• <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ResNet和領(lǐng)域自適應(yīng)的軸承故障診斷研究

    2022-01-12 11:50:40楊冰如沈長青朱忠奎
    測(cè)控技術(shù) 2021年12期
    關(guān)鍵詞:源域殘差故障診斷

    楊冰如,李 奇,陳 良,沈長青,朱忠奎

    (1.蘇州大學(xué) 機(jī)電工程學(xué)院,江蘇 蘇州 215131;2.蘇州大學(xué) 軌道交通學(xué)院,江蘇 蘇州 215131)

    旋轉(zhuǎn)機(jī)械是實(shí)際工業(yè)現(xiàn)場(chǎng)的重要部件之一,通常需要在惡劣的情況下長時(shí)間運(yùn)轉(zhuǎn),很容易磨損滾動(dòng)軸承等零部件,不可避免會(huì)形成故障[1]。而機(jī)械設(shè)備一旦發(fā)生故障,會(huì)導(dǎo)致大量的經(jīng)濟(jì)損失,嚴(yán)重時(shí)甚至?xí)l(fā)生人身事故,因此可靠準(zhǔn)確的軸承故障診斷方法的研究越來越重要,它能夠?qū)πD(zhuǎn)機(jī)械的健康狀態(tài)進(jìn)行監(jiān)測(cè)與診斷,從而保障機(jī)械設(shè)備的正常運(yùn)行,降低故障風(fēng)險(xiǎn)。隨著智能制造模式的發(fā)展,對(duì)工業(yè)過程中的故障檢測(cè)提出了更高的要求[2]。

    軸承振動(dòng)信號(hào)是能為檢測(cè)機(jī)械設(shè)備狀態(tài)提供信息的高精度指標(biāo)[3],因此大多數(shù)傳統(tǒng)的基于信號(hào)處理的故障診斷方法都是從原始振動(dòng)信號(hào)中提取故障信息,如經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)[4]、小波包變換(Wavelet Packet Transform,WPT)[5]和其他時(shí)頻域信號(hào)處理方法。Yu等[6]采用經(jīng)驗(yàn)?zāi)B(tài)分解方法,根據(jù)固有模態(tài)函數(shù)計(jì)算振動(dòng)信號(hào)的原始統(tǒng)計(jì)特征,再結(jié)合特征降維方法,實(shí)現(xiàn)了軸承的故障診斷。Wang等[7]將小波包變換和稀疏編碼相結(jié)合,提出了一種有監(jiān)督的基于稀疏小波變換的軸承故障檢測(cè)方法。小波包變換可以檢測(cè)到軸承信號(hào)發(fā)生的故障。基于結(jié)構(gòu)化字典的稀疏編碼可以找到信號(hào)的魯棒表示,同時(shí)集成類別信息?;谛盘?hào)處理的方法要求分析人員具有一定的先驗(yàn)知識(shí)的儲(chǔ)備,包括機(jī)械方面的專業(yè)知識(shí)和數(shù)學(xué)基礎(chǔ),才能保證較好的信號(hào)處理效果[8]。

    在實(shí)際運(yùn)行過程中的設(shè)備狀況會(huì)受到很多因素的影響,十分復(fù)雜,采用基于信號(hào)處理的診斷方法效果不明顯,因此研究人員引入了機(jī)器學(xué)習(xí)模型來彌補(bǔ)這一不足。Zhang等[9]將經(jīng)驗(yàn)?zāi)B(tài)分解和支持向量機(jī)(Support Vector Machines,SVM)相結(jié)合,揭示了振動(dòng)信號(hào)多尺度內(nèi)在特征。Mao等[10]針對(duì)故障數(shù)據(jù)比正常數(shù)據(jù)少得多的數(shù)據(jù)不平衡問題,提出了一種基于極限學(xué)習(xí)機(jī)的故障診斷在線時(shí)序預(yù)測(cè)方法。但機(jī)器學(xué)習(xí)診斷模型的性能也往往受到手工提取特征的限制,當(dāng)數(shù)據(jù)結(jié)構(gòu)復(fù)雜時(shí),難以提取到有效特征。

    隨著深度學(xué)習(xí)(Deep Learning)[11]的發(fā)展,其自動(dòng)特征提取的能力在故障診斷領(lǐng)域中有著良好的應(yīng)用前景。Zhang等[12]提出了一種使用稀疏自動(dòng)編碼器(Sparse Auto Encoder,SAE)的新標(biāo)簽生成方法,它能夠從訓(xùn)練樣本中構(gòu)造一個(gè)分布,并識(shí)別那些不屬于已知類別的樣本。Dong等[13]將無監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)和深度信念網(wǎng)絡(luò)(Deep Belief Network,DBN)相結(jié)合,提出了隨機(jī)卷積深度信念網(wǎng)絡(luò),通過加入無監(jiān)督成分,提高了模型的泛化能力。Shao等[14]利用生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Network,GAN)學(xué)習(xí)機(jī)械傳感器信號(hào)并生成真實(shí)的帶標(biāo)簽的合成信號(hào),并將生成的信號(hào)作為擴(kuò)展數(shù)據(jù)用于故障診斷。

    然而,深度學(xué)習(xí)模型需要滿足訓(xùn)練集和測(cè)試集服從同一分布的假設(shè),并且需要大量有標(biāo)簽數(shù)據(jù)才能訓(xùn)練一個(gè)足夠好的模型,這兩個(gè)條件在實(shí)際工業(yè)現(xiàn)場(chǎng)都是難以滿足的。機(jī)械設(shè)備在運(yùn)行過程中會(huì)受到溫度、負(fù)載、運(yùn)行時(shí)間等因素的影響,導(dǎo)致采集的數(shù)據(jù)分布有差異,此時(shí)訓(xùn)練好的深度學(xué)習(xí)模型的診斷效果會(huì)大打折扣。并且為數(shù)據(jù)打標(biāo)簽是個(gè)耗時(shí)耗力的工作,很難收集到大量有標(biāo)簽的數(shù)據(jù)去訓(xùn)練模型。因此將遷移學(xué)習(xí)(Transfer Learning)模型用于機(jī)械故障診斷是近年來新興起但發(fā)展較為迅速的一個(gè)研究方向,其目標(biāo)在于能夠?qū)脑从驅(qū)W習(xí)到的知識(shí)用于解決目標(biāo)域中新的相關(guān)的任務(wù)[15-16]。Wen等[17]提出了一種深度遷移學(xué)習(xí)網(wǎng)絡(luò),采用了一個(gè)無標(biāo)簽的第三數(shù)據(jù)集來輔助分類,能夠在一定程度上提高分類效果。Zhang等[18]提出了域自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò),將源域和目標(biāo)域分別輸入到各自的特征提取器中,使源域和目標(biāo)域的實(shí)例樣本在映射后具有相似的分布,實(shí)現(xiàn)了不同工作條件下的軸承故障診斷。Guo等[19]提出了深度卷積遷移學(xué)習(xí)網(wǎng)絡(luò),包括狀態(tài)識(shí)別和域自適應(yīng)兩個(gè)模塊,通過最大化域識(shí)別誤差和最小化概率分布距離,使一維卷積神經(jīng)網(wǎng)絡(luò)更容易學(xué)習(xí)域不變特征。Li等[20]通過人工生成用于領(lǐng)域自適應(yīng)的偽樣本,能夠在機(jī)器故障條件下的測(cè)試數(shù)據(jù)不能用于訓(xùn)練時(shí)提供可靠的跨領(lǐng)域診斷結(jié)果。

