亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于便攜式排放測(cè)試系統(tǒng)與BP神經(jīng)網(wǎng)絡(luò)的大型客車排放預(yù)測(cè)*

        2021-01-24 07:58:34李昌慶謝小平
        汽車技術(shù) 2021年1期
        關(guān)鍵詞:尾氣權(quán)值客車

        李昌慶 謝小平

        (湖南大學(xué),汽車車身先進(jìn)設(shè)計(jì)制造國(guó)家重點(diǎn)實(shí)驗(yàn)室,長(zhǎng)沙 410082)

        主題詞:車載排放測(cè)試 聚類分析 比功率 BP神經(jīng)網(wǎng)絡(luò) 排放預(yù)測(cè)

        1 前言

        近年來(lái),我國(guó)民用大型載客汽車的擁有量逐年遞增,高能耗、噪聲污染以及尾氣排放等問(wèn)題進(jìn)一步加深。因此,大型客車尾氣排放特性預(yù)測(cè)模型的建立具有一定的理論研究意義和工程應(yīng)用價(jià)值。

        1999 年,Jiménez-Palacios[1]首次提出了機(jī)動(dòng)車比功率(Vehicle Specific Power,VSP)的概念,此后,眾多國(guó)內(nèi)外學(xué)者對(duì)此展開(kāi)了深入的研究。Frey等[2]依次探究了速度、加速度、道路等級(jí)等關(guān)鍵因素對(duì)汽車燃油消耗量的影響,并借助機(jī)動(dòng)車比功率模擬柴油公共汽車的燃油消耗情況。宋國(guó)華等[3]利用城市快速路上大量的浮動(dòng)車數(shù)據(jù),構(gòu)建出不同行程速度下對(duì)應(yīng)的VSP 分布。劉娟娟[4]利用大量車載排放檢測(cè)數(shù)據(jù)分析了速度與油耗和排放之間的關(guān)系,構(gòu)建了基于VSP分布和速度的燃油消耗量和污染物排放量的修正模型。郭棟等[5]以部分輕型車和中型車為研究對(duì)象進(jìn)行實(shí)際道路排放測(cè)試,并比較不同類型輕型車的污染物排放量隨比功率和速度的變化關(guān)系。趙琦等[6]建立了高速公路上輕型車和重型車的VSP分布,借助從MOVES(Motor Vehicle Emission Simulator)模型中提取到的油耗率,利用輕型車的VSP分布分析重型車油耗測(cè)算所產(chǎn)生的誤差。綜上所述,比功率已成為油耗和排放測(cè)算領(lǐng)域極其重要的參數(shù)。

        本文以某大型客車為研究對(duì)象,在長(zhǎng)沙市不同道路工況下進(jìn)行車載排放測(cè)試,推導(dǎo)其VSP 計(jì)算公式,求出對(duì)應(yīng)的比功率值,分析不同道路工況下大型客車VSP分布特征,以及其尾氣排放因子與比功率區(qū)間的關(guān)系,并參考多位學(xué)者的預(yù)測(cè)模型建立方法[7-9],以逐秒的速度、加速度、比功率值和油耗數(shù)據(jù)為輸入,以CO2、CO和NOx的排放因子為輸出,建立基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型,并用部分試驗(yàn)數(shù)據(jù)對(duì)該模型進(jìn)行驗(yàn)證。

        2 車載排放測(cè)試

        2.1 測(cè)試方案

        本文選用的大型普通客車基本信息如表1所示。

        表1 測(cè)試車輛信息

        研究中使用的便攜式排放測(cè)試系統(tǒng)(Portable Emission Measurement System,PEMS)包括車載氣態(tài)污染物測(cè)量?jī)xOBS-2200 和電子低壓沖擊儀(Electrical Low Pressure Impactor,ELPI)[10]。氣態(tài)污染物測(cè)量?jī)x借助與汽車排氣尾管相連的探針采集污染物的濃度,利用非分散紅外光(Non-Dispersive Infrared,NDIR)技術(shù)檢測(cè)CO 和CO2,利用非分散紫外光(Non-Dispersive Ultraviolet,NDUV)技術(shù)同時(shí)直接檢測(cè)NO 和NO2,并計(jì)算出NOx的排放量。同時(shí),通過(guò)連接車載診斷(On Board Diagnostics,OBD)系統(tǒng)接口獲取機(jī)動(dòng)車及其發(fā)動(dòng)機(jī)的相關(guān)技術(shù)參數(shù),如進(jìn)氣管壓力和溫度、發(fā)動(dòng)機(jī)轉(zhuǎn)速以及車輛的瞬時(shí)速度等。PEMS 在大型客車上的安裝情況如圖1所示。

