• <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DPSO-BP的機械轉子故障診斷

    2022-10-25 10:45:46張炎亮齊聰程燕培
    機床與液壓 2022年19期
    關鍵詞:特征提取分量故障診斷

    張炎亮,齊聰,程燕培

    (鄭州大學管理工程學院,河南鄭州 450001)

    0 前言

    隨著工業(yè)4.0時代的到來,我國的制造業(yè)也在不斷向高質量發(fā)展邁進。對于制造企業(yè)來說,產品質量的好壞很大程度上取決于生產流程能否順利進行。而旋轉機械作為生產制造設備的主力軍,其故障的發(fā)生往往導致整條生產線無法正常運作,給生產帶來不可逆的負面影響。轉子、軸承和齒輪箱作為旋轉機械的重要組成部分,也常常是該類機械故障的主要來源。特別是轉子作為電機和旋轉式機械的旋轉部分,發(fā)生故障的頻率相對更高一些。因此,對轉子的故障診斷進行研究是很必要的。

    旋轉機械的故障診斷問題一直是相關領域的研究焦點,主要集中于對故障特征提取與故障診斷的研究。就故障特征提取而言,信號特征提取方式可歸結為時域統(tǒng)計特征提取、頻域特征提取和時頻域特征提取。在上述3種提取方式中,時域與頻域特征提取由于局限性明顯,廣泛應用的是針對時頻域特征的提取。現有的時頻域特征提取方法很多,最常見為經驗模態(tài)分解(Empirical Mode Decomposition,EMD)、變分模態(tài)分解(Variational Mode Decomposition,VMD)、小波變換、小波包分解等。THAMBA等借助于經驗模態(tài)分解和Hilbert-Huang變換(HHT)對軸承故障狀態(tài)進行特征提取。陳東寧等將變分模態(tài)分解與排列熵結合對滾動軸承振動信號進行特征提取。DHAMANDE和CHAUDHARI采用連續(xù)小波變換和離散小波變換從振動信號中提取齒輪和軸承的復合故障特征。郭偉超等將提取的小波包能量譜作為故障特征向量對滾動軸承進行故障診斷。小波變換和小波包分解需要人為選定基函數,VMD需要調整模態(tài)分量數量以及懲罰參數,這些相關函數和參數的主觀選擇會對結果產生很大的影響。而在使用EMD對信號進行分解的過程中,不需要人為設定任何函數和參數,依照數據本身所具有的時間尺度特征就可以對信號進行分解。除此之外,它在理論上能夠分解所有類型的信號,尤其適用于非平穩(wěn)、非線性信號的分解過程,因而被廣泛應用于很多領域。

    在故障診斷方面,現有故障模式識別的分類算法眾多。其中,人工神經網絡、決策樹分類法、支持向量機、樸素貝葉斯分類法較為常見。隨著人工智能的發(fā)展以及大數據時代的到來,人工神經網絡因具有較強的自學習能力和適應性,得到了廣泛的應用。相比于其他的人工神經網絡算法,BP神經網絡的使用范圍最廣,但它有一個無法避免的缺點,即容易落入局部極值。相關學者針對這一問題進行了研究,徐玲等人采用PSO優(yōu)化BP神經網絡模型對冷水機組進行故障診斷研究;姜春英等利用改進的PSO-BP算法對尺寸超差進行故障診斷;李浩然和陸金桂借助PSO-BP神經網絡對紅外鎖相缺陷進行屬性識別,均取得了很好的效果。因此,采用PSO算法對BP神經網絡進行優(yōu)化,可以很好地解決BP神經網絡容易陷入局部最小值的問題。

    綜上所述,本文作者通過計算EMD分解后的各IMF分量與原始信號的相關系數的方式篩選出有效的IMF分量,并計算出各有效IMF分量的能量以及信號的能量熵,并將它們相結合,結合構成用于故障模式識別的特征向量;采用改進的粒子群算法(Discrete Particle Swarm Optimization Algorithm,DPSO)優(yōu)化BP神經網絡的權值和閾值,構建DPSO-BP模型,對機械轉子進行故障診斷;采用上述方法進行案例仿真,證實所提方法的可行性。

    1 基于EMD的信號特征提取

    經驗模態(tài)分解是由黃鍔提出的一種用來處理非平穩(wěn)信號特征的方法,黃鍔認為所有信號歸根到底都能被分解為一系列的固有模態(tài)函數(Intrinsic Mode Function, IMF)。EMD的最大特點是能自適應地對信號進行主要成分分析,不需要事先選取或強制給定函數和參數,而是以借助信號自身特征的方式使信號自適應地進行分解。此外,采用該方法分解出來的各IMF分量不僅包含了原始信號在不同時間尺度上的局部特征信號,且各IMF分量的順序是從高頻到低頻排列的。原始信號()借助EMD可分解為一系列IMF分量和線性疊加的剩余部分。即:

