• <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SMA-LSTM的軸承剩余壽命預測方法

    2022-05-16 10:51:14臧傳濤劉冉冉顏海彬
    江蘇理工學院學報 2022年2期
    關鍵詞:黏菌特征向量軸承

    臧傳濤,劉冉冉,顏海彬

    (江蘇理工學院 汽車與交通工程學院,江蘇 常州 213001)

    隨著現代制造業(yè)生產力和電子信息技術水平的快速提升,機械設備正朝向高集成化、智能化、數據化方向發(fā)展。作為具有高傳動效率而被廣泛使用的機械零件,滾動軸承的運行質量是旋轉機械能否正常運轉的前提,因此,對軸承進行剩余使用壽命(Remaining Useful Life,RUL)預測極為重要。現階段,軸承剩余壽命預測的重點是預測模型的選取,普遍使用的主要有基于物理分析、統(tǒng)計學分析及人工智能的三類軸承剩余壽命預測模型。

    傳統(tǒng)的軸承剩余使用壽命預測模型主要為物理、數學模型。Luca Quagliato等人[1]提出一種利用加速度測試和建立有限元數值模型對軸承壽命進行預測的方法。賈磊等人[2]通過對調心滾子軸承載荷進行計算,分析了齒輪推力和溫度對軸承壽命的影響。上述模型雖然計算簡單,但軸承實際運行工況復雜,易受到噪聲等因素的影響,且建立的預測模型很難推廣到其他工況下,模型泛化能力差。

    基于統(tǒng)計學的預測方法主要有回歸預測和時間序列預測等。Gao等人[3]利用線性回歸模型對軸承性能進行預測。王萌[4]使用邏輯回歸模型實現了對軸承退化情況的評估?;诮y(tǒng)計學的預測模型雖然具有模型參數識別簡單、實時性好等優(yōu)點,但上述模型多用于處理簡單的問題,對于擁有復雜退化特征的軸承RUL預測效果往往欠佳。

    人工智能技術的出現,使得智能化預測成為軸承剩余壽命預測的主流方法[5]。Ren等人[6]提出了一種基于深度卷積神經網絡的方法預測軸承RUL,并與支持向量機結果進行對比,證明其有效性;但文中關于特征提取的方法較為簡單,并不能很好地提取到有效的故障特征。王奉濤等人[7]提出一種基于長短期記憶(Long Short-Term Memory,LSTM)的軸承RUL預測模型,并將預測結果同反向傳播(Back Propagation,BP)神經網絡和支持向量回歸機(SVRM)進行對比,驗證了方法的有效性。雖然LSTM在軸承壽命預測方面得到廣泛應用,但仍存在以下兩個問題:(1)LSTM的學習率、隱藏層單元數等需要人為選擇;(2)直接使用歸一化后的剩余壽命時間作為訓練標簽,軸承退化趨勢的隨機性將會大概率造成神經網絡的過擬合現象[8]。目前,常見的LSTM優(yōu)化算法有遺傳算法、粒子群算法等。Cao等人[9]利用遺傳算法(Genetic Algorithm,GA)對LSTM的超參數進行尋優(yōu),Gundu Venkateswarlu等人[10]使用粒子群算法(Particle Swarm Optimization,PSO)對LSTM的超參數進行自動尋優(yōu),均取得了一定的效果,證明了通過優(yōu)化算法能夠提高深度學習預測模型的性能和精度,但上述優(yōu)化算法易陷入到局部最優(yōu)狀態(tài)。

    黏菌算法(Slime Mould Algorithm,SMA)是我國學者李世民于2020年新提出的一種群智能優(yōu)化算法。SMA原理簡單,需要確定的參數少,它使用自適應權重來模擬基于生物振蕩器的黏菌傳播波產生正反饋和負反饋的過程,從而在許多優(yōu)化問題上可以實現快速收斂。此外,由于具有動態(tài)結構,其可以在全局和局部搜索漂移之間保持穩(wěn)定的平衡,因此,在防止陷入局部最優(yōu)的同時又具有很強的局部搜索能力[11]。劉通[12]利用SMA在醫(yī)學領域學習機優(yōu)化方面取得了較好的效果。

    基于上述分析,本文擬選用基于LSTM的軸承剩余壽命預測方法,實現對軸承RUL的預測。針對其超參數選取困難、遺傳算法和粒子群等常見參數優(yōu)化算法容易出現局部最優(yōu)、模型的泛化能力差等缺陷,利用SMA對LSTM中的學習率、訓練次數、隱藏層神經元數目進行優(yōu)化。(1)利用變分模態(tài)分解(Variational Modal Decomposition,VMD)對振動信號降噪,將降噪后的振動信號提取出15類時域、頻域特征向量,并通過主成分分析(Principal Component Analysis,PCA)對特征向量進行降維,篩選出能夠有效代表軸承故障特性的特征向量;(2)軸承的退化過程同時間相關成線性變化[13],為減小模型的過擬合現象,提高模型的泛化能力,由此構建退化系數;(3)利用SMA對LSTM預測模型中的超參數(如訓練次數、隱藏層神經元數目、學習率)進行自動尋優(yōu),并使用超參數優(yōu)化后的LSTM模型對退化系數進行預測,進而實現軸承RUL的預測。

    1 理論基礎

    1.1 VMD原理

    VMD是美國學者Konstantin Dragomiretskiy于2014年提出的自適應分解方法[14],趙昕海等人[15]已將其成功應用于振動信號的降噪。VMD首先對原始信號的特征劃分頻帶;然后,連續(xù)更新各模態(tài)分量及其對應的中心頻率;最后,根據約束條件將原始信號自適應分解,并對分解的模態(tài)分量進行重構,從而完成對信號的降噪。