        圖1 大型客車PEMS安裝位置

        2.2 測(cè)試路線

        受人力和物力的限制,測(cè)試路線不可能實(shí)現(xiàn)對(duì)長(zhǎng)沙市所有路段的全面覆蓋。因此,為了能夠準(zhǔn)確獲得大型客車在城區(qū)道路、郊區(qū)道路和高速道路工況下的行駛數(shù)據(jù)、排放數(shù)據(jù)和噪聲數(shù)據(jù),并滿足不同道路工況下的速度要求(城區(qū)道路0~50 km/h,郊區(qū)道路50~75 km/h,高速道路75~100 km/h),本文有針對(duì)性地挑選了與之逐一匹配的路線,如圖2所示。

        圖2 大型客車行駛路線

        2.3 數(shù)據(jù)收集及預(yù)處理

        道路試驗(yàn)過(guò)程中,測(cè)試車輛在不同道路工況下正常行駛,OBS-2200按照1 Hz 的頻率對(duì)各種污染物濃度數(shù)據(jù)進(jìn)行逐一采集、測(cè)量和記錄。整合了GPS接收模塊的OBS-2200還能夠收集大型客車在行駛過(guò)程中的地理位置相關(guān)信息,包括車速、海拔高度和經(jīng)緯度。

        由于不同的原因,在PEMS實(shí)時(shí)采集和記錄數(shù)據(jù)過(guò)程中,難免出現(xiàn)數(shù)據(jù)壞點(diǎn)或更嚴(yán)重的成段數(shù)據(jù)異常等狀況,嚴(yán)重影響計(jì)算分析結(jié)果,需對(duì)其進(jìn)行甄別,并加以修正或剔除。針對(duì)這些數(shù)據(jù)的預(yù)處理主要有車速修正、延遲時(shí)間修正[11]和數(shù)據(jù)質(zhì)量控制3 個(gè)步驟。例如:首先,通過(guò)行駛工況跟蹤儀測(cè)得的車速對(duì)由于信號(hào)接收不良導(dǎo)致GPS 記錄出錯(cuò)的數(shù)據(jù)進(jìn)行核正,解決車速數(shù)據(jù)“凍滯”問(wèn)題;然后,保證PEMS 設(shè)備收集的車輛排放特征數(shù)據(jù)與行駛工況數(shù)據(jù)時(shí)間同步;最后,對(duì)數(shù)據(jù)進(jìn)行質(zhì)量控制,包括缺失值插值處理和突變值平滑等,確保數(shù)據(jù)精度。

        3 測(cè)試結(jié)果與分析

        3.1 大型客車的VSP公式推導(dǎo)

        VSP 被定義為機(jī)動(dòng)車發(fā)動(dòng)機(jī)每移動(dòng)1 t 質(zhì)量(含自重)所輸出的功率。比功率考慮了機(jī)動(dòng)車發(fā)動(dòng)機(jī)為車輛的動(dòng)能和勢(shì)能變化提供所需要的能量,以及發(fā)動(dòng)機(jī)克服車輪旋轉(zhuǎn)阻力和空氣動(dòng)力學(xué)阻力做功,以及內(nèi)摩擦阻力造成傳動(dòng)系統(tǒng)的機(jī)械損失等因素,往往既能反映車輛的行駛特征,又與車輛的油耗排放狀況緊密相關(guān)。本文依據(jù)Andrei[12]給出的大型柴油客車的VSP計(jì)算公式,再結(jié)合汽車?yán)碚摮S霉β实亩x推導(dǎo)適合本文研究對(duì)象的比功率VH計(jì)算公式:

        式中,v為車速;a為瞬時(shí)加速度;g為重力加速度;s為道路坡度;R為輪胎滾動(dòng)阻力系數(shù);ρa(bǔ)為環(huán)境空氣密度;CD為空氣阻力系數(shù);A為車輛迎風(fēng)面積;mk為整車質(zhì)量。

