久久久久久久久免费观看| 99久久中文字幕三级久久日本| 欧美日韩国产mv在线观看视频| 精品人妻一区二区三区麻豆| 男女边摸边吃奶| 一级毛片aaaaaa免费看小| 免费黄频网站在线观看国产| 成年美女黄网站色视频大全免费 | 午夜精品国产一区二区电影| 久久亚洲国产成人精品v| 久久久国产一区二区| 国产亚洲最大av| 亚洲欧美一区二区三区国产| 欧美日韩国产mv在线观看视频| 三级国产精品片| 在线观看免费视频网站a站| 高清黄色对白视频在线免费看| 国产成人91sexporn| 亚洲精品中文字幕在线视频| 日韩一区二区视频免费看| 亚洲国产欧美在线一区| 黄色怎么调成土黄色| 亚洲无线观看免费| 夜夜看夜夜爽夜夜摸| 一区二区av电影网| 亚洲av免费高清在线观看| 999精品在线视频| 久热这里只有精品99| 日韩人妻高清精品专区| 免费观看a级毛片全部| av一本久久久久| 久久国产亚洲av麻豆专区| 午夜激情av网站| 嘟嘟电影网在线观看| 国产黄频视频在线观看| 在线 av 中文字幕| 美女国产高潮福利片在线看| 熟女电影av网| 国产免费一级a男人的天堂| 一二三四中文在线观看免费高清| 国产成人freesex在线| 国产精品无大码| 国产在线视频一区二区| av免费在线看不卡| 熟女电影av网| 一级毛片电影观看| 男人操女人黄网站| 毛片一级片免费看久久久久| 亚洲av男天堂| 亚洲av免费高清在线观看| 多毛熟女@视频| 制服丝袜香蕉在线| 国产片内射在线| 国产爽快片一区二区三区| 卡戴珊不雅视频在线播放| 乱人伦中国视频| 国产免费一级a男人的天堂| 在线观看国产h片| 在线看a的网站| 久久影院123| 国产熟女午夜一区二区三区 | 伊人亚洲综合成人网| 搡老乐熟女国产| 熟妇人妻不卡中文字幕| 在线观看美女被高潮喷水网站| 丝瓜视频免费看黄片| 精品一区二区三区视频在线| 免费看光身美女| 日本猛色少妇xxxxx猛交久久| 三级国产精品欧美在线观看| 一二三四中文在线观看免费高清| 永久免费av网站大全| 搡老乐熟女国产| 国产伦精品一区二区三区视频9| 亚洲欧美清纯卡通| 国国产精品蜜臀av免费| 建设人人有责人人尽责人人享有的| 丝袜美足系列| 成人午夜精彩视频在线观看| www.色视频.com| 亚洲精品乱码久久久久久按摩| 18禁在线播放成人免费| 欧美bdsm另类| 高清欧美精品videossex| 十分钟在线观看高清视频www| av女优亚洲男人天堂| 18禁在线播放成人免费| 乱人伦中国视频| 天堂8中文在线网| 哪个播放器可以免费观看大片| 99久久综合免费| 免费播放大片免费观看视频在线观看| 最近手机中文字幕大全| 久久久精品免费免费高清| 国产欧美日韩综合在线一区二区| 午夜激情福利司机影院| 嫩草影院入口| 18+在线观看网站| 欧美成人午夜免费资源| 久久热精品热| 精品一区二区三区视频在线| 两个人的视频大全免费| 久久久久久久精品精品| 一区二区三区精品91| 毛片一级片免费看久久久久| 97在线视频观看| 韩国高清视频一区二区三区| 肉色欧美久久久久久久蜜桃| 久久久a久久爽久久v久久| av网站免费在线观看视频| 国产成人a∨麻豆精品| 国产成人91sexporn| 亚洲欧美中文字幕日韩二区| 99精国产麻豆久久婷婷| 丝袜喷水一区| 亚洲av成人精品一二三区| 国产精品久久久久久久久免| 亚洲av电影在线观看一区二区三区| 国产高清三级在线| 久久99热6这里只有精品| 日本-黄色视频高清免费观看| 丝袜美足系列| 久久综合国产亚洲精品| 少妇被粗大的猛进出69影院 | 男女啪啪激烈高潮av片| 日韩在线高清观看一区二区三区| 国产高清国产精品国产三级| 日本-黄色视频高清免费观看| 免费人成在线观看视频色| 国产黄色视频一区二区在线观看| 青春草视频在线免费观看| 狂野欧美激情性bbbbbb| 啦啦啦中文免费视频观看日本| 欧美日韩亚洲高清精品| 国产男人的电影天堂91| 