• <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
    成人特级av手机在线观看| 成人一区二区视频在线观看| 91久久精品电影网| 欧美xxxx性猛交bbbb| 黄色配什么色好看| 男人的好看免费观看在线视频| 色哟哟·www| 中文欧美无线码| 久久鲁丝午夜福利片| 国产色爽女视频免费观看| 免费看av在线观看网站| 男人的好看免费观看在线视频| 男女视频在线观看网站免费| 狂野欧美激情性xxxx在线观看| 国产亚洲91精品色在线| 国产精品av视频在线免费观看| 神马国产精品三级电影在线观看| 中文亚洲av片在线观看爽| 国产精品乱码一区二三区的特点| 精品久久久久久久人妻蜜臀av| 乱码一卡2卡4卡精品| 免费看av在线观看网站| 成人av在线播放网站| 男人和女人高潮做爰伦理| 美女内射精品一级片tv| 国产黄色小视频在线观看| 欧美性猛交黑人性爽| 国产精品国产三级国产av玫瑰| 亚洲美女视频黄频| 日韩中字成人| 日韩人妻高清精品专区| 久久精品91蜜桃| 色综合色国产| 看免费成人av毛片| 高清视频免费观看一区二区 | 嫩草影院入口| 国产精品女同一区二区软件| 国产亚洲最大av| 国产亚洲午夜精品一区二区久久 | 国产午夜精品论理片| 麻豆成人av视频| 亚洲人成网站在线观看播放| 国产精品无大码| 精华霜和精华液先用哪个| 日本-黄色视频高清免费观看| 永久免费av网站大全| 91aial.com中文字幕在线观看| 久久国产乱子免费精品| 国产 一区精品| 国产91av在线免费观看| 欧美3d第一页| 18禁动态无遮挡网站| 国产精品久久久久久久久免| 最近2019中文字幕mv第一页| 国产69精品久久久久777片| 麻豆av噜噜一区二区三区| 亚洲色图av天堂| 成人欧美大片| videossex国产| 蜜臀久久99精品久久宅男| 亚洲国产欧美人成| 国产免费视频播放在线视频 | 午夜福利成人在线免费观看| 亚洲av电影不卡..在线观看| 桃色一区二区三区在线观看| 热99re8久久精品国产| 18禁在线播放成人免费| 欧美性猛交╳xxx乱大交人| 一级毛片电影观看 | 建设人人有责人人尽责人人享有的 | 日韩,欧美,国产一区二区三区 | 欧美zozozo另类| 嫩草影院入口| 少妇猛男粗大的猛烈进出视频 | 欧美日韩在线观看h| 村上凉子中文字幕在线| 久久久亚洲精品成人影院| 日韩精品青青久久久久久| 男人舔奶头视频| 久久国产乱子免费精品| av国产免费在线观看| 草草在线视频免费看| 国产精品一及| 日韩大片免费观看网站 | av国产久精品久网站免费入址| 性色avwww在线观看| 一边摸一边抽搐一进一小说| 日本欧美国产在线视频| 亚洲欧美清纯卡通| 久久久国产成人免费| 99热6这里只有精品| 三级毛片av免费| 日韩一区二区三区影片| 99热6这里只有精品| 午夜精品国产一区二区电影 | 日日啪夜夜撸| 国产午夜精品久久久久久一区二区三区| 22中文网久久字幕| av播播在线观看一区| 3wmmmm亚洲av在线观看| 精品午夜福利在线看| 亚洲精品乱久久久久久| 九色成人免费人妻av| 国产一区二区在线av高清观看| 男女国产视频网站| 久久韩国三级中文字幕| 一本久久精品| 18禁裸乳无遮挡免费网站照片| 亚洲成人久久爱视频| 成人二区视频| 干丝袜人妻中文字幕| 午夜久久久久精精品| 亚洲人成网站在线观看播放| 国产毛片a区久久久久| 国产av码专区亚洲av| 日韩精品青青久久久久久| 欧美又色又爽又黄视频| 五月伊人婷婷丁香| 精华霜和精华液先用哪个| 