• <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 ?

    面向軸承故障診斷的深度學(xué)習(xí)方法

    2022-05-30 20:32:49柳秀馬善濤謝怡寧何勇軍
    關(guān)鍵詞:長短期記憶網(wǎng)絡(luò)注意力機(jī)制卷積神經(jīng)網(wǎng)絡(luò)

    柳秀 馬善濤 謝怡寧 何勇軍

    摘要:近年來,深度學(xué)習(xí)技術(shù)在基于振動信號的軸承故障診斷中表現(xiàn)出了巨大的潛力。然而,在基于深度學(xué)習(xí)的故障診斷方法中,傳統(tǒng)單一的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)特征提取的區(qū)分性弱和噪聲魯棒性低,故障診斷的準(zhǔn)確率不高。此外,目前大多數(shù)的研究方法在變負(fù)載環(huán)境下故障識別率低。針對以上問題,提出了一種改進(jìn)的神經(jīng)網(wǎng)絡(luò)端到端故障診斷模型。該模型將卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)和基于注意力機(jī)制的長短期記憶網(wǎng)絡(luò)(the attention long short-term memory, ALSTM)相結(jié)合,借助ALSTM捕捉時(shí)間序列數(shù)據(jù)中的遠(yuǎn)距離相關(guān)性,有效抑制輸入信號中的高頻噪聲。同時(shí),引入多尺度和注意力機(jī)制,拓寬卷積核捕捉高低頻特征的范圍,突出故障的關(guān)鍵特征。經(jīng)多個(gè)數(shù)據(jù)集測試,并且與現(xiàn)有方法進(jìn)行比較,實(shí)驗(yàn)表明,該方法在準(zhǔn)確率、噪聲魯棒性及變負(fù)載下的故障識別率方面表現(xiàn)突出。

    關(guān)鍵詞:故障診斷;卷積神經(jīng)網(wǎng)絡(luò);長短期記憶網(wǎng)絡(luò);多尺度特征提取;注意力機(jī)制

    DOI:10.15938/j.jhust.2022.04.015

    中圖分類號: TP315.69

    文獻(xiàn)標(biāo)志碼: A

    文章編號: 1007-2683(2022)04-0118-07

    Deep Learning Method for Bearing Fault Diagnosis

    LIU Xiu MA Shan-tao XIE Yi-ning HE Yong-jun

    (1.School of Computer Science and Technology, Harbin University of Science and Technology, Harbin 150080, China;

    2.College of Mechanical and Electrical Engineering, The Northeast Forestry University, Harbin 150080, China)

    Abstract:In recent years, deep learning technology has shown great potential in bearing fault diagnosis based on vibration signals.?However, in the fault diagnosis method based on deep learning, the traditional single network topology feature extraction has weak discrimination and low noise robustness, and the accuracy of fault diagnosis is not high.?In addition, most of the current research methods have a low fault recognition rate in a variable load environment.?In response to the above problems, this paper proposes an improved neural network end-to-end fault diagnosis model.?The model combines convolutional neural networks (CNN) and the attention long short-term memory (ALSTM) based on the attention mechanism, and uses ALSTM to capture long-distance correlations in time series data , Effectively suppress the high frequency noise in the input signal.?At the same time, a multi-scale and attention mechanism is introduced to broaden the range of the convolution kernel to capture high and low frequency features, and highlight the key features of the fault.?After testing on multiple data sets, and comparing with existing methods, experiments show that the method in this paper has significant performance in accuracy, noise robustness, and fault recognition rate under variable load conditions.

    Keywords:fault diagnosis; convolutional neural network; long and short-term memory network; multi-scale feature extraction; attention mechanism

    0引言

    隨著現(xiàn)代計(jì)算機(jī)技術(shù)的進(jìn)步和發(fā)展,機(jī)械部件的生產(chǎn)和維護(hù)更加趨向于智能化、系統(tǒng)化和自動化。其中滾動軸承是機(jī)械設(shè)備中不可或缺的部件[1],一旦發(fā)生故障,不僅會導(dǎo)致更高的維護(hù)成本,而且還可能導(dǎo)致嚴(yán)重的生產(chǎn)安全事故。據(jù)統(tǒng)計(jì),在發(fā)動機(jī)等旋轉(zhuǎn)設(shè)備的事故中,約有40%是由滾動軸承故障所引起的[2]。因此,軸承的故障診斷成為一項(xiàng)關(guān)鍵的任務(wù)。

    目前,對電機(jī)軸承的故障診斷主要是利用加速度傳感器采集電機(jī)軸承處的振動信號,然后利用智能算法對信號進(jìn)行診斷[3]。其中診斷算法主要基于傳統(tǒng)故障診斷方法及深度學(xué)習(xí)故障診斷方法。傳統(tǒng)的方法主要采用特征提取、降維、分類,獲取診斷結(jié)論。其中,常用信號處理方法包括頻譜分析[4]、經(jīng)驗(yàn)?zāi)B(tài)分解[5]、小波變換[6]等。特征降維方法主要有主成成分分析(principal compon-?ents analysis, PCA)[7]和獨(dú)立成分分析(independent components analysis, ICA)[8]。分類模型常有人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks, ANN)、支持向量機(jī)(support vector machine, SVM)、隱馬爾可夫模型(hidden Markov model, HMM)[9-11]。目前主要存在的問題是特征提取對人工的依賴較高、需要專業(yè)的經(jīng)驗(yàn)知識、過程復(fù)雜,無法滿足現(xiàn)實(shí)中的要求。

    深度學(xué)習(xí)方法在一系列自然語言處理和計(jì)算機(jī)視覺任務(wù)中一直優(yōu)于其他技術(shù)[12-13],其端到端學(xué)習(xí)的特點(diǎn)克服了傳統(tǒng)診斷方法提取特征時(shí)的繁瑣,可以直接從原始振動信號中提取特征。多采用卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)。Eren等[14]使用一維CNN直接從振動信號的時(shí)域?qū)崿F(xiàn)故障診斷。Jing等[15]首先對信號進(jìn)行傅里葉變換以獲得頻譜樣本,然后采一維CNN學(xué)習(xí)頻譜樣本的特征,最后利用齒輪箱數(shù)據(jù)進(jìn)行測試,獲得較高的識別率。Karim 等[16]提出長短期記憶網(wǎng)絡(luò)和全卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的方法,在時(shí)間序列分類的數(shù)據(jù)集上有較好表現(xiàn)。上述方法都是采用固定尺寸的卷積核,卷積核大小對特征提取的性能有非常重要的影響,核寬度越窄,時(shí)間分辨率越高,頻率分辨率越低。因此,Zhang等[17]提出具有第一層較寬卷積核的深度一維卷積神經(jīng)網(wǎng)絡(luò)模型(deep convolutional neural networks with wide kernel, WDCNN),利用較大尺度的卷積核來增強(qiáng)低頻故障相關(guān)特征的學(xué)習(xí)能力,實(shí)現(xiàn)基于原始信號的故障診斷,同時(shí)該模型具有顯著的抗噪性能。缺點(diǎn)是該方法未考慮使用不同尺度的卷積核來提取特征。近年來多尺度方式被更多地應(yīng)用在故障診斷領(lǐng)域里,Jiang等[18]提出一種多尺度CNN的方法(multi-scale convolutional neural networks, MSCNN)。該方法首先對信號進(jìn)行多尺度下采樣來獲取不同尺度的特征表示,然后用CNN提取特征,最后由全連接層和多分類函數(shù)進(jìn)行分類。缺點(diǎn)是沒有考慮振動信號中的時(shí)序信息以及不同尺度的關(guān)聯(lián)性,這將導(dǎo)致提取特征不全面。

