• <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 ?

    基于改進1DCNN 的煤巖識別模型研究

    2023-02-21 08:05:22尹玉璽周常飛許志鵬史春祥胡文淵
    工礦自動化 2023年1期
    關(guān)鍵詞:煤巖余弦集上

    尹玉璽,周常飛,許志鵬,史春祥,胡文淵

    (1.煤炭科學研究總院,北京 100013;2.天地上海采掘裝備科技有限公司,上海 201400)

    0 引言

    在煤炭開采過程中,常因煤巖突變導致開采難度增大、采掘機械故障率增高及開采質(zhì)量下降等問題[1]。傳統(tǒng)人工采煤方式很難準確識別煤巖界面,極易造成煤層欠割和過割現(xiàn)象。隨著煤礦智能化建設(shè)的加速推進,煤巖高效識別已成為煤炭智能化開采亟待解決的技術(shù)難題。

    目前國內(nèi)外學者對煤巖識別方法進行了廣泛研究。王增才等[2]根據(jù)頂板巖層中自然γ 射線穿過剩留煤層后的輻射衰減特性進行煤層厚度檢測。王昕等[3]采用探地雷達法進行煤巖界面探測。張強等[4]采用紅外熱像技術(shù),在單光源下對全煤、全巖和煤巖混合3 種煤巖試件開展煤巖界面識別研究。以上煤巖識別方法易受煤礦地質(zhì)條件和采煤工藝限制,難以實際應(yīng)用。近年來,光譜技術(shù)被逐漸用于煤巖識別研究。苗曙光等[5]通過太赫茲光譜儀獲取煤巖樣品太赫茲光譜,分析得到不同種類煤巖折射率和吸收系數(shù)的差異性,并以此進行煤巖識別。楊恩等[6]通過搭建煤壁煤巖界面臺架,研究了基于近紅外反射光譜技術(shù)的煤巖界面分布感知技術(shù)。目前,實驗室條件下已證明利用光譜技術(shù)可識別煤巖分界的波譜變化,但實際應(yīng)用時還需進一步研發(fā)高可靠性儀器,并進行井下試驗驗證?;趫D像的識別技術(shù)是解決煤巖識別問題的另一個重要研究方向,如孫傳猛等[7]通過煤巖圖像特征描述子結(jié)合改進YOLOv3 算法,有效提升了煤巖界面識別的精度和效率,但由于煤礦地質(zhì)條件和井下工作環(huán)境復雜,高質(zhì)量煤巖圖像通常難以實時采集,實際應(yīng)用較困難[8]。

    相比于紅外熱像、圖像信號等,煤炭開采過程中的采掘機械振動信號是一種相對穩(wěn)定且可靠的信息來源[9],因此被應(yīng)用于煤巖識別中。趙麗娟等[10]利用采煤機滾筒及搖臂振動特性開發(fā)了基于模糊控制的煤巖截割狀態(tài)識別系統(tǒng)。張啟志等[11]提出了基于振動信號倒譜距離分析的采煤機煤巖截割狀態(tài)識別方法。以往研究中多采用信號處理方法人工提取采煤機不同煤巖截割狀態(tài)下的振動信號特征,然后再進行煤巖識別,但目前各種信號處理方法都有其自身缺點,且信號處理流程較繁瑣。以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學習模型具有強大的特征提取和抗噪能力,可自行對信號有用特征進行提取[12]。鑒此,本文提出一種基于改進一維卷積神經(jīng)網(wǎng)絡(luò)(1-Dimensional Convolutional Neural Network,1DCNN)的煤巖識別模型,采用改進1DCNN 模型直接對采煤機截割振動信號進行處理與識別,實現(xiàn)端到端的煤巖截割狀態(tài)高效精準識別。

    1 煤巖識別模型構(gòu)建

    1.1 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)常由卷積層、池化層及全連接層等組成。卷積層用于提取特征,某些卷積層只能提取低級特征,較多層的網(wǎng)絡(luò)能從低級特征中迭代提取更復雜的特征;池化層主要對卷積層學習到的特征進行亞采樣處理;全連接層則對提取到的特征進行分類或回歸處理。由于卷積神經(jīng)網(wǎng)絡(luò)具有權(quán)值共享、平移不變和尺度不變的特性,相比于其他深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),其所需考量的參數(shù)更少,模型訓練速度更快,因而具有一定優(yōu)勢。

    1.2 改進1DCNN 模型

    煤巖截割數(shù)據(jù)為一維振動數(shù)據(jù),本文設(shè)計一種改進1DCNN 模型,對采煤機的煤巖截割狀態(tài)進行識別。相比于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型,改進1DCNN 模型使用了多個連續(xù)卷積層,以提取信號特征;采用全局均值池化(Global Average Pool,GAP)層代替全連接層,以大幅降低模型參數(shù)訓練量;同時引入帶有熱啟動的余弦退火衰減方法優(yōu)化學習率,以避免模型訓練陷入局部極小值區(qū)域,提升訓練質(zhì)量。

