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

        ?

        基于深度卷積神經(jīng)網(wǎng)絡(luò)的變電一次設(shè)備故障檢測(cè)方法

        2022-12-02 09:46:16張飛飛張俊吳龍吳曉輝雪占波
        電氣傳動(dòng) 2022年23期
        關(guān)鍵詞:變電卷積噪聲

        張飛飛,張俊 ,吳龍,吳曉輝,雪占波

        (1.國(guó)網(wǎng)昌吉供電公司,新疆 昌吉 831100;2.寶雞市韋思特電氣有限公司,陜西 寶雞 721006)

        隨著科學(xué)技術(shù)的飛速發(fā)展,電網(wǎng)工程成為社會(huì)發(fā)展的重要助力,變電設(shè)備自動(dòng)化和智能化程度越來(lái)越高[1]。變電設(shè)備的智能化發(fā)展為其故障檢測(cè)維修造成一定程度上的阻礙。電網(wǎng)運(yùn)行過程中受到多種因素的影響,變電設(shè)備超負(fù)荷工作等諸多因素,導(dǎo)致變電一次設(shè)備出現(xiàn)多種故障[2]。為保障電網(wǎng)的正常運(yùn)行,對(duì)變電一次設(shè)備故障的維護(hù)和故障檢測(cè)十分重要。為此,相關(guān)研究者進(jìn)行了很多研究,并取得了一定成果。

        尹相國(guó)等人[3]提出一種智能變電站設(shè)備故障檢測(cè)方法。該方法主要通過幾點(diǎn)保護(hù)實(shí)現(xiàn)變電設(shè)備故障檢測(cè)。根據(jù)廣義變比構(gòu)建故障診斷模型,對(duì)各類型的故障進(jìn)行診斷和分析。該方法操作過程簡(jiǎn)單,但考慮的變電設(shè)備故障影響因素較少,存在故障檢測(cè)效果不佳的問題。王同文等人[4]提出智能變電站二次回路智能預(yù)警及故障診斷技術(shù)。該方法首先分析了智能變電站信息傳輸?shù)奶攸c(diǎn),并構(gòu)建物理鏈路設(shè)置合理協(xié)議,并構(gòu)建變電設(shè)備的物理拓?fù)洌?gòu)建的物理拓?fù)浣Y(jié)構(gòu)回路信息流流向相應(yīng)位置,在此基礎(chǔ)上,構(gòu)建變電設(shè)備故障專家數(shù)據(jù)庫(kù),將變電設(shè)備的運(yùn)行狀態(tài)作為判斷依據(jù),完成故障的診斷。該方法未過多考慮變電設(shè)備中噪聲數(shù)據(jù),存在故障檢測(cè)精度低的問題。

        為解決上述問題,本文提出基于深度卷積神經(jīng)網(wǎng)絡(luò)的變電一次設(shè)備故障檢測(cè)方法。實(shí)驗(yàn)結(jié)果表明,所提方法不僅能夠有效降低故障誤報(bào)率和漏報(bào)率,同時(shí)還能夠提升故障檢測(cè)及時(shí)性和辨識(shí)能力。

        1 變電一次設(shè)備數(shù)據(jù)采集和預(yù)處理

        變電一次設(shè)備的數(shù)據(jù)采集主要通過高分辨率的數(shù)碼相機(jī)和攝像頭在多光照條件下采集變電設(shè)備圖像。以此為依據(jù),組建變電站場(chǎng)景數(shù)據(jù)集,增強(qiáng)樣本多樣性。在變電一次設(shè)備圖像采集過程中,主要受采集設(shè)備以及環(huán)境等條件因素影響,采集全部圖像均存在噪聲以及對(duì)比度較低等問題。另外,由于距離較遠(yuǎn)以及焦距大小不一等問題,導(dǎo)致圖像中間大小和位置不確定。為了確保設(shè)備圖像中設(shè)備大小以及位置等參數(shù)的一致性,需要對(duì)采集到的數(shù)據(jù)集進(jìn)行處理。圖像噪聲對(duì)圖像特征的提取具有很大的影響。對(duì)其進(jìn)行預(yù)處理時(shí)刪除數(shù)據(jù)集中無(wú)關(guān)信息和噪聲,常見噪聲包括:

        1)高斯噪聲。高斯噪聲是符合概率密度函數(shù)的高斯分布噪聲,n維噪聲分布主要取決于各隨機(jī)變量的三個(gè)數(shù)學(xué)變量,分別為:數(shù)學(xué)期望、方差以及協(xié)方差函數(shù)[5]。假設(shè)高斯噪聲的寬相對(duì)平穩(wěn),則對(duì)應(yīng)的嚴(yán)也十分平穩(wěn);假設(shè)是兩個(gè)不相關(guān)的隨機(jī)變量,則統(tǒng)計(jì)獨(dú)立。

        2)椒鹽噪聲。即脈沖噪聲,主要由鹽噪聲和胡椒噪聲組成。前者是一種高灰度噪聲;后者是一種低灰度噪聲。通常情況下兩者噪聲可以一起存在。其能夠隨機(jī)改變一些像素,在二值像素點(diǎn)變白,剩余像素點(diǎn)變黑。

        3)量化噪聲。量化噪聲和輸入數(shù)據(jù)集的信號(hào)類型不存在任何關(guān)聯(lián),主要是在量化過程中由量化誤差形成噪聲。

        不同噪聲需要采用不同去噪方法進(jìn)行處理。本文采用均值濾波對(duì)采集的圖像進(jìn)行預(yù)處理。該方法是一種典型的線性濾波方法,主要用于識(shí)別數(shù)據(jù)集中目標(biāo),包含鄰近像素點(diǎn)和自身的像素點(diǎn)。

        采用均值替代的方式確定原始圖像中各像素值,即需要處理像素點(diǎn)f(x,y),選擇最終模板。由鄰近像素組成所需要模板,即求解全部像素的平均值[6],同時(shí)將其賦值到當(dāng)前的像素點(diǎn)f(x,y)中,能夠獲取該點(diǎn)對(duì)應(yīng)的灰度值為

        式中:m為模板中包括原始像素在內(nèi)的全部像素總數(shù)。

        在獲取的變電一次設(shè)備圖像中,由于圖像大小相同,在故障數(shù)據(jù)檢測(cè)前期需要對(duì)各數(shù)據(jù)集進(jìn)行預(yù)處理。在預(yù)處理過程中,需要將數(shù)據(jù)集縮小或擴(kuò)大為最佳大小[7-8],同時(shí)還需要通過數(shù)據(jù)增廣技術(shù)降低網(wǎng)絡(luò)擬合的風(fēng)險(xiǎn)。

        通過數(shù)據(jù)增廣方法對(duì)原始數(shù)據(jù)集進(jìn)行隨機(jī)旋轉(zhuǎn),形成全新數(shù)據(jù)集。雖然在圖像和數(shù)據(jù)采集過程中需要全面考慮方位以及角度等多樣性,但各變電設(shè)備具有一定隨機(jī)性,需要將原始圖像或者數(shù)據(jù)集進(jìn)行旋轉(zhuǎn),有效消除樣本多樣性帶來(lái)的不足,通過下述公式進(jìn)行計(jì)算:

        式中:P為獲取的無(wú)噪點(diǎn)的變電設(shè)備故障數(shù)據(jù);p1,p2,p3分別為不同的原始圖像數(shù)據(jù);α1,α2,α3分別為一級(jí)、二級(jí)、三級(jí)的變電設(shè)備數(shù)據(jù)旋轉(zhuǎn)因子;λ1,λ2,λ3分別為一級(jí)、二級(jí)、三級(jí)的變電設(shè)備數(shù)據(jù)復(fù)數(shù)常數(shù)。

        在此基礎(chǔ)上,由于均值濾波方法對(duì)圖像的預(yù)處理中存在的局部噪聲無(wú)法得到完全消除,因此借助協(xié)方差矩陣對(duì)圖像中局部噪聲進(jìn)行進(jìn)一步的刪除,得到的結(jié)果為

        2 變電一次設(shè)備故障檢測(cè)實(shí)現(xiàn)

        深度學(xué)習(xí)在人工智能領(lǐng)域占據(jù)核心位置,主要將不同的特征進(jìn)行抽象表述,同時(shí)自動(dòng)提取研究對(duì)象的特征。為了獲取更加精準(zhǔn)的故障檢測(cè)結(jié)果,引入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行故障特征提取,促使故障檢測(cè)更加智能化。其中,自適應(yīng)深度卷積神經(jīng)網(wǎng)絡(luò)故障檢測(cè)過程如圖1所示。