    (1)

    其中:()為各個IMF分量;()為一個單調序列或者一個常數序列。

    對各IMF分量的能量進行計算:

    (2)

    計算出IMF分量的能量熵:

    (3)

    其中:=,是第個IMF分量的能量在總能量中所占的比值。

    IMF分量依照是否能夠反映原始信號特征可分為兩類:真實的IMF分量和虛假的IMF分量。一個IMF分量應該歸屬于哪一類別可以借助該分量與原始信號之間的相關系數進行判斷。

    相關系數的計算公式為

    (4)

    以EMD的方式分解轉子的振動信號,并將4種轉子狀態(tài)下的有效IMF分量所包含的能量與IMF分量的總的能量熵結合,構建故障特征數據集。

    2 優(yōu)化BP神經網絡

    傳統(tǒng)的BP神經網絡雖然有很好的自學習能力,但由于其初始權值和閾值是通過隨機賦值的方法進行確定,這在很大程度上影響了模型的收斂速度與訓練時長,使得它在取得局部極值時停頓時間較長。而粒子群算法(Particle Swarm Optimization, PSO)可通過給定確切的初始權值和閾值的方式對它進行改進,從而使其訓練精度得以提高。

    2.1 神經網絡

    BP(Back Propagation)神經網絡是一種多層前饋網絡,主要通過誤差反向傳播算法對模型進行訓練,目前已經廣泛應用于眾多領域。它不需要具體的數學方程式或者函數表達式,依靠自身的不斷訓練建立輸入以及輸出之間的內在關系,并將這種關系存儲起來,對后續(xù)數值進行運算。BP神經網絡包括輸入層、中間層以及輸出層。信號的前向傳播和誤差的反向傳播是該網絡的主要特點。

    在應用神經網絡模型時,一般采用3層神經網絡,輸入層和輸出層的節(jié)點個數可以依照采用的數據集確定,中間層的節(jié)點個數則需要進行試算,以選出使得網絡模型訓練結果最優(yōu)的中間層節(jié)點個數。中間層節(jié)點個數的經驗公式為

    (5)

    其中:為輸入層節(jié)點個數;為輸出層節(jié)點個數;為1~10之間的調節(jié)常數。

    2.2 傳統(tǒng)的PSO算法

    粒子群算法是通過觀察鳥類捕食行為進行研究而誕生的一種常用的優(yōu)化算法。該算法初期是從鳥類群體性活動的一般規(guī)律中獲得靈感,然后通過對群體智能進行研究,將其抽象化而建立的一個簡化模型。粒子群算法主要是通過觀察和分析動物的集群活動,從而利用群體中單個個體之間的信息共享,使整個群體能夠快速地對求解區(qū)域進行探測,以鎖定最優(yōu)解的大概位置,進而找到最優(yōu)解。在尋找最優(yōu)解的迭代過程中,每進行一次迭代,每個粒子都依據個體極值與全局極值更新自己的空間位置和速度。具體的更新方式如下:

    (+1)=()+()[()-()]+

    ()[g()-()]

    (6)

    (+1)=()+(+1)

    (7)

    其中:為第個粒子;為第維空間;為第維空間的第個粒子的速度;為迭代次數;為個體最優(yōu)粒子;g為全局最優(yōu)粒子;和為學習因子,絕大多數情況下,二者相等;和在 [0,1] 區(qū)間內隨機取值,以增加粒子飛行的不確定性;為慣性權重,其取值區(qū)間一般為 [08,12]。

    2.3 動態(tài)PSO算法

    傳統(tǒng)的PSO算法雖然擁有較強的搜索能力,但由于其慣性權重是恒定不變的,所以在面對一些復雜問題時往往容易陷入局部最優(yōu)解。因而在尋找最優(yōu)解的過程中,在對全局進行搜索時,需要一個較大的權重;而在對局部進行搜索時,又需要一個較小的權重。為更好地平衡算法的整體搜索能力以及局部搜索能力,SHI提出了線性遞減權重策略,其表達式為

    (8)

    其中:、分別為最大慣性權重和最小慣性權重,大多數情況,前者為0.9,后者為0.4;表示當前迭代次數;表示最大迭代次數。

    從公式(8)中可以看出,剛開始的值比較大,在附近,隨著迭代次數的增加,的值逐漸減小,減小到附近。因而DPSO算法能夠對不同的區(qū)域進行有效搜索,具有比傳統(tǒng)粒子群算法更快的收斂速度。

    2.4 DPSO-BP模型的構建

    采用DPSO算法對BP神經網絡進行優(yōu)化時,首先將神經網絡的初始權值和閾值轉化為粒子群的維度,然后將累計誤差平方和最小作為粒子群尋找的最優(yōu)解,最后將粒子群算法的搜索結果代入到BP神經網絡中。DPSO-BP神經網絡模型的具體構建步驟如圖1所示。