    改進1DCNN 模型包括輸入層、隱含層、輸出層3 個部分,如圖1 所示。隱含層包括首尾2 個卷積層和2 個池化層、中間3 個連續(xù)卷積層及最后與輸出層相連的GAP 層。卷積1(1×3s1-64ReLu)為第1 個卷積層,其中包含卷積核大小為1×3、步長為1、通道數(shù)為64 的一維卷積層和Relu 激活函數(shù)層;最大池化1(1×2s2)表示池化區(qū)域大小為2、步長為2 的最大池化層;輸出(2-softmax)為用于二分類的分類層,使用softmax 激活函數(shù)。隨著不同煤巖截割狀態(tài)一維振動信號的輸入,網(wǎng)絡(luò)自動提取振動信號的深層次特征,最終由輸出層完成煤巖截割狀態(tài)的識別。

    圖1 改進1DCNN 模型結(jié)構(gòu)Fig.1 Structure of improved 1-dimensional convolutional neural network model

    1.2.1 GAP 層

    一般情況下,卷積神經(jīng)網(wǎng)絡(luò)最后通過全連接層與softmax 分類器相連實現(xiàn)分類任務(wù),但這樣的方式會導致神經(jīng)元數(shù)量和計算量在全連接層暴增,同時極易產(chǎn)生過擬合現(xiàn)象。GAP 層可以避免全連接層的處理,直接通過GAP+softmax 進行分類,更適用于卷積層最后的處理,同時不會產(chǎn)生額外的參數(shù)[13],其輸出為

    采用全連接層處理方式時需要1 385 955 個訓練參數(shù),而本文所提改進1DCNN 模型只需371 458 個訓練參數(shù),參數(shù)量大幅減少,從而提高了模型訓練速度,此外還可部分保留輸入數(shù)據(jù)的空間結(jié)構(gòu)信息,提高模型泛化能力。

    1.2.2 學習率優(yōu)化算法

    學習率是神經(jīng)網(wǎng)絡(luò)最重要的超參數(shù)之一,其控制網(wǎng)絡(luò)優(yōu)化過程中的步長參數(shù)更新,學習率過小會導致模型收斂緩慢,學習率過大會阻礙模型收斂,甚至導致模型發(fā)散。常用的學習率衰減方法包括以固定步長衰減和多步長衰減為代表的分段學習率衰減方法,以及以指數(shù)衰減和余弦退火衰減為代表的平滑學習率衰減方法。分段學習率衰減方法需根據(jù)實驗預先定義學習率衰減計劃表,具有一定的不確定性。相比于指數(shù)衰減方法,余弦退火衰減方法允許更大的初始學習率,收斂更快,并可提高模型泛化能力[14]。

    為使模型在訓練初期感知全局參數(shù)分布,然后逐漸完善參數(shù)空間建模,本文采用線性熱啟動與余弦退火相結(jié)合的學習率衰減策略,線性熱啟動策略可在模型訓練前期維持較小學習率,引導模型感知全局參數(shù)分布,解決余弦退火策略在模型訓練初期因參數(shù)更新劇烈變化而引起的模型訓練不穩(wěn)定及權(quán)重參數(shù)劇烈波動問題。

    整體優(yōu)化過程中,前期使用極小學習率進行學習率預熱,然后以預定的迭代次數(shù)將學習率提升至預定的最大值(即余弦退火階段基礎(chǔ)學習率),再采用余弦退火策略進行學習率更新。余弦退火衰減公式為

    式中:ηt為余弦退火階段第t輪迭代后的學習率與余弦退火階段基礎(chǔ)學習率的比值;T為余弦退火階段總迭代輪次。

    2 實驗數(shù)據(jù)采集與預處理

    2.1 數(shù)據(jù)采集

    本文數(shù)據(jù)采集于陜西某煤礦采煤工作面,該工作面長330 m,使用MG650/1590-WD 型電牽引采煤機。煤層平均厚度為2.58 m,局部夾矸,煤層堅固性系數(shù)f1≤3;頂部為粉砂巖,巖層堅固性系數(shù)為f2(5≤f2≤7);底部為泥巖,巖層堅固性系數(shù)為f3(3≤f3≤6)。采煤現(xiàn)場有大量掉落的片狀巖石,割巖現(xiàn)象嚴重。

    實驗采用磁吸式無線振動傳感器,采樣頻率為10 kHz,布置于采煤機右搖臂5 軸處,井下數(shù)據(jù)采集現(xiàn)場如圖2 所示。實驗模擬了采煤機滾筒割煤和割巖2 種工作條件,采集每種條件下的振動信號。

    圖2 井下數(shù)據(jù)采集現(xiàn)場Fig.2 Underground data acquisition site

    2.2 數(shù)據(jù)預處理

    割煤狀態(tài)下共采集到353 404 個數(shù)據(jù)點,割巖狀態(tài)下共采集到1 048 576 個數(shù)據(jù)點。由于原始樣本分類不均衡,為保障樣本均衡性,同時充分利用數(shù)據(jù),采用自適應(yīng)下采樣方法分別選取每種狀態(tài)下的353 400 個數(shù)據(jù)點,組成新的數(shù)據(jù)集[15],并以32∶3.34的比例劃分訓練集和測試集。為了增強數(shù)據(jù),使用滑窗法構(gòu)造樣本[16],單個樣本取為400 個數(shù)據(jù)點,滑窗步長設(shè)置為50?;胺?gòu)造的煤巖信號樣本如圖3 所示。