    1.1.1 變分模型的構造

    通過高斯平滑處理得到約束變分模型:

    其中:δ(t)表示脈沖函數;k=1,2,…,K;K的值通過中心頻率確定;uk(t)為第k個模態(tài)分量;ωk為uk(t)的中心頻率;f(t)為原始輸入信號;‖?‖2為2的范數;?t為對t求偏導。

    1.1.2 變分模型的求解

    為了求解構造的變分模型,在此引入增廣拉格朗日公式:

    其中:α為懲罰因子;〈?,?〉為內積運算;λ(t)為拉格朗日乘法算子。

    VMD中各變量的迭代表達式為:

    其中:τ表示噪聲容限;^表示傅里葉變換;ω為傅里葉變換中原函數周期所對應的基頻。

    1.1.3 信號重構

    原始振動信號經過VMD后得到了K個模態(tài)分量,根據峭度和相關性準則,選取模態(tài)分量中峭度和相關系數最大的兩個分量進行信號重構,得到降噪后的振動信號。

    1.2 特征提取

    合適特征指標的選取對反映軸承退化情況至關重要。根據之前降噪得到的振動信號,對反映軸承退化情況的時域、頻域特征參數進行提取,特征指標如表1所示。

    表1 時域及頻域特征

    值得注意的是,所提取的特征指標往往不能全部反映軸承運行過程中的性能退化趨勢,需要對冗余特征向量進行降維[6]。

    1.3 PCA降維

    PCA是利用線性變換將原始的特征向量簡化成幾個與線性無關的組合,以保留主要信息,用于主要特征向量的提取。本文通過PCA對前面提取的經過歸一化的特征向量進行降維,剔除冗余特征,過程如下[7]。

    (1)收集數據,將提取的特征向量進行歸一化處理,確定輸入為特征向量矩陣X,Xk=(x1k,x2k,…,xnk)T為n維的向量,xk為軸承的某一狀態(tài),xk的協(xié)方差矩陣為:

    其中,的表達式為:

    (2)求Wx的特征值λi(i=1,2,…,n)和對應的特征向量hi,并將其按從大到小排序。則xi投影到特征向量hi上的主分量為:

    (3)所有的hi組成n維正交空間,x在此正交空間上投影得到n維主分量。其中:前m個主分量累積貢獻率的計算式為:

    (4)選擇主成分。根據貢獻率選擇相應的主分量。

    1.4 LSTM原理

    LSTM是在原有循環(huán)神經網絡基礎上改進得到的,如圖1所示為LSTM結構。循環(huán)神經網絡每個循環(huán)體內部只有一個狀態(tài),但LSTM內部有四個狀態(tài);因此,LSTM可以使單元狀態(tài)長久保持,后面過程中可以選擇哪些信息需要保存或傳遞下去。另外,LSTM結構經改進后可以解決循環(huán)神經網絡存在的梯度消失或爆炸問題。LSTM的關鍵部分為細胞狀態(tài),由上方的水平線連接,它能夠將上一時刻的細胞狀態(tài)傳輸到下一時刻。

    圖1 LSTM網絡結構

    LSTM中的門結構和單元狀態(tài)共同組成細胞:門結構中的輸入門控制輸入信息保留到單元狀態(tài)的多少;遺忘門控制之前單元狀態(tài)信息保留到當前的多少;輸出門控制當前單元狀態(tài)到輸出值的多少。

    LSTM模型中前一個時間t-1的輸入可表示為xt-1,對應的輸出為ht。如果當前時刻輸入xt和ht是下一次t+1的輸入,則輸出為ht+1。最后,計算候選記憶細胞,公式為:

    其中:Wxc為輸入到細胞的權重系數;Whc為隱藏層到細胞的權重系數;bc為細胞的偏置量。

    上述三個門控制隱藏層信息狀態(tài)的流動,表達式為:

    其中:ft為遺忘門的輸出;it為輸入門的輸出;?為元素乘法運算。

    記憶細胞到隱藏層狀態(tài)ht之間的信息流動,通過輸出門進行控制:

    其中:ot為輸出門的輸出。

    1.5 SMA算法

    SMA是一種基于黏菌型多頭絨泡菌的覓食行為和形態(tài)變化的群體優(yōu)化算法[11]。黏菌是一類長期在陰暗潮濕環(huán)境中生長的生物,由于黏菌沒有大腦和任何的神經元,因此,通過前端放出的扇形靜脈網絡來搜尋食物。當黏菌找到食物時,連向食物的靜脈就會在生物振蕩器發(fā)出的生物波的影響下,通過改變靜脈中細胞質的流量,增加靜脈直徑,從而達到加速吸收營養(yǎng)物質的目的;而沒有找到食物的靜脈直徑就會逐漸減小。即使找到食物,黏菌依然會分離出一部分組織繼續(xù)尋找更優(yōu)質的食物,通過正負反饋檢測并開發(fā)連接食物的最佳路徑。通過上述過程,黏菌可以非常高效地搜索食物,因而,該模式也被應用于數學建模中。

    1.5.1 接近食物

    黏菌通過空氣中營養(yǎng)物質的氣味追蹤并接近食物,由下式來模擬其收縮模式:

    p的公式為:

    其中:i∈1,2,…,n;S(i)表示的適應度值;DF表示在所有迭代過程中獲得的最佳適應度。

    其中:condition代表S(i)在所有群體中排名位列前50%的部分;maxt為最大迭代次數;bF為當前迭代過程中獲得的最佳適應度;ωF表示在迭代過程中獲得的最差適應度;SI為適應度值經過升序排列后的序列。式(16)模擬了黏菌靜脈的寬度和食物濃度之間的正反饋和負反饋。參數r模擬了靜脈收縮方式的不確定性,log用于減小數值的變化率,以使收縮率的值不會有太大變化。condition模擬了黏菌根據食物質量來調整搜索模式。