    針對以上問題,提出了一種將基于多尺度和注意力機(jī)制的WDCNN (multi-scale attention WDCNN, MACNN)和ALSTM結(jié)合的故障診斷模型(MACNN-ALSTM),用于時(shí)序數(shù)據(jù)的故障診斷,解決了目前故障診斷技術(shù)中的問題。主要貢獻(xiàn)有:①提出了一種新的深度學(xué)習(xí)的模型,用于時(shí)間序列數(shù)據(jù)的故障診斷,該模型將卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)結(jié)合,以獲取豐富的時(shí)序信號故障特征;②引入多尺度特征提取和注意力機(jī)制,使卷積神經(jīng)網(wǎng)絡(luò)能夠提取到豐富且重要的多尺度故障特征,從而在變負(fù)載和噪聲環(huán)境下提高故障識別率。

    1算法實(shí)現(xiàn)

    1.1CNN模型

    傳統(tǒng)的CNN一般包含4個(gè)部分,分別是卷積層、激活層、池化層和全連接層。其優(yōu)點(diǎn)是權(quán)值共享,即相同的卷積濾波器將以不變的步長遍歷上一層的輸出。從而可以很大程度地減少網(wǎng)絡(luò)參數(shù),減少網(wǎng)絡(luò)架構(gòu)在訓(xùn)練時(shí)所需要的計(jì)算量。卷積層中一個(gè)濾波器對應(yīng)于下一層中的一個(gè)幀,幀的數(shù)量即為該層的深度。第一層采用寬卷積核深度卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù),其卷積過程描述如下:

    1.2LSTM模型

    長短期記憶遞歸神經(jīng)網(wǎng)絡(luò)(long short-term memory, LSTM)通過引入記憶單元和門控機(jī)制來提高長輸入序列的學(xué)習(xí)能力,從而克服了訓(xùn)練普通神經(jīng)網(wǎng)絡(luò)的一些困難,如圖1所示。存儲單元提供了網(wǎng)絡(luò)的連續(xù)路徑,允許多個(gè)LSTM單元連接在一起,減少RNN的“梯度消失”和“梯度下降”的可能性。

    LSTM使用輸入門、輸出門與遺忘門實(shí)現(xiàn)對信息的控制。①遺忘門,通過遺忘門的計(jì)算來控制上一層的輸出是否保留到當(dāng)前輸入的神經(jīng)元狀態(tài)中,來實(shí)現(xiàn)對網(wǎng)絡(luò)記憶信息的篩選。②輸入門,將當(dāng)前輸入值輸入到激活函數(shù)中,得到一個(gè)重要度值來決定信息的更新情況,再通過Tanh函數(shù)來處理前一時(shí)刻的狀態(tài)值和輸入信息得到候選單元狀態(tài)。③輸出門,控制單元狀態(tài)的最終輸出,單元狀態(tài)通過輸出門的過濾,經(jīng)由Tanh函數(shù)壓縮得到單元最終輸出。

    1.3MACNN-ALSTM故障診斷模型

    提出了一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)端到端故障診斷模型MACNN-ALSTM,它結(jié)合了深度卷積網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)模型,并融合了多尺度和注意力機(jī)制,將其應(yīng)用于滾動軸承的故障診斷中,模型結(jié)構(gòu)如圖2所示。

    傳統(tǒng)CNN模型卷積核小,感受野小,導(dǎo)致特征提取不全面。針對此問題,MACNN-ALSTM方法中第一層采用Zhang等[14]中提出的寬卷積核,以代替相對較淺的卷積路徑,增強(qiáng)低頻故障相關(guān)特征的學(xué)習(xí)。然而上述方法除第一層之外均使用固定長度的小卷積核,在高負(fù)荷、高轉(zhuǎn)速的條件下,含有故障信息的振動信號的尺度難以測量,沒有考慮用不同尺度卷積核來提取豐富的特征。因此,MACNN-ALSTM方法中第二層采用融合注意力機(jī)制的多尺度卷積核,對故障信號進(jìn)行多尺度特征提取,拓寬卷積核捕捉高低頻特征的范圍,使得卷積神經(jīng)網(wǎng)絡(luò)能夠提取到更豐富、更重要的多尺度故障特征。

    CNN模型雖然有著強(qiáng)大的特征提取能力,但是不具有記憶能力,所以在處理時(shí)序信號的問題上準(zhǔn)確率和效率沒有LSTM高,因?yàn)長STM可以學(xué)習(xí)到歷史信息,并且一定程度上克服了RNN梯度消失的問題,更適合處理時(shí)間序列。因此,為了最大程度地保留振動信號的時(shí)序特征,提出使用ALSTM對特征做進(jìn)一步提取。

    1.3.1注意力加權(quán)機(jī)制

    當(dāng)電機(jī)軸承發(fā)生局部故障時(shí),故障位置對接觸滾動軸承的其他部位產(chǎn)生脈沖激勵(lì),使整個(gè)系統(tǒng)都產(chǎn)生高頻共振衰減振動,這導(dǎo)致不同信號段的振動信號對故障識別的幫助是不同的,有些特征可能與故障信息相關(guān),有些可能帶來干擾。針對上述情況,采用了注意力特征加權(quán)機(jī)制,將注意力機(jī)制加到不同尺度的卷積層中,獲取每個(gè)尺度下有用的故障特征,對其進(jìn)行加權(quán)處理,篩選并抑制用處不大的故障特征,以此獲得網(wǎng)絡(luò)中具有判別性的故障特征。

    注意力加權(quán)結(jié)構(gòu)如圖3所示。其中:Z表示原始輸入特征;Z′表示經(jīng)過注意力加權(quán)處理之后的輸出特征;L表示每個(gè)通道的特征值數(shù)目;C表示卷積之后得到的特征通道數(shù)。

    對原始輸入特征做3種并行處理:對輸入的特征進(jìn)行權(quán)重的重新標(biāo)定,首先將原始特征Z輸入到一維卷積中做卷積操作,得到每個(gè)信號段上特征的重要程度,最后通過Sigmoid函數(shù)調(diào)整生成的特征權(quán)重。具體計(jì)算見式(4)。其中:σ代表Sigmoid函數(shù);f代表卷積操作;α為生成的特征調(diào)整權(quán)重,其取值范圍為[0,1]。

