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

        ?

        基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的機(jī)器人焊接焊縫外形預(yù)測方法

        2022-12-05 11:39:40蘭江波王田苗溫宇方
        計算機(jī)集成制造系統(tǒng) 2022年11期
        關(guān)鍵詞:焊縫

        陶 永,蘭江波,任 帆,王田苗,江 山,高 赫,溫宇方

        (北京航空航天大學(xué) 機(jī)械工程及自動化學(xué)院,北京 100083)

        0 引言

        焊縫的表面質(zhì)量對焊縫性能有重要影響,焊縫表面質(zhì)量例如外形尺寸是否平滑均勻,有無缺陷等都是評價焊縫質(zhì)量的指標(biāo)[1]。當(dāng)前機(jī)器人焊接工藝復(fù)雜,在焊接過程中,焊接質(zhì)量影響因素眾多。機(jī)器人焊接參數(shù)的異常波動、機(jī)器人的震動、焊接參數(shù)的選擇和焊接設(shè)備的操作規(guī)范,都會影響最終的焊接質(zhì)量[2]。

        鈦合金的機(jī)器人焊接質(zhì)量檢測主要包括焊接接頭的力學(xué)性能[3-5]、表面焊接缺陷[6-8]和外表尺寸[9-10]等。但是機(jī)器人焊接質(zhì)量與焊接工藝參數(shù)之間的對應(yīng)關(guān)系目前還難以定量描述。針對這一問題,國內(nèi)外學(xué)者開展了廣泛的研究,如LI[11]等建立了多工藝參數(shù)與焊縫成形質(zhì)量之間的基本多元線性回歸模型,描述了工藝參數(shù)與焊縫成形質(zhì)量之間的關(guān)系;Gou等[12]根據(jù)全熔透焊接過程中熔池的流動行為確定了對接焊接的最佳焊接參數(shù);CASALION等[13]利用人工神經(jīng)網(wǎng)絡(luò)將焊縫凸度和深度與焊接工藝參數(shù)進(jìn)行關(guān)聯(lián),建立了選擇最合適的激光焊接工藝的模型。隨著人工智能的快速發(fā)展,人工神經(jīng)網(wǎng)絡(luò)逐步應(yīng)用到機(jī)器人焊接質(zhì)量預(yù)測的研究中。LI等[14]利用人工神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林模型對焊縫質(zhì)量水平進(jìn)行預(yù)測;BUFFA等[15]采用有限元模型預(yù)測試件間接觸界面上主要場變量的局部值,并將其作為神經(jīng)網(wǎng)絡(luò)的輸入,識別和預(yù)測3種不同的焊接質(zhì)量水平;黃曄[16]提出利用BP神經(jīng)網(wǎng)絡(luò)對焊縫缺陷進(jìn)行建模識別;CHI等[17]提出利用模糊徑向基神經(jīng)網(wǎng)絡(luò)對等離子弧焊進(jìn)行多質(zhì)量預(yù)測,解決了BP神經(jīng)網(wǎng)絡(luò)耗時長的問題,但是其非線性性能不如BP神經(jīng)網(wǎng)絡(luò);SHAO等[18]提出一種用光學(xué)傳感器和神經(jīng)網(wǎng)絡(luò)技術(shù)對激光點焊過程進(jìn)行自動檢測的方法,該方法有助于微電子行業(yè)的焊接質(zhì)量檢測,但針對大型構(gòu)件的適用性還有待驗證;KHALID等[19]提出利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測兩種金屬間的最佳焊接參數(shù),但是對同種金屬之間的焊接效果尚有待驗證;ZHAO等[20]通過研究焊接過程中不同焊接電流和電壓下焊接功率信號的特點,從中提取特征點描述曲線形狀,建立預(yù)測模型。人工神經(jīng)網(wǎng)絡(luò)自提出至今的60年里,其理論和應(yīng)用方面的研究均得到了極大的發(fā)展,并在許多領(lǐng)域中得到廣泛應(yīng)用[21]。但神經(jīng)網(wǎng)絡(luò)的理論體系并不完善,例如神經(jīng)網(wǎng)絡(luò)模型是一個“黑箱”模型,網(wǎng)絡(luò)權(quán)值隨機(jī)選取,網(wǎng)絡(luò)參數(shù)缺乏明確的物理意義,建立的模型難以理解等。模糊算法能夠表達(dá)模糊知識,實現(xiàn)模糊推理,可有效彌補(bǔ)神經(jīng)網(wǎng)絡(luò)的不足[22-23]。

        本文面向鈦合金的T型焊縫外表尺寸的預(yù)測,將模糊理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合,提出建立一種基于直覺模糊C均值聚類和優(yōu)化粒子群算法相融合的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)算法,對焊接參數(shù)與焊縫外形特征之間的關(guān)系進(jìn)行擬合,對鈦合金焊接機(jī)器人焊縫的焊腳寬度和焊高高度進(jìn)行預(yù)測,進(jìn)而持續(xù)優(yōu)化焊接工藝數(shù)據(jù)庫,并為后續(xù)的參數(shù)優(yōu)化提供支持。該方法相比于傳統(tǒng)試焊法,可根據(jù)輸入的焊接參數(shù)對焊后外形進(jìn)行預(yù)測,避免了由于人工試焊造成的材料浪費,降低了成本,并提高了加工效率。