    1.5.2 包裹食物

    該部分模擬了黏菌在搜索食物時的收縮模式,表達式為:

    其中:UB和LB為搜索范圍的上下邊界;rand為0~1之間的隨機值;z值根據實驗情況選取,多為0.03[11]。

    1.5.3 振蕩

    黏菌主要通過生物振蕩器中產生的傳播波來改變靜脈網絡中細胞質的流量,從而使靜脈更好地向食物集中的位置分布。為了模擬靜脈寬度的變化,使用和實現上述過程:通過數學方法模擬不同食物濃度下黏菌的振蕩頻率;隨機在[-a,a]之間振動,并且逐漸接近至0;隨機在[-1,1]之間振動到接近0。為了找到更好的食物來源,即使黏菌找到了食物,其仍然會分離一些組織,以探索其他地區(qū),從而尋求更高質量的食物來源。振蕩過程模擬黏菌的狀態(tài),它決定是接近食物來源還是尋找其他食物來源。探測食物過程中可能存在的各種障礙限制了黏菌的擴散;但是,這也增加了黏菌找到更高品質食物的可能性,并能防止黏菌算法陷入局部最優(yōu)狀態(tài)的陷阱。上述過程模仿了黏菌選擇性尋找優(yōu)質食物的行為,算法偽代碼如下:

    電話響了半天,沒人接。哥們兒朝洛蒙想燒烤店老板還沒有起床。燒烤的生意一般都在晚上,要到凌晨才能收攤。所以都要睡到中午。

    2 預測方法流程

    2.1 振動信號預處理

    由于振動信號往往是非平穩(wěn)信號,且信號中存在大量噪聲,影響特征提取的準確性,而VMD作為近些年新提出的方法,可以有效地對非線性、非平穩(wěn)信號進行降噪;因此,本文利用VMD將數據集中的原始振動信號分解成若干個分量,再選取峭度值和相關性系數最大的兩個分量進行重構,完成對信號的降噪。

    2.2 特征向量的提取及降維

    對降噪后的信號提取15個時域、頻域參數。并不是提取的所有特征都可以反映軸承的退化情況,冗余的特征向量會降低預測速度;因此,對提取的特征參數進行PCA降維,去除冗余特征向量。

    2.3 構建預測模型的標簽

    若直接將軸承的剩余壽命作為預測模型的標簽,則容易造成神經網絡的過擬合現象[8]。通常軸承的退化過程隨時間呈線性變化。本文擬構建退化系數R來描述軸承的退化程度。通過連續(xù)w個特征值組成一個時間序列,第i個時間序列的退化系數Ri為:

    其中:n為振動信號采集的組數;w為每個時間序列的長度;R隨著時間從1到0線性減小,當R=1時,表明軸承剛剛開始退化,當R=0時,表示軸承完全報廢。

    以前面提取的軸承退化特征向量為輸入,退化系數R作為標簽,劃分訓練集和測試集:

    其中:t是振動信號每次采樣的時間間隔。

    2.4 SMA-LSTM預測模型的構建

    利用黏菌算法既具有動態(tài)搜索結構又不易陷入局部最優(yōu)的特點,對LSTM的超參數進行優(yōu)化。首先,需對黏菌算法的參數進行初始化,以LSTM的均方根誤差(Root-Mean-Square Error,RMSE)為SMA的目標函數,對模型進行訓練;通過目標函數計算適應度值并對其進行排序,更新最佳適應度和最佳個體位置;通過最后輸出的最佳位置得到LSTM的最佳超參數組合;最終,將優(yōu)化后的超參數輸入LSTM模型,得到訓練好的最佳模型。

    2.5 滾動軸承RUL預測

    軸承前期運行平穩(wěn),后期會有故障信號突變,直接將每組步長為一的故障特征作為預測模型的輸入,并不能很好地預測后期突變故障的特點。因此,本文確定軸承退化起始時刻,將測試集中的n維特征向量按每w組作為一個時間序列輸入到SMA-LSTM中,對測試集中退化起始時刻后的R進行預測。用RMSE和平均絕對誤差(Mean Absolute Error,MAE)對預測模型的性能進行評估。

    3 應用與分析

    3.1 實驗數據預處理

    為了驗證本文所提出方法的有效性,選取IEEEPHM 2012 Data Challenge軸承數據作為實驗數據進行驗證[16]。數據集中包括水平加速度、垂直加速度振動信號和溫度數據。溫度數據為單通道連續(xù)采集,采樣頻率為10 Hz,但溫度數據不適用于所有的案例[17]。根據相關學者的研究,相比于垂直振動信號,水平振動信號能提供更多有用的信息[18],故將水平振動信號作為本文數據集。實驗設置當振動信號的幅值超過20 g時軸承發(fā)生失效。軸承振動信號的采樣頻率為25.6 kHz,每次采樣持續(xù)0.1 s[17]。

    如表2所示,軸承在三種工況下進行試驗。為使預測的軸承剩余壽命在不同的工況下都能有較高的精度,本文將三種工況下Bearing1_1、Bearing2_1、Bearing3_1的全壽命周期作為實驗的訓練集,將Bearing1_3作為實驗的測試集。