    圖1 DPSO-BP神經網絡模型的算法流程

    3 算例仿真

    3.1 數據來源

    文中采用武漢大學液壓機械瞬態(tài)教育部重點實驗室的相關數據。采集信號時,設置采樣頻率為2 048 Hz,采樣時長為1 s。這些數據都是經過小波閾值去噪法處理過的去噪信號。該數據集包括180組數據,其中,4種不同轉子狀態(tài)(正常、接觸碰摩、不平衡、不對中)下的數據各45組。在機械轉子每種狀態(tài)下,選取36組數據用于模型的訓練,9組用于測試,以檢驗模型的訓練效果。由于選取的數據集較小,故設置神經網絡的輸出節(jié)點為1,將轉子4種狀態(tài)的標簽依次設置為1、2、3、4。具體類別標簽如表1所示。

    表1 轉子的4種狀態(tài)的數據及標簽

    3.2 特征提取

    采用EMD對振動信號進行分解,在轉子4種狀態(tài)下,各隨機選取1組數據進行經驗模態(tài)分解,結果如圖2—圖5所示。

    圖2 正常狀態(tài)下的EMD分解結果

    圖3 接觸摩擦狀態(tài)下的EMD分解結果

    圖4 不平衡狀態(tài)下的EMD分解結果

    圖5 未對準下的EMD分解結果

    由圖2—圖5可知:經過經驗模態(tài)分解,除去殘余項之后,4種轉子狀態(tài)下的振動信號可分解得到的IMF分量個數依次為 6、6、5、8。對每種狀態(tài)下的各IMF分量的相關系數進行計算,為便于比較,只列出前5個IMF分量的相關系數(保留4位小數),如表2所示。

    表2 前5個IMF分量的相關系數Q

    若IMF分量的相關系數較小,||<0.01 ,基本上可以判定該IMF分量為虛假的IMF分量。由表2可知:正常狀態(tài)下的IMF5與原信號的相關系數為0.002 0,小于0.01。故文中選取前4個IMF分量以及信號的能量熵作為特征向量,進行故障模式識別。

    3.3 參數設置

    (1)神經網絡參數

    由于選取的特征向量是信號的能量熵以及前4個IMF分量的能量,故BP神經網絡的輸入節(jié)點為5,又BP神經網絡的輸出節(jié)點為1,故BP神經網絡的拓撲結構如圖6所示。

    圖6 BP神經網絡拓撲結構

    由式(5)可得,神經網絡的中間層節(jié)點個數可在3~12之間進行取值。利用試算法發(fā)現中間層節(jié)點個數為4時,BP神經網絡的故障診斷正確率最高,故選取中間層節(jié)點個數為4。分別選定logsig、purelin函數作為中間層與輸出層的激活,采用最速下降法對網絡進行訓練。將迭代次數設置為1 000次,訓練誤差目標設置為0.001,初始權重和閾值設定為[-1,1]內的隨機數。

    (2)PSO參數

    設置種群規(guī)模大小為100,學習因子和都為1.5。由于神經網絡的初始權值和閾值為[-1,1]內的隨機數,故設置粒子群位置的取值范圍也為 [-1,1]。粒子維度可根據神經網絡的拓撲結構確定,計算公式為

    =(+1)+(+1)

    (9)

    由計算可得,粒子維度為29。為便于與神經網絡進行對比,設置粒子群算法的最大迭代次數為1 000次,并選取累計誤差作為其適應度函數。對于傳統(tǒng)的PSO算法,通過仿真實驗發(fā)現,=0.9時,模型的訓練結果最優(yōu),故設置=0.9。對于動態(tài)權重的PSO算法,設置=0.9,=0.4。

    3.4 結果對比

    驗證模型的有效性,分別采用BP神經網絡模型、PSO-BP神經網絡模型以及DPSO-BP神經網絡模型對轉子狀態(tài)特征向量數據集進行分類測試,并對結果進行對比分析。

    為使模型能夠更好地訓練,首先對特征向量進行歸一化處理,然后將處理后的144組訓練樣本代入建立好的BP神經網絡模型中進行訓練。選取累計誤差作為衡量網絡模型性能的指標,3種模型的累計誤差迭代曲線如圖7—圖9所示。

    圖7 BP神經網絡的累計誤差迭代曲線

    由圖7—圖9可知:3種模型的迭代次數依次減少,累積誤差也逐漸減小。其中:DPSO-BP模型的收斂速度最快;BP神經網絡前期收斂速度較快,但它在迭代了200次之后,特別容易陷入局部最小值,在迭代了200次之后,每經過100多次迭代,累計誤差會再次減少,但減少幅度較小,在迭代754次之后,累計誤差穩(wěn)定在30.5;PSO-BP神經網絡模型在迭代392次之后,累計誤差穩(wěn)定在8.35;DPSO-BP神經網絡模型在迭代278次之后,累計誤差穩(wěn)定在6.38。相比于BP神經網絡,DPSO-BP神經網絡的迭代次數減少了476次,大約為BP神經網絡的63.13%;累積誤差減少了24.12,大約為BP神經網絡的79.08%。