    綜上所述,基于信號(hào)處理的方法和機(jī)器學(xué)習(xí)方法都非常依賴先驗(yàn)知識(shí)的儲(chǔ)備,深度學(xué)習(xí)模型需要滿足的假設(shè)在實(shí)際工業(yè)現(xiàn)場(chǎng)難以滿足,而目前大多數(shù)的遷移學(xué)習(xí)模型僅匹配一種分布差異,邊緣分布差異或是條件分布差異,并且在匹配特征分布時(shí),有些學(xué)者認(rèn)為高層特征的可遷移性顯著下降[21],而有些學(xué)者則認(rèn)為低層特征更導(dǎo)致了領(lǐng)域分布差異[22]。針對(duì)上述問題,本文采用經(jīng)過預(yù)訓(xùn)練的深度殘差網(wǎng)絡(luò)(Residual Network,ResNet)作為特征提取器,對(duì)4個(gè)殘差塊提取的源域和目標(biāo)域特征計(jì)算最大均值差異(Maximum Mean Discrepancy,MMD)以匹配邊緣分布,通過為目標(biāo)域數(shù)據(jù)打偽標(biāo)簽匹配條件分布差異。經(jīng)實(shí)驗(yàn)證明,在變工況的場(chǎng)景下,該模型能在提高診斷精度的同時(shí),對(duì)軸承故障進(jìn)行定性、定量診斷。

    1 理論背景

    1.1 領(lǐng)域自適應(yīng)

    遷移學(xué)習(xí)是目前受到眾多研究人員廣泛關(guān)注的一個(gè)研究方向,并已在圖像識(shí)別[23]、語音識(shí)別[24]、文本識(shí)別[25]等領(lǐng)域成功應(yīng)用。領(lǐng)域自適應(yīng)(Domain Adaptation)可以看作是遷移學(xué)習(xí)中的一種特定的設(shè)置[26]。

    領(lǐng)域D中包含樣本空間X和樣本的邊緣分布P(X),可以表示為D={X,P(X)},即Ds≠Dt意味著Xs≠Xt或(和)Ps(X)≠Pt(X)。

    任務(wù)T包含標(biāo)簽空間Y和目標(biāo)預(yù)測(cè)函數(shù)f(·),可以表示為T={Y,f(·)},從概率的觀點(diǎn)來看,f(·)也可以表示為條件分布P(Y|X),即Ts≠Tt意味著Ys≠Yt或(和)Ps(Y|X)≠Pt(Y|X)。

    當(dāng)Ds和Dt差距較大時(shí),如圖1(a)所示,此時(shí)Dt中每一類的中心都和Ds中的相距較遠(yuǎn),匹配邊緣分布更為重要。而當(dāng)邊緣分布比較接近時(shí),如圖1(b)所示,此時(shí)Dt中每一類的中心和Ds中的差距較小,則更應(yīng)該關(guān)注匹配條件分布差異。在實(shí)際工業(yè)場(chǎng)景中,Ds和Dt的邊緣分布和條件分布往往都會(huì)有差異,對(duì)領(lǐng)域自適應(yīng)產(chǎn)生不同的影響,因此在本文中同時(shí)匹配邊緣分布和條件分布,如圖1(c)所示。

    圖1 邊緣分布和條件分布對(duì)領(lǐng)域自適應(yīng)的不同影響

    1.2 深度殘差網(wǎng)絡(luò)

    在2015年提出的深度殘差網(wǎng)絡(luò)(ResNet)[28]取得了當(dāng)年ImageNet數(shù)據(jù)集[29]的分類比賽冠軍。它解決了當(dāng)深度網(wǎng)絡(luò)層數(shù)增加時(shí),網(wǎng)絡(luò)準(zhǔn)確率出現(xiàn)飽和甚至下降的問題,并且具有很強(qiáng)的特征提取能力??紤]到數(shù)據(jù)集的規(guī)模,采用ResNet18作為特征提取器,網(wǎng)絡(luò)包含4個(gè)殘差塊,每個(gè)殘差塊的內(nèi)部結(jié)構(gòu)如圖2所示,具體網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表1所示。Conv代表一個(gè)卷積層(Convolutional Layer),BN代表批標(biāo)準(zhǔn)化(Batch Normalization),ReLU代表線性修正單元(Rectified Linear Unit),是一種激活函數(shù),F(xiàn)C代表全連接層(Fully Connected Layer)。

    圖2 殘差塊內(nèi)部結(jié)構(gòu)

    表1 ResNet18網(wǎng)絡(luò)參數(shù)

    原始結(jié)構(gòu)的ResNet18在圖像識(shí)別領(lǐng)域取得了巨大的成功,但在本文中,僅將ResNet18作為特征提取器,并且結(jié)合軸承信號(hào)的特性,對(duì)其進(jìn)行一些改動(dòng)。首先,為了匹配軸承信號(hào)維度,將Conv1的內(nèi)核尺寸改為3×3;其次為了盡可能保留狀態(tài)信息,去掉Max pool層;最后不需要ResNet18的分類功能,去掉FC層和Softmax層。修改后的具體網(wǎng)絡(luò)參數(shù)如表2所示。

    表2 修改后的ResNet18網(wǎng)絡(luò)參數(shù)

    1.3 最大均值差異(MMD)