    圖3 滑窗法構(gòu)造的煤巖信號樣本Fig.3 Coal and rock signal samples constructed by sliding window method

    使用滑窗法共獲得12 784 個訓練樣本和1 320 個測試樣本。不同截割狀態(tài)的訓練樣本和測試樣本數(shù)量分別為6 392,660。預處理后樣本數(shù)據(jù)集信息見表1。

    表1 樣本數(shù)據(jù)集信息Table 1 Sample dataset information

    3 模型訓練與驗證

    3.1 實驗平臺與參數(shù)

    采用Python 編程語言在Tensorflow 深度學習框架下搭建改進1DCNN 模型。引入Adam 優(yōu)化算法,并用余弦退火策略自適應(yīng)調(diào)節(jié)學習率,設(shè)置預熱階段學習率為0.000 004,退火階段基礎(chǔ)學習率為0.01,Dropout 隨機失活率為0.5,批處理大小為256,對改進1DCNN 模型進行25 輪訓練。實驗平臺計算機配置:CPU 為英特爾core i5-8300H,GPU 為NVIDIA GeForce GTX1050Ti(4 GB),內(nèi)存為48 GB。改進1DCNN 模型結(jié)構(gòu)見表2,其中(400,1)表示輸出信號為400×1 矩陣。改進1DCNN 模型總參數(shù)量為371 458個,其中參加訓練參數(shù)量為370 818 個,未參加訓練參數(shù)量為640 個。

    表2 改進1DCNN 模型結(jié)構(gòu)Table 2 Structure of improved 1-dimensional convolutional neural network model

    3.2 模型訓練過程可視化分析

    為直觀描述改進1DCNN 模型對煤巖截割振動數(shù)據(jù)的特征提取過程和分類能力,采用t-分布隨機近鄰嵌入(t-Distributed Stochastic Neighbor Embedding,t-SNE)流形學習算法對模型的特征學習過程進行可視化分析。t-SNE 是一種嵌入算法,將數(shù)據(jù)點間的相似度轉(zhuǎn)換為條件概率,原始空間中數(shù)據(jù)點的相似度由高斯聯(lián)合分布表示,嵌入空間中數(shù)據(jù)點的相似度由t 分布表示,通過原始空間與嵌入空間聯(lián)合概率分布的KL 散度來評判嵌入效果的好壞,常用于高維數(shù)據(jù)的降維和可視化[17]。將訓練樣本原始數(shù)據(jù)特征及經(jīng)過改進1DCNN 模型中Conv1 層、Conv4 層、Conv6 層、Conv9 層和輸出層訓練好的輸出數(shù)據(jù)特征投影至二維空間,進行可視化分析。訓練集在各網(wǎng)絡(luò)層的特征學習效果如圖4 所示,圖中綠色的“0”和藍色的“1”分別表示割煤和割巖2 種截割狀態(tài)。

    圖4 訓練集在各網(wǎng)絡(luò)層的特征學習效果Fig.4 Feature learning effect of training set at each network layer

    由圖4(a)可看出,原始數(shù)據(jù)經(jīng)t-SNE 降至2 維后分布散亂無章,同一類型特征并不聚類。后續(xù)各層輸出數(shù)據(jù)特征可視化效果明顯呈現(xiàn)同類特征向同一區(qū)域聚集的趨勢,且輸出層輸出的數(shù)據(jù)已實現(xiàn)聚類。這表明改進1DCNN 模型通過逐層特征學習,很好地實現(xiàn)了對煤巖截割狀態(tài)的識別。

    3.3 模型訓練與測試結(jié)果分析

    改進1DCNN 模型在訓練集與測試集上的準確率曲線如圖5 所示。在測試集上的混淆矩陣如圖6所示,其中標簽“0”代表割煤狀態(tài),標簽“1”代表割巖狀態(tài)。

    圖5 改進1DCNN 模型在訓練集與測試集上的準確率曲線Fig.5 Accuracy curves of improved 1-dimensional convolutional neural network model on training set and test set

    圖6 改進1DCNN 模型在測試集上的混淆矩陣Fig.6 The confusion matrix of improved 1-dimensional convolutional neural network model on test set

    由圖5 和圖6 可看出,改進1DCNN 模型在訓練集和測試集上均取得很好的結(jié)果,在訓練集上的準確率為99.91%,在測試集上的準確率為99.32%。這表明改進1DCNN 模型可直接用于采煤機截割原始振動信號分類,并能夠有效地識別出煤巖截割狀態(tài)。但同時模型也出現(xiàn)了少量樣本預測錯誤的情況:一方面可能是因為煤巖截割是一個漸變的過程,且樣本長度較短,導致較難識別的情況,可以通過增加網(wǎng)絡(luò)深度并提取數(shù)據(jù)深層次特征加以解決,但經(jīng)過多次模型訓練實驗,始終存在少量錯誤情況;另一方面也可能是由于原始信號受到井下環(huán)境干擾及隨機性落煤落巖激勵,信號噪聲較大,以至難以識別。