日韩大片免费观看网站 | 国产老妇伦熟女老妇高清| 成年免费大片在线观看| 欧美高清性xxxxhd video| 99热这里只有是精品50| 97超碰精品成人国产| 欧美激情久久久久久爽电影| 久久精品91蜜桃| 2021天堂中文幕一二区在线观| 日本wwww免费看| 又粗又硬又长又爽又黄的视频| 亚洲熟妇中文字幕五十中出| 我要看日韩黄色一级片| av国产久精品久网站免费入址| 非洲黑人性xxxx精品又粗又长| 亚洲不卡免费看| 久久久欧美国产精品| 亚洲在久久综合| 夜夜看夜夜爽夜夜摸| 久久欧美精品欧美久久欧美| av国产免费在线观看| 久久精品影院6| 亚洲aⅴ乱码一区二区在线播放| 六月丁香七月| 亚洲最大成人手机在线| 51国产日韩欧美| 女的被弄到高潮叫床怎么办| 在线播放国产精品三级| 国产在线男女| 看十八女毛片水多多多| 男的添女的下面高潮视频| 亚洲怡红院男人天堂| 国产精品日韩av在线免费观看| 久久99热这里只频精品6学生 | 中文字幕精品亚洲无线码一区| 干丝袜人妻中文字幕| 欧美丝袜亚洲另类| 欧美激情国产日韩精品一区| kizo精华| 高清午夜精品一区二区三区| 日产精品乱码卡一卡2卡三| 黄片无遮挡物在线观看| 91久久精品国产一区二区成人| 国产免费视频播放在线视频 | 九九热线精品视视频播放| 国产精品国产三级国产av玫瑰| 欧美高清成人免费视频www| 国产精品人妻久久久久久| 免费无遮挡裸体视频| 日本免费一区二区三区高清不卡| 男人舔女人下体高潮全视频| 亚洲av一区综合| 人妻少妇偷人精品九色| 亚洲欧美精品综合久久99| 亚洲不卡免费看| 久久久久久久久中文| 亚洲av二区三区四区| 在线观看av片永久免费下载| eeuss影院久久| 九色成人免费人妻av| 欧美一区二区亚洲| 欧美色视频一区免费| 亚洲不卡免费看| 久久久久久久久久成人| 在线a可以看的网站| 一区二区三区高清视频在线| 精华霜和精华液先用哪个| 国产精品日韩av在线免费观看| 丰满少妇做爰视频| 在现免费观看毛片| 欧美丝袜亚洲另类| 欧美丝袜亚洲另类| 国产精品久久电影中文字幕| 午夜久久久久精精品| 国产午夜精品一二区理论片| 亚洲最大成人中文| 欧美日韩一区二区视频在线观看视频在线 | 欧美性感艳星| 激情 狠狠 欧美| 视频中文字幕在线观看| 国产成人a∨麻豆精品| 久久久色成人| 韩国高清视频一区二区三区| 级片在线观看| 亚洲三级黄色毛片| 国产精品人妻久久久久久| 久久久久久久久久成人| 日本-黄色视频高清免费观看| 国产精品无大码| 天堂√8在线中文| 亚洲精品国产成人久久av| 欧美zozozo另类| 国产老妇伦熟女老妇高清| 三级毛片av免费| 最近最新中文字幕大全电影3| 人妻制服诱惑在线中文字幕| 日本免费在线观看一区| 深夜a级毛片| 中文精品一卡2卡3卡4更新| 久久99热这里只频精品6学生 | 99国产精品一区二区蜜桃av| 国产精华一区二区三区| 国产精品一区www在线观看| 人妻系列 视频| 久久久久久久久久久丰满| 又黄又爽又刺激的免费视频.| 熟妇人妻久久中文字幕3abv| 三级国产精品欧美在线观看| 国产真实伦视频高清在线观看| 欧美精品国产亚洲| 一二三四中文在线观看免费高清| 毛片女人毛片| 99热这里只有是精品在线观看| 超碰97精品在线观看| 亚洲在线自拍视频| 亚洲最大成人中文| 汤姆久久久久久久影院中文字幕 | 国产成人a区在线观看| 精品国内亚洲2022精品成人| .