    為了能夠進(jìn)一步提取故障特征和避免注意力過度的問題,這里對輸入特征再做一次卷積操作。實(shí)現(xiàn)如式(5)所示,δ代表ReLu函數(shù),f′代表卷積操作,M為輸出特征。

    進(jìn)行特征重標(biāo)定操作,如式(6)所示,這里直接使用特征權(quán)值α與M進(jìn)行匹配相乘得到輸出O即可。計(jì)算過程如下。

    值得注意的是,特征權(quán)重α的取值范圍為[0,1],重復(fù)使用注意力模塊,可能導(dǎo)致后續(xù)特征響應(yīng)值不斷降低,反而影響網(wǎng)絡(luò)的故障識別性能。因此借助殘差學(xué)習(xí)[19]思想,在保留重標(biāo)定特征O的同時(shí),引入殘差連接來提升MACNN-ALSTM方法的性能,如式(7)所示,直接用原始輸入特征Z與重標(biāo)定特征O相加,得到注意力機(jī)制下最終學(xué)習(xí)到的新特征Z′。

    1.3.2多尺度特征提取

    傳統(tǒng)CNN的卷積拓?fù)浣Y(jié)構(gòu)中,每層卷積核的尺寸是固定的。隨著負(fù)載的變化,單一尺寸的卷積核無法適應(yīng)各種負(fù)載的特征提取任務(wù)。針對此問題,提出了一種基于多尺度的卷積神經(jīng)網(wǎng)絡(luò),從時(shí)域信號上提取豐富的多尺度特征。

    如圖4所示,在第一層采用寬卷積核,作為低頻濾波器。為了獲取較大的感受野,首先將原始信號輸入到第一層寬卷積核中來識別低頻且短時(shí)的特征,抑制噪聲。利用尺度不同的卷積核作為高低頻濾波器,從不同的角度提取上一層輸出的特征來獲取信號中不同頻率的特征。此外,選用3個(gè)不同尺度的卷積核,以并行方式提取特征,以此獲取不同尺度的振動信號特征。同時(shí)在各多尺度模塊中加入注意力機(jī)制,對特征信息進(jìn)行加權(quán)處理,獲得更具代表性的多尺度故障特征。3個(gè)尺度的卷積輸出的特征大小均為L×C,對所提取的特征進(jìn)行堆疊,形成大小為L×3C的多尺度特征集,為后面的卷積層提供更豐富且互補(bǔ)的故障特征。

    2實(shí)驗(yàn)和結(jié)果分析

    2.1MACNN-ALSTM及訓(xùn)練參數(shù)設(shè)置

    在實(shí)驗(yàn)中,MACNN-ALSTM方法第一層卷積采用16個(gè)大小為64×1的卷積核;第二層有3條多尺度分支,3條多尺度分支采用相同的注意力卷積結(jié)構(gòu),卷積核大小分別為11×1、7×1、5×1,每個(gè)卷積核數(shù)量為16;第三層卷積使用64個(gè)大小為6×1的卷積核;第四層卷積使用64個(gè)大小為10×1的卷積核,LSTM的單元設(shè)置為64。為出于魯棒性考慮,模型在改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)與ALSTM之間添加了Dropout層,并設(shè)置Dropout為50%來防止過擬合現(xiàn)象。實(shí)驗(yàn)訓(xùn)練使用后端為Tensorflow。實(shí)驗(yàn)平臺是在Ubuntu 18.04.2,含4個(gè)RTX 2080Ti顯卡,本實(shí)驗(yàn)中,用到3個(gè)。

    2.2對比方法

    為了驗(yàn)證MACNN-ALSTM方法的優(yōu)越性和有效性,將MACNN-ALSTM方法與以下方法進(jìn)行對比分析:

    1)ALSTM-FCN[20]目前在時(shí)間序列分類數(shù)據(jù)集上表現(xiàn)最好的方法。該模型通過ALSTM和全卷積神經(jīng)網(wǎng)絡(luò)(fully convolutional network,F(xiàn)CN)結(jié)合,實(shí)現(xiàn)端到端的分類;

    2)WDCNN是在第一層使用寬卷積進(jìn)行特征提取,然后使用小卷積進(jìn)一步特征提取,最后使用多分類函數(shù)計(jì)算概率的方式進(jìn)行故障診斷;

    3)MSCNN是一種多尺度卷積神經(jīng)網(wǎng)絡(luò)故障診斷方法,利用多尺度特征表示,特征提取之后使用全連接層和多分類函數(shù)實(shí)現(xiàn)齒輪箱故障診斷;

    4)多層感知神經(jīng)網(wǎng)絡(luò)(multilayer perceptron, MLP)具有5個(gè)全連接層,分別是1024,512,256,128,64。使用交叉熵?fù)p失函數(shù)(CE loss);

    5)支持向量機(jī)(support vector machine, SVM)是機(jī)器學(xué)習(xí)中經(jīng)典的分類器,使用徑向基核函數(shù)。

    2.3凱斯西儲大學(xué)軸承數(shù)據(jù)集實(shí)驗(yàn)分析

    2.3.1數(shù)據(jù)集介紹

    美國凱斯西儲大學(xué)軸承(case western reserve university, CWRU)數(shù)據(jù)集是世界公認(rèn)的軸承故障診斷標(biāo)準(zhǔn)數(shù)據(jù)集,為了評價(jià)算法的優(yōu)越性,最客觀的方式是使用第三方標(biāo)準(zhǔn)數(shù)據(jù)集與當(dāng)下流行算法比較,因此本實(shí)驗(yàn)用CWRU數(shù)據(jù)集進(jìn)行驗(yàn)證。

    CWRU數(shù)據(jù)集的采集系統(tǒng)如圖5所示,包括風(fēng)扇端軸承、電機(jī)、驅(qū)動端軸承、扭矩傳感器及編碼器和測功器。采用加速傳感器分別從風(fēng)扇端軸承和驅(qū)動端軸承采集數(shù)據(jù),軸承故障是使用電火花加工單點(diǎn)時(shí)損傷而致。驅(qū)動端軸承、扭矩傳感器及編碼器是用來添加負(fù)載的。采樣頻率分別是12kHz和48kHz。本實(shí)驗(yàn)采樣頻率為12kHz,驅(qū)動端軸承有4種不同的狀態(tài):健康、滾動體、外圈、內(nèi)圈,每種負(fù)載選取的訓(xùn)練和測試樣本數(shù)量見表1。

    2.3.2變負(fù)載下的故障識別

    基于數(shù)據(jù)驅(qū)動的故障診斷模型大多面向單一負(fù)載,而實(shí)際的工業(yè)應(yīng)用中,機(jī)械設(shè)備運(yùn)行的環(huán)境是多種多樣的。例如不同轉(zhuǎn)速、不同負(fù)載等,這樣會造成振動信號的特征不同,幅值不同,波動周期和相位差別也很大。