    3.4 模型對比實驗

    為驗證改進1DCNN 模型的優(yōu)勢,在相同訓練集和測試集上,與K-近鄰(K-Nearest Neighbor,KNN)、隨機森林(Random Forest,RF)、支持向量機(Support Vector Machines,SVM)、集成學習XGBoost 及未改進的一維卷積神經(jīng)網(wǎng)絡(luò)(Raw 1-Dimensional Convolutional Neural Network,R1DCNN)5 種模型進行性能對比驗證。KNN 中近鄰數(shù)設(shè)置為9;RF 中森林數(shù)目初始參數(shù)設(shè)置為 [120,200,300,500,800,1 200],樹最大深度初始參數(shù)設(shè)置為[5,8,15,25,30],使用GridSearchCV 網(wǎng)格搜索進行超參調(diào)優(yōu)。由于煤巖截割振動數(shù)據(jù)線性不可分,SVM 算法的kernel 參數(shù)采用徑向基核函數(shù),并采用交叉驗證進行超參調(diào)優(yōu)。此外,隨機在測試集中選取400 個樣本作為新的測試樣本,每種模型均重復5 次實驗,以消除隨機誤差影響,實驗結(jié)果見表3。

    表3 模型對比實驗結(jié)果Table 3 Model comparison experiment results %

    由表3 可看出,KNN,SVM,XGBoost,R1DCNN及改進1DCNN 模型的煤巖截割狀態(tài)識別準確率均達90%以上,而RF 模型表現(xiàn)不佳。相對于傳統(tǒng)機器學習和集成學習模型,深度學習模型的識別精度和穩(wěn)定性均具有明顯優(yōu)勢;與R1DCNN 模型相比,改進1DCNN 模型在處理一維輸入數(shù)據(jù)時特征提取能力更強,平均準確率提高了0.59%,此外也大大節(jié)約了計算成本,提高了模型識別速度。實驗結(jié)果表明,改進1DCNN 模型可有效提高煤巖識別精度和速度。

    4 結(jié)論

    (1)改進1DCNN 模型無需預先對輸入信號進行頻譜分析,可直接從一維煤巖截割振動信號中提取深層次特征,實現(xiàn)對采煤機煤巖截割狀態(tài)的穩(wěn)定識別。

    (2)改進1DCNN 模型使用多個連續(xù)卷積層提取一維振動信號特征,通過GAP 層代替全連接層,大幅減少了參數(shù)數(shù)量,從而提高了模型訓練速度;采用線性熱啟動與余弦退火相結(jié)合的學習率衰減策略,解決了余弦退火策略在模型訓練初期因參數(shù)更新劇烈變化而引起的模型訓練不穩(wěn)定及權(quán)重參數(shù)劇烈波動問題。

    (3)采用t-SNE 流形學習算法對模型的特征學習過程進行可視化分析,結(jié)果表明,改進1DCNN 模型通過逐層特征學習,很好地實現(xiàn)了對煤巖截割狀態(tài)的識別。改進1DCNN 模型在訓練集上的準確率為99.91%,在測試集上的準確率為99.32%,可直接用于采煤機截割原始振動信號分類,并能夠有效識別煤巖截割狀態(tài)。與傳統(tǒng)機器學習、集成學習及未改進的1DCNN 模型相比,改進1DCNN 模型具有明顯優(yōu)勢,可在減少計算成本的同時提高識別率,平均識別準確率達99.56%。