国产精品久久| 两个人的视频大全免费| 少妇丰满av| 免费av毛片视频| 亚洲电影在线观看av| 黄片wwwwww| 日韩三级伦理在线观看| 国产精品女同一区二区软件| 99在线视频只有这里精品首页| 亚洲美女搞黄在线观看| 赤兔流量卡办理| 亚洲av二区三区四区| 久久久亚洲精品成人影院| 亚洲成人中文字幕在线播放| 国产成人福利小说| 欧美xxxx黑人xx丫x性爽| 18禁动态无遮挡网站| 亚洲丝袜综合中文字幕| 狂野欧美白嫩少妇大欣赏| 亚洲美女搞黄在线观看| av在线老鸭窝| 色综合色国产| 国产精品,欧美在线| 亚洲高清免费不卡视频| 亚洲久久久久久中文字幕| 国产精品.久久久| 日日啪夜夜撸| 变态另类丝袜制服| 亚洲国产最新在线播放| 超碰97精品在线观看| 麻豆成人av视频| 久久久亚洲精品成人影院| 久久精品综合一区二区三区| 国产精华一区二区三区| 久久久国产成人精品二区| 日韩成人伦理影院| 国产高潮美女av| 久久精品国产自在天天线| 亚洲国产精品成人综合色| 欧美成人精品欧美一级黄| 99久久精品一区二区三区| 91午夜精品亚洲一区二区三区| 国产男人的电影天堂91| 国产精品熟女久久久久浪| 黄色欧美视频在线观看| 中文亚洲av片在线观看爽| 亚洲精品色激情综合| 午夜免费激情av| 国产高清三级在线| 精品一区二区三区人妻视频| 精品午夜福利在线看| 午夜精品在线福利| 亚洲人成网站高清观看| 精品熟女少妇av免费看| 亚州av有码| 一级毛片我不卡| 欧美3d第一页| 特级一级黄色大片| 日韩欧美精品v在线| 亚洲av一区综合| 美女高潮的动态| 人人妻人人澡人人爽人人夜夜 | 特级一级黄色大片| 日本与韩国留学比较| 一级毛片久久久久久久久女| 桃色一区二区三区在线观看| 人人妻人人看人人澡| 成人三级黄色视频| 亚洲欧美日韩卡通动漫| 欧美3d第一页| 91狼人影院| 亚洲精品成人久久久久久| 综合色丁香网| 精品久久久久久成人av| 国产高清不卡午夜福利| 日本wwww免费看| 午夜精品在线福利| 午夜精品一区二区三区免费看| 三级国产精品欧美在线观看| 高清av免费在线| 99热这里只有是精品在线观看| 中文字幕av在线有码专区| 亚洲真实伦在线观看| 搡老妇女老女人老熟妇| 精品人妻一区二区三区麻豆| 欧美三级亚洲精品| 五月玫瑰六月丁香| 中文字幕精品亚洲无线码一区| 午夜免费男女啪啪视频观看| 亚洲成人精品中文字幕电影| 亚洲五月天丁香| 久久精品国产99精品国产亚洲性色| 韩国高清视频一区二区三区| 岛国毛片在线播放| 免费电影在线观看免费观看| 久久久色成人| 成人午夜精彩视频在线观看| 久久久久九九精品影院| 又粗又硬又长又爽又黄的视频| 人体艺术视频欧美日本| 晚上一个人看的免费电影| 看十八女毛片水多多多| 亚洲av男天堂| 国产精品美女特级片免费视频播放器| 欧美日本视频| 中文欧美无线码| 一区二区三区四区激情视频| 精品人妻一区二区三区麻豆| 纵有疾风起免费观看全集完整版 | 成人毛片a级毛片在线播放| 亚洲精品乱久久久久久| 午夜激情福利司机影院| 国产探花极品一区二区| 男女下面进入的视频免费午夜| 久久99热这里只频精品6学生 | 欧美日韩一区二区视频在线观看视频在线 | 成年女人看的毛片在线观看| 日本色播在线视频| 国产免费视频播放在线视频 | 久久这里有精品视频免费| 国内少妇人妻偷人精品xxx网站| 免费播放大片免费观看视频在线观看 | 91久久精品国产一区二区成人| 国产乱来视频区| 成人欧美大片| 久久久亚洲精品成人影院| 日韩人妻高清精品专区| 视频中文字幕在线观看| 亚洲不卡免费看| 国产精品久久久久久久电影| 日本猛色少妇xxxxx猛交久久| 热99re8久久精品国产| 