    為了驗(yàn)證MACNN-ALSTM方法在變負(fù)載情況下的故障識別能力,實(shí)驗(yàn)選用CWRU軸承故障數(shù)據(jù)集在負(fù)載1hp、2hp、3hp下進(jìn)行訓(xùn)練,利用其余2種負(fù)載進(jìn)行測試,如第一行源域?yàn)锳時(shí),目標(biāo)域?yàn)锽,C。變負(fù)載問題的具體描述如表2所示。

    實(shí)驗(yàn)結(jié)果如圖6所示,其中‘A-B代表訓(xùn)練集使用A數(shù)據(jù)集,測試集使用B數(shù)據(jù)集,A和B是不同負(fù)載下的數(shù)據(jù)集。從圖中可看出,MACNN-ALSTM方法遠(yuǎn)高于WDCNN、ALSTM-FCN、MLP和SVM方法,與MSCNN方法比較也有顯著優(yōu)勢。

    其中MSCNN方法使用的是多個(gè)不同尺度卷積核提取故障特征,因此在變負(fù)載下表現(xiàn)突出,但在‘C-A負(fù)載差異較大的情況下準(zhǔn)確率降到89.97%,而MACNN-ALSTM方法使用融合注意力加權(quán)機(jī)制的多尺度進(jìn)行特征提取,在‘C-A情況下其準(zhǔn)確率達(dá)到92.34%,比MSCNN高出2.37%。此外,MACNN-ALSTM方法在所有變負(fù)載實(shí)驗(yàn)中的識別準(zhǔn)確率都在90%以上,證明了在不同負(fù)載下MACNN-ALSTM方法有較優(yōu)的故障識別能力。

    2.3.3噪聲環(huán)境下實(shí)驗(yàn)分析

    在實(shí)際的工業(yè)生產(chǎn)環(huán)境中,振動傳感器采集的振動信號容易受到工廠振動噪聲的污染,因此,如何在含有噪聲的振動信號中對軸承的故障進(jìn)行診斷具有重要意義。為了驗(yàn)證MACNN-ALSTM方法的噪聲魯棒性好,實(shí)驗(yàn)取信噪比為-4、-2、0、2、4、8dB的高斯白噪聲加入到測試樣本中,模擬工業(yè)環(huán)境中的噪聲污染。實(shí)驗(yàn)結(jié)果如圖7所示,在高信噪比的環(huán)境中,各個(gè)算法都表現(xiàn)良好。然而,當(dāng)信噪比為4dB或更小時(shí),隨著噪聲水平的增加,MACNN-ALSTM方法準(zhǔn)確率明顯優(yōu)于其他方法。

    從上述變負(fù)載實(shí)驗(yàn)、噪聲環(huán)境實(shí)驗(yàn)來看,目前當(dāng)下流行算法的模型均在特定環(huán)境下表現(xiàn)良好,而在多變的環(huán)境下表現(xiàn)較差。MACNN-ALSTM方法在上述實(shí)驗(yàn)環(huán)境下均表現(xiàn)突出,具有很好的變負(fù)載下故障識別能力和噪聲魯棒性。

    2.4旋轉(zhuǎn)機(jī)械設(shè)備試車臺數(shù)據(jù)分析

    為了進(jìn)一步驗(yàn)證MACNN-ALSTM方法的泛化能力和可靠性,進(jìn)行了旋轉(zhuǎn)機(jī)械設(shè)備試車臺實(shí)驗(yàn)數(shù)據(jù)(自采集)分析。試車臺實(shí)驗(yàn)數(shù)據(jù)集來自中國航發(fā)東安發(fā)動機(jī)有限公司,采集設(shè)備是“XXX”型號推進(jìn)減速器,推進(jìn)減速器安裝在試車臺上,試車臺通過電機(jī)帶動轉(zhuǎn)軸來推進(jìn)減速器轉(zhuǎn)動,試車臺實(shí)驗(yàn)數(shù)據(jù)采集現(xiàn)場如圖8所示,試車臺共設(shè)有4個(gè)振動測點(diǎn),振動傳感器安裝在設(shè)備表面,分別位于設(shè)備的左面、右面、上面和下面,進(jìn)行振動信號的采集。

    實(shí)驗(yàn)采用的是慧石科技的電壓傳感器,型號為CA7002A,采樣頻率為25600Hz,傳感器靈敏度為1V/g,共采集了7種不同的轉(zhuǎn)速和功率狀態(tài)下的振動數(shù)據(jù),如表3所示,實(shí)驗(yàn)選取設(shè)備第X個(gè)測點(diǎn)的振動數(shù)據(jù)進(jìn)行測試。

    實(shí)驗(yàn)結(jié)果如表4所示,MACNN-ALSTM方法的準(zhǔn)確率為86.62%,遠(yuǎn)高于上述對比方法。表明MACNN-ALSTM方法在實(shí)際復(fù)雜工況下仍然有很高的準(zhǔn)確率。結(jié)合2.3節(jié)在CWRU數(shù)據(jù)集上的實(shí)驗(yàn)對比來看,WDCNN方法因采用了第一層寬卷積核進(jìn)行特征提取,在上述對比方法中表現(xiàn)突出,但是由于其未考慮多尺度特征提取以及振動信號中的時(shí)序特征,所以與MACNN-ALSTM方法的比較中沒有優(yōu)勢。這也驗(yàn)證了MACNN-ALSTM方法中的融合注意力機(jī)制的多尺度特征提取和長短期記憶網(wǎng)絡(luò)的有效性。此外,ALSTM-FCN方法最初被提出應(yīng)用在時(shí)間序列分類數(shù)據(jù)集上,其表現(xiàn)效果突出,但在基于振動信號的故障診斷方法中,該方法缺乏適應(yīng)性,針對變負(fù)載及實(shí)際工況,其故障識別能力明顯下降。

    3結(jié)論

    針對電機(jī)故障診斷過程中特征提取的復(fù)雜性及在變負(fù)載下識別率低的問題,提出了一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)端到端故障診斷模型,通過卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)的結(jié)合,有效提取了振動信號的時(shí)序特征;又通過融合注意力機(jī)制的多尺度提取故障特征,拓寬了卷積核捕捉高低頻特征的范圍。經(jīng)實(shí)驗(yàn)驗(yàn)證,MACNN-ALSTM方法具有較高的變負(fù)載下的故障識別能力和噪聲魯棒性。

    參 考 文 獻(xiàn):

    [1]王亞萍, 李士松, 葛江華, 等. 等距離映射和模糊C均值的滾動軸承故障識別[J]. 哈爾濱理工大學(xué)學(xué)報(bào), 2019, 24(3): 41.

    WANG Yaping, LI Shisong, GE Jianghua, et al. Rolling Bearing with Isometric Feature Mapping and Fuzzy C means Fault Identification Method[J]. Journal of Harbin University of Science and Technology, 2019, 24(3): 41.