    猜你喜歡
    煤巖余弦集上
    煤巖顯微組分分選研究進展
    Cookie-Cutter集上的Gibbs測度
    鏈完備偏序集上廣義向量均衡問題解映射的保序性
    復扇形指標集上的分布混沌
    兩個含余弦函數(shù)的三角母不等式及其推論
    分數(shù)階余弦變換的卷積定理
    圖像壓縮感知在分數(shù)階Fourier域、分數(shù)階余弦域的性能比較
    半煤巖巷金屬支架錨桿聯(lián)合支護在白源礦應(yīng)用
    綜掘機在大坡度半煤巖巷中的應(yīng)用
    基于測井響應(yīng)評價煤巖結(jié)構(gòu)特征
    中國煤層氣(2015年4期)2015-08-22 03:28:01
    岛国视频午夜一区免费看| 每晚都被弄得嗷嗷叫到高潮| 色av中文字幕| 九九热线精品视视频播放| 国产视频一区二区在线看| 亚洲av片天天在线观看| 又爽又黄无遮挡网站| 麻豆av在线久日| 午夜福利18| 999久久久精品免费观看国产| 欧美性长视频在线观看| 日日爽夜夜爽网站| 国产精品亚洲av一区麻豆| 精品熟女少妇八av免费久了| 最新在线观看一区二区三区| 欧美日韩亚洲国产一区二区在线观看| 男女那种视频在线观看| 亚洲一区二区三区不卡视频| 成人特级黄色片久久久久久久| 国产高清视频在线播放一区| 国产私拍福利视频在线观看| 99国产综合亚洲精品| 两个人视频免费观看高清| 日韩大码丰满熟妇| 在线看三级毛片| 成年免费大片在线观看| 最新美女视频免费是黄的| 波多野结衣巨乳人妻| 中文资源天堂在线| 好看av亚洲va欧美ⅴa在| 免费在线观看日本一区| 久久精品亚洲精品国产色婷小说| 欧美日韩黄片免| 精品人妻1区二区| 亚洲精品久久成人aⅴ小说| 国产高清视频在线观看网站| а√天堂www在线а√下载| 日本一二三区视频观看| 久久久久国内视频| av片东京热男人的天堂| 性欧美人与动物交配| 亚洲天堂国产精品一区在线| 特级一级黄色大片| 日本黄大片高清| 亚洲全国av大片| 色在线成人网| 国产高清视频在线观看网站| 18美女黄网站色大片免费观看| 国产av又大| 国产单亲对白刺激| 日韩大尺度精品在线看网址| 老司机在亚洲福利影院| 久久久国产欧美日韩av| 久久天堂一区二区三区四区| 视频区欧美日本亚洲| 国产精品av视频在线免费观看| 亚洲中文av在线| 男女床上黄色一级片免费看| 亚洲国产精品成人综合色| 最近在线观看免费完整版| 非洲黑人性xxxx精品又粗又长| 欧美日韩亚洲国产一区二区在线观看| 怎么达到女性高潮| 国产伦在线观看视频一区| 久热爱精品视频在线9| 午夜视频精品福利| 久久精品aⅴ一区二区三区四区| av有码第一页| 日本一二三区视频观看| ponron亚洲| 精品国产超薄肉色丝袜足j| 窝窝影院91人妻| 午夜精品久久久久久毛片777| 91字幕亚洲| 又爽又黄无遮挡网站| 可以在线观看的亚洲视频| 亚洲成av人片免费观看| 操出白浆在线播放| 丰满人妻熟妇乱又伦精品不卡| 欧美乱码精品一区二区三区| 两个人的视频大全免费| 他把我摸到了高潮在线观看| 欧美成人性av电影在线观看| 日本一区二区免费在线视频| 国产又黄又爽又无遮挡在线| 亚洲专区字幕在线| 女人高潮潮喷娇喘18禁视频| 19禁男女啪啪无遮挡网站| 亚洲国产精品成人综合色| 亚洲成人久久爱视频| 亚洲第一电影网av| 午夜精品一区二区三区免费看| 好看av亚洲va欧美ⅴa在| 久久香蕉精品热| 2021天堂中文幕一二区在线观| 欧美+亚洲+日韩+国产| www日本黄色视频网| 国产精品免费一区二区三区在线| 大型av网站在线播放| 真人一进一出gif抽搐免费| 国产亚洲欧美98| 成人18禁高潮啪啪吃奶动态图| 搞女人的毛片| 国产精品综合久久久久久久免费| 18禁国产床啪视频网站| 亚洲黑人精品在线| 日本撒尿小便嘘嘘汇集6| 最近最新中文字幕大全电影3| netflix在线观看网站| 国产亚洲精品一区二区www| 久久精品91蜜桃| 无遮挡黄片免费观看| 88av欧美| 亚洲人成77777在线视频| 桃红色精品国产亚洲av| 成年人黄色毛片网站| 日韩欧美在线二视频| 亚洲一区二区三区不卡视频| 97碰自拍视频| 欧美日韩中文字幕国产精品一区二区三区| 久久久久久久久久黄片| 亚洲国产精品成人综合色| 丝袜美腿诱惑在线| 日韩有码中文字幕| 成人欧美大片| 国产99白浆流出| 久久婷婷人人爽人人干人人爱| 香蕉丝袜av| 亚洲人与动物交配视频| tocl精华| 亚洲avbb在线观看| 中文字幕av在线有码专区| 亚洲成人免费电影在线观看| 国产精品av视频在线免费观看| 精品国产乱码久久久久久男人| 日韩欧美免费精品| 香蕉国产在线看| 美女 人体艺术 gogo| 99热这里只有精品一区 | 国产99白浆流出| 亚洲国产精品999在线| 国产午夜精品久久久久久| 亚洲色图 男人天堂 中文字幕| 久久久精品大字幕| 亚洲av成人不卡在线观看播放网| 51午夜福利影视在线观看| 亚洲av电影不卡..