    圖8 PSO-BP神經網絡的累積誤差迭代曲線 圖9 DPSO-BP神經網絡的累積誤差迭代曲線

    將測試集的數據代入上述3種訓練好的模型進行故障診斷,結果如表3所示。

    表3 3種模型的故障診斷結果

    由表3可知:BP神經網絡的平均正確率為86.11%,PSO-BP神經網絡的平均正確率為91.6%,DPSO-BP神經網絡的平均正確率為94.44%,且DPSO-BP神經網絡模型對轉子接觸摩擦故障以及不平衡故障的診斷正確率高達100%。由此可知,DPSO-BP神經網絡模型的診斷結果是3種模型中最優(yōu)的。

    4 結論

    利用經驗模態(tài)分解對原始信號進行時頻域特征提取,將經驗模態(tài)分解后的有效IMF分量的能量以及信號的能量熵作為特征向量。在轉子故障模式識別階段,分別采用傳統(tǒng)的BP神經網絡模型、PSO-BP神經網絡模型以及DPSO-BP神經網絡模型3種方法對轉子進行故障診斷。結果表明:經過粒子群優(yōu)化的BP神經網絡模型可顯著減少模型的迭代次數、縮短訓練時間,同時累計誤差更小、模型的精確度更高,故障診斷的準確率也更高。此外,相比于傳統(tǒng)的粒子群優(yōu)化的BP神經網絡,經過動態(tài)權重優(yōu)化的BP神經網絡效果更好,實驗結果也驗證了該方法的有效性。