        圖1 自適庫(kù)故障檢測(cè)流程Fig.1 Flow chart of adaptive fault detection

        在訓(xùn)練初始階段,故障診斷模型的建立是由以下步驟實(shí)現(xiàn)的:1)參數(shù)選擇;2)輸入信號(hào)圖像;3)深度卷積神經(jīng)網(wǎng)絡(luò)模型建立。

        在模型檢測(cè)階段也包含三個(gè)不同部分,分別為:1)特征提取和存儲(chǔ);2)組建檢測(cè)器;3)未知故障學(xué)習(xí)。

        在模型建立過程中,使用全連接層代替全卷積層。為了提取更加完整的故障特征[9],需要將兩個(gè)層進(jìn)行統(tǒng)計(jì)。在抗生體形成的過程中,采用基于抗原中心的抗體生成策略進(jìn)行學(xué)習(xí)階段抗體的尋優(yōu)操作,有效避免錯(cuò)誤檢測(cè)情況的發(fā)生。

        在變電一次設(shè)備故障檢測(cè)的過程中,主要采用深度卷積網(wǎng)絡(luò)進(jìn)行故障特征提取和檢測(cè)。深度卷積神經(jīng)網(wǎng)絡(luò)在建立過程中需要通過不同應(yīng)用領(lǐng)域和檢測(cè)對(duì)象選取合適網(wǎng)絡(luò)模型,主要目的是為了有效提取檢測(cè)對(duì)象的特征[10],進(jìn)而增強(qiáng)檢測(cè)結(jié)果的準(zhǔn)確性。

        采用深度卷積神經(jīng)網(wǎng)絡(luò)時(shí),需要優(yōu)先解決網(wǎng)絡(luò)建立和參數(shù)選擇問題。在模型建立過程中,通過頻域波形信號(hào)進(jìn)行參數(shù)選擇。在特征圖個(gè)數(shù)選擇過程中,需要設(shè)置不同類型的模型,具體如下所示:

        1)增量模型。經(jīng)過多次研究將各個(gè)卷積層的特征圖提取數(shù)量設(shè)置為80,符合本文故障檢測(cè)需求。

        2)遞減模型。各卷積層提取的特征圖數(shù)量逐漸減少。

        3)卷積操作。對(duì)波形信號(hào)進(jìn)行特征提取,在選擇好的卷積層中提取對(duì)應(yīng)數(shù)量特征圖數(shù)量,確定卷積核大小,其中共包含三種不同規(guī)格卷積核。

        通過深度卷積神經(jīng)網(wǎng)絡(luò)選擇好參數(shù)后,需要進(jìn)一步確定深度卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)、輸入時(shí)域以及頻域波形信號(hào)的大小[11]。模型中參數(shù)的訓(xùn)練需要通過時(shí)域和頻域波形信號(hào)完成,以下給出具體的訓(xùn)練過程:

        1)將振動(dòng)信號(hào)設(shè)定為變電一次設(shè)備采集的數(shù)據(jù)。

        2)將步驟1)中提取的振動(dòng)信號(hào)轉(zhuǎn)換為時(shí)域波形,通過傅里葉變換轉(zhuǎn)換為頻域波形,同時(shí)對(duì)其進(jìn)行灰度化處理,將不同類型的信號(hào)分別存儲(chǔ)到不同的文件夾中。

        3)針對(duì)故障類型將文件夾存放到對(duì)應(yīng)的位置。

        4)建立時(shí)域和頻域模型。

        5)將數(shù)據(jù)集劃分為測(cè)試集和訓(xùn)練集兩種類型。

        6)設(shè)定卷積操作的步長(zhǎng)為1,池化核的步長(zhǎng)為2,其中偏置數(shù)量和卷積層提取的特征圖數(shù)量相同。

        7)采用卷積核進(jìn)行隨機(jī)初始化操作,設(shè)定初始偏差為0。

        8)通過不同類型的信號(hào)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,同時(shí)采用隨機(jī)梯度下降的方式對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

        9)通過測(cè)試集對(duì)訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

        在故障檢測(cè)階段,優(yōu)先提取時(shí)域信號(hào),同時(shí)經(jīng)過傅里葉變換轉(zhuǎn)換為頻域信號(hào),最終形成檢測(cè)階段的時(shí)域和頻域信號(hào)。通過初試階段檢測(cè)后,將提取特征和初步診斷結(jié)果進(jìn)行存儲(chǔ)。