国产免费男女视频| 亚洲怡红院男人天堂| 99在线视频只有这里精品首页| 中文字幕av在线有码专区| 只有这里有精品99| 亚洲aⅴ乱码一区二区在线播放| 国产一区有黄有色的免费视频 | 日韩欧美在线乱码| 久久精品国产自在天天线| 一本久久精品| 免费av观看视频| 国产精品久久久久久精品电影| 午夜精品在线福利| 久久久久久久久久成人| 菩萨蛮人人尽说江南好唐韦庄 | 亚洲欧美成人精品一区二区| 黄片无遮挡物在线观看| 欧美xxxx黑人xx丫x性爽| 久久这里有精品视频免费| 哪个播放器可以免费观看大片| av国产久精品久网站免费入址| 免费人成在线观看视频色| 国产精品综合久久久久久久免费| 亚洲av一区综合| 国产亚洲av片在线观看秒播厂 | 亚洲性久久影院| 九九久久精品国产亚洲av麻豆| 麻豆成人午夜福利视频| 亚洲在久久综合| 国产精品一及| 中文字幕精品亚洲无线码一区| 看十八女毛片水多多多| 噜噜噜噜噜久久久久久91| 内地一区二区视频在线| 熟女电影av网| 最近中文字幕高清免费大全6| av黄色大香蕉| 欧美精品一区二区大全| av视频在线观看入口| 乱码一卡2卡4卡精品| 亚洲精品日韩在线中文字幕| 岛国在线免费视频观看| av在线老鸭窝| 日本与韩国留学比较| 美女cb高潮喷水在线观看| 亚洲无线观看免费| av播播在线观看一区| 国语对白做爰xxxⅹ性视频网站| 亚洲精华国产精华液的使用体验| 26uuu在线亚洲综合色| 麻豆成人午夜福利视频| 一个人看视频在线观看www免费| 色吧在线观看| 日本黄色片子视频| 日本免费在线观看一区| 国产精品精品国产色婷婷| 久久精品国产鲁丝片午夜精品| 日韩av不卡免费在线播放| 狠狠狠狠99中文字幕| 天堂网av新在线| 亚洲精品成人久久久久久| 日本欧美国产在线视频| 搞女人的毛片| 亚洲av免费在线观看| 干丝袜人妻中文字幕| 高清午夜精品一区二区三区| 中国国产av一级| 亚洲天堂国产精品一区在线| 国产av在哪里看| 亚洲va在线va天堂va国产| 97超碰精品成人国产| 国产伦精品一区二区三区视频9| 人妻少妇偷人精品九色| 免费av不卡在线播放| 色综合站精品国产| 内地一区二区视频在线| 日本免费一区二区三区高清不卡| 精品久久久久久久末码| 欧美日本视频| 免费不卡的大黄色大毛片视频在线观看 | 国产精品久久久久久久久免| 亚洲精品色激情综合| 麻豆国产97在线/欧美| 亚洲欧美清纯卡通| 成年免费大片在线观看| 亚洲在线自拍视频| av.在线天堂| 久久国产乱子免费精品| 男女边吃奶边做爰视频| 免费观看性生交大片5| 国产人妻一区二区三区在| av专区在线播放| 黄色一级大片看看| 日韩精品有码人妻一区| 国产伦理片在线播放av一区| 免费一级毛片在线播放高清视频| 人妻制服诱惑在线中文字幕| 变态另类丝袜制服| 色视频www国产| 天堂中文最新版在线下载 | 黄色欧美视频在线观看| 亚洲欧美精品自产自拍| 亚洲av电影在线观看一区二区三区 | 日本av手机在线免费观看| 中文字幕久久专区| 婷婷色麻豆天堂久久 | 日韩一区二区三区影片| 欧美三级亚洲精品| 亚州av有码| 女人被狂操c到高潮| 亚洲国产日韩欧美精品在线观看| 国产av在哪里看| 91在线精品国自产拍蜜月| 国产精品野战在线观看| 欧美一区二区精品小视频在线| 国产精品久久久久久av不卡| 真实男女啪啪啪动态图| 日本色播在线视频| 亚洲欧美日韩卡通动漫| 国产精品美女特级片免费视频播放器| 岛国毛片在线播放| 精品久久久久久电影网 | 十八禁国产超污无遮挡网站| 日本五十路高清| 九九热线精品视视频播放| 