    為了尋找到合適的f(·),需要縮小Ds和Dt間的分布差異d(Xs,Xt),許多遷移學(xué)習(xí)方法中都采用MMD[30]來衡量邊緣分布差異。

    (1)

    式中,U和V為兩種分布樣本;Hk為再生核希爾伯特空間(Reproducing Kernel Hilbert Space,RKHS),k為內(nèi)核。內(nèi)核的選擇對(duì)于MMD有著重要的影響,因?yàn)椴煌暮丝赡軙?huì)在不同的RKHSs中嵌入概率分布[31],并且有研究表明與單一內(nèi)核相比,采用多核MMD(Multiple Kernel-Maximum Mean Discrepancy,MK-MMD)能夠極大地提高自適應(yīng)的效率[32],因此在本文中使用了多個(gè)內(nèi)核的混合。

    (2)

    式中,G為內(nèi)核數(shù)量;kθi為帶寬為θi的高斯核(Gaussian kernel)。在本文中,使用了帶寬分別為4,8,16,32和64的5個(gè)高斯核的混合。

    2 基于多層領(lǐng)域自適應(yīng)的故障診斷

    2.1 模型設(shè)計(jì)

    針對(duì)變工況場(chǎng)景下的軸承故障診斷問題,所設(shè)計(jì)的模型結(jié)構(gòu)如圖3所示。

    圖3 整體網(wǎng)絡(luò)結(jié)構(gòu)

    首先,如1.2節(jié)所述,采用改進(jìn)過的ResNet18作為特征提取器。來自Ds和Dt的數(shù)據(jù)進(jìn)入同一個(gè)預(yù)訓(xùn)練好的特征提取器。為了能夠提取到有效的可遷移特征,需要充分減小兩個(gè)域之間的特征分布差異,因此采用1.3節(jié)中介紹的MK-MMD作為優(yōu)化目標(biāo)。雖然MMD距離已經(jīng)在遷移學(xué)習(xí)方法中被廣泛使用,但大多數(shù)研究只是最小化網(wǎng)絡(luò)最后一層的分布差異,然而兩個(gè)域之間的域偏移不僅僅會(huì)出現(xiàn)在最高層,因此只最小化單個(gè)層間的差異不能有效地匹配Ds和Dt間的偏差。在本文中,通過對(duì)每一個(gè)殘差塊提取的特征都計(jì)算MK-MMD距離進(jìn)行多層適配,即對(duì)多個(gè)殘差塊層進(jìn)行領(lǐng)域自適應(yīng),以匹配邊緣分布差異。MK-MMD的損失可定義為

    (3)

    式中,Nl為計(jì)算MK-MMD的層數(shù);K為高斯核的個(gè)數(shù);Ul和Vl分別為第l個(gè)殘差塊提取的Ds和Dt的分布;MMDk(Ul,Vl)為通過式(2)計(jì)算的MK-MMD距離,k為內(nèi)核。

    在兩個(gè)工況不同的域中,故障診斷的任務(wù)是相同的,即分類的類別是相同的。由于Ds的標(biāo)簽是已知的,可以最小化訓(xùn)練樣本的分類誤差,采用交叉熵作為優(yōu)化目標(biāo):

    (4)

    通過多層領(lǐng)域適配,可以減小可遷移特征的分布差異,匹配邊緣分布,但是Dt的無標(biāo)簽數(shù)據(jù)無法運(yùn)用到訓(xùn)練中,因此引入偽標(biāo)簽來解決這個(gè)問題,匹配條件分布差異。偽標(biāo)簽的生成可以分為兩步:標(biāo)簽的概率預(yù)測(cè)和偽標(biāo)簽轉(zhuǎn)化[33]。在所提模型中,每個(gè)殘差塊后都有一個(gè)與之匹配的分類器(FC層),經(jīng)過分類器和Softmax層給出的標(biāo)簽的預(yù)測(cè)概率分布計(jì)算式為

    (5)

    式中,yi為第i個(gè)樣本;C為總的類別數(shù);W為相應(yīng)類別的權(quán)重。偽標(biāo)簽的轉(zhuǎn)換可表示為

    (6)

    (7)

    總的偽標(biāo)簽損失函數(shù)可計(jì)算如下:

    (8)

    由此可得,整體模型的損失函數(shù)可表示為

    Ltotal=Lclf+λ1LMMD+λ2Lp

    (9)

    式中,λ1和λ2為權(quán)衡系數(shù)。

    2.2 診斷流程

    所提出的故障診斷模型的整體流程圖如圖4所示。

    圖4 故障診斷流程圖

    首先,從實(shí)驗(yàn)臺(tái)上采集原始振動(dòng)信號(hào),對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,每個(gè)樣本取2048個(gè)采樣點(diǎn)經(jīng)過快速傅里葉變換(Fast Fourier Transform,FFT)后轉(zhuǎn)化為頻域信號(hào),由于經(jīng)過FFT變換后的信號(hào)是對(duì)稱的,所以取變換后頻域信號(hào)的前1024個(gè)點(diǎn)作為模型的輸入。將數(shù)據(jù)劃分為有標(biāo)簽的源域數(shù)據(jù)集和無標(biāo)簽的目標(biāo)域數(shù)據(jù)集,并進(jìn)一步劃分為訓(xùn)練集和測(cè)試集。另外,為了加速模型訓(xùn)練的進(jìn)程,使用源域數(shù)據(jù)對(duì)ResNet18進(jìn)行預(yù)訓(xùn)練,保存效果最好的網(wǎng)絡(luò)參數(shù),在訓(xùn)練模型時(shí)直接讀取。

    其次,在模型訓(xùn)練階段,batch的大小設(shè)為64,即每次從源域和目標(biāo)域數(shù)據(jù)中各取64個(gè)樣本輸入到模型中進(jìn)行訓(xùn)練。通過預(yù)訓(xùn)練好的ResNet18提取可遷移特征,減小源域和目標(biāo)域的分布差異。在網(wǎng)絡(luò)的頂層,應(yīng)用FC層作為分類器,利用模型學(xué)習(xí)到的可遷移特征,對(duì)軸承健康狀態(tài)進(jìn)行分類。引入Adam算法[34]對(duì)整體模型參數(shù)進(jìn)行優(yōu)化,加快模型收斂。

    最后,當(dāng)模型訓(xùn)練結(jié)束后,將目標(biāo)域的測(cè)試集樣本輸入到模型中評(píng)估模型的能力,輸出最終的故障診斷結(jié)果。