    軸承通常前期運行平穩(wěn),故障往往發(fā)生在運行后期,對軸承發(fā)生故障到完全報廢的時間段進行預測,可以縮短預測時間,提高效率。軸承振動信號中的均方根值(Root Mean Square,RMS)與軸承的退化情況密切相關[19]。本文將RMS的均值作為軸承發(fā)生故障的上閾值點,超過該閾值點,軸承開始發(fā)生故障。通過上述方法確定軸承Bearing1_3退化時刻,將軸承退化起點至退化終點間的數據作為實驗的測試集。

    表2 2012 PHM挑戰(zhàn)賽數據集

    如圖2所示,為Bearing1_3原始振動信號的波形和經過VMD降噪后的波形,如圖3所示為RMS值。

    圖2 軸承1_3的振動信號波形圖

    圖3 RMS值

    由圖2可知,軸承振動信號經過降噪后,時域圖中故障沖擊特征明顯增強,從而更易判斷其退化起始時刻。由圖3中的RMS值可知:在軸承運行前期,RMS較?。划斴S承發(fā)生故障時,RMS急劇增大,與圖2振動信號中出現突變的時刻大致相同。

    如圖4所示,為對降噪后的信號提取的時域、頻域特征參數。在軸承運行前期,軸承運轉狀態(tài)穩(wěn)定,特征指標值變化相對平緩;隨著軸承運轉,軸承開始發(fā)生失效,特征指標值出現突變。由圖4可知:各指標隨軸承運行狀態(tài)變化趨勢大致相同,但均方根頻率等指標隨軸承運行的變化并不明顯,不能反映出軸承的退化過程。冗余的特征向量會增加計算量,干擾軸承故障診斷的準確性[20],因此,有必要剔除不能反映軸承運行狀態(tài)的指標,并利用PCA對特征向量進行降維。

    圖4 退化特征參數

    在通過Python進行降維時,PCA算法中的參數n_components設置為mle,即根據效果自動選擇合適的特征向量。

    3.2 實驗參數設置

    為了對比分析,本實驗采用BP神經網絡和SVR進行對比實驗,并用遺傳算法(Genetic Algorithm,GA)和灰狼優(yōu)化算法(Grey Wolf Optimizer,GWO)對上述模型參數優(yōu)化,與SMA-LSTM模型進行對比。其中,LSTM模型網絡層數為3,優(yōu)化器為SGD,批次大小為32,用均方誤差(Mean Square Error,MSE)作為模型訓練時的損失函數,通過SMA、GA和GWO優(yōu)化算法對LSTM模型中的學習率、訓練次數和隱藏層神經元的數目進行優(yōu)化。利用SMA對BP模型中的學習率和訓練次數進行優(yōu)化。SVR模型采用poly核函數,通過SMA對SVR模型中的懲罰因子和核函數參數進行自動尋優(yōu)。

    3.3實驗結果與分析

    通過RMS確定軸承退化起始時刻后,對起始點后的軸承剩余RUL進行預測。采用RMSE和MAE作為衡量預測模型精度的指標。

    如圖5所示,為利用GA、GWO、SMA以及未用優(yōu)化算法的LSTM模型的預測結果。由圖5可知:經GA和GWO優(yōu)化后的LSTM和未采用優(yōu)化算法的LSTM,在預測過程中都存在振蕩,這說明優(yōu)化算法在區(qū)域內存在局部最優(yōu)解;而經SMA優(yōu)化后的LSTM預測平穩(wěn),無明顯震蕩區(qū)域,這證明了SMA算法可以有效跳出局部最優(yōu)解,其預測精度高于經GA算法和GWO算法優(yōu)化后的LSTM模型,擬合效果較好。

    SMA在優(yōu)化預測模型超參數方面具有較好的效果。如圖6所示,為利用SMA對BP、SVR和LSTM模型進行優(yōu)化后的預測結果。由圖6可知:采用SMA-LSTM模型能更好地反映出軸承的剩余壽命,其預測結果平穩(wěn),預測精度高于SMA-BP和SMA-SVR預測模型。

    如表3所示,為上述預測模型的誤差。

    由圖5、圖6和表3可知:

    (1)GA-LSTM、GWO-LSTM和SMA-LSTM預測模型的誤差MAE和RMSE均低于未經參數優(yōu)化的LSTM,從而證明上述三種優(yōu)化算法確實可以提高LSTM的預測精度;SMA-LSTM的預測誤差最低,證明SMA算法相比于其他優(yōu)化算法可以更好地提高LSTM的預測精度。因此,用SMA對LSTM超參數進行優(yōu)化是切實可行的。

    圖5 LSTM預測結果

    圖6 SMA優(yōu)化后各模型的預測結果

    表3 預測誤差

    (2)相比于SMA-BP和SMA-SVR模型,SMALSTM的MAE和RMSE更低,證明在相同優(yōu)化算法下,LSTM模型的預測精度高于上述模型。

    4 結論

    本文提出了一種基于LSTM的軸承剩余壽命預測方法,實現對軸承RUL的預測。結論如下:

    (1)針對軸承早期失效階段故障特征信息微弱、易受噪聲干擾的問題,利用VMD方法對軸承信號降噪。降噪后的振動信號相比于原始信號,故障特征波形沖擊明顯增強。

    (2)針對直接預測軸承剩余時間容易造成過擬合的問題,構建退化系數R,由R計算得到軸承剩余使用時間。利用三種不同工況下的軸承數據作為實驗數據,對軸承RUL進行預測,證明了模型具有較好的泛化能力。

    (3)針對預測模型LSTM中超參數選取困難、大多優(yōu)化算法容易出現局部最優(yōu)的問題,提出了基于SMA-LSTM的軸承RUL預測模型。利用SMA具有動態(tài)搜索能力且不易陷入到局部最優(yōu)的特點,對LSTM的超參數進行優(yōu)化。為了驗證SMA-LSTM的有效性,將預測結果同GWO、GA優(yōu)化算法以及BP、SVR預測模型進行對比,仿真結果表明,基于SMA-LSTM的軸承RUL預測方法是可行的。