在线观看| 三级男女做爰猛烈吃奶摸视频| 国产精品久久久久久精品电影| av在线天堂中文字幕| 在线观看免费日韩欧美大片| 正在播放国产对白刺激| 三级男女做爰猛烈吃奶摸视频| 女同久久另类99精品国产91| 2021天堂中文幕一二区在线观| 国产精品一区二区三区四区久久| 欧美成狂野欧美在线观看| 日本三级黄在线观看| 久久精品亚洲精品国产色婷小说| 嫩草影视91久久| 国产三级黄色录像| 久久久久国内视频| 国产精品久久电影中文字幕| 在线观看舔阴道视频| 亚洲精品中文字幕在线视频| 精品免费久久久久久久清纯| 日本a在线网址| 桃色一区二区三区在线观看| 国产亚洲精品av在线| 国产精品亚洲美女久久久| 国内少妇人妻偷人精品xxx网站 | 亚洲美女黄片视频| 90打野战视频偷拍视频| 别揉我奶头~嗯~啊~动态视频| 黄色丝袜av网址大全| 亚洲午夜精品一区,二区,三区| 亚洲自拍偷在线| av在线天堂中文字幕| 99久久无色码亚洲精品果冻| 在线看三级毛片| 欧美久久黑人一区二区| 国语自产精品视频在线第100页| 午夜a级毛片| 精品免费久久久久久久清纯| 亚洲av电影不卡..在线观看| 白带黄色成豆腐渣| 国产视频一区二区在线看| 天天一区二区日本电影三级| 亚洲欧美日韩高清专用| 一个人观看的视频www高清免费观看 | 1024视频免费在线观看| 亚洲18禁久久av| 久久亚洲精品不卡| 久久精品综合一区二区三区| 久久中文字幕一级| 欧美日韩亚洲综合一区二区三区_| 天天一区二区日本电影三级| 黄色毛片三级朝国网站| 欧美成狂野欧美在线观看| 成人av在线播放网站| 在线看三级毛片| 老司机福利观看| 色综合欧美亚洲国产小说| 欧美极品一区二区三区四区| 成年女人毛片免费观看观看9| 99热这里只有精品一区 | 色哟哟哟哟哟哟| 18禁国产床啪视频网站| 18美女黄网站色大片免费观看| 成人亚洲精品av一区二区| 国产精品野战在线观看| 一级a爱片免费观看的视频| 99国产综合亚洲精品| 日本撒尿小便嘘嘘汇集6| 麻豆一二三区av精品| 搞女人的毛片| 一a级毛片在线观看| 精品久久久久久久毛片微露脸| 99精品久久久久人妻精品| 国产人伦9x9x在线观看| 欧美日韩黄片免| 变态另类丝袜制服| 又爽又黄无遮挡网站| 757午夜福利合集在线观看| 亚洲精品久久成人aⅴ小说| 90打野战视频偷拍视频| 欧美成人免费av一区二区三区| 757午夜福利合集在线观看| 亚洲片人在线观看| 亚洲国产欧美一区二区综合| 国产v大片淫在线免费观看| 激情在线观看视频在线高清| 日韩欧美一区二区三区在线观看| 精品欧美国产一区二区三| 人妻丰满熟妇av一区二区三区| 久久久久免费精品人妻一区二区| 丁香欧美五月| 精品国产乱码久久久久久男人| 老司机午夜福利在线观看视频| 在线国产一区二区在线| 午夜福利高清视频| 国产精品日韩av在线免费观看| 搡老妇女老女人老熟妇| 亚洲第一电影网av| 亚洲精品中文字幕在线视频| 99在线人妻在线中文字幕| 欧美色视频一区免费| 久久 成人 亚洲| 麻豆久久精品国产亚洲av| 亚洲熟妇中文字幕五十中出| 三级毛片av免费| 中文字幕高清在线视频| 精品国产超薄肉色丝袜足j| 免费在线观看完整版高清| 成年人黄色毛片网站| www国产在线视频色| 人人妻人人看人人澡| 欧美精品啪啪一区二区三区| 欧美国产日韩亚洲一区| 国产成人啪精品午夜网站| 成人国产综合亚洲| 美女午夜性视频免费| 久久亚洲真实| 丰满人妻熟妇乱又伦精品不卡| 精品福利观看| 丰满的人妻完整版| 欧美日韩一级在线毛片| 三级男女做爰猛烈吃奶摸视频| 天天添夜夜摸| 精品第一国产精品| 日韩精品免费视频一区二区三区| 成人国语在线视频| 日韩欧美 国产精品| 亚洲av熟女| 啦啦啦韩国在线观看视频| 午夜福利欧美成人| 久久久国产成人精品二区| 伦理电影免费视频| 老汉色∧v一级毛片| 亚洲av熟女| 真人做人爱边吃奶动态| 亚洲精品美女久久久久99蜜臀| 精品久久久久久成人av| 亚洲成人精品中文字幕电影| 久久久国产成人免费| 手机成人av网站| 视频区欧美日本亚洲| 欧美大码av| 亚洲欧美日韩无卡精品| 国产真实乱freesex| 亚洲国产精品合色在线| 90打野战视频偷拍视频| 怎么达到女性高潮| 