    猜你喜歡
    特征提取分量故障診斷
    帽子的分量
    一物千斤
    智族GQ(2019年9期)2019-10-28 08:16:21
    基于Gazebo仿真環(huán)境的ORB特征提取與比對的研究
    電子制作(2019年15期)2019-08-27 01:12:00
    論《哈姆雷特》中良心的分量
    分量
    一種基于LBP 特征提取和稀疏表示的肝病識別算法
    因果圖定性分析法及其在故障診斷中的應用
    基于MED和循環(huán)域解調的多故障特征提取
    基于LCD和排列熵的滾動軸承故障診斷
    基于WPD-HHT的滾動軸承故障診斷
    機械與電子(2014年1期)2014-02-28 02:07:31
    婷婷精品国产亚洲av| 成人亚洲精品av一区二区| 久99久视频精品免费| 无人区码免费观看不卡| 99久久综合精品五月天人人| 日本熟妇午夜| 国产精品香港三级国产av潘金莲| 日本a在线网址| 日本撒尿小便嘘嘘汇集6| 又爽又黄无遮挡网站| 黄色毛片三级朝国网站| 日韩欧美 国产精品| 日韩 欧美 亚洲 中文字幕| 亚洲成人久久性| 丰满人妻一区二区三区视频av | 亚洲七黄色美女视频| 国产欧美日韩一区二区精品| 啦啦啦韩国在线观看视频| 麻豆成人av在线观看| 久久精品夜夜夜夜夜久久蜜豆 | 亚洲欧美激情综合另类| 色综合欧美亚洲国产小说| 一本综合久久免费| 丁香欧美五月| 国产精品 国内视频| 亚洲欧美精品综合久久99| 国产熟女xx| 久久久久久九九精品二区国产 | 中文资源天堂在线| 神马国产精品三级电影在线观看 | 色老头精品视频在线观看| 一区二区三区激情视频| avwww免费| 亚洲欧美一区二区三区黑人| 一卡2卡三卡四卡精品乱码亚洲| 熟妇人妻久久中文字幕3abv| 日韩精品免费视频一区二区三区| а√天堂www在线а√下载| 久久久久久亚洲精品国产蜜桃av| 午夜精品一区二区三区免费看| 全区人妻精品视频| 亚洲国产欧洲综合997久久,| 日本一区二区免费在线视频| 一级毛片精品| aaaaa片日本免费| 50天的宝宝边吃奶边哭怎么回事| 不卡一级毛片| 亚洲无线在线观看| 免费在线观看成人毛片| 欧美日本视频| 最好的美女福利视频网| 香蕉丝袜av| 中文字幕精品亚洲无线码一区| 真人做人爱边吃奶动态| 亚洲成人精品中文字幕电影| 亚洲aⅴ乱码一区二区在线播放 | 国产一区二区激情短视频| 国产欧美日韩一区二区精品| 亚洲国产欧美网| 国产精品影院久久| 成人午夜高清在线视频| 国产av一区在线观看免费| 欧美日韩精品网址| 黄片小视频在线播放| 午夜免费激情av| 老司机午夜十八禁免费视频| 午夜日韩欧美国产| 日韩成人在线观看一区二区三区| 日韩欧美免费精品| svipshipincom国产片| 一二三四在线观看免费中文在| 亚洲美女视频黄频| 久久精品91无色码中文字幕| 日韩欧美国产在线观看| 国内少妇人妻偷人精品xxx网站 | 久久草成人影院| 欧美绝顶高潮抽搐喷水| 国产av一区二区精品久久| 久久天躁狠狠躁夜夜2o2o| 成人18禁在线播放| 亚洲成人久久性| 女生性感内裤真人,穿戴方法视频| 女警被强在线播放| 老司机深夜福利视频在线观看| 国产成人系列免费观看| 欧美黑人巨大hd| 国产精品久久电影中文字幕| 国产99白浆流出| 免费高清视频大片| 久久久久久亚洲精品国产蜜桃av| 国产精品1区2区在线观看.| 少妇被粗大的猛进出69影院| 欧美人与性动交α欧美精品济南到| 黄色片一级片一级黄色片| 日韩欧美国产在线观看| 亚洲欧美精品综合久久99| 搞女人的毛片| 国产精品,欧美在线| 亚洲色图 男人天堂 中文字幕| 欧美一级a爱片免费观看看 | 精品久久久久久久久久久久久| 免费无遮挡裸体视频| 黄色女人牲交| 欧美日韩福利视频一区二区| 两性午夜刺激爽爽歪歪视频在线观看 | 9191精品国产免费久久| 五月伊人婷婷丁香| 久久久久国内视频| 亚洲av片天天在线观看| 国产主播在线观看一区二区| 欧美日韩一级在线毛片| 亚洲一区中文字幕在线| 他把我摸到了高潮在线观看| 欧美色视频一区免费| 亚洲av中文字字幕乱码综合| 久久国产乱子伦精品免费另类| 亚洲精品中文字幕一二三四区| 精品午夜福利视频在线观看一区| 好看av亚洲va欧美ⅴa在| 亚洲国产精品sss在线观看| 51午夜福利影视在线观看| 亚洲男人的天堂狠狠| 国产乱人伦免费视频| 亚洲,欧美精品.