        本研究在中南地區(qū)進(jìn)行,該地區(qū)屬大陸性中亞熱帶季風(fēng)濕潤(rùn)氣候,則空氣密度為:

        式中,P為大氣壓力;T為氣溫;φ為相對(duì)濕度;ρb為飽和水蒸汽壓力。

        將PEMS 實(shí)測(cè)數(shù)據(jù)代入式(2),求得ρa(bǔ)約為1.189 96 kg/m3,本研究中道路坡道s取值為0,長(zhǎng)沙市的重力加速度g取值為9.79 m/s2,將有關(guān)數(shù)據(jù)代入式(1),可得本研究中大型客車的比功率。

        3.2 大型客車的VSP分布特征

        本研究的大型客車在實(shí)際道路中共行駛了143.3 km,其中城區(qū)道路占比45.14%,郊區(qū)道路占比25.38%,高速道路占比29.48%,得到原始數(shù)據(jù)(包括車速和尾氣質(zhì)量排放率等)共11 064組。經(jīng)過(guò)一系列的篩選和優(yōu)化,最終得到可用數(shù)據(jù)約10 000組。由大型客車的瞬時(shí)速度數(shù)據(jù)即可求得其對(duì)應(yīng)的瞬時(shí)加速度,然后借助式(1)求出對(duì)應(yīng)的比功率。為了方便探究其VSP分布與尾氣排放的關(guān)系,先對(duì)比功率進(jìn)行聚類分析,即VSP按照數(shù)值進(jìn)行分區(qū),本文按1 kW/t進(jìn)行等間隔的區(qū)間劃分,如表2所示。

        表2 VSP的區(qū)間劃分

        本文分別計(jì)算了城區(qū)、郊區(qū)和高速道路工況下大型客車的比功率,得到每個(gè)VSP區(qū)間在不同道路工況下所占的時(shí)間比例,即大型客車在不同公路工況下的VSP分布狀態(tài),如圖3所示。

        圖3 不同工況下大型客車的VSP區(qū)間分布

        由圖3 可知:不同道路工況下,大型客車VSP 都在-20~20 kW/t 范圍內(nèi),而且其VSP 區(qū)間范圍隨道路工況復(fù)雜程度的加深而收縮;在3 種道路工況下,大型客車的VSP區(qū)間分布均有集中的現(xiàn)象,且道路工況越復(fù)雜時(shí)越明顯,城區(qū)工況下,峰值出現(xiàn)在VSP 劃分代號(hào)為0的區(qū)間內(nèi),其峰值明顯隨道路工況復(fù)雜性的加深而逐漸向比功率大的區(qū)間偏移。

        3.3 大型客車隨VSP變化的排放規(guī)律

        由式(1)計(jì)算得到的VH與其尾氣污染物(CO 和NOx)逐一對(duì)應(yīng)。同樣,大型客車發(fā)動(dòng)機(jī)產(chǎn)生的CO2也與其比功率密切相關(guān)。不同道路工況下大型客車的尾氣質(zhì)量排放率隨比功率區(qū)間的變化規(guī)律如圖4所示。

        圖4 不同工況下尾氣質(zhì)量排放率隨VSP區(qū)間變化規(guī)律

        由圖4 可知:不同道路工況下,大型客車尾氣污染物中CO 的質(zhì)量排放率在VH為正的區(qū)間內(nèi)明顯較NOx小,而隨著公路工況復(fù)雜程度的增加,CO 和NOx在不同VSP 區(qū)間范圍的平均質(zhì)量排放率先增大后減小,即在不同VSP區(qū)間范圍內(nèi),2種污染物的平均質(zhì)量排放率都在郊區(qū)工況下達(dá)到最大值;隨著道路工況復(fù)雜程度的降低,不同VSP 區(qū)間范圍CO2的平均質(zhì)量排放率明顯逐漸增大;不同道路工況下,隨VSP 區(qū)間的增大,CO2和NOx的質(zhì)量排放率增大,且變化幾乎同步,但CO 質(zhì)量排放率變化較平緩,基本在(0.05±0.02) mg/s 范圍內(nèi)浮動(dòng)。