一级爰片在线观看| 国产高潮美女av| 国产免费视频播放在线视频 | 插逼视频在线观看| 校园人妻丝袜中文字幕| 性插视频无遮挡在线免费观看| 成人欧美大片| 波多野结衣高清无吗| 丰满少妇做爰视频| 亚洲av熟女| 国产精品一区www在线观看| 欧美最新免费一区二区三区| 亚洲精品色激情综合| 精品人妻一区二区三区麻豆| 亚洲成色77777| 国产黄a三级三级三级人| 最近最新中文字幕大全电影3| 国内少妇人妻偷人精品xxx网站| 国产精品精品国产色婷婷| 久久精品国产鲁丝片午夜精品| 我的老师免费观看完整版| 亚洲高清免费不卡视频| 如何舔出高潮| 午夜日本视频在线| 日本欧美国产在线视频| 天天一区二区日本电影三级| 狠狠狠狠99中文字幕| 高清视频免费观看一区二区 | 国产亚洲av片在线观看秒播厂 | 亚洲人成网站在线观看播放| av播播在线观看一区| 少妇熟女欧美另类| 岛国毛片在线播放| 中文字幕熟女人妻在线| 观看免费一级毛片| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 成人毛片60女人毛片免费| 天堂中文最新版在线下载| www.熟女人妻精品国产 | 免费高清在线观看日韩| 男人操女人黄网站| 99精国产麻豆久久婷婷| 在线观看美女被高潮喷水网站| 两个人免费观看高清视频| 免费av中文字幕在线| 亚洲国产看品久久| 国产亚洲欧美精品永久| 亚洲欧美色中文字幕在线| 亚洲av男天堂| 一级黄片播放器| 国产男女超爽视频在线观看| 午夜福利视频精品| 国产在线免费精品| 黄色毛片三级朝国网站| 国产成人精品福利久久| 亚洲,一卡二卡三卡| 久久精品国产亚洲av涩爱| 国产精品女同一区二区软件| 热99久久久久精品小说推荐| 2018国产大陆天天弄谢| 日本爱情动作片www.在线观看| 91国产中文字幕| 秋霞在线观看毛片| 亚洲精品日韩在线中文字幕| 丰满饥渴人妻一区二区三| 国产一区二区三区av在线| 激情视频va一区二区三区| 两性夫妻黄色片 | 欧美精品人与动牲交sv欧美| 国产一区二区三区av在线| 性色avwww在线观看| 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 | 亚洲欧美成人精品一区二区| 欧美日韩一区二区视频在线观看视频在线| 成人国语在线视频| 亚洲欧美日韩另类电影网站| 91精品三级在线观看| 亚洲成人av在线免费| 免费av中文字幕在线| 国产成人精品一,二区| 国产麻豆69| 欧美成人午夜免费资源| 国产一区二区三区av在线| 国产乱来视频区| 国产成人精品无人区| 大香蕉97超碰在线| 欧美日韩综合久久久久久| 男男h啪啪无遮挡| 国产在线视频一区二区| 成人影院久久| 少妇被粗大的猛进出69影院 | 亚洲国产av新网站| 狂野欧美激情性xxxx在线观看| 成年女人在线观看亚洲视频| 亚洲国产欧美在线一区| tube8黄色片| 免费久久久久久久精品成人欧美视频 | 国产视频首页在线观看| 欧美+日韩+精品| 久久 成人 亚洲| 国产欧美亚洲国产| 日韩欧美精品免费久久| 国产av码专区亚洲av| 国产精品久久久久成人av| 午夜福利网站1000一区二区三区| 国产 精品1| 大香蕉久久成人网| 黄色 视频免费看| 五月伊人婷婷丁香| av线在线观看网站| 五月玫瑰六月丁香| 久久狼人影院| 国产高清国产精品国产三级| 人人妻人人爽人人添夜夜欢视频| 午夜免费鲁丝| 看十八女毛片水多多多| 最近手机中文字幕大全| 美女大奶头黄色视频| 麻豆乱淫一区二区| 国产黄频视频在线观看|