    [2]雷先華, 楊啟正, 葉幸. 現(xiàn)代汽油發(fā)動機(jī)燃油噴射技術(shù)綜述[J]. 機(jī)電工程技術(shù), 2020, 49(6): 19.

    LEI Xianhua, YANG Qizheng, YE Xing. Summary of Fuel Injection Technology of Modern Gasoline Engine[J]. Mechanical and Electrical Engineering Technology, 2020, 49(6): 19.

    [3]陳珊珊,楊耿杰.水電機(jī)組振動故障診斷方法綜述[J].電氣技術(shù), 2019, 20(6): 1.

    CHEN Shanshan, YANG Gengjie. Review of Vibration Fault Diagnosis Methods for Hydraulic Turbines[J]. Electrical Technology, 2019, 20(6):1.

    [4]LIU T, CHEN J, DONG G M. Rolling Element Bearing Fault Diagnosis based on Frequency Bandentropy[J]. Journal of Vibration and Shock, 2014, 33(1): 77.

    [5]俞嘯. 數(shù)據(jù)驅(qū)動的滾動軸承故障特征分析與診斷方法研究[D]. 北京:中國礦業(yè)大學(xué), 2017.

    [6]鄧飛躍, 強(qiáng)亞文, 楊紹普, 等. 一種自適應(yīng)頻率窗經(jīng)驗(yàn)小波變換的滾動軸承故障診斷方法[J]. 西安交通大學(xué)學(xué)報(bào), 2018, 52(8): 22.

    DENG Feiyue, QIANG Yawen, YANG Shaopu,et al. A Fault Diagnosis Method of Rolling Element Bearings with Adaptive Frequency Window Empirical Wavelet Transform[J]. Journal of Xi′an Jiaotong University, 2018, 52(8): 22.

    [7]RAUBER T W, LOCA A , BOLDT F, et al. An Experimental Methodology to Evaluate Machine Learning Methods for Fault Diagnosis based on Vibration Signals[J]. Expert Systems with Applications, 2020: 114022.

    [8]SIKDER N, BHAKTA K,NAHID A A, et al.Fault Diagnosis of Motor Bearing using Ensemble Learning Algorithm with FFT-based preprocessing[C]//2019 International Conference on Robotics, Electrical and Signal Processing Techniques (ICREST). IEEE, 2019: 564.

    [9]LIAO Y, ZHANG L, LI W. Regrouping Particle Swarm Optimization based Variable Neural Network for Gearbox Fault Diagnosis[J]. Journal of Intelligent & Fuzzy Systems, 2018, 34(6): 3671.

    [10]PALCIOS R H C, SILVA I N D, GOEDTEL A, et al. Diagnosis of Stator Faults Severity in Induction Motors Using Two Intelligent Approaches[J]. IEEE Transactions on IndustrialInformatics, 2017, 13(4): 1681.

    [11]黃麗梅, 張旗. 基于數(shù)據(jù)驅(qū)動的變換器故障診斷綜述[J]. 電氣技術(shù), 2019, 20(2): 1.

    HUANG Limei, ZHANG Qi. Review on FaultDiagnosis of Converter based on Data Driven[J]. Electrical Technology, 2019, 20(2): 1.

    [12]SZEGEDY C, IOFFE S, VANHOUCKE V, et al.Inception-v4, Inception-Resnet and the Impact of Residual Connections on Learning[C]//Proceedings ofthe AAAI Conference on Artificial Intelligence,2017, 4:12.

    [13]MERITY S, KESKAR N S, SOCHER R. Regularizing and Optimizing LSTM Language Models[J]. arXivpreprint arXiv: 1708.02182, 2017.

    [14]EREN L, INCE T, KIRANYAZ S. A Generic Intelligent Bearing Fault Diagnosis System Using Compact Adaptive 1D CNN Classifier[J]. Journal of Signal Processing Systems, 2019, 91(2): 179.

    [15]JING L, ZHAO M, LI P, et al. A Convolutional Neural Network Based Feature Learning and Fault Diagnosis Method for The Condition Monitoring of Gearbox[J]. Measurement, 2018,111: 1.

    [16]KARIM F, MAJUMDAR S, DARABI H, et al.LSTM Fully Convolutional Networks for TimeSeries Classification[J]. IEEE access, 2018, 6: 1662.

    [17]ZHANG W, PENG G, LI C, et al. A New Deep Learning Model for Fault Diagnosis With Good Anti-Noise and Domain Adaptation Ability on Raw Vibration Signals[J]. Sensors, 2017,17(2): 425.

    [18]JIANG G, HE H, YAN J, et al. Multiscale Convolutional Neural Networks for Fault Diagnosis of Wind Turbine Gearbox[J]. IEEE Transactions on Industrial Electronics, 2019, 66(4): 3196.

    [19]HE K, ZHANG X, REN S, et al. Deep Residual Learning for Image Recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016: 770.

    [20]KARIM F, MAJUMDAR S, DARABI H, et al.LSTM Fully Convolutional Networks for TimeSeries Classification[J]. IEEE Access, 2017(99):.

    (編輯:溫澤宇)