    猜你喜歡
    黏菌特征向量軸承
    二年制職教本科線性代數課程的幾何化教學設計——以特征值和特征向量為例
    軸承知識
    哈爾濱軸承(2022年2期)2022-07-22 06:39:32
    軸承知識
    哈爾濱軸承(2022年1期)2022-05-23 13:13:24
    克羅內克積的特征向量
    軸承知識
    哈爾濱軸承(2021年2期)2021-08-12 06:11:46
    軸承知識
    哈爾濱軸承(2021年1期)2021-07-21 05:43:16
    黏糊糊的生命
    大自然探索(2021年3期)2021-04-30 09:06:08
    黏菌觀察記
    養(yǎng)群黏菌當寵物
    黏菌一點不簡單
    華夏地理(2019年2期)2019-07-24 10:05:57
    男女之事视频高清在线观看| 日日干狠狠操夜夜爽| 国产午夜福利久久久久久| 亚洲色图av天堂| 日韩欧美一区二区三区在线观看| 国产精品1区2区在线观看.| 小说图片视频综合网站| 黑人操中国人逼视频| 欧美一级a爱片免费观看看 | 一本大道久久a久久精品| 精品国产乱子伦一区二区三区| 中文在线观看免费www的网站 | 亚洲激情在线av| 亚洲中文字幕日韩| 成人国产综合亚洲| 国产1区2区3区精品| 国产亚洲精品综合一区在线观看 | 亚洲精品美女久久av网站| 女生性感内裤真人,穿戴方法视频| 亚洲中文av在线| 久久久精品欧美日韩精品| 精品久久久久久久末码| 亚洲成人久久爱视频| 特大巨黑吊av在线直播| 亚洲国产中文字幕在线视频| 精品第一国产精品| 国产成人一区二区三区免费视频网站| 婷婷丁香在线五月| 精品一区二区三区av网在线观看| 无限看片的www在线观看| 日韩中文字幕欧美一区二区| 男人舔女人的私密视频| 久久精品夜夜夜夜夜久久蜜豆 | x7x7x7水蜜桃| 久久伊人香网站| 一级毛片高清免费大全| 老熟妇乱子伦视频在线观看| 成人av一区二区三区在线看| 99国产极品粉嫩在线观看| 久久99热这里只有精品18| 90打野战视频偷拍视频| 色播亚洲综合网| 免费在线观看黄色视频的| 欧洲精品卡2卡3卡4卡5卡区| 正在播放国产对白刺激| 亚洲在线自拍视频| 男男h啪啪无遮挡| 免费在线观看视频国产中文字幕亚洲| 免费在线观看视频国产中文字幕亚洲| 小说图片视频综合网站| 午夜福利在线在线| 999久久久国产精品视频| 国产不卡一卡二| 色综合亚洲欧美另类图片| avwww免费| 香蕉av资源在线| 精品乱码久久久久久99久播| 国产黄a三级三级三级人| 国产高清有码在线观看视频 | 黄片大片在线免费观看| bbb黄色大片| 99久久国产精品久久久| 国产片内射在线| 亚洲中文日韩欧美视频| 熟女电影av网| www.自偷自拍.com| 丰满人妻一区二区三区视频av | 亚洲天堂国产精品一区在线| 一级毛片高清免费大全| av福利片在线观看| 欧美又色又爽又黄视频| 亚洲国产看品久久| 99国产极品粉嫩在线观看| 亚洲国产精品999在线| 国产精品一及| 99在线人妻在线中文字幕| 久久久水蜜桃国产精品网| 国产精品自产拍在线观看55亚洲| 久久精品国产亚洲av高清一级| 免费观看人在逋| cao死你这个sao货| 久久午夜亚洲精品久久| 久99久视频精品免费| 久久久久性生活片| 99精品久久久久人妻精品| aaaaa片日本免费| 亚洲avbb在线观看| 亚洲欧美日韩高清在线视频| 亚洲一区中文字幕在线| 777久久人妻少妇嫩草av网站| 国产视频一区二区在线看| www.自偷自拍.com| 亚洲欧美日韩无卡精品| 国产高清激情床上av| 国产av一区二区精品久久| 99在线人妻在线中文字幕| av在线天堂中文字幕| 狠狠狠狠99中文字幕| 国模一区二区三区四区视频 | 亚洲色图 男人天堂 中文字幕| 日韩欧美在线二视频| 91大片在线观看| 麻豆一二三区av精品| 在线观看一区二区三区| 12—13女人毛片做爰片一| 亚洲 国产 在线| 美女大奶头视频| a级毛片a级免费在线| 亚洲五月婷婷丁香| 又爽又黄无遮挡网站| 国产精品野战在线观看| 老司机深夜福利视频在线观看| 国产精品久久久久久久电影 | 一级毛片高清免费大全| 国产一级毛片七仙女欲春2| 亚洲片人在线观看| 91av网站免费观看| 老司机午夜十八禁免费视频| 精品久久久久久久久久久久久| 久久久久久久久免费视频了| 欧美性长视频在线观看| 男人舔女人的私密视频| 黄片小视频在线播放| 一个人免费在线观看的高清视频| a在线观看视频网站| 老司机福利观看| 中文资源天堂在线| 久久久久久九九精品二区国产 | 91老司机精品| av福利片在线观看| 