    3 實(shí)驗(yàn)對(duì)比

    3.1 數(shù)據(jù)集描述

    研究軸承故障診斷方法需要使用真實(shí)、有效的軸承故障數(shù)據(jù),以保障開展的實(shí)驗(yàn)和所驗(yàn)證研究方法的有效性和科學(xué)性。本文采用的是實(shí)驗(yàn)室自制軸承故障試驗(yàn)平臺(tái),如圖5所示。該平臺(tái)由驅(qū)動(dòng)電機(jī)、梅花聯(lián)軸器、健康軸承、測(cè)試軸承、測(cè)力器、加速度傳感器和NIPXle-1082數(shù)據(jù)采集系統(tǒng)等裝置組成,測(cè)試軸承型號(hào)為6205-2RS SKF。在不同負(fù)載情況下試驗(yàn)臺(tái)中的加速度傳感器負(fù)責(zé)采集軸承的振動(dòng)信號(hào)。

    圖5 滾動(dòng)軸承振動(dòng)數(shù)據(jù)采集試驗(yàn)平臺(tái)

    該實(shí)驗(yàn)平臺(tái)在采樣頻率為10 kHz和不同的電機(jī)負(fù)載(0 kN,1kN,2 kN,3 kN)情況下進(jìn)行了故障模擬實(shí)驗(yàn),采集到了不同工況下不同故障類型和不同故障尺寸的軸承振動(dòng)信號(hào)數(shù)據(jù),軸承健康狀態(tài)包括正常狀態(tài)(Normal)、內(nèi)圈故障(Inner Race Fault,IF)、外圈故障(Outer Race Fault,OF)和滾動(dòng)體故障(Ball Fault,BF)4種,軸承故障尺寸包括0.3 mm,0.4 mm和0.5 mm。

    實(shí)驗(yàn)采用了4種不同電機(jī)負(fù)載的軸承故障數(shù)據(jù)。每種負(fù)載下包含了4種故障類型和3種故障尺寸,共10種健康狀態(tài),每種狀態(tài)包括320個(gè)訓(xùn)練樣本和160個(gè)測(cè)試樣本,具體信息如表3所示。

    表3 數(shù)據(jù)集設(shè)置

    3.2 實(shí)驗(yàn)結(jié)果與對(duì)比分析

    3.2.1 不同參數(shù)設(shè)置的對(duì)比

    不同的參數(shù)設(shè)置會(huì)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生不同程度的影響。在實(shí)驗(yàn)中,學(xué)習(xí)率設(shè)置為0.0001,λ1和λ2分別為1和0.1。首先,為了驗(yàn)證多層領(lǐng)域自適應(yīng)的效果,設(shè)計(jì)了僅匹配第一個(gè)殘差塊的特征和僅匹配最高層特征的兩組對(duì)比實(shí)驗(yàn)。其次,為了驗(yàn)證MMD距離多個(gè)內(nèi)核的效果,將僅使用一個(gè)帶寬為4的內(nèi)核作為一組對(duì)比。另外,為了驗(yàn)證頻域信號(hào)作為輸入的優(yōu)勢(shì),將直接輸入時(shí)域信號(hào)作為對(duì)比。具體的對(duì)比實(shí)驗(yàn)結(jié)果如表4所示。其中,遷移方向指不同負(fù)載間的遷移,如0-1是指負(fù)載為0 kN的數(shù)據(jù)作為源域,遷移到負(fù)載為1 kN的目標(biāo)域。用MK(1,2,3,4,fc,p)表示本文所提出的方法,MK代表多個(gè)內(nèi)核,SK代表單個(gè)內(nèi)核,數(shù)字代表特征匹配的殘差塊層,fc代表分類器,p代表偽標(biāo)簽。當(dāng)只匹配單層的時(shí)候,只計(jì)算該層的MK-MMD距離和偽標(biāo)簽。T-MK(1,2,3,4,fc,p)代表用時(shí)域信號(hào)作為輸入,其余實(shí)驗(yàn)都采用經(jīng)過FFT處理的頻域信號(hào)作為輸入。

    由表4可以看出,所提模型在所有的設(shè)置中獲得了最高的平均準(zhǔn)確率,能夠達(dá)到99%。通過第1組和第2組的對(duì)比可以看出,低層特征和高層特征都會(huì)導(dǎo)致一定程度的域偏移,只匹配高層的特征比只匹配低層的特征能獲得更好的準(zhǔn)確率,說明高層特征所導(dǎo)致的分布差異更為嚴(yán)重,并且當(dāng)源域和目標(biāo)域分布差異比較大的時(shí)候,如0 kN和3 kN之間的遷移,多層特征匹配的優(yōu)勢(shì)比較明顯。通過第3組實(shí)驗(yàn)設(shè)置的對(duì)比可以看出,單個(gè)MMD核也可以取得不錯(cuò)的效果,但當(dāng)兩個(gè)域之間分布差異較大時(shí),所提出的模型依然可以取得較大的提升,證明了多個(gè)內(nèi)核混合的效果較好。第4組對(duì)比的設(shè)置中去掉了偽標(biāo)簽,從結(jié)果中可以看出,偽標(biāo)簽在一定程度上能夠提升分類的效果。直接輸入時(shí)域信號(hào)的對(duì)比結(jié)果表明,輸入經(jīng)過FFT處理的頻域信號(hào)能夠取得更高的診斷精度。

    表4 不同參數(shù)實(shí)驗(yàn)對(duì)比結(jié)果

    圖6展示了不同參數(shù)設(shè)置的實(shí)驗(yàn)結(jié)果雷達(dá)圖,從圖中可以更直觀地看出所提模型在所有參數(shù)設(shè)置中取得了整體的最好效果。

    圖6 不同參數(shù)實(shí)驗(yàn)對(duì)比雷達(dá)圖

    3.2.2 不同方法的對(duì)比

    為了展示所提模型的效果,分別將其與遷移成分分析(Transfer Component Analysis,TCA)[26]、聯(lián)合分布適配(Joint Distribution Adaptation,JDA)[35]、CORAL(Correlation Alignment)[36]和作為預(yù)訓(xùn)練模型的ResNet18相比較,對(duì)比實(shí)驗(yàn)結(jié)果如表5所示。