    猜你喜歡
    長短期記憶網(wǎng)絡(luò)注意力機(jī)制卷積神經(jīng)網(wǎng)絡(luò)
    多種算法對不同中文文本分類效果比較研究
    基于深度學(xué)習(xí)的問題回答技術(shù)研究
    餐飲業(yè)客流預(yù)測的深度聯(lián)合模型
    商情(2018年47期)2018-11-26 09:12:38
    基于LSTM?Attention神經(jīng)網(wǎng)絡(luò)的文本特征提取方法
    基于LSTM的媒體網(wǎng)站用戶流量預(yù)測與負(fù)載均衡方法
    基于注意力機(jī)制的雙向LSTM模型在中文商品評論情感分類中的研究
    軟件工程(2017年11期)2018-01-05 08:06:09
    InsunKBQA:一個(gè)基于知識庫的問答系統(tǒng)
    基于LSTM自動編碼機(jī)的短文本聚類方法
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識別算法
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    欧美人与善性xxx| 九草在线视频观看| 无遮挡黄片免费观看| 美女国产高潮福利片在线看| 亚洲欧洲精品一区二区精品久久久| 亚洲av成人精品一二三区| 男女免费视频国产| 国产主播在线观看一区二区 | 大香蕉久久网| av在线老鸭窝| 天堂俺去俺来也www色官网| 久久精品国产综合久久久| 黑人猛操日本美女一级片| 欧美日韩视频精品一区| 夫妻性生交免费视频一级片| 国产又色又爽无遮挡免| 午夜免费成人在线视频| 久久国产精品影院| 精品少妇内射三级| 精品一区在线观看国产| 性少妇av在线| 免费高清在线观看视频在线观看| 精品久久久久久久毛片微露脸 | 下体分泌物呈黄色| 国产免费视频播放在线视频| 18禁裸乳无遮挡动漫免费视频| 婷婷色麻豆天堂久久| 性高湖久久久久久久久免费观看| 少妇精品久久久久久久| 一区二区三区激情视频| 午夜福利影视在线免费观看| 亚洲av电影在线观看一区二区三区| 菩萨蛮人人尽说江南好唐韦庄| 免费人妻精品一区二区三区视频| 国产熟女欧美一区二区| 精品人妻在线不人妻| 亚洲专区中文字幕在线| 777久久人妻少妇嫩草av网站| 日日摸夜夜添夜夜爱| 国产免费又黄又爽又色| 国产一级毛片在线| a 毛片基地| 亚洲欧美一区二区三区久久| 亚洲国产精品一区三区| 亚洲免费av在线视频| 如日韩欧美国产精品一区二区三区| 成年美女黄网站色视频大全免费| 十八禁网站网址无遮挡| 80岁老熟妇乱子伦牲交| 丁香六月天网| 晚上一个人看的免费电影| 老司机在亚洲福利影院| 男男h啪啪无遮挡| 久久影院123| xxx大片免费视频| 一区二区av电影网| 免费人妻精品一区二区三区视频| 男女下面插进去视频免费观看| 波野结衣二区三区在线| 欧美人与善性xxx| 国产精品国产av在线观看| 国产一区有黄有色的免费视频| 999久久久国产精品视频| 激情视频va一区二区三区| 亚洲一区中文字幕在线| 9191精品国产免费久久| 亚洲欧美日韩高清在线视频 | 亚洲第一青青草原| 欧美97在线视频| 人人妻,人人澡人人爽秒播 | 国产成人一区二区在线| 一区二区日韩欧美中文字幕| 搡老岳熟女国产| 亚洲av在线观看美女高潮| 亚洲av综合色区一区| 亚洲专区国产一区二区| 美女国产高潮福利片在线看| 无限看片的www在线观看| 99久久综合免费| 久久99热这里只频精品6学生| 亚洲av电影在线观看一区二区三区| 男女边吃奶边做爰视频| 成人三级做爰电影| 一级毛片 在线播放| 欧美日韩一级在线毛片| 欧美精品一区二区免费开放| 久久免费观看电影| 亚洲av日韩在线播放| 叶爱在线成人免费视频播放| 日本黄色日本黄色录像| 国产精品二区激情视频| 久久亚洲国产成人精品v| 在线观看一区二区三区激情| 成人国产一区最新在线观看 | 久久精品亚洲av国产电影网| 日韩av在线免费看完整版不卡| 大话2 男鬼变身卡| 国产有黄有色有爽视频| 国产精品一区二区在线观看99| 黄色一级大片看看| 久久天堂一区二区三区四区| 久热这里只有精品99| 男人添女人高潮全过程视频| 欧美在线黄色| 国产精品久久久av美女十八| av在线app专区| av在线app专区| 国产日韩欧美亚洲二区| 亚洲少妇的诱惑av| 亚洲伊人色综图| 丝瓜视频免费看黄片| 久久人人97超碰香蕉20202| 少妇粗大呻吟视频| 亚洲国产欧美日韩在线播放| 另类精品久久| 美女视频免费永久观看网站| 亚洲精品成人av观看孕妇| 久久国产精品影院| 亚洲欧美日韩另类电影网站| 777久久人妻少妇嫩草av网站| 亚洲欧美一区二区三区国产| 国产精品一区二区精品视频观看| 老司机在亚洲福利影院| 日韩 亚洲 欧美在线| 下体分泌物呈黄色| 国产精品免费视频内射| 亚洲精品一卡2卡三卡4卡5卡 | 搡老乐熟女国产| 久久国产精品人妻蜜桃| 在线观看国产h片| 丰满迷人的少妇在线观看| 久久国产精品人妻蜜桃| 欧美xxⅹ黑人| 成年美女黄网站色视频大全免费| 51午夜福利影视在线观看| 大型av网站在线播放| 欧美在线一区亚洲| 美女大奶头黄色视频| 婷婷色麻豆天堂久久| 国产精品成人在线| 日本午夜av视频| 观看av在线不卡| 日本wwww免费看| 在线av久久热| 又粗又硬又长又爽又黄的视频| 婷婷丁香在线五月| 亚洲欧洲日产国产| 国产视频首页在线观看| 欧美久久黑人一区二区| 黄色怎么调成土黄色| 91精品国产国语对白视频| 久久国产亚洲av麻豆专区| 精品少妇内射三级| 亚洲自偷自拍图片 自拍| 欧美人与性动交α欧美软件| 亚洲精品日本国产第一区| 丝袜脚勾引网站| 日韩中文字幕欧美一区二区 | 久久九九热精品免费| 精品国产乱码久久久久久小说| 老司机午夜十八禁免费视频| 精品欧美一区二区三区在线| 欧美另类一区| 我的亚洲天堂| 少妇猛男粗大的猛烈进出视频| 亚洲国产最新在线播放| 在线 av 中文字幕| 97精品久久久久久久久久精品| 欧美日韩黄片免| 狠狠精品人妻久久久久久综合| 男女午夜视频在线观看| 欧美97在线视频| 国产伦理片在线播放av一区| 日韩,欧美,国产一区二区三区| 女性生殖器流出的白浆| 男女之事视频高清在线观看 | 午夜久久久在线观看| 