男人舔女人下体高潮全视频| 亚洲狠狠婷婷综合久久图片| 麻豆国产av国片精品| 国产精品 欧美亚洲| 两性午夜刺激爽爽歪歪视频在线观看 | 欧美日韩黄片免| 欧美午夜高清在线| 免费搜索国产男女视频| 欧美色欧美亚洲另类二区| 校园春色视频在线观看| 中文字幕av在线有码专区| 99国产精品一区二区三区| 动漫黄色视频在线观看| 香蕉av资源在线| 久久精品国产亚洲av高清一级| 久久午夜亚洲精品久久| 狂野欧美激情性xxxx| 精品午夜福利视频在线观看一区| 欧美大码av| 9191精品国产免费久久| 久久国产精品影院| 波多野结衣高清无吗| 日韩欧美精品v在线| 深夜精品福利| 日本免费a在线| 精品熟女少妇八av免费久了| 欧美丝袜亚洲另类 | 精品人妻1区二区| 岛国视频午夜一区免费看| 一边摸一边抽搐一进一小说| 女人被狂操c到高潮| 男男h啪啪无遮挡| 老熟妇仑乱视频hdxx| 五月玫瑰六月丁香| 中国美女看黄片| 日韩欧美在线二视频| 国内精品一区二区在线观看| av欧美777| 亚洲黑人精品在线| 免费看日本二区| 可以在线观看毛片的网站| 国产成+人综合+亚洲专区| 国产一区二区三区视频了| 色在线成人网| 精品乱码久久久久久99久播| 久久精品国产亚洲av高清一级| 一本一本综合久久| 99久久综合精品五月天人人| 国产成人av激情在线播放| 在线观看www视频免费| 欧美午夜高清在线| 性色av乱码一区二区三区2| 一级作爱视频免费观看| 久久久久精品国产欧美久久久| 亚洲av片天天在线观看| 精品少妇一区二区三区视频日本电影| av天堂在线播放| 国产伦人伦偷精品视频| 午夜精品在线福利| 老司机午夜福利在线观看视频| 啦啦啦观看免费观看视频高清| av免费在线观看网站| 97人妻精品一区二区三区麻豆| av在线天堂中文字幕| 很黄的视频免费| 淫妇啪啪啪对白视频| 亚洲色图av天堂| 午夜a级毛片| 免费人成视频x8x8入口观看| 99久久精品国产亚洲精品| 男男h啪啪无遮挡| 国产高清视频在线播放一区| 免费电影在线观看免费观看| 亚洲一码二码三码区别大吗| x7x7x7水蜜桃| 黄色毛片三级朝国网站| 97碰自拍视频| 国产黄a三级三级三级人| 精品欧美国产一区二区三| 91九色精品人成在线观看| 91麻豆精品激情在线观看国产| 午夜老司机福利片| 亚洲中文字幕一区二区三区有码在线看 | 国产91精品成人一区二区三区| 非洲黑人性xxxx精品又粗又长| 国产黄片美女视频| 日韩欧美免费精品| 国产三级中文精品| 两个人视频免费观看高清| √禁漫天堂资源中文www| 18禁观看日本| 青草久久国产| 变态另类成人亚洲欧美熟女| 一个人免费在线观看电影 | 一级黄色大片毛片| 两个人视频免费观看高清| 日日夜夜操网爽| 国产主播在线观看一区二区| 首页视频小说图片口味搜索| 好男人电影高清在线观看| 中亚洲国语对白在线视频| 黑人操中国人逼视频| 亚洲av美国av| √禁漫天堂资源中文www| 国产三级中文精品| 久久香蕉激情| 日本黄色视频三级网站网址| 亚洲av第一区精品v没综合| 啦啦啦观看免费观看视频高清| 日韩 欧美 亚洲 中文字幕| 久99久视频精品免费| 一二三四在线观看免费中文在| 日韩三级视频一区二区三区| 制服人妻中文乱码| 丁香欧美五月| 在线看三级毛片| 久久久久久免费高清国产稀缺| 搡老妇女老女人老熟妇| 亚洲成av人片在线播放无| 黄片小视频在线播放| 99久久综合精品五月天人人| 久久久久亚洲av毛片大全| 这个男人来自地球电影免费观看| 成年版毛片免费区| 国产黄色小视频在线观看| 99精品在免费线老司机午夜| 黄片小视频在线播放| 亚洲欧美精品综合久久99| 久久久久久人人人人人| 制服诱惑二区| 亚洲午夜精品一区,二区,三区| 亚洲av日韩精品久久久久久密| 黄色丝袜av网址大全| 2021天堂中文幕一二区在线观| 给我免费播放毛片高清在线观看| av免费在线观看网站| 日韩欧美免费精品| 久久精品国产综合久久久| 亚洲18禁久久av| 亚洲国产精品久久男人天堂| 色噜噜av男人的天堂激情| 无人区码免费观看不卡| 国产高清视频在线播放一区| 后天国语完整版免费观看| 国产精品98久久久久久宅男小说| 亚洲七黄色美女视频| 亚洲av片天天在线观看| 变态另类丝袜制服| 免费在线观看日本一区| 久久精品国产清高在天天线| 法律面前人人平等表现在哪些方面| 午夜福利在线在线| 精品一区二区三区四区五区乱码| 日韩免费av在线播放| 日韩高清综合在线| 欧美精品啪啪一区二区三区| 18禁美女被吸乳视频| 在线国产一区二区在线| 亚洲精品国产精品久久久不卡| 伦理电影免费视频| 久久这里只有精品中国| 精品久久久久久成人av| www日本黄色视频网| 国产日本99.