国产91精品成人一区二区三区| 在线看三级毛片| 日本黄色视频三级网站网址| 欧美黑人巨大hd| 一区二区三区国产精品乱码| 黄色视频不卡| 中文在线观看免费www的网站 | 最近最新中文字幕大全免费视频| 亚洲午夜理论影院| 亚洲av成人av| 制服人妻中文乱码| 五月伊人婷婷丁香| 中文字幕精品亚洲无线码一区| 国产精品98久久久久久宅男小说| 日本a在线网址| 久久 成人 亚洲| 国产免费av片在线观看野外av| 日本撒尿小便嘘嘘汇集6| 国产99白浆流出| 色播亚洲综合网| 国产亚洲精品综合一区在线观看 | 成人一区二区视频在线观看| 宅男免费午夜| 亚洲精品国产一区二区精华液| 久久精品人妻少妇| 高清毛片免费观看视频网站| 色老头精品视频在线观看| 亚洲国产欧美人成| 淫妇啪啪啪对白视频| av欧美777| 久久这里只有精品19| 精品国产超薄肉色丝袜足j| 99国产精品一区二区蜜桃av| 欧美日本视频| 哪里可以看免费的av片| 国产高清videossex| 美女免费视频网站| 美女 人体艺术 gogo| 久久香蕉精品热| 成人午夜高清在线视频| 一本大道久久a久久精品| videosex国产| 免费观看精品视频网站| 亚洲av美国av| 亚洲第一电影网av| 国产成人系列免费观看| 国产69精品久久久久777片 | 亚洲av电影在线进入| 久久国产精品人妻蜜桃| 一进一出好大好爽视频| 国产精品 欧美亚洲| 少妇人妻一区二区三区视频| 很黄的视频免费| 免费在线观看影片大全网站| 香蕉国产在线看| 小说图片视频综合网站| av超薄肉色丝袜交足视频| 久久久久免费精品人妻一区二区| 19禁男女啪啪无遮挡网站| 黄色a级毛片大全视频| 亚洲精品久久成人aⅴ小说| 亚洲一区高清亚洲精品| 午夜福利在线在线| 中文字幕精品亚洲无线码一区| 亚洲 欧美 日韩 在线 免费| 国模一区二区三区四区视频 | 神马国产精品三级电影在线观看 | 亚洲专区中文字幕在线| av福利片在线| 精品国产超薄肉色丝袜足j| 日本 欧美在线| 亚洲欧美日韩东京热| 亚洲人成77777在线视频| 成人一区二区视频在线观看| 日本精品一区二区三区蜜桃| 日韩欧美国产在线观看| 婷婷六月久久综合丁香| 国产精品久久电影中文字幕| 成人三级黄色视频| 在线看三级毛片| 男人舔奶头视频| 亚洲一卡2卡3卡4卡5卡精品中文| 人妻夜夜爽99麻豆av| 成年人黄色毛片网站| 国内精品一区二区在线观看| 最近最新中文字幕大全免费视频| 一本综合久久免费| 欧美性猛交╳xxx乱大交人| 欧美最黄视频在线播放免费| 久久亚洲精品不卡| 一卡2卡三卡四卡精品乱码亚洲| 神马国产精品三级电影在线观看 | 午夜福利在线在线| 精品国产乱码久久久久久男人| 亚洲色图 男人天堂 中文字幕| 国产主播在线观看一区二区| 两个人视频免费观看高清| 精品国产乱子伦一区二区三区| 国产又色又爽无遮挡免费看| 久久久久九九精品影院| 国产亚洲精品一区二区www| 久久这里只有精品中国| 国产亚洲av嫩草精品影院| 又黄又粗又硬又大视频| www.999成人在线观看| 国产69精品久久久久777片 | 丁香六月欧美| 午夜影院日韩av| 黄片大片在线免费观看| 夜夜躁狠狠躁天天躁| 又黄又粗又硬又大视频| 国产精品av久久久久免费| 亚洲av成人一区二区三| 久久久久久大精品| 中文字幕av在线有码专区| av有码第一页| 亚洲国产欧美网| 国产一区二区激情短视频| 99精品在免费线老司机午夜| 88av欧美| 脱女人内裤的视频| 亚洲精品美女久久av网站| 亚洲欧美日韩高清在线视频| 亚洲熟妇熟女久久| 99久久99久久久精品蜜桃| 欧美性猛交╳xxx乱大交人| 99国产精品一区二区三区| 两个人视频免费观看高清| av免费在线观看网站| 黄片大片在线免费观看| 亚洲专区中文字幕在线| 国产成人欧美在线观看| 国内揄拍国产精品人妻在线| 久久久久久久久免费视频了| 视频区欧美日本亚洲| 欧美日韩国产亚洲二区| 男女视频在线观看网站免费 | 日本一区二区免费在线视频| 久久国产乱子伦精品免费另类| 老司机福利观看| 国产欧美日韩一区二区三| 男女那种视频在线观看| 小说图片视频综合网站| 丝袜人妻中文字幕| 悠悠久久av| 真人做人爱边吃奶动态| av欧美777| 91大片在线观看| www.999成人在线观看| 精品高清国产在线一区| 日本免费a在线| 国产乱人伦免费视频| 国产精华一区二区三区| 神马国产精品三级电影在线观看 | 日韩欧美一区二区三区在线观看| 国产成人av激情在线播放| 视频区欧美日本亚洲| 亚洲自偷自拍图片 自拍| av超薄肉色丝袜交足视频| 精品一区二区三区视频在线观看免费| 亚洲人成电影免费在线| 