| 色综合亚洲欧美另类图片| 丝袜人妻中文字幕| 91九色精品人成在线观看| 99re在线观看精品视频| 麻豆国产av国片精品| 国产成人精品久久二区二区免费| 日韩欧美精品v在线| cao死你这个sao货| 真人做人爱边吃奶动态| 久久这里只有精品中国| 日韩有码中文字幕| 成年版毛片免费区| 欧美一区二区国产精品久久精品 | 无限看片的www在线观看| 啦啦啦免费观看视频1| 1024视频免费在线观看| 欧美高清成人免费视频www| 18禁黄网站禁片免费观看直播| 国产精品 国内视频| 香蕉国产在线看| 人妻丰满熟妇av一区二区三区| 男人舔女人的私密视频| av视频在线观看入口| 久久久久精品国产欧美久久久| 欧美三级亚洲精品| 色综合站精品国产| 国产人伦9x9x在线观看| 国产精品影院久久| 国产精华一区二区三区| 特级一级黄色大片| 深夜精品福利| 久久精品国产99精品国产亚洲性色| 岛国在线观看网站| 久久久久亚洲av毛片大全| 香蕉丝袜av| 在线播放国产精品三级| 午夜视频精品福利| 国产黄色小视频在线观看| 亚洲第一电影网av| 身体一侧抽搐| 狠狠狠狠99中文字幕| 久久久久精品国产欧美久久久| 成人av一区二区三区在线看| 母亲3免费完整高清在线观看| 两个人看的免费小视频| 久久国产乱子伦精品免费另类| 国产精品久久视频播放| 一区二区三区国产精品乱码| 久久这里只有精品中国| 免费在线观看亚洲国产| 欧美精品亚洲一区二区| 床上黄色一级片| 免费在线观看完整版高清| 欧美乱妇无乱码| 日韩欧美在线乱码| 国产精品免费一区二区三区在线| 欧美中文日本在线观看视频| 精品不卡国产一区二区三区| 亚洲国产欧美人成| 中出人妻视频一区二区| 欧美一区二区精品小视频在线| 91av网站免费观看| 精品国产乱子伦一区二区三区| 婷婷精品国产亚洲av在线| 亚洲九九香蕉| 亚洲天堂国产精品一区在线| 2021天堂中文幕一二区在线观| 母亲3免费完整高清在线观看| 国产99久久九九免费精品| 亚洲成人精品中文字幕电影| av福利片在线| 欧美日韩精品网址| 日韩欧美免费精品| 欧美最黄视频在线播放免费| 天天躁夜夜躁狠狠躁躁| www.www免费av| 99国产精品99久久久久| 宅男免费午夜| 精品午夜福利视频在线观看一区| 久久精品人妻少妇| 亚洲五月婷婷丁香| 欧美日韩精品网址| av在线天堂中文字幕| 国产片内射在线| 黄色 视频免费看| 欧美日韩乱码在线| 国产激情偷乱视频一区二区| 国产91精品成人一区二区三区| 久久九九热精品免费| 搡老熟女国产l中国老女人| 久久精品国产清高在天天线| 99久久综合精品五月天人人| 国产精品影院久久| 好男人在线观看高清免费视频| 无限看片的www在线观看| 中文字幕人妻丝袜一区二区| av视频在线观看入口| 欧美中文日本在线观看视频| 99久久久亚洲精品蜜臀av| 亚洲一码二码三码区别大吗| 搡老熟女国产l中国老女人| 国产精品免费一区二区三区在线| 熟女少妇亚洲综合色aaa.| 99久久久亚洲精品蜜臀av| 熟妇人妻久久中文字幕3abv| АⅤ资源中文在线天堂| 国内久久婷婷六月综合欲色啪| 波多野结衣高清无吗| 丝袜人妻中文字幕| 两性午夜刺激爽爽歪歪视频在线观看 | 国产单亲对白刺激| 亚洲成人久久性| cao死你这个sao货| 欧美日本视频| 国产精品日韩av在线免费观看| 日韩高清综合在线| 精品一区二区三区av网在线观看| av在线播放免费不卡| 久99久视频精品免费| 在线观看66精品国产| 久久久精品欧美日韩精品| 最近最新中文字幕大全电影3| 欧美日本亚洲视频在线播放| 精品欧美国产一区二区三| 在线十欧美十亚洲十日本专区| 免费高清视频大片| 两人在一起打扑克的视频| 三级男女做爰猛烈吃奶摸视频| 亚洲无线在线观看| 九色国产91popny在线| 搡老岳熟女国产| 免费在线观看黄色视频的| 精品少妇一区二区三区视频日本电影| 国产成人精品久久二区二区91| 一级毛片精品| 老汉色av国产亚洲站长工具| 国产激情久久老熟女| 国产精品久久久久久亚洲av鲁大| 99精品久久久久人妻精品| 欧美日韩精品网址| 久久中文字幕一级| 亚洲中文日韩欧美视频| 国产黄a三级三级三级人| 99热这里只有精品一区 | 一区福利在线观看| www国产在线视频色| 每晚都被弄得嗷嗷叫到高潮| 嫁个100分男人电影在线观看| 亚洲av片天天在线观看| 久久精品影院6| 欧美中文综合在线视频| 美女免费视频网站| 欧美黄色淫秽网站| 精品人妻1区二区| 成人手机av| 白带黄色成豆腐渣| 两个人视频免费观看高清| 国产1区2区3区精品| 91麻豆精品激情在线观看国产| 少妇的丰满在线观看| 好男人电影高清在线观看| 午夜福利视频1000在线观看| 精品不卡国产一区二区三区| 日本 欧美在线| 国产免费男女视频| 午夜福利免费观看在线| 真人做人爱边吃奶动态| 亚洲中文av在线| 