    表5 不同方法的實(shí)驗(yàn)對(duì)比結(jié)果

    前3種方法為傳統(tǒng)的遷移學(xué)習(xí)方法,當(dāng)源域和目標(biāo)域分布差異比較小的時(shí)候,如0 kN和1 kN間相互遷移時(shí),3種方法都能取得不錯(cuò)的效果。而當(dāng)兩個(gè)域之間分布差異較大時(shí),遷移效果則會(huì)有明顯下降,這說明工況變化的程度會(huì)影響數(shù)據(jù)分布的變化程度和所提取特征的泛化能力。而作為預(yù)訓(xùn)練模型的ResNet18,體現(xiàn)出了特征提取能力,而由于不具備遷移的能力,在不進(jìn)行領(lǐng)域自適應(yīng)的情況下難以直接對(duì)目標(biāo)域進(jìn)行診斷。

    圖7展示了不同方法的實(shí)驗(yàn)對(duì)比雷達(dá)圖,可以看出,所提模型在12組遷移任務(wù)中都獲得了最高的準(zhǔn)確率,有較好的泛化能力。

    圖7 不同方法實(shí)驗(yàn)對(duì)比雷達(dá)圖

    為了進(jìn)一步確認(rèn)所提模型是否提取到了可遷移特征,引入t-SNE[37]對(duì)各個(gè)方法提取的特征進(jìn)行降維可視化,結(jié)果如圖8所示,展示的是0 kN為源域,3 kN為目標(biāo)域的遷移任務(wù)??梢钥闯?,使用遷移學(xué)習(xí)的方法都能夠在一定程度上匹配特征的分布差異,但是效果有限。相比之下,所提模型能夠清晰地提取到可遷移特征,減小兩個(gè)域之間的域偏移,將在源域?qū)W習(xí)到的知識(shí)有效地運(yùn)用到了目標(biāo)域中,實(shí)現(xiàn)高精度的故障診斷。

    圖8 特征可視化

    4 結(jié)束語

    針對(duì)變工況場(chǎng)景下的軸承故障診斷問題,提出了基于多層領(lǐng)域自適應(yīng)的故障診斷模型,可以有效提取到可遷移性特征,對(duì)軸承進(jìn)行定性、定量的故障診斷。首先,采用預(yù)訓(xùn)練好的ResNet18作為特征提取器,并對(duì)每個(gè)殘差塊提取的特征都計(jì)算MK-MMD距離,匹配邊緣分布差異。其次,將每個(gè)殘差塊提取的特征輸入與之匹配的分類器中,再通過Softmax層計(jì)算預(yù)測(cè)概率分布,并轉(zhuǎn)化為偽標(biāo)簽,匹配條件分布差異。最后,引入Adam優(yōu)化器,對(duì)整體模型參數(shù)進(jìn)行優(yōu)化,加快模型訓(xùn)練,提高模型收斂速度。通過12組遷移任務(wù)的實(shí)驗(yàn)表明,本文所提出的方法通過同時(shí)匹配高層和低層特征,能夠有效減小域偏移,運(yùn)用從源域數(shù)據(jù)集中學(xué)習(xí)到的知識(shí)對(duì)目標(biāo)域數(shù)據(jù)進(jìn)行有效的故障診斷,達(dá)到了較高的精度,并具有一定的泛化能力。