精品国产一区二区三区久久久樱花| 18禁在线播放成人免费| 精品午夜福利在线看| 26uuu在线亚洲综合色| 欧美日韩综合久久久久久| 男女无遮挡免费网站观看| 国产69精品久久久久777片| 丰满少妇做爰视频| 丰满迷人的少妇在线观看| 日韩视频在线欧美| 久热久热在线精品观看| 99九九线精品视频在线观看视频| 欧美日韩视频精品一区| 高清黄色对白视频在线免费看| a级片在线免费高清观看视频| 中文字幕免费在线视频6| 一本大道久久a久久精品| 国产视频首页在线观看| 99久久精品一区二区三区| 狠狠精品人妻久久久久久综合| 美女xxoo啪啪120秒动态图| 18在线观看网站| 九九爱精品视频在线观看| 精品卡一卡二卡四卡免费| 有码 亚洲区| 日韩制服骚丝袜av| 一区二区三区精品91| 黄色配什么色好看| 又黄又爽又刺激的免费视频.| 欧美精品亚洲一区二区| 少妇猛男粗大的猛烈进出视频| 亚洲内射少妇av| 美女主播在线视频| 嘟嘟电影网在线观看| 美女cb高潮喷水在线观看| 色视频在线一区二区三区| 亚洲av福利一区| 婷婷色综合大香蕉| 边亲边吃奶的免费视频| 久久精品国产亚洲av涩爱| 亚洲第一av免费看| 建设人人有责人人尽责人人享有的| 一级毛片我不卡| 亚洲国产日韩一区二区| 久久 成人 亚洲| 少妇高潮的动态图| 久久午夜福利片| 黑人欧美特级aaaaaa片| 色吧在线观看| 国产熟女午夜一区二区三区 | 日本欧美国产在线视频| 91精品国产国语对白视频| 2018国产大陆天天弄谢| 亚洲天堂av无毛| 国产男女超爽视频在线观看| 嫩草影院入口| 黑人欧美特级aaaaaa片| 18在线观看网站| 欧美人与善性xxx| 中文字幕人妻熟人妻熟丝袜美| 国产乱来视频区| 午夜福利影视在线免费观看| 黄色怎么调成土黄色| 久久人人爽人人爽人人片va| 亚洲三级黄色毛片| 内地一区二区视频在线| 性色av一级| 最后的刺客免费高清国语| 精品酒店卫生间| 久热这里只有精品99| 91成人精品电影| 国产av国产精品国产| 伦理电影免费视频| 国产午夜精品一二区理论片| 亚洲美女搞黄在线观看| 国产亚洲一区二区精品| 精品人妻熟女av久视频| 人妻人人澡人人爽人人| 搡老乐熟女国产| 一级毛片 在线播放| 中文欧美无线码| a级毛色黄片| 美女cb高潮喷水在线观看| 91在线精品国自产拍蜜月| 国产男人的电影天堂91| 免费播放大片免费观看视频在线观看| 婷婷色麻豆天堂久久| 中文字幕人妻丝袜制服| 热99国产精品久久久久久7| av卡一久久| 国产日韩一区二区三区精品不卡 | 国产白丝娇喘喷水9色精品| 蜜桃在线观看..| 免费黄频网站在线观看国产| 欧美3d第一页| 九色亚洲精品在线播放| 亚洲精品亚洲一区二区| 日本黄大片高清| 国产有黄有色有爽视频| 久久av网站| 国产成人精品一,二区| 黑人高潮一二区| 日韩精品有码人妻一区| 少妇被粗大猛烈的视频| 国产熟女午夜一区二区三区 | 99久久精品国产国产毛片| 制服人妻中文乱码| 男女边吃奶边做爰视频| 在线观看三级黄色| 国产一区二区在线观看av| 国产精品一国产av| 999精品在线视频| 久久人人爽人人片av| 欧美精品亚洲一区二区| 欧美 亚洲 国产 日韩一| 免费观看av网站的网址| 插逼视频在线观看| 99久久精品国产国产毛片| 国产国拍精品亚洲av在线观看| 精品国产一区二区久久| 亚洲第一区二区三区不卡| 午夜老司机福利剧场| av有码第一页| 在线观看免费高清a一片| 国产成人一区二区在线| 亚洲欧洲日产国产| 飞空精品影院首页| 高清黄色对白视频在线免费看| av不卡在线播放| 高清欧美精品videossex| videosex国产| 久久青草综合色| 人妻一区二区av| 久久久久人妻精品一区果冻| 18+在线观看网站| 久久久久久久久大av| 美女视频免费永久观看网站| 男人操女人黄网站| 欧美日韩亚洲高清精品| freevideosex欧美| 