        當(dāng)變電一次設(shè)備進(jìn)行故障診斷時(shí),故障是在一段時(shí)間內(nèi)連續(xù)出現(xiàn)的。為了促使檢測(cè)結(jié)果準(zhǔn)確性更好,需要對(duì)診斷結(jié)果的準(zhǔn)確性進(jìn)行評(píng)估。設(shè)定TD代表時(shí)域模型的檢測(cè)結(jié)果,F(xiàn)en代表提取的特征屬性,具體的計(jì)算式為

        式中:Re(T)為時(shí)域檢測(cè)下的評(píng)估結(jié)果。

        頻域檢測(cè)結(jié)果主要通過下式進(jìn)行定義,即

        式中:Re(f)為頻域檢測(cè)下的評(píng)估結(jié)果;Fd為頻域模型的檢測(cè)結(jié)果;Fet1,Fet2,…,Fetn為不同頻域檢測(cè)特征屬性值。

        其中,未知故障檢測(cè)器的存儲(chǔ)形式主要?jiǎng)澐譃槿缦聝煞N:1)包含帶標(biāo)簽位的抗體種群;2)不包含帶標(biāo)簽位的抗體種群。

        記憶故障知識(shí)庫(kù)中故障檢測(cè)器主要通過故障類別標(biāo)簽進(jìn)行存儲(chǔ),各種故障類型均有其對(duì)應(yīng)的標(biāo)簽以及抗體檢測(cè)種群。采用記憶知識(shí)庫(kù)中抗體進(jìn)行檢測(cè)時(shí),如果時(shí)間和頻率統(tǒng)計(jì)次數(shù)Tmax和fmax兩者均高于閾值,則通過標(biāo)簽位進(jìn)行匹配。如果結(jié)果匹配,通過抗體對(duì)變電一次設(shè)備進(jìn)行故障檢測(cè),假設(shè)完成檢測(cè),則能夠反映當(dāng)前的波形故障類型;反之無(wú)法完成檢測(cè),需要采用將存儲(chǔ)特征進(jìn)行抗體學(xué)習(xí),組建新的故障檢測(cè)器,使用形成故障檢測(cè)器代替剩余檢測(cè)器,這樣不僅能夠有效保持原有的故障檢測(cè)器,同時(shí)還有新的檢測(cè)器,促使檢測(cè)器種群具有較強(qiáng)的動(dòng)態(tài)適應(yīng)性。當(dāng)標(biāo)簽無(wú)法進(jìn)行匹配時(shí),則說(shuō)明當(dāng)前的故障波形在較近時(shí)間段內(nèi)沒有進(jìn)行過學(xué)習(xí),則需要執(zhí)行抗體免疫學(xué)習(xí)過程,在此過程中通過對(duì)抗體初始化設(shè)置抗體抑制機(jī)制,可消除故障檢測(cè)中無(wú)法匹配的特征冗余,提升一次設(shè)備故障檢測(cè)的精度。該過程中形成抗體種群檢測(cè)器,同時(shí)將統(tǒng)計(jì)標(biāo)簽和學(xué)習(xí)獲取抗體種群存放到記憶故障知識(shí)庫(kù)中。

        如果變電一次設(shè)備出現(xiàn)未知故障,單純使用記憶故障知識(shí)庫(kù)無(wú)法完成故障檢測(cè),則需要使用抗體進(jìn)行免疫學(xué)習(xí),組建未知故障檢測(cè)器。以下給出抗體免疫學(xué)習(xí)的具體操作過程:

        1)將深度卷積神經(jīng)網(wǎng)絡(luò)時(shí)域和頻域共同提取的特征轉(zhuǎn)換為初始抗原種群Agp。

        2)形成初始抗原后,通過抗體生成策略組建初始抗體種群。

        3)分別計(jì)算各個(gè)抗體對(duì)全部抗原的平均親和力,通過克隆操作定義各抗體克隆相應(yīng)數(shù)量的抗體,當(dāng)平均親和力越大,說(shuō)明抗體克隆數(shù)據(jù)越多;反之,則越少。

        4)隨機(jī)設(shè)定各個(gè)克隆抗體的概率閾值,通過計(jì)算獲取變異概率,當(dāng)其取值高于隨機(jī)閾值時(shí)[12],則對(duì)克隆抗體進(jìn)行變異操作;反之,則不進(jìn)行變異操作。