国产在线精品亚洲第一网站| 色综合亚洲欧美另类图片| 欧美一级毛片孕妇| 一级a爱片免费观看的视频| 黄色片一级片一级黄色片| 国产一级毛片七仙女欲春2| 最近最新免费中文字幕在线| 欧美精品亚洲一区二区| 一级片免费观看大全| 久久精品亚洲精品国产色婷小说| 嫩草影院精品99| 午夜精品一区二区三区免费看| 在线永久观看黄色视频| 午夜成年电影在线免费观看| avwww免费| 国产精品亚洲av一区麻豆| 久久久久久九九精品二区国产 | 午夜影院日韩av| 亚洲人与动物交配视频| 精品少妇一区二区三区视频日本电影| 18美女黄网站色大片免费观看| 在线十欧美十亚洲十日本专区| 国产精品精品国产色婷婷| 国产激情欧美一区二区| 天堂动漫精品| 欧美一级a爱片免费观看看 | 搞女人的毛片| 91av网站免费观看| 亚洲自偷自拍图片 自拍| 嫩草影院精品99| 黄色毛片三级朝国网站| 久久久久久久午夜电影| 精品高清国产在线一区| 性色av乱码一区二区三区2| 一级毛片女人18水好多| 亚洲精品美女久久av网站| 天堂影院成人在线观看| 他把我摸到了高潮在线观看| 桃色一区二区三区在线观看| 亚洲全国av大片| 制服诱惑二区| 身体一侧抽搐| 在线观看日韩欧美| 麻豆久久精品国产亚洲av| 久久性视频一级片| 久久久久久免费高清国产稀缺| 麻豆av在线久日| 国产黄片美女视频| 国产成人精品无人区| 无限看片的www在线观看| 极品教师在线免费播放| 搡老熟女国产l中国老女人| 亚洲人成77777在线视频| 可以在线观看毛片的网站| 岛国视频午夜一区免费看| 久久午夜综合久久蜜桃| 欧美黑人欧美精品刺激| 精品久久久久久久久久免费视频| 国产精品一区二区三区四区久久| 欧美一级a爱片免费观看看 | 757午夜福利合集在线观看| 我要搜黄色片| 天天一区二区日本电影三级| 欧美在线一区亚洲| 久久国产精品影院| 18禁裸乳无遮挡免费网站照片| 国产一区二区激情短视频| 50天的宝宝边吃奶边哭怎么回事| 波多野结衣高清作品| 亚洲人成网站高清观看| 免费高清视频大片| 亚洲 欧美一区二区三区| 国产av不卡久久| 国产aⅴ精品一区二区三区波| 免费av毛片视频| 丰满人妻熟妇乱又伦精品不卡| 国内揄拍国产精品人妻在线| 国产人伦9x9x在线观看| 五月玫瑰六月丁香| 精品国内亚洲2022精品成人| 久久香蕉国产精品| 9191精品国产免费久久| 男女之事视频高清在线观看| 成年版毛片免费区| 日韩大码丰满熟妇| 老汉色∧v一级毛片| 国产亚洲av嫩草精品影院| 在线国产一区二区在线| 嫩草影院精品99| 看黄色毛片网站| 欧美日韩中文字幕国产精品一区二区三区| 看黄色毛片网站| 久久久精品欧美日韩精品| 久久精品国产综合久久久| 舔av片在线| 国产探花在线观看一区二区| 久久精品影院6| 窝窝影院91人妻| 琪琪午夜伦伦电影理论片6080| 一区二区三区国产精品乱码| 香蕉丝袜av| 日本熟妇午夜| 99久久无色码亚洲精品果冻| 精品少妇一区二区三区视频日本电影| 美女 人体艺术 gogo| 欧美日韩黄片免| 国产真实乱freesex| 每晚都被弄得嗷嗷叫到高潮| 国内精品久久久久久久电影| 日本免费一区二区三区高清不卡| 亚洲一卡2卡3卡4卡5卡精品中文| av天堂在线播放| 亚洲成a人片在线一区二区| 亚洲美女黄片视频| 国产精品久久电影中文字幕| 美女黄网站色视频| 成人一区二区视频在线观看| 天天添夜夜摸| 91九色精品人成在线观看| 欧美日韩乱码在线| 婷婷精品国产亚洲av| 国产成人影院久久av| 亚洲一区二区三区色噜噜| 久99久视频精品免费| 午夜免费成人在线视频| 久久草成人影院| 欧美黑人精品巨大| 观看免费一级毛片| av有码第一页| 一本大道久久a久久精品| 男女之事视频高清在线观看| 亚洲专区国产一区二区| 欧美成狂野欧美在线观看| 国内少妇人妻偷人精品xxx网站 | 老司机深夜福利视频在线观看| 欧美zozozo另类| 亚洲精品一卡2卡三卡4卡5卡| 在线观看午夜福利视频| 一进一出抽搐gif免费好疼| 国产成人一区二区三区免费视频网站| 久久草成人影院| 国产主播在线观看一区二区| 91老司机精品| 亚洲狠狠婷婷综合久久图片| 欧美精品啪啪一区二区三区| 一本久久中文字幕| 一进一出抽搐gif免费好疼| tocl精华| 人妻夜夜爽99麻豆av| 可以在线观看的亚洲视频| 日韩欧美国产一区二区入口| 国产v大片淫在线免费观看| 黄色女人牲交| 亚洲欧美日韩高清在线视频| 成在线人永久免费视频| 欧美日韩精品网址| 久久午夜亚洲精品久久| 午夜福利在线在线| 亚洲avbb在线观看| 日韩欧美三级三区| 亚洲av片天天在线观看| 日韩av在线大香蕉| 