中国国产av一级| av在线播放精品| 一本综合久久免费| 日韩 亚洲 欧美在线| 黄色 视频免费看| 国产亚洲精品第一综合不卡| 午夜免费观看性视频| 亚洲精品美女久久久久99蜜臀 | 国产人伦9x9x在线观看| 成人国语在线视频| 国产成人av教育| 日本色播在线视频| 免费不卡黄色视频| svipshipincom国产片| 久久久久久久精品精品| 欧美日韩国产mv在线观看视频| 手机成人av网站| 另类精品久久| 在线观看人妻少妇| 国产欧美日韩一区二区三 | 日本欧美视频一区| 国产亚洲av片在线观看秒播厂| 久久人人97超碰香蕉20202| 人人妻,人人澡人人爽秒播 | 日韩一本色道免费dvd| 后天国语完整版免费观看| 最新在线观看一区二区三区 | 日韩一区二区三区影片| 久久人人97超碰香蕉20202| 在线观看免费视频网站a站| 日韩,欧美,国产一区二区三区| 51午夜福利影视在线观看| 视频在线观看一区二区三区| 久9热在线精品视频| 国产高清videossex| 啦啦啦在线观看免费高清www| 亚洲av男天堂| 各种免费的搞黄视频| 精品久久蜜臀av无| 国产男女内射视频| 亚洲精品国产一区二区精华液| 精品久久蜜臀av无| 男女边吃奶边做爰视频| 国产人伦9x9x在线观看| 在线观看国产h片| 国产日韩一区二区三区精品不卡| 丁香六月欧美| 欧美国产精品va在线观看不卡| 亚洲精品第二区| 好男人电影高清在线观看| 搡老岳熟女国产| 两个人免费观看高清视频| 在线观看免费视频网站a站| 欧美97在线视频| 久久精品aⅴ一区二区三区四区| 亚洲精品久久成人aⅴ小说| 嫩草影视91久久| videos熟女内射| 天天躁狠狠躁夜夜躁狠狠躁| 日本五十路高清| 亚洲少妇的诱惑av| 男人添女人高潮全过程视频| 一区二区日韩欧美中文字幕| 国产一卡二卡三卡精品| 高清视频免费观看一区二区| 国产一区二区激情短视频 | a级片在线免费高清观看视频| 人人妻人人爽人人添夜夜欢视频| 黄色视频不卡| 欧美日韩综合久久久久久| 亚洲黑人精品在线| 国产黄色免费在线视频| 两性夫妻黄色片| 18禁黄网站禁片午夜丰满| 中文精品一卡2卡3卡4更新| 丰满迷人的少妇在线观看| 欧美日韩国产mv在线观看视频| 亚洲精品第二区| 亚洲成人免费av在线播放| 免费在线观看完整版高清| 亚洲欧美精品自产自拍| av福利片在线| 国产视频首页在线观看| 午夜福利影视在线免费观看| 国产成人欧美| 亚洲精品久久成人aⅴ小说| 波野结衣二区三区在线| 久久性视频一级片| 熟女少妇亚洲综合色aaa.| 99久久99久久久精品蜜桃| 午夜两性在线视频| 久久国产精品男人的天堂亚洲| 成人亚洲精品一区在线观看| cao死你这个sao货| av网站在线播放免费| 国产精品99久久99久久久不卡| 日本五十路高清| 午夜福利在线免费观看网站| 免费在线观看黄色视频的| 在线观看国产h片| 久久久久网色| 久久久久久久久免费视频了| www.av在线官网国产| 性高湖久久久久久久久免费观看| 丰满迷人的少妇在线观看| 亚洲美女黄色视频免费看| 人成视频在线观看免费观看| 亚洲国产看品久久| 美女高潮到喷水免费观看| 黄色丝袜av网址大全| 亚洲国产欧洲综合997久久, | 18禁黄网站禁片午夜丰满| 麻豆av在线久日| 一区二区三区精品91| 久久这里只有精品19| 日本三级黄在线观看| 国产麻豆成人av免费视频| 69av精品久久久久久| 国内精品久久久久久久电影| 精品国产亚洲在线| 男女视频在线观看网站免费 | 色哟哟哟哟哟哟| 两个人视频免费观看高清| 国产激情偷乱视频一区二区| 岛国视频午夜一区免费看| 色综合欧美亚洲国产小说| 男人舔女人的私密视频| 真人一进一出gif抽搐免费| 欧美精品啪啪一区二区三区| 久久中文字幕一级| 在线国产一区二区在线| 欧美激情极品国产一区二区三区| 淫妇啪啪啪对白视频| 久久狼人影院| 狂野欧美激情性xxxx| 日韩精品青青久久久久久| 日韩大码丰满熟妇| 国语自产精品视频在线第100页| av在线天堂中文字幕| 日日摸夜夜添夜夜添小说| 亚洲激情在线av| 国产成人欧美在线观看| 精品人妻1区二区| 99在线视频只有这里精品首页| 婷婷精品国产亚洲av| 亚洲九九香蕉| 亚洲午夜理论影院| 亚洲av日韩精品久久久久久密| 久久热在线av| 久久精品国产清高在天天线| 成人18禁在线播放| 国产主播在线观看一区二区| 成人亚洲精品av一区二区| 亚洲真实伦在线观看| 在线观看日韩欧美| 一级毛片女人18水好多| 欧美一级a爱片免费观看看 | 91麻豆精品激情在线观看国产| 一级a爱片免费观看的视频| 无遮挡黄片免费观看| 精品国产美女av久久久久小说| 无人区码免费观看不卡| 亚洲专区中文字幕在线| 99精品久久久久人妻精品| 午夜两性在线视频| 这个男人来自地球电影免费观看| 少妇 在线观看| 成人午夜高清在线视频 | 啪啪无遮挡十八禁网站| 在线十欧美十亚洲十日本专区| 美女高潮到喷水免费观看| 人妻丰满熟妇av一区二区三区| 午夜免费观看网址| 精品久久久久久久久久久久久 | xxxwww97欧美| 午夜免费成人在线视频| 日本撒尿小便嘘嘘汇集6| 少妇粗大呻吟视频| 麻豆国产av国片精品| 亚洲中文字幕日韩| 久久久久九九精品影院| 夜夜看夜夜爽夜夜摸| 亚洲五月天丁香| 国产亚洲欧美精品永久| 老鸭窝网址在线观看| 午夜a级毛片| 亚洲精品中文字幕一二三四区| 午夜日韩欧美国产| 淫秽高清视频在线观看| 亚洲av片天天在线观看| 亚洲人成77777在线视频| 国产1区2区3区精品| 一二三四社区在线视频社区8| 欧美大码av| 黄色女人牲交| 正在播放国产对白刺激| 久久精品国产亚洲av香蕉五月| 精品欧美一区二区三区在线| 欧美在线黄色| 熟女少妇亚洲综合色aaa.