        5)針對(duì)經(jīng)過克隆和變異操作的抗體進(jìn)行降序排序,同時(shí)設(shè)定下一代初始抗體種群。

        6)重復(fù)步驟3)~步驟5),當(dāng)?shù)螖?shù)達(dá)到指定次數(shù)或抗體親和力滿足指定閾值時(shí),則停止計(jì)算。

        7)完成全部操作后,會(huì)形成全新的檢測(cè)器,結(jié)合實(shí)際情況將新的檢測(cè)器放入記憶故障知識(shí)庫(kù)中進(jìn)行故障檢測(cè)。

        3 實(shí)驗(yàn)分析

        3.1 實(shí)驗(yàn)環(huán)境

        為驗(yàn)證所提基于深度卷積神經(jīng)網(wǎng)絡(luò)的變電一次設(shè)備故障檢測(cè)方法有效性,在Intel i7-97006核心處理器,16 GB內(nèi)存,操作系統(tǒng)為64位Win?dows10操作系統(tǒng)下進(jìn)行實(shí)驗(yàn)測(cè)試。實(shí)驗(yàn)以某變電站為研究對(duì)象,具體實(shí)驗(yàn)環(huán)境如圖2所示。

        圖2 實(shí)驗(yàn)環(huán)境Fig.2 Experimental environment

        3.2 實(shí)驗(yàn)參數(shù)

        實(shí)驗(yàn)中使用的參數(shù)如下所示:圖像采集光源條件為日光光源,樣本源圖像噪聲-2~2 dB,樣本圖像數(shù)量100張。

        3.3 實(shí)驗(yàn)指標(biāo)

        實(shí)驗(yàn)測(cè)試指標(biāo)包括:

        1)故障檢測(cè)及時(shí)性。當(dāng)變電一次設(shè)備發(fā)生故障后,在最短的時(shí)間內(nèi)完成故障檢測(cè),其中故障檢測(cè)及時(shí)性越短,說(shuō)明檢測(cè)速度越快。

        2)故障誤報(bào)率和漏報(bào)率。誤報(bào)率主要是指故障檢測(cè)方法將變電一次設(shè)備正常運(yùn)行狀態(tài)檢測(cè)為故障狀態(tài);漏報(bào)率主要是指將變電一次設(shè)備的故障狀態(tài)檢測(cè)為正常狀態(tài)。其中,漏報(bào)率和誤報(bào)率的取值越小,說(shuō)明系統(tǒng)的可靠性和安全性較高。

        3)故障辨識(shí)能力。主要指故障檢測(cè)方法檢測(cè)故障程度的能力,其中辨識(shí)能力越強(qiáng),則說(shuō)明檢測(cè)結(jié)果準(zhǔn)確性越高,同時(shí)有利于對(duì)監(jiān)測(cè)對(duì)象進(jìn)行評(píng)估以及維修。

        3.4 實(shí)驗(yàn)結(jié)果分析

        為驗(yàn)證所提方法的有效性,實(shí)驗(yàn)對(duì)比了所提方法、文獻(xiàn)[3]方法以及文獻(xiàn)[4]方法對(duì)故障檢測(cè)的及時(shí)性,得到的結(jié)果如圖3所示。分析圖3中實(shí)驗(yàn)數(shù)據(jù)可知,由于變電站一次故障類型不同,三種方法的故障檢測(cè)時(shí)間也存在較大差異。其中,所提方法對(duì)5種故障類型檢測(cè)的耗時(shí)較短,始終低于其他兩種方法。這是由于所提方法在進(jìn)行故障檢測(cè)時(shí)首先對(duì)故障數(shù)據(jù)進(jìn)行預(yù)處理,減少了干擾數(shù)據(jù)的影響,從而提升了故障檢測(cè)的及時(shí)性。

        圖3 不同方法故障檢測(cè)及時(shí)性Fig.3 Timeliness of fault detection by different methods

        實(shí)驗(yàn)對(duì)比了所提方法、文獻(xiàn)[3]方法以及文獻(xiàn)[4]方法對(duì)故障檢測(cè)的誤報(bào)率和漏報(bào)率,實(shí)驗(yàn)結(jié)果表1和表2所示。

        表1 不同方法故障誤報(bào)率對(duì)比結(jié)果Tab.1 Comparison results of false alarm rates of different methods

        表2 不同方法漏報(bào)率對(duì)比結(jié)果Tab.2 Comparison results of under report ingrates of different methods