女性被躁到高潮视频| 免费观看av网站的网址| 亚洲四区av| 狠狠婷婷综合久久久久久88av| 91精品伊人久久大香线蕉| 久久久精品免费免费高清| 国产男女内射视频| 精品一品国产午夜福利视频| 一本色道久久久久久精品综合| 91成人精品电影| 国产成人免费观看mmmm| 老女人水多毛片| 亚州av有码| 日韩视频在线欧美| 一边亲一边摸免费视频| av专区在线播放| 夫妻午夜视频| 亚洲无线观看免费| 久久久久久久精品精品| 亚洲在久久综合| 爱豆传媒免费全集在线观看| 日本91视频免费播放| 爱豆传媒免费全集在线观看| 男女无遮挡免费网站观看| √禁漫天堂资源中文www| 精品久久久噜噜| 自拍欧美九色日韩亚洲蝌蚪91| 少妇 在线观看| 亚洲精品日韩在线中文字幕| 亚洲精品日本国产第一区| 大话2 男鬼变身卡| 在线观看国产h片| 午夜福利,免费看| 丰满乱子伦码专区| 欧美变态另类bdsm刘玥| 91久久精品国产一区二区三区| 一区二区日韩欧美中文字幕 | 婷婷色av中文字幕| 国产精品99久久久久久久久| 国产精品一区二区三区四区免费观看| 黄片播放在线免费| 岛国毛片在线播放| 午夜老司机福利剧场| 亚洲欧美精品自产自拍| 男人爽女人下面视频在线观看| 久久久亚洲精品成人影院| 麻豆精品久久久久久蜜桃| 亚洲熟女精品中文字幕| 老司机影院成人| 亚洲国产精品一区二区三区在线| 成年人午夜在线观看视频| 91午夜精品亚洲一区二区三区| 国产视频内射| av福利片在线| 999精品在线视频| 看非洲黑人一级黄片| 国产深夜福利视频在线观看| 精品久久蜜臀av无| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 91久久精品国产一区二区成人| 国产精品一区二区在线观看99| 美女cb高潮喷水在线观看| 91久久精品电影网| 人妻系列 视频| 哪个播放器可以免费观看大片| 内地一区二区视频在线| 自拍欧美九色日韩亚洲蝌蚪91| 午夜免费男女啪啪视频观看| 黄色怎么调成土黄色| 亚洲经典国产精华液单| 热99国产精品久久久久久7| 亚洲精品视频女| 建设人人有责人人尽责人人享有的| 日本午夜av视频| 日日啪夜夜爽| 亚洲综合色网址| kizo精华| 啦啦啦视频在线资源免费观看| 国产精品一区二区在线观看99| 免费观看的影片在线观看| 天天躁夜夜躁狠狠久久av| 国产无遮挡羞羞视频在线观看| 亚洲精品日韩av片在线观看| 国产亚洲精品第一综合不卡 | 久久97久久精品| 国产av精品麻豆| 男人爽女人下面视频在线观看| 日韩中字成人| 赤兔流量卡办理| 一区二区三区乱码不卡18| 在线看a的网站| 熟女人妻精品中文字幕| 久久精品国产自在天天线| 成人午夜精彩视频在线观看| videossex国产| 日产精品乱码卡一卡2卡三| 国产色爽女视频免费观看| 国产黄片视频在线免费观看| 午夜福利网站1000一区二区三区| 欧美成人午夜免费资源| 成人18禁高潮啪啪吃奶动态图 | 人人澡人人妻人| 久久99一区二区三区| 三上悠亚av全集在线观看| 夫妻午夜视频| 九九在线视频观看精品| 嘟嘟电影网在线观看| 国产亚洲午夜精品一区二区久久| 久久久久久久久久人人人人人人| 性色av一级| 一边亲一边摸免费视频| 免费av不卡在线播放| 国产69精品久久久久777片| 久久人人爽人人爽人人片va| 色94色欧美一区二区| 国产亚洲一区二区精品| 国产亚洲欧美精品永久| 性高湖久久久久久久久免费观看| 国产乱来视频区| 亚洲av福利一区| a级毛色黄片| 自拍欧美九色日韩亚洲蝌蚪91| videosex国产| 国产69精品久久久久777片| 日韩av免费高清视频| 大陆偷拍与自拍| 飞空精品影院首页| 亚洲精品国产色婷婷电影| 国产精品久久久久久久电影| 在线亚洲精品国产二区图片欧美 | 国产精品.久久久| 99热这里只有是精品在线观看| 一级片'在线观看视频| 国产高清不卡午夜福利|