| 美女免费视频网站| 成人三级做爰电影| 日韩精品免费视频一区二区三区| 欧洲精品卡2卡3卡4卡5卡区| 久热这里只有精品99| 欧洲精品卡2卡3卡4卡5卡区| 精品国产美女av久久久久小说| 国产av一区在线观看免费| 日韩欧美一区视频在线观看| 日韩欧美在线二视频| 国产又色又爽无遮挡免费看| 一卡2卡三卡四卡精品乱码亚洲| 精华霜和精华液先用哪个| 女人被狂操c到高潮| 2021天堂中文幕一二区在线观 | 国内少妇人妻偷人精品xxx网站 | 欧美乱妇无乱码| 久久久久久免费高清国产稀缺| 午夜福利视频1000在线观看| 国产一区二区三区视频了| 给我免费播放毛片高清在线观看| 亚洲精品中文字幕在线视频| 亚洲人成电影免费在线| 成人国产一区最新在线观看| 国内精品久久久久久久电影| 成人三级黄色视频| 成年女人毛片免费观看观看9| 99国产精品一区二区三区| 午夜福利高清视频| 成人一区二区视频在线观看| 亚洲精品中文字幕在线视频| 国产一区二区三区在线臀色熟女| 精品一区二区三区四区五区乱码| 一本综合久久免费| 在线观看一区二区三区| 日本 欧美在线| 久久午夜综合久久蜜桃| 亚洲成人免费电影在线观看| 天天添夜夜摸| 中文字幕精品亚洲无线码一区 | 久久国产精品人妻蜜桃| 久久久久久人人人人人| 男女下面进入的视频免费午夜 | www.精华液| 精品少妇一区二区三区视频日本电影| 黄片小视频在线播放| 国产熟女午夜一区二区三区| 国产精品亚洲美女久久久| 国产成人一区二区三区免费视频网站| 一级毛片精品| 日韩欧美一区视频在线观看| 97超级碰碰碰精品色视频在线观看| 成人特级黄色片久久久久久久| cao死你这个sao货| 欧美日本视频| 欧美国产精品va在线观看不卡| 亚洲欧美一区二区三区黑人| 婷婷精品国产亚洲av| 久久久久九九精品影院| 男人舔女人的私密视频| 成年女人毛片免费观看观看9| 日本 av在线| 亚洲天堂国产精品一区在线| 久久香蕉国产精品| 久久久久免费精品人妻一区二区 | 国产激情欧美一区二区| 俄罗斯特黄特色一大片| 午夜激情av网站| 久久久久国内视频| 少妇粗大呻吟视频| 首页视频小说图片口味搜索| 日韩欧美一区二区三区在线观看| 夜夜躁狠狠躁天天躁| 19禁男女啪啪无遮挡网站| 人人妻人人看人人澡| 香蕉丝袜av| 成人国产综合亚洲| 桃红色精品国产亚洲av| 好男人电影高清在线观看| 国产日本99.免费观看| 美女午夜性视频免费| 在线播放国产精品三级| 免费高清视频大片| 香蕉久久夜色| 亚洲国产欧美一区二区综合| 亚洲中文字幕一区二区三区有码在线看 | 亚洲国产欧美日韩在线播放| 国产日本99.免费观看| 国产精品香港三级国产av潘金莲| 黑人欧美特级aaaaaa片| 视频区欧美日本亚洲| 成人永久免费在线观看视频| 久久精品91无色码中文字幕| 久久久久久九九精品二区国产 | 人人妻人人看人人澡| 亚洲七黄色美女视频| 亚洲精品一卡2卡三卡4卡5卡| 久久九九热精品免费| 久久久久亚洲av毛片大全| 成年女人毛片免费观看观看9| 日韩欧美一区二区三区在线观看| 黄色毛片三级朝国网站| 亚洲av第一区精品v没综合| av免费在线观看网站| 亚洲色图 男人天堂 中文字幕| 日本五十路高清| 成人亚洲精品av一区二区| 久久久久久久久久黄片| 精品国产国语对白av| 最近最新中文字幕大全免费视频| 日本黄色视频三级网站网址| 久久久精品国产亚洲av高清涩受| 美女午夜性视频免费| 亚洲在线自拍视频| 亚洲性夜色夜夜综合| 成人国产综合亚洲| 久久香蕉激情| 亚洲国产毛片av蜜桃av| 午夜久久久久精精品| 亚洲av日韩精品久久久久久密| 欧美日韩瑟瑟在线播放| 国产亚洲av嫩草精品影院| 嫩草影视91久久| 成人三级做爰电影| 亚洲av成人av| 欧美国产精品va在线观看不卡| 嫁个100分男人电影在线观看| 国产精品久久久久久亚洲av鲁大| svipshipincom国产片| 亚洲熟妇熟女久久| 欧美 亚洲 国产 日韩一| 中国美女看黄片| ponron亚洲| 免费看日本二区| 久久久久久久久久黄片| 久久精品亚洲精品国产色婷小说| www.www免费av| 欧美又色又爽又黄视频| 欧美国产日韩亚洲一区| 亚洲无线在线观看| 手机成人av网站| 制服诱惑二区| 日韩成人在线观看一区二区三区| 久久久久久久久免费视频了| av在线天堂中文字幕| 欧美成人午夜精品| 很黄的视频免费| 国产主播在线观看一区二区| 日日夜夜操网爽| 欧美zozozo另类| 999精品在线视频| 狂野欧美激情性xxxx| 99精品欧美一区二区三区四区| 久久久久久久久中文| 香蕉丝袜av| 真人做人爱边吃奶动态| 国产精品98久久久久久宅男小说| 亚洲九九香蕉| 欧美绝顶高潮抽搐喷水| 99国产综合亚洲精品| 亚洲色图av天堂| 久99久视频精品免费| 国产真人三级小视频在线观看| 脱女人内裤的视频| 人成视频在线观看免费观看| 亚洲全国av大片| 国产精品永久免费网站| videosex国产| 欧美成人午夜精品| 亚洲一区高清亚洲精品| 88av欧美| 757午夜福利合集在线观看| 国产真实乱freesex| avwww免费| 男男h啪啪无遮挡| 18美女黄网站色大片免费观看| 伊人久久大香线蕉亚洲五| 国内久久婷婷六月综合欲色啪| 久久久精品欧美日韩精品| 亚洲五月色婷婷综合| 国产97色在线日韩免费| 天堂动漫精品| www日本在线高清视频| 国产欧美日韩一区二区精品| 巨乳人妻的诱惑在线观看| 可以在线观看毛片的网站| 亚洲aⅴ乱码一区二区在线播放 | 色综合亚洲欧美另类图片| 色综合婷婷激情| 高清毛片免费观看视频网站| 成人三级黄色视频| 亚洲精品av麻豆狂野| 欧美黑人巨大hd| www.自偷自拍.com| 国内久久婷婷六月综合欲色啪| 欧美性猛交╳xxx乱大交人| 国产午夜福利久久久久久| 人妻久久中文字幕网| 久久久水蜜桃国产精品网| 手机成人av网站| 国内精品久久久久久久电影| 岛国视频午夜一区免费看| www日本在线高清视频| 18禁黄网站禁片午夜丰满| 91麻豆精品激情在线观看国产| 91九色精品人成在线观看| 制服诱惑二区| 国产高清激情床上av| 99久久99久久久精品蜜桃| 国产色视频综合| 午夜a级毛片| 国产亚洲精品av在线| 男人的好看免费观看在线视频 | cao死你这个sao货| 波多野结衣高清无吗| 国产又黄又爽又无遮挡在线| 制服丝袜大香蕉在线| 老熟妇仑乱视频hdxx| 天堂影院成人在线观看| 免费女性裸体啪啪无遮挡网站| 国产成人欧美| 亚洲国产精品久久男人天堂| 免费看美女性在线毛片视频| 亚洲一区二区三区色噜噜| 亚洲男人的天堂狠狠| or卡值多少钱| 妹子高潮喷水视频| 欧美中文综合在线视频| 黑丝袜美女国产一区| 精品国产超薄肉色丝袜足j| 特大巨黑吊av在线直播 | 国产精品乱码一区二三区的特点| 精品欧美国产一区二区三| 男人舔女人下体高潮全视频| 麻豆一二三区av精品| 99riav亚洲国产免费| 97人妻精品一区二区三区麻豆 | 国产成年人精品一区二区|