    猜你喜歡
    源域殘差故障診斷
    多源域適應(yīng)方法綜述
    基于雙向GRU與殘差擬合的車輛跟馳建模
    基于參數(shù)字典的多源域自適應(yīng)學(xué)習(xí)算法
    基于殘差學(xué)習(xí)的自適應(yīng)無人機(jī)目標(biāo)跟蹤算法
    基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
    因果圖定性分析法及其在故障診斷中的應(yīng)用
    可遷移測(cè)度準(zhǔn)則下的協(xié)變量偏移修正多源集成方法
    平穩(wěn)自相關(guān)過程的殘差累積和控制圖
    河南科技(2015年8期)2015-03-11 16:23:52
    基于LCD和排列熵的滾動(dòng)軸承故障診斷
    基于WPD-HHT的滾動(dòng)軸承故障診斷
    欧美大码av| 香蕉国产在线看| 国产欧美日韩一区二区精品| 中文字幕最新亚洲高清| 亚洲专区国产一区二区| 午夜福利一区二区在线看| 性色av乱码一区二区三区2| 一区在线观看完整版| 亚洲avbb在线观看| 亚洲国产欧美网| 12—13女人毛片做爰片一| 国产一卡二卡三卡精品| 欧美日韩成人在线一区二区| 国产精品欧美亚洲77777| 超碰成人久久| 女人高潮潮喷娇喘18禁视频| 久久中文字幕人妻熟女| 亚洲精品乱久久久久久| 国产免费男女视频| 免费黄频网站在线观看国产| 亚洲av第一区精品v没综合| 精品无人区乱码1区二区| 欧美最黄视频在线播放免费 | 一级毛片精品| 天天躁夜夜躁狠狠躁躁| 一个人免费在线观看的高清视频| 视频区图区小说| 精品少妇久久久久久888优播| 欧美不卡视频在线免费观看 | 久久久国产精品麻豆| 麻豆国产av国片精品| 黑人猛操日本美女一级片| 一本综合久久免费| 老熟女久久久| 国产av精品麻豆| 18禁黄网站禁片午夜丰满| 精品少妇久久久久久888优播| 久久香蕉精品热| 午夜福利一区二区在线看| 久久久久久久久久久久大奶| 中文字幕最新亚洲高清| 黄色 视频免费看| 人妻一区二区av| 超色免费av| 中文字幕最新亚洲高清| 妹子高潮喷水视频| 久久久久久久午夜电影 | 国产1区2区3区精品| 老汉色∧v一级毛片| 中文字幕人妻丝袜一区二区| 别揉我奶头~嗯~啊~动态视频| 看免费av毛片| 午夜免费成人在线视频| 亚洲欧美一区二区三区黑人| 久久久久国产一级毛片高清牌| 欧美乱色亚洲激情| 色在线成人网| 丝袜美腿诱惑在线| 久久中文字幕一级| 夜夜爽天天搞| 欧美成人免费av一区二区三区 | 亚洲精品国产精品久久久不卡| 男人操女人黄网站| 热re99久久国产66热| 国产欧美日韩一区二区三区在线| 久久久久久久午夜电影 | 欧美乱码精品一区二区三区| 午夜福利欧美成人| 十八禁人妻一区二区| 最近最新中文字幕大全电影3 | 精品国产乱码久久久久久男人| 久久99一区二区三区| 久久人妻熟女aⅴ| 久久精品国产亚洲av高清一级| 欧美在线一区亚洲| 波多野结衣一区麻豆| 成人国语在线视频| 久久久久久久久免费视频了| 精品午夜福利视频在线观看一区| 国产成人av教育| 一区二区日韩欧美中文字幕| 村上凉子中文字幕在线| 宅男免费午夜| 欧美日韩亚洲综合一区二区三区_| 99riav亚洲国产免费| 久久草成人影院| 香蕉久久夜色| 十八禁高潮呻吟视频| 老熟妇仑乱视频hdxx| 一a级毛片在线观看| 亚洲精品美女久久av网站| 国产午夜精品久久久久久| 日韩欧美免费精品| av超薄肉色丝袜交足视频| 一区二区三区激情视频| 欧美乱码精品一区二区三区| 黄色 视频免费看| 午夜福利一区二区在线看| 成在线人永久免费视频| 国产av又大| 免费av中文字幕在线| 国产成+人综合+亚洲专区| 欧美 日韩 精品 国产| 精品一品国产午夜福利视频| 老司机影院毛片| 在线观看免费日韩欧美大片| 国产男女内射视频| 在线国产一区二区在线| 精品一区二区三区视频在线观看免费 | 中文字幕制服av| 精品国产一区二区三区四区第35| 欧美黄色片欧美黄色片| 国产有黄有色有爽视频| 久久香蕉激情| 在线观看免费午夜福利视频| 中文字幕人妻熟女乱码| 免费久久久久久久精品成人欧美视频| 欧美最黄视频在线播放免费 | 黑人欧美特级aaaaaa片| 国产精品国产高清国产av | 亚洲五月天丁香| 亚洲熟女精品中文字幕| 欧美在线一区亚洲| 精品福利永久在线观看| 国产欧美日韩综合在线一区二区| av一本久久久久| 欧美性长视频在线观看| 91字幕亚洲| 欧美黄色片欧美黄色片| 免费人成视频x8x8入口观看| 美女 人体艺术 gogo| 国产人伦9x9x在线观看| 欧美人与性动交α欧美软件| 欧美亚洲日本最大视频资源| 两个人免费观看高清视频| 91av网站免费观看| 99香蕉大伊视频| 成人18禁在线播放| 久久狼人影院| 久久狼人影院| 国产亚洲欧美在线一区二区| 一级片免费观看大全| 精品午夜福利视频在线观看一区| 国产精品久久久久成人av| 欧美成人午夜精品| 午夜福利乱码中文字幕| 69av精品久久久久久| 精品欧美一区二区三区在线| 一级毛片精品| 热re99久久国产66热| 欧美日韩瑟瑟在线播放| 黑人巨大精品欧美一区二区蜜桃| 国产欧美日韩一区二区三| 久久人妻熟女aⅴ| 精品无人区乱码1区二区| 国产激情欧美一区二区| 国产精品亚洲一级av第二区| 精品一区二区三卡| 久久中文字幕人妻熟女| 精品熟女少妇八av免费久了| 精品第一国产精品| 久久久精品区二区三区| 国产精品自产拍在线观看55亚洲 | 成人国产一区最新在线观看| 黄频高清免费视频| 久久久久久久久免费视频了| 亚洲伊人色综图| 中文字幕人妻丝袜制服| 人人妻人人添人人爽欧美一区卜| 精品亚洲成a人片在线观看| 欧美在线一区亚洲| 午夜日韩欧美国产| 国产欧美日韩一区二区三| 国产国语露脸激情在线看| 欧美日韩瑟瑟在线播放| 久久精品人人爽人人爽视色| 中文字幕最新亚洲高清| 欧美精品高潮呻吟av久久| 亚洲五月天丁香| 久久精品国产99精品国产亚洲性色 | 中文字幕另类日韩欧美亚洲嫩草| 在线av久久热| 757午夜福利合集在线观看| 一区二区日韩欧美中文字幕| 1024视频免费在线观看| 