        分析表1和表2中實(shí)驗(yàn)數(shù)據(jù)可知,由于所提方法在故障檢測(cè)前期,對(duì)變電一次設(shè)備進(jìn)行數(shù)據(jù)采集和預(yù)處理,為后續(xù)的故障檢測(cè)奠定堅(jiān)實(shí)的基礎(chǔ),進(jìn)而有效降低了誤報(bào)率和漏報(bào)率,獲取更加理想的檢測(cè)結(jié)果,且明顯優(yōu)于另外兩種方法。

        為了進(jìn)一步驗(yàn)證所提方法的優(yōu)越性,實(shí)驗(yàn)對(duì)比三種不同方法的故障辨識(shí)能力,實(shí)驗(yàn)結(jié)果如圖4所示。

        圖4 不同方法故障辨識(shí)能力對(duì)比結(jié)果Fig.4 Comparison results of fault identification capabilities of different methods

        由圖4中的實(shí)驗(yàn)數(shù)據(jù)可知,在相同實(shí)驗(yàn)環(huán)境下,采用三種方法對(duì)樣本故障進(jìn)行辨識(shí)的能力存在一定差距。其中,所提方法對(duì)樣本故障辨識(shí)的能力最高達(dá)到了99%,滿足對(duì)樣本一次性設(shè)備故障診斷的需求,全面驗(yàn)證所提方法的有效性,同時(shí)也證明了本文方法在變電一次設(shè)備故障診斷中的優(yōu)勢(shì)。

        4 結(jié)論

        針對(duì)傳統(tǒng)方法存在的一系列缺陷,本文提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的變電一次設(shè)備故障檢測(cè)方法。該方法通過深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)故障進(jìn)行檢測(cè),提升了故障檢測(cè)的性能。實(shí)驗(yàn)結(jié)果表明,所提方法能夠提升故障檢測(cè)的及時(shí)性,降低故障誤報(bào)率和漏報(bào)率,獲取滿意的故障檢測(cè)結(jié)果。

        猜你喜歡
        變電卷積噪聲
        基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
        噪聲可退化且依賴于狀態(tài)和分布的平均場(chǎng)博弈
        從濾波器理解卷積
        電子制作(2019年11期)2019-07-04 00:34:38
        變電運(yùn)行技術(shù)在電力工程中的應(yīng)用
        基于傅里葉域卷積表示的目標(biāo)跟蹤算法
        控制噪聲有妙法
        變電設(shè)備差異化巡視優(yōu)化
        黑龍江電力(2017年1期)2017-05-17 04:25:14
        對(duì)變電運(yùn)行防誤閉鎖裝置的分析
        電子制作(2016年21期)2016-05-17 03:53:16
        一種基于白噪聲響應(yīng)的隨機(jī)載荷譜識(shí)別方法
        一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法
        香蕉久久夜色精品国产| 日本高清视频www| 亚洲va在线∨a天堂va欧美va| 亚洲国产另类久久久精品小说 | 久久99国产乱子伦精品免费| 欧美精品高清在线xxxx| 男女打扑克视频在线看| 成 人片 黄 色 大 片| 欧美疯狂做受xxxx高潮小说| 中文岛国精品亚洲一区| 少妇我被躁爽到高潮在线影片| 人妻少妇-嫩草影院| 老色鬼永久精品网站| 国产在线视频h| 一区二区三区在线观看人妖| 精品视频一区二区三区在线观看| 女人夜夜春高潮爽a∨片| 亚洲A∨日韩Av最新在线| 日本一区二区不卡在线| 亚洲av无码久久精品色欲| 中文在线√天堂| 青青草视频国产在线观看| 亚洲成人av在线第一页| 无码人妻av一二区二区三区| 亚洲亚洲网站三级片在线| 日本高清在线一区二区三区| 国产乱码人妻一区二区三区| 午夜不卡av免费| 亚洲AVAv电影AV天堂18禁| 成人一区二区三区激情视频| 色777狠狠狠综合| 亚洲аv天堂无码| 琪琪av一区二区三区| 亚洲av成人片色在线观看| 欧美激情内射喷水高潮| 色综合久久久久综合一本到桃花网| 男男亚洲av无一区二区三区久久| 女人让男人桶爽30分钟| 一区二区精品| 亚洲精品综合中文字幕组合| 女人被狂躁c到高潮视频|