成人三级黄色视频| 91大片在线观看| 国产三级黄色录像| 欧美绝顶高潮抽搐喷水| 国产成人影院久久av| 精品一区二区三区视频在线观看免费| bbb黄色大片| 亚洲乱码一区二区免费版| tocl精华| 亚洲 欧美一区二区三区| 两个人免费观看高清视频| 在线观看免费日韩欧美大片| 麻豆成人av在线观看| 别揉我奶头~嗯~啊~动态视频| 国产亚洲精品第一综合不卡| 黄色片一级片一级黄色片| 亚洲成人精品中文字幕电影| 国内精品久久久久久久电影| 午夜影院日韩av| 成人18禁在线播放| 国产在线观看jvid| 国产在线精品亚洲第一网站| 在线观看舔阴道视频| 欧美一区二区国产精品久久精品 | 手机成人av网站| 午夜免费激情av| 亚洲欧美精品综合一区二区三区| 好男人在线观看高清免费视频| 国产精品1区2区在线观看.| 青草久久国产| 嫩草影视91久久| 可以在线观看的亚洲视频| 美女大奶头视频| 久久性视频一级片| 午夜影院日韩av| 国产av一区在线观看免费| 国产高清激情床上av| 91老司机精品| 亚洲成人国产一区在线观看| 精品高清国产在线一区| 亚洲18禁久久av| 欧美一级a爱片免费观看看 | 久久久久久久久中文| 51午夜福利影视在线观看| netflix在线观看网站| 亚洲国产欧美一区二区综合| 国产精品99久久99久久久不卡| 制服诱惑二区| 成人特级黄色片久久久久久久| 亚洲人成伊人成综合网2020| 一进一出抽搐gif免费好疼| 精品久久蜜臀av无| 免费看a级黄色片| 国产成人啪精品午夜网站| 国产在线观看jvid| 高潮久久久久久久久久久不卡| 亚洲精品色激情综合| 99热这里只有精品一区 | 亚洲七黄色美女视频| 午夜精品在线福利| 精品一区二区三区av网在线观看| 色哟哟哟哟哟哟| 日日干狠狠操夜夜爽| 欧美最黄视频在线播放免费| 欧美日本亚洲视频在线播放| 亚洲av日韩精品久久久久久密| 久久久精品国产亚洲av高清涩受| 757午夜福利合集在线观看| 亚洲七黄色美女视频| 99国产精品一区二区三区| 91国产中文字幕| 成人特级黄色片久久久久久久| 亚洲成a人片在线一区二区| 五月伊人婷婷丁香| 法律面前人人平等表现在哪些方面| 19禁男女啪啪无遮挡网站| 日日爽夜夜爽网站| 免费搜索国产男女视频| 欧美性长视频在线观看| 欧美色视频一区免费| 18禁黄网站禁片免费观看直播| 91麻豆av在线| 一二三四社区在线视频社区8| 国产成人欧美在线观看| 波多野结衣高清作品| 99国产精品一区二区三区| 亚洲七黄色美女视频| 亚洲成人久久性| 高清毛片免费观看视频网站| 精品国产超薄肉色丝袜足j| 国产成人欧美在线观看| 欧美在线黄色| 精品国内亚洲2022精品成人| 黄片小视频在线播放| 成人永久免费在线观看视频| 亚洲五月婷婷丁香| 动漫黄色视频在线观看| 免费看日本二区| 亚洲美女黄片视频| 日韩大尺度精品在线看网址| 亚洲精品国产精品久久久不卡| 岛国在线观看网站| av超薄肉色丝袜交足视频| 久久久久亚洲av毛片大全| 精品一区二区三区四区五区乱码| 国产蜜桃级精品一区二区三区| 日韩大码丰满熟妇| 精品电影一区二区在线| 蜜桃久久精品国产亚洲av| 亚洲国产看品久久| 窝窝影院91人妻| 亚洲中文av在线| 精品福利观看| 18禁裸乳无遮挡免费网站照片| av天堂在线播放| 嫁个100分男人电影在线观看| 日韩欧美国产一区二区入口| 黄色丝袜av网址大全| 亚洲精品色激情综合| 久久久精品大字幕| 1024香蕉在线观看| 亚洲精品av麻豆狂野| 精品久久久久久久毛片微露脸| 亚洲成人免费电影在线观看| 欧美3d第一页| 国产精品香港三级国产av潘金莲| 国产成人精品久久二区二区免费| 叶爱在线成人免费视频播放| 三级国产精品欧美在线观看 | 特大巨黑吊av在线直播| 中文字幕人成人乱码亚洲影| 久久国产精品人妻蜜桃| 狠狠狠狠99中文字幕| 国产精品1区2区在线观看.| 黄片大片在线免费观看| 成人精品一区二区免费| 午夜福利免费观看在线| 国产亚洲精品久久久久久毛片| 国产精华一区二区三区| 色噜噜av男人的天堂激情| 日韩欧美在线乱码| 丝袜美腿诱惑在线| 日韩欧美 国产精品| 日本撒尿小便嘘嘘汇集6| 亚洲18禁久久av| 男男h啪啪无遮挡| 禁无遮挡网站| 午夜视频精品福利| 国产成人av教育| 老汉色∧v一级毛片| 成人av在线播放网站| 老司机在亚洲福利影院| 久久久国产成人免费| 伊人久久大香线蕉亚洲五| 国产精品久久电影中文字幕| 亚洲成人精品中文字幕电影| 国产人伦9x9x在线观看| 在线免费观看的www视频| 亚洲av五月六月丁香网| 免费在线观看亚洲国产| 中文字幕人成人乱码亚洲影|