欧美最黄视频在线播放免费 | 国产精品免费一区二区三区在线 | 一区二区三区激情视频| 高清黄色对白视频在线免费看| 精品第一国产精品| 一a级毛片在线观看| 麻豆国产av国片精品| 欧美 亚洲 国产 日韩一| 精品国产美女av久久久久小说| 久久香蕉激情| 亚洲专区国产一区二区| 欧美激情高清一区二区三区| 久久久久精品国产欧美久久久| 亚洲专区中文字幕在线| 免费人成视频x8x8入口观看| 91在线观看av| 黄片小视频在线播放| 日本vs欧美在线观看视频| 在线十欧美十亚洲十日本专区| 免费在线观看完整版高清| 亚洲欧美激情综合另类| 激情在线观看视频在线高清 | 亚洲五月婷婷丁香| 国产精品欧美亚洲77777| 成年版毛片免费区| 日韩视频一区二区在线观看| 夜夜躁狠狠躁天天躁| 人人妻,人人澡人人爽秒播| 中亚洲国语对白在线视频| 18禁裸乳无遮挡动漫免费视频| 国产精品98久久久久久宅男小说| 在线观看免费视频网站a站| 亚洲一区二区三区欧美精品| 国产在线精品亚洲第一网站| 一区二区三区激情视频| 99国产精品免费福利视频| 国产欧美日韩综合在线一区二区| 色综合婷婷激情| 一级a爱片免费观看的视频| 电影成人av| 欧美另类亚洲清纯唯美| 水蜜桃什么品种好| 免费少妇av软件| 中文字幕另类日韩欧美亚洲嫩草| 在线观看日韩欧美| 淫妇啪啪啪对白视频| 国产精品综合久久久久久久免费 | 久久久久国产一级毛片高清牌| av不卡在线播放| 亚洲国产看品久久| 亚洲黑人精品在线| 一级片'在线观看视频| 欧美不卡视频在线免费观看 | 国产亚洲精品久久久久5区| 制服人妻中文乱码| 欧美黑人精品巨大| 首页视频小说图片口味搜索| 黄色 视频免费看| 人成视频在线观看免费观看| 王馨瑶露胸无遮挡在线观看| www.999成人在线观看| 久久久国产一区二区| 嫩草影视91久久| 1024视频免费在线观看| 国产精品国产高清国产av | 亚洲专区字幕在线| 国产无遮挡羞羞视频在线观看| 免费不卡黄色视频| 国产高清国产精品国产三级| 九色亚洲精品在线播放| 久热这里只有精品99| 亚洲人成77777在线视频| 欧美精品一区二区免费开放| 国产日韩一区二区三区精品不卡| 国产在线一区二区三区精| 高清毛片免费观看视频网站 | 精品国产国语对白av| 深夜精品福利| 久久久久精品国产欧美久久久| 国产亚洲精品第一综合不卡| 男人操女人黄网站| 欧美精品亚洲一区二区| 69av精品久久久久久| 色综合婷婷激情| 人人妻人人爽人人添夜夜欢视频| av网站在线播放免费| 韩国精品一区二区三区| 在线观看免费午夜福利视频| 激情视频va一区二区三区| 亚洲七黄色美女视频| 看黄色毛片网站| 宅男免费午夜| 正在播放国产对白刺激| 精品人妻在线不人妻| 日本撒尿小便嘘嘘汇集6| 欧美亚洲日本最大视频资源| 亚洲一区二区三区欧美精品| 亚洲一区中文字幕在线| 免费观看人在逋| 美女福利国产在线| 黄色视频不卡| 午夜免费鲁丝| 黄片小视频在线播放| 熟女少妇亚洲综合色aaa.| av线在线观看网站| 国产国语露脸激情在线看| 动漫黄色视频在线观看| 午夜福利在线观看吧| 美国免费a级毛片| 天堂√8在线中文| 午夜久久久在线观看| 久久久精品区二区三区| 国产有黄有色有爽视频| 99久久99久久久精品蜜桃| 亚洲久久久国产精品| 国产精品欧美亚洲77777| 日韩成人在线观看一区二区三区| 日本一区二区免费在线视频| ponron亚洲| 久久九九热精品免费| 亚洲色图av天堂| 国产亚洲精品久久久久5区| 亚洲中文日韩欧美视频| av有码第一页| 中文字幕高清在线视频| 久久精品人人爽人人爽视色| 中文字幕高清在线视频| 国产三级黄色录像| 看免费av毛片| 成年人免费黄色播放视频| 久久久久久久久免费视频了| 日本精品一区二区三区蜜桃| 久久国产精品人妻蜜桃| 在线永久观看黄色视频| 久久久久精品国产欧美久久久| 成年动漫av网址| 亚洲精品乱久久久久久| 在线观看一区二区三区激情| 亚洲精品乱久久久久久| 欧美精品高潮呻吟av久久| 99热网站在线观看| 国产亚洲精品第一综合不卡| 久久久国产成人精品二区 | 亚洲九九香蕉| 女人爽到高潮嗷嗷叫在线视频| 欧美日韩中文字幕国产精品一区二区三区 | 啦啦啦 在线观看视频| 国产精品一区二区免费欧美| 深夜精品福利| 免费在线观看日本一区| 捣出白浆h1v1| 日日夜夜操网爽| 亚洲熟妇中文字幕五十中出 | 国产无遮挡羞羞视频在线观看| 日韩大码丰满熟妇| 黄网站色视频无遮挡免费观看| 在线观看午夜福利视频| 黄网站色视频无遮挡免费观看| 色精品久久人妻99蜜桃| 九色亚洲精品在线播放| 这个男人来自地球电影免费观看| 国产亚洲av高清不卡| 最近最新免费中文字幕在线| 国产亚洲av高清不卡| 视频在线观看一区二区三区| 麻豆成人av在线观看| 久久天躁狠狠躁夜夜2o2o| 久久久久国产精品人妻aⅴ院 | 亚洲熟女毛片儿| 中亚洲国语对白在线视频| 水蜜桃什么品种好| a在线观看视频网站| 亚洲精品成人av观看孕妇| 免费看十八禁软件| 国产视频一区二区在线看| 亚洲一区二区三区欧美精品| 天堂俺去俺来也www色官网| 视频在线观看一区二区三区| 天堂俺去俺来也www色官网| 一区二区三区精品91| 在线观看免费视频日本深夜| 欧美日韩成人在线一区二区| 婷婷成人精品国产| av福利片在线| 午夜免费成人在线视频| 狂野欧美激情性xxxx| 人妻一区二区av| 久久久久国内视频| 久久久久久免费高清国产稀缺| 在线观看免费日韩欧美大片| 欧美亚洲日本最大视频资源| 女警被强在线播放| 免费看a级黄色片| 夜夜夜夜夜久久久久| 村上凉子中文字幕在线| 一级片'在线观看视频| 国产不卡一卡二| 高清av免费在线| 日韩 欧美 亚洲 中文字幕| 欧美另类亚洲清纯唯美| 热99久久久久精品小说推荐| 精品第一国产精品| 国产午夜精品久久久久久| 脱女人内裤的视频| 露出奶头的视频| 黑人操中国人逼视频| 丝袜美腿诱惑在线| 欧美激情久久久久久爽电影 | 成人国产一区最新在线观看| 如日韩欧美国产精品一区二区三区| 又紧又爽又黄一区二区| 人成视频在线观看免费观看| 一本大道久久a久久精品| 日本精品一区二区三区蜜桃| 美女扒开内裤让男人捅视频| 自线自在国产av| 99久久国产精品久久久| 免费黄频网站在线观看国产| 