免费观看| 三级国产精品欧美在线观看 | 国内久久婷婷六月综合欲色啪| 亚洲乱码一区二区免费版| 日本一区二区免费在线视频| 成人av一区二区三区在线看| 久久香蕉激情| 一区二区三区高清视频在线| 十八禁人妻一区二区| 亚洲精品在线观看二区| av超薄肉色丝袜交足视频| 成人永久免费在线观看视频| 亚洲精品国产精品久久久不卡| 日本一本二区三区精品| 美女高潮喷水抽搐中文字幕| √禁漫天堂资源中文www| 一级a爱片免费观看的视频| 久久这里只有精品19| 99久久久亚洲精品蜜臀av| 国产精华一区二区三区| 成人特级黄色片久久久久久久| 大型av网站在线播放| 香蕉久久夜色| 俄罗斯特黄特色一大片| 国产伦一二天堂av在线观看| 少妇裸体淫交视频免费看高清 | 美女高潮喷水抽搐中文字幕| 91老司机精品| 长腿黑丝高跟| 日本一本二区三区精品| www.999成人在线观看| 久久午夜综合久久蜜桃| 久久久久久久久久黄片| xxx96com| 岛国视频午夜一区免费看| 国产人伦9x9x在线观看| 国产精品久久久久久精品电影| 精品日产1卡2卡| 亚洲美女黄片视频| 欧美黄色淫秽网站| 亚洲国产精品999在线| 国产97色在线日韩免费| 久久久国产欧美日韩av| 欧美丝袜亚洲另类 | 国产亚洲精品久久久久5区| 亚洲成av人片在线播放无| 久久久国产精品麻豆| 啦啦啦韩国在线观看视频| 天堂动漫精品| 日日爽夜夜爽网站| 国产欧美日韩精品亚洲av| 日本一本二区三区精品| 一二三四社区在线视频社区8| 国产在线精品亚洲第一网站| 日本精品一区二区三区蜜桃| 午夜精品一区二区三区免费看| 岛国视频午夜一区免费看| 最近最新中文字幕大全电影3| 欧美午夜高清在线| 亚洲av成人精品一区久久| 久久精品国产清高在天天线| 99热这里只有是精品50| 久久久水蜜桃国产精品网| 怎么达到女性高潮| 国产亚洲欧美在线一区二区| 国产激情偷乱视频一区二区| 欧美一区二区国产精品久久精品 | 亚洲精品色激情综合| 久久国产精品人妻蜜桃| 男女床上黄色一级片免费看| 人妻丰满熟妇av一区二区三区| 亚洲18禁久久av| 夜夜躁狠狠躁天天躁| 中文字幕人妻丝袜一区二区| 精品国产乱子伦一区二区三区| 美女高潮喷水抽搐中文字幕| 成人欧美大片| 国产精品自产拍在线观看55亚洲| 日韩国内少妇激情av| 午夜亚洲福利在线播放| 特级一级黄色大片| 亚洲一码二码三码区别大吗| 精品福利观看| 这个男人来自地球电影免费观看| 国产99白浆流出| 99在线视频只有这里精品首页| 人妻夜夜爽99麻豆av| 一级作爱视频免费观看| 欧美又色又爽又黄视频| 免费看日本二区| 亚洲av成人av| 人人妻人人看人人澡| 九九热线精品视视频播放| 欧美高清成人免费视频www| 舔av片在线| 好看av亚洲va欧美ⅴa在| 在线观看美女被高潮喷水网站 | 91成年电影在线观看| 亚洲人成网站高清观看| 老汉色av国产亚洲站长工具| 一级毛片高清免费大全| 少妇裸体淫交视频免费看高清 | 国产精品九九99| 久久 成人 亚洲| or卡值多少钱| 在线国产一区二区在线| 一夜夜www| 岛国在线观看网站| 亚洲五月天丁香| 久久香蕉精品热| 久久午夜亚洲精品久久| 日韩欧美国产一区二区入口| 成年女人毛片免费观看观看9| 99国产极品粉嫩在线观看| 亚洲成a人片在线一区二区| 欧美av亚洲av综合av国产av| av片东京热男人的天堂| 国产一区在线观看成人免费| 天堂影院成人在线观看| 亚洲精品美女久久久久99蜜臀| 国产激情欧美一区二区| 久久久精品欧美日韩精品| 亚洲专区字幕在线| 国产精品久久久久久人妻精品电影| 亚洲专区国产一区二区| 成年人黄色毛片网站| 少妇粗大呻吟视频| 最新在线观看一区二区三区| 国产高清激情床上av| 最近最新中文字幕大全电影3| 一二三四社区在线视频社区8| 看片在线看免费视频| 久久中文字幕人妻熟女| 免费无遮挡裸体视频| 高清毛片免费观看视频网站| 每晚都被弄得嗷嗷叫到高潮| xxxwww97欧美| 国产不卡一卡二| 天堂影院成人在线观看| 麻豆国产97在线/欧美 | 国产一区二区激情短视频| 9191精品国产免费久久| 人成视频在线观看免费观看| 精品国产亚洲在线| 99热6这里只有精品| 午夜影院日韩av| 一卡2卡三卡四卡精品乱码亚洲| 久久婷婷人人爽人人干人人爱| 久久国产精品人妻蜜桃| 91成年电影在线观看| 国产三级在线视频| 精品欧美一区二区三区在线| 他把我摸到了高潮在线观看| 中文字幕久久专区| 亚洲九九香蕉| 777久久人妻少妇嫩草av网站| 亚洲五月婷婷丁香| 国产精品久久久久久亚洲av鲁大| 特大巨黑吊av在线直播| 亚洲av美国av| 9191精品国产免费久久| 母亲3免费完整高清在线观看| 