国产一区二区三区视频了| 久久这里只有精品19| 天天躁狠狠躁夜夜躁狠狠躁| 成人18禁在线播放| 久久香蕉国产精品| 日本熟妇午夜| 国产精华一区二区三区| 人人妻,人人澡人人爽秒播| 久久精品国产99精品国产亚洲性色| 国产主播在线观看一区二区| 免费观看精品视频网站| 亚洲性夜色夜夜综合| 亚洲国产精品合色在线| 在线观看免费日韩欧美大片| 久久久久亚洲av毛片大全| 成人亚洲精品av一区二区| 在线免费观看的www视频| 亚洲精品av麻豆狂野| 少妇裸体淫交视频免费看高清 | 男女之事视频高清在线观看| 久久香蕉精品热| 在线观看日韩欧美| av国产免费在线观看| 亚洲欧洲精品一区二区精品久久久| 亚洲熟妇中文字幕五十中出| 国产亚洲精品一区二区www| 欧美黑人巨大hd| 我的老师免费观看完整版| 国产97色在线日韩免费| 久久天堂一区二区三区四区| 波多野结衣巨乳人妻| 国产伦人伦偷精品视频| 亚洲国产高清在线一区二区三| 美女 人体艺术 gogo| 色噜噜av男人的天堂激情| 国产成人av激情在线播放| 听说在线观看完整版免费高清| 国产精品一区二区三区四区免费观看 | 色哟哟哟哟哟哟| 午夜激情福利司机影院| 久久精品夜夜夜夜夜久久蜜豆 | 在线永久观看黄色视频| 看片在线看免费视频| 亚洲欧美一区二区三区黑人| 亚洲精品在线美女| 成人国语在线视频| 99热只有精品国产| 国产精品亚洲美女久久久| 在线观看午夜福利视频| 日韩精品青青久久久久久| 精品久久久久久成人av| 国产黄a三级三级三级人| 99国产精品一区二区三区| 亚洲精品久久国产高清桃花| 97碰自拍视频| 国内久久婷婷六月综合欲色啪| 国产午夜精品久久久久久| 欧美 亚洲 国产 日韩一| 亚洲五月婷婷丁香| 久久人人精品亚洲av| 日韩欧美国产在线观看| 国产精品自产拍在线观看55亚洲| av福利片在线观看| 国产熟女午夜一区二区三区| 国产精品久久久av美女十八| 国产精品一区二区免费欧美| 午夜亚洲福利在线播放| 国产一级毛片七仙女欲春2| 首页视频小说图片口味搜索| 亚洲男人天堂网一区| 国产伦一二天堂av在线观看| 午夜福利视频1000在线观看| 色在线成人网| 亚洲在线自拍视频| 亚洲av第一区精品v没综合| 不卡一级毛片| 特大巨黑吊av在线直播| 日韩三级视频一区二区三区| 欧美激情久久久久久爽电影| 亚洲人成电影免费在线| 久久亚洲精品不卡| 丁香六月欧美| 最近最新免费中文字幕在线| 国产精品久久久久久亚洲av鲁大| 精品久久久久久久久久久久久| or卡值多少钱| 久久香蕉精品热| 两人在一起打扑克的视频| 久久中文看片网| 一本综合久久免费| 午夜精品在线福利| 美女午夜性视频免费| 免费在线观看日本一区| 免费人成视频x8x8入口观看| 伊人久久大香线蕉亚洲五| 成人18禁在线播放| 最近视频中文字幕2019在线8| 欧美成人午夜精品| 久久久久久亚洲精品国产蜜桃av| 深夜精品福利| 久久久久国产精品人妻aⅴ院| av福利片在线| 久久婷婷人人爽人人干人人爱| 亚洲精品av麻豆狂野| 男女视频在线观看网站免费 | 免费看十八禁软件| 99国产极品粉嫩在线观看| 国产aⅴ精品一区二区三区波| 香蕉丝袜av| 老汉色∧v一级毛片| 亚洲avbb在线观看| 亚洲av电影在线进入| 国产精品久久久久久久电影 | x7x7x7水蜜桃| 欧美午夜高清在线| 无限看片的www在线观看| 国产欧美日韩一区二区精品| 亚洲片人在线观看| 国产亚洲精品av在线| 桃红色精品国产亚洲av| 日韩欧美精品v在线| 脱女人内裤的视频| 日本 欧美在线| av中文乱码字幕在线| 99热这里只有是精品50| 大型av网站在线播放| 欧美+亚洲+日韩+国产| 级片在线观看| 久久人妻福利社区极品人妻图片| 动漫黄色视频在线观看| 首页视频小说图片口味搜索| 变态另类丝袜制服| 一级黄色大片毛片| 久久精品国产99精品国产亚洲性色| 亚洲精品美女久久av网站| 婷婷精品国产亚洲av| 两人在一起打扑克的视频| 亚洲精品美女久久久久99蜜臀| 老司机在亚洲福利影院| 国产视频内射| АⅤ资源中文在线天堂| 黄色成人免费大全| 久久久国产成人精品二区| 床上黄色一级片| 日本成人三级电影网站| 可以免费在线观看a视频的电影网站| 19禁男女啪啪无遮挡网站| 日本成人三级电影网站| 国产成人欧美在线观看| 久久久水蜜桃国产精品网| 久久国产精品影院| 成年女人毛片免费观看观看9| 国产一区二区激情短视频| 欧美成人午夜精品| 成人三级做爰电影| 淫秽高清视频在线观看| 国产午夜福利久久久久久| 国产激情久久老熟女| 国产精品av久久久久免费| 一进一出抽搐gif免费好疼| 午夜久久久久精精品|