成人国语在线视频| 国产深夜福利视频在线观看| 天天操日日干夜夜撸| 国产蜜桃级精品一区二区三区 | 中文字幕最新亚洲高清| 国产精品99久久99久久久不卡| 亚洲av成人av| 成年女人毛片免费观看观看9 | 欧美激情 高清一区二区三区| 国产熟女午夜一区二区三区| 亚洲午夜理论影院| 天堂动漫精品| av网站在线播放免费| 每晚都被弄得嗷嗷叫到高潮| 免费女性裸体啪啪无遮挡网站| 国产精品永久免费网站| 黑人巨大精品欧美一区二区蜜桃| 男女之事视频高清在线观看| 亚洲精品久久午夜乱码| 巨乳人妻的诱惑在线观看| 国产成人精品无人区| 精品国产乱子伦一区二区三区| tube8黄色片| 日韩人妻精品一区2区三区| 人人妻人人添人人爽欧美一区卜| 免费黄频网站在线观看国产| 国产伦人伦偷精品视频| 亚洲国产中文字幕在线视频| 国产亚洲一区二区精品| 欧美黑人欧美精品刺激| aaaaa片日本免费| 亚洲色图综合在线观看| 日韩成人在线观看一区二区三区| 欧美日韩亚洲综合一区二区三区_| 又大又爽又粗| 国产男女内射视频| 国产野战对白在线观看| 久99久视频精品免费| 国产精品1区2区在线观看. | 99riav亚洲国产免费| 女人爽到高潮嗷嗷叫在线视频| 欧美老熟妇乱子伦牲交| 久久久久久亚洲精品国产蜜桃av| 女同久久另类99精品国产91| 90打野战视频偷拍视频| 亚洲国产中文字幕在线视频| 91字幕亚洲| 日韩大码丰满熟妇| 亚洲自偷自拍图片 自拍| 91精品三级在线观看| 黄色丝袜av网址大全| 在线观看一区二区三区激情| 黄色片一级片一级黄色片| 亚洲欧美激情在线| 亚洲人成电影免费在线| 午夜免费成人在线视频| 国产成人啪精品午夜网站| 深夜精品福利| 在线观看舔阴道视频| cao死你这个sao货| 国产精品久久久久久精品古装| 国产国语露脸激情在线看| 亚洲欧美色中文字幕在线| 国产高清videossex| 亚洲熟妇中文字幕五十中出 | 亚洲成人免费av在线播放| 91麻豆av在线| 欧美黄色片欧美黄色片| 亚洲午夜理论影院| 老鸭窝网址在线观看| 国产一区二区三区视频了| 很黄的视频免费| 国产不卡一卡二| 国产在线精品亚洲第一网站| 国产av精品麻豆| av免费在线观看网站| 国产熟女午夜一区二区三区| 国产成人系列免费观看| 两个人看的免费小视频| 99精国产麻豆久久婷婷| 久热爱精品视频在线9| 香蕉国产在线看| av中文乱码字幕在线| 日韩欧美在线二视频 | 国产1区2区3区精品| 久久久国产精品麻豆| 美女福利国产在线| 五月开心婷婷网| 精品少妇久久久久久888优播| 亚洲国产看品久久| 极品人妻少妇av视频| 一进一出抽搐gif免费好疼 | 成人手机av| 曰老女人黄片| 久久精品亚洲av国产电影网| 新久久久久国产一级毛片| 黑人猛操日本美女一级片| 欧美激情极品国产一区二区三区| www日本在线高清视频| 欧美日韩成人在线一区二区| 女人高潮潮喷娇喘18禁视频| 正在播放国产对白刺激| 国产成人精品在线电影| 国产精品免费视频内射| 热99re8久久精品国产| 欧美在线黄色| 亚洲精品久久午夜乱码| 51午夜福利影视在线观看| 精品国产超薄肉色丝袜足j| 两人在一起打扑克的视频| 他把我摸到了高潮在线观看| 少妇猛男粗大的猛烈进出视频| 久久久久久久精品吃奶| 欧美亚洲日本最大视频资源| 亚洲第一欧美日韩一区二区三区| 亚洲久久久国产精品| 中文字幕精品免费在线观看视频| 国产色视频综合| 亚洲成人免费av在线播放| 成人18禁高潮啪啪吃奶动态图| 国产男女超爽视频在线观看| 一级a爱视频在线免费观看| 日本一区二区免费在线视频| 欧美黑人精品巨大| 亚洲精品av麻豆狂野| 99国产精品一区二区蜜桃av | 99久久综合精品五月天人人| 久久久久精品人妻al黑| 极品人妻少妇av视频| 国产精品香港三级国产av潘金莲| 国产99久久九九免费精品| 久久精品国产亚洲av高清一级| 亚洲精品中文字幕在线视频| 精品午夜福利视频在线观看一区| 亚洲精品美女久久av网站| 超碰成人久久| 免费观看a级毛片全部| 一级a爱片免费观看的视频| 夜夜躁狠狠躁天天躁| 狠狠婷婷综合久久久久久88av| 午夜两性在线视频| 国产精品亚洲av一区麻豆| 日韩欧美一区二区三区在线观看 | 国产欧美日韩精品亚洲av| 欧美精品啪啪一区二区三区| 99精品久久久久人妻精品| 亚洲国产看品久久| 国产成人免费无遮挡视频| 电影成人av| 久久精品国产a三级三级三级| 丰满人妻熟妇乱又伦精品不卡| 91成年电影在线观看| 在线观看免费视频日本深夜| 女人精品久久久久毛片| 中文字幕人妻丝袜一区二区| 岛国在线观看网站| 国产欧美日韩综合在线一区二区| 两个人免费观看高清视频| 99久久99久久久精品蜜桃| a在线观看视频网站| 久久国产乱子伦精品免费另类| 黄片播放在线免费| 亚洲一码二码三码区别大吗| 午夜视频精品福利| 熟女少妇亚洲综合色aaa.| videosex国产| 午夜两性在线视频| 亚洲第一欧美日韩一区二区三区| 在线天堂中文资源库| 国产精品98久久久久久宅男小说| 免费在线观看亚洲国产| 在线免费观看的www视频| 高清欧美精品videossex| 一区在线观看完整版| 国产主播在线观看一区二区| 9191精品国产免费久久| 桃红色精品国产亚洲av| 日本欧美视频一区| 国产精品电影一区二区三区 | 无限看片的www在线观看| 久久天躁狠狠躁夜夜2o2o| 涩涩av久久男人的天堂| 久久午夜综合久久蜜桃| 女性生殖器流出的白浆| www日本在线高清视频| 中文欧美无线码| 国产精品香港三级国产av潘金莲| 亚洲av片天天在线观看| 91国产中文字幕| 久久狼人影院| 91在线观看av| 男人操女人黄网站| 久久久精品免费免费高清| 亚洲午夜理论影院| 久久午夜亚洲精品久久| 久久精品熟女亚洲av麻豆精品| 国产成人精品久久二区二区免费| 在线观看免费日韩欧美大片| 久久狼人影院| 亚洲欧美一区二区三区久久| 中文欧美无线码| 久久亚洲精品不卡| 精品国产国语对白av| 波多野结衣一区麻豆| av视频免费观看在线观看| 高清欧美精品videossex| 最新的欧美精品一区二区| 精品电影一区二区在线| 精品久久蜜臀av无| 久久久精品免费免费高清| 夜夜躁狠狠躁天天躁| 日本精品一区二区三区蜜桃|