午夜两性在线视频| 午夜老司机福利片| 国产不卡一卡二| 久久国产精品人妻蜜桃| 亚洲av电影在线进入| 欧美 亚洲 国产 日韩一| 欧美成人一区二区免费高清观看 | 久久久久久国产a免费观看| 女人爽到高潮嗷嗷叫在线视频| 亚洲七黄色美女视频| 国产视频一区二区在线看| av福利片在线| 国产精品久久久av美女十八| 正在播放国产对白刺激| 亚洲av日韩精品久久久久久密| 不卡av一区二区三区| 又大又爽又粗| 成人国产一区最新在线观看| 亚洲精品国产一区二区精华液| 国产91精品成人一区二区三区| 黄色毛片三级朝国网站| 成人午夜高清在线视频| 色哟哟哟哟哟哟| 亚洲欧美激情综合另类| 黄色女人牲交| 丁香六月欧美| 国产高清有码在线观看视频 | 99久久无色码亚洲精品果冻| 亚洲中文字幕一区二区三区有码在线看 | 可以免费在线观看a视频的电影网站| 国产精品久久久人人做人人爽| 啦啦啦韩国在线观看视频| 少妇裸体淫交视频免费看高清 | 69av精品久久久久久| 国产午夜福利久久久久久| xxxwww97欧美| 午夜免费观看网址| 亚洲av成人一区二区三| 99久久无色码亚洲精品果冻| 久久久久久九九精品二区国产 | 日本精品一区二区三区蜜桃| 好看av亚洲va欧美ⅴa在| 18美女黄网站色大片免费观看| 成人av一区二区三区在线看| 精品午夜福利视频在线观看一区| 中文字幕人妻丝袜一区二区| 老司机深夜福利视频在线观看| 俺也久久电影网| 欧美又色又爽又黄视频| 国内久久婷婷六月综合欲色啪| 国产三级黄色录像| 婷婷亚洲欧美| 操出白浆在线播放| 亚洲片人在线观看| 国产1区2区3区精品| 国产成人精品无人区| 精品国产亚洲在线| 性欧美人与动物交配| 国产精品免费一区二区三区在线| 黑人操中国人逼视频| 麻豆av在线久日| 日韩精品青青久久久久久| √禁漫天堂资源中文www| 久久香蕉国产精品| 午夜激情av网站| 午夜精品久久久久久毛片777| 亚洲成人中文字幕在线播放| 99热这里只有是精品50| 国产伦人伦偷精品视频| 日本黄大片高清| 日本撒尿小便嘘嘘汇集6| 久久亚洲精品不卡| 天堂av国产一区二区熟女人妻 | 国产亚洲精品一区二区www| 久久天躁狠狠躁夜夜2o2o| 欧美+亚洲+日韩+国产| 午夜成年电影在线免费观看| 亚洲无线在线观看| av免费在线观看网站| 亚洲人与动物交配视频| 久久亚洲精品不卡| 久久久久久久久中文| av视频在线观看入口| 在线a可以看的网站| 亚洲国产欧美一区二区综合| 又黄又粗又硬又大视频| 波多野结衣高清无吗| x7x7x7水蜜桃| 日日摸夜夜添夜夜添小说| 搡老妇女老女人老熟妇| 黑人巨大精品欧美一区二区mp4| tocl精华| 日韩欧美国产一区二区入口| 色av中文字幕| 男女床上黄色一级片免费看| 欧美高清成人免费视频www| 最近最新中文字幕大全免费视频| 久久香蕉精品热| 三级毛片av免费| 五月伊人婷婷丁香| 中文在线观看免费www的网站 | 亚洲av电影不卡..在线观看| 亚洲精品久久成人aⅴ小说| 91大片在线观看| 亚洲av日韩精品久久久久久密| 两性午夜刺激爽爽歪歪视频在线观看 | 高清在线国产一区| 变态另类丝袜制服| 一本大道久久a久久精品| 国产成人影院久久av| 日本免费一区二区三区高清不卡| 夜夜夜夜夜久久久久| 在线永久观看黄色视频| 免费一级毛片在线播放高清视频| 制服丝袜大香蕉在线| 一二三四在线观看免费中文在| 后天国语完整版免费观看| 国产三级在线视频| www.熟女人妻精品国产| 哪里可以看免费的av片| 国产亚洲精品一区二区www| 久久天躁狠狠躁夜夜2o2o| 国产精品久久久久久久电影 | 最近视频中文字幕2019在线8| 亚洲午夜精品一区,二区,三区| 高清毛片免费观看视频网站| 天天躁夜夜躁狠狠躁躁| 亚洲第一欧美日韩一区二区三区| 久久婷婷人人爽人人干人人爱| 亚洲精品av麻豆狂野| 夜夜夜夜夜久久久久| 亚洲av成人不卡在线观看播放网| 免费看日本二区| 18禁国产床啪视频网站| 欧美高清成人免费视频www| 久久久久久久精品吃奶| 白带黄色成豆腐渣| 一本久久中文字幕| 老司机靠b影院| 欧美一级毛片孕妇| 亚洲av美国av| 香蕉久久夜色| 嫁个100分男人电影在线观看| 成人国产一区最新在线观看| 精品日产1卡2卡| 日本精品一区二区三区蜜桃| 精品久久久久久久人妻蜜臀av| 久久精品综合一区二区三区| 在线国产一区二区在线| 久久久久久国产a免费观看| 搞女人的毛片| 老鸭窝网址在线观看| 国产精品亚洲一级av第二区| 日本一区二区免费在线视频| 啦啦啦免费观看视频1| 正在播放国产对白刺激| 床上黄色一级片| 欧美精品啪啪一区二区三区| 成年人黄色毛片网站| 精品人妻1区二区|