        4 大型客車尾氣預(yù)測(cè)模型構(gòu)建

        誤差反向傳播網(wǎng)絡(luò)(BP神經(jīng)網(wǎng)絡(luò))因其突出的非線性映射能力、較好的泛化能力和容錯(cuò)能力得到廣泛應(yīng)用。本文選取BP神經(jīng)網(wǎng)絡(luò)構(gòu)建大型客車的尾氣預(yù)測(cè)模型。

        4.1 BP神經(jīng)網(wǎng)絡(luò)算法

        單隱含層網(wǎng)絡(luò)在BP 神經(jīng)網(wǎng)絡(luò)中最為普遍,為包括輸入層、隱含層和輸出層的3層感知器。對(duì)于3層感知器,一般設(shè)X=(x1,x2,…,xi,…xn)T為輸入向量、Y=(y1,y2,…,yj,…ym)T為隱含層的輸出向量、O=(o1,o2,…,ok,…ol)T為輸出層的輸出向量、d=(d1,d2,…,dk,…dl)T為期望的輸出向量、V=(v1,v2,…,vj,…vm)T為輸入層與隱含層之間的權(quán)值矩陣、W=(w1,w2,…,wk,…wl)T為隱含層與輸出層間的權(quán)值矩陣。其中,vj為隱含層第j個(gè)神經(jīng)元輸入對(duì)應(yīng)的權(quán)值向量,wk為輸出層第k個(gè)神經(jīng)元輸出對(duì)應(yīng)的權(quán)值向量,信號(hào)正向傳播時(shí),不同層間的關(guān)系如式(3)~式(9)所示:

        輸入層與隱含層之間的數(shù)學(xué)表達(dá)式為:

        式中,Nj為第j個(gè)神經(jīng)元;vij為權(quán)值向量vj的第i個(gè)元素;n為輸入向量的元素個(gè)數(shù);m為權(quán)值向量V的行數(shù)。

        隱含層與輸出層之間的數(shù)學(xué)表達(dá)式為:

        式中,Nk為第k個(gè)神經(jīng)元;wjk為權(quán)值向量wk的第j個(gè)元素;l為權(quán)值向量W的行數(shù)。

        單極性和雙極性Sigmoid函數(shù)分別為:

        f(x)滿足連續(xù)、可導(dǎo):

        而當(dāng)網(wǎng)絡(luò)輸出與期望輸出不符時(shí),其誤差E為:

        由于誤差會(huì)反向傳播,故此時(shí)各層之間的關(guān)系為:

        當(dāng)誤差定義擴(kuò)展至隱含層時(shí):

        繼續(xù)擴(kuò)展至隱含層輸入層時(shí):

        從式(12)可以看出,誤差E與各層權(quán)值的wjk、vij緊密相關(guān),故通過(guò)調(diào)整各層之間的權(quán)值即可不斷變小誤差E。而權(quán)值的調(diào)整量與誤差的下降梯度成正比,則有:

        式中,μ∈[0,1]為比例系數(shù),它是學(xué)習(xí)效率的反映;負(fù)號(hào)是指梯度下降。

        4.2 大型客車尾氣排放預(yù)測(cè)模型建立

        本文以大型客車行駛狀況參數(shù)(行駛速度、加速度、VH以及逐秒油耗值)作為輸入層,以大型客車CO2、CO和NOx尾氣排放因子作為輸出層,再利用單隱含層BP神經(jīng)網(wǎng)絡(luò)算法建立模型。其中,輸入層可用數(shù)據(jù)為4×10 000組,輸出層可用數(shù)據(jù)為3×10 000組。為方便對(duì)所建立的模型進(jìn)行檢驗(yàn),采用等距抽樣方法,對(duì)全部數(shù)據(jù)從每10組中抽取1組作為對(duì)比檢驗(yàn)組,其余數(shù)據(jù)作為模型訓(xùn)練組。模型訓(xùn)練結(jié)束后,用對(duì)比檢驗(yàn)組的數(shù)據(jù)進(jìn)行預(yù)測(cè),并把預(yù)測(cè)結(jié)果與期望輸出作比較,以此評(píng)判模型優(yōu)劣。

        對(duì)于BP神經(jīng)網(wǎng)絡(luò)算法,在對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練前,應(yīng)對(duì)輸入層和輸出層的數(shù)據(jù)進(jìn)行歸一化預(yù)處理,以此平衡它們之間的差距。本文的歸一化公式為:

        歸一化后,還需要確定BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)。對(duì)于本文,輸入層、輸出層的激活函數(shù)(傳遞函數(shù))選擇連續(xù)可微的tansig 函數(shù)(雙曲線正切S 型函數(shù)),學(xué)習(xí)函數(shù)選擇可以實(shí)現(xiàn)梯度下降的learngd 函數(shù),訓(xùn)練函數(shù)選擇內(nèi)存需求大,但收斂速度較快的trainlm 函數(shù)。此外,在本文的預(yù)測(cè)模型中,學(xué)習(xí)率設(shè)為0.01,最大訓(xùn)練次數(shù)設(shè)置為100 000 次,最大失誤次數(shù)設(shè)為10 次,學(xué)習(xí)訓(xùn)練的精度設(shè)為0.000 1。

        在已選定BP 神經(jīng)網(wǎng)絡(luò)層數(shù)的情況下,其隱層節(jié)點(diǎn)數(shù)的選擇至關(guān)重要,因?yàn)槠湓贐P 神經(jīng)網(wǎng)絡(luò)中儲(chǔ)存權(quán)值和閾值,記錄輸入和輸出規(guī)律。一般用試湊法確定隱層節(jié)點(diǎn)數(shù),本文采用的經(jīng)驗(yàn)公式為:

        式中,M為隱層節(jié)點(diǎn)數(shù);IN為輸入層節(jié)點(diǎn)數(shù);OT為輸出層節(jié)點(diǎn)數(shù);B為1~10的常數(shù)。

        顯然,在本文的預(yù)測(cè)模型中,IN=4,OT=3,故M的取值范圍為4~13。為了確定最佳的隱層節(jié)點(diǎn)數(shù),還需要一些綜合評(píng)估指標(biāo)來(lái)篩選最佳預(yù)測(cè)結(jié)果。本文采用的評(píng)估指標(biāo)是平均均方根誤差(Root Mean Square Error,RMSE),即平均均方誤差(Mean-Square Error,MSE)開(kāi)根號(hào)的結(jié)果,以及多重相關(guān)系數(shù)R:

        式中,RM為平均均方根誤差;Ms為平均均方誤差;di為期望輸出值;oi為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值;N為樣本數(shù)量。

        不同的隱層節(jié)點(diǎn)數(shù)與其對(duì)應(yīng)的網(wǎng)絡(luò)誤差參數(shù)如表3 所示。

        一般來(lái)說(shuō),RM越小,網(wǎng)絡(luò)誤差就越小,而多重相關(guān)系數(shù)R越接近1,就代表預(yù)測(cè)越準(zhǔn)確。由表3 可知,當(dāng)隱層節(jié)點(diǎn)數(shù)量為13 個(gè)時(shí),總體RM值低至1.792 8,而總體的多重相關(guān)系數(shù)R=0.916 7,大于0.9,故本文最終確定的大型客車尾氣預(yù)測(cè)模型的BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為4-13-3,如圖5 所示。樣本數(shù)據(jù)在訓(xùn)練、驗(yàn)證、測(cè)試以及全部輸出過(guò)程中MSE 的變化和多重相關(guān)系數(shù)如圖6所示。

        表3 不同的隱層節(jié)點(diǎn)數(shù)與其對(duì)應(yīng)的網(wǎng)絡(luò)誤差參數(shù)

        圖5 大型客車尾氣預(yù)測(cè)模型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

        由圖6可知,當(dāng)訓(xùn)練步數(shù)為51步時(shí),訓(xùn)練的Ms值達(dá)到0.004 176 9,訓(xùn)練樣本R=0.920 25,檢驗(yàn)樣本R=0.916 56,多重相關(guān)系數(shù)都在0.9 以上,比較接近于1,說(shuō)明所建立的BP網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確度較高,也就是說(shuō),模型預(yù)測(cè)的輸出結(jié)果和目標(biāo)期望之間的相關(guān)性較好。

        此外,利用搭建好的大型客車尾氣排放模型求出CO2、CO 和NOx尾氣的瞬時(shí)排放因子,并以相對(duì)誤差作為評(píng)價(jià)指標(biāo),來(lái)檢驗(yàn)所建模型的總體預(yù)測(cè)誤差。其中,相對(duì)誤差Er的數(shù)學(xué)表達(dá)式為:

        式中,Tr為實(shí)測(cè)數(shù)據(jù);Pr為預(yù)測(cè)模型輸出的結(jié)果。

        本文測(cè)試的大型客車實(shí)際道路總行駛里程143.3 km,總的行駛時(shí)間110 60 s,平均車速46.64 km/h,其尾氣CO2、CO 和NOx的總體預(yù)測(cè)情況如表4 所示。

        圖6 樣本的Ms變化和多重相關(guān)系數(shù)

        表4 3種尾氣的總體預(yù)測(cè)結(jié)果

        由表4 可知,尾氣CO2、CO 和NOx排放因子的總體預(yù)測(cè)相對(duì)誤差均較小??偟膩?lái)說(shuō),在誤差允許范圍內(nèi),本文所建的模型對(duì)大型客車尾氣中CO2、CO和NOx排放特性的預(yù)測(cè)均有較高的準(zhǔn)確性。

        5 結(jié)束語(yǔ)

        本文以逐秒的速度、加速度、比功率和油耗數(shù)據(jù)為輸入,建立了基于BP神經(jīng)網(wǎng)絡(luò)算法的大型客車尾氣排放預(yù)測(cè)模型,并進(jìn)行了驗(yàn)證。結(jié)果表明,該模型預(yù)測(cè)準(zhǔn)確性較好,可用于預(yù)測(cè)實(shí)際行駛過(guò)程中的尾氣排放情況。

        尾氣中3種污染物的預(yù)測(cè)結(jié)果均小于實(shí)際值,這可能是建立模型時(shí)未考慮道路測(cè)試時(shí)的坡度、海拔高度、風(fēng)速、駕駛員行為習(xí)慣等因素所致,故本文的預(yù)測(cè)模型存在一定的局限性,還需要后續(xù)研究進(jìn)行完善。

        猜你喜歡
        尾氣權(quán)值客車
        一種融合時(shí)間權(quán)值和用戶行為序列的電影推薦模型
        CONTENTS
        客車難改下滑頹勢(shì)
        汽車觀察(2019年2期)2019-03-15 06:00:52
        金龍客車的不凡履歷
        汽車觀察(2018年12期)2018-12-26 01:05:46
        客車市場(chǎng)進(jìn)入寒冬?
        汽車觀察(2018年10期)2018-11-06 07:05:32
        機(jī)動(dòng)車尾氣污染物排放和控制探究
        基于Cruise的純電動(dòng)客車動(dòng)力系統(tǒng)匹配
        北京汽車(2017年3期)2017-10-14 02:15:52
        基于權(quán)值動(dòng)量的RBM加速學(xué)習(xí)算法研究
        多層介質(zhì)阻擋放電處理柴油機(jī)尾氣顆粒物
        變頻技術(shù)在尾氣壓縮機(jī)上的應(yīng)用
        精品少妇一区二区三区免费观 | 亚洲xxxx做受欧美| 亚洲欧美国产日产综合不卡| 激情视频在线播放一区二区三区| 国产亚洲自拍日本亚洲| 99久久国产综合精品女图图等你 | 69sex久久精品国产麻豆| 国产久热精品无码激情 | 日韩在线手机专区av| 久久精品女人av一区二区| 亚瑟国产精品久久| 高清国产日韩欧美| 亚洲av成人久久精品| 亚洲国产a∨无码中文777| a级大胆欧美人体大胆666| 亚洲精品亚洲人成在线下载| 亚洲女同人妻在线播放| 欧美日韩在线视频| 美丽的熟妇中文字幕| 亚洲精品成人网线在线播放va| 快射视频网站在线观看| 亚洲中文字幕无码天然素人在线| 国产成人精品三级麻豆| 开心五月婷婷综合网站| 产美女被爽到高潮免费a| 亚洲av最新在线网址| 亚洲AV综合A∨一区二区| 久久午夜一区二区三区| 日本在线 | 中文| 欧美性群另类交| 加勒比熟女精品一区二区av| 无遮挡很爽很污很黄的女同| 熟女熟妇伦av网站| 欧美成人精品福利在线视频| av免费网站免费久久网| 亚洲中文字幕无码一久久区 | 综合色区亚洲熟妇另类| 亚洲日本三级| 国产91成人自拍视频| 在线视频夫妻内射| 婷婷亚洲综合五月天小说|