        1 T-S模糊神經(jīng)網(wǎng)絡(luò)

        美國加州大學(xué)的ZADEH[24]教授在1965年首次提出一種用來表達(dá)事物模糊性質(zhì)的重要概念——隸屬函數(shù),突破了經(jīng)典幾何理論,奠定了模糊理論的基礎(chǔ)。TAKAGI等[25]于1985年的模糊推理模型——Takagi-Sugeno(T-S)模型,T-S模型是一種自適應(yīng)性很強(qiáng)的模糊系統(tǒng),該系統(tǒng)可自動更新隸屬函數(shù)的參數(shù)值?;赥-S模型的模糊神經(jīng)網(wǎng)絡(luò)分為輸入層、模糊化層、模糊規(guī)則計算層和輸入層4層。

        基于典型的T-S模糊系統(tǒng),本文提出的焊縫外形預(yù)測模糊神經(jīng)網(wǎng)絡(luò)方法,可用如下“if-then”規(guī)則進(jìn)行定義:

        (1)

        對于焊接參數(shù)輸入量x=[x1,x2,…xk]T,本文選擇激光功率、焊接速度、送絲速度和保護(hù)氣體流量作為系統(tǒng)的輸入?yún)?shù)。首先,根據(jù)焊接模糊規(guī)則計算各輸入變量的焊接參數(shù)隸屬度:

        j=1,2,…k;i=1,2…n。

        (2)

        將各焊接參數(shù)隸屬度進(jìn)行模糊計算,采用模糊算子為連乘算子:

        i=1,2…n。

        (3)

        最后,根據(jù)模糊計算結(jié)果計算焊縫寬度/高度的輸出值:

        (4)

        (5)

        式中:yd是網(wǎng)絡(luò)期望焊縫焊寬/焊高輸出;yc是網(wǎng)絡(luò)實際焊縫焊寬/焊高輸出;e是期望輸出和實際輸出的誤差。

        (6)

        (7)

        式中:α為網(wǎng)絡(luò)學(xué)習(xí)率;xj為網(wǎng)絡(luò)輸入焊接參數(shù);ωi為輸入焊接參數(shù)隸屬度連乘積。

        在機(jī)器人焊接的焊縫外形預(yù)測模糊神經(jīng)網(wǎng)絡(luò)中,焊接參數(shù)隸屬函數(shù)的中心和寬度稱為前件參數(shù),輸出的權(quán)重系數(shù)稱為后件參數(shù)。在傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)中,采用梯度下降法和BP法的混合算法更新網(wǎng)絡(luò)參數(shù),但是這種算法具有收斂速度不確定,且容易陷入局部極小值的不足。因此,為了獲得更準(zhǔn)確的前件參數(shù),提高網(wǎng)絡(luò)的識別精度,本文提出一種利用直覺模糊C均值和自適應(yīng)權(quán)重粒子群算法(Intuition Fuzzy C-Means self-Adaptive Particle Swarm Optimization,IFCM-APSO)相融合的方法,對隸屬函數(shù)的中心和寬度參數(shù)進(jìn)行尋優(yōu)計算。

        2 基于改進(jìn)自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的機(jī)器人焊接焊縫外形預(yù)測方法

        本文提出一種基于IFCM-APSO算法的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)方法,所用算法結(jié)構(gòu)簡單,有助于使前件參數(shù)的辨識更加簡潔有效。

        1984年,BEZDEK等[26]提出了模糊C均值聚類算法(Fuzzy C-Means,F(xiàn)CM),引入樣本到聚類中心的隸屬度,通過優(yōu)化目標(biāo)函數(shù)得到每個樣本點對類中心的隸屬度,決定樣本點的類屬以達(dá)到自動對樣本數(shù)據(jù)進(jìn)行分類的目的。1995年,EBERHART等[27]提出一種粒子群優(yōu)化(Partical Swarm Optimization, POS)算法,該算法具有群體智能、迭代格式簡單、可快速收斂得到最優(yōu)解所在區(qū)域等優(yōu)點,迄今為止FCM算法和PSO算法都得到了較好的應(yīng)用。但是在利用PSO算法確定焊接參數(shù)隸屬度函數(shù)寬度的過程中,較大的權(quán)重因子有利于跳出局部最小點,便于全局搜索,而較小的權(quán)重因子則有利于對當(dāng)前的搜索區(qū)域進(jìn)行精確的局部搜索。

        針對鈦合金帶筋壁板的機(jī)器人焊接過程中焊縫外形預(yù)測的問題,傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)在前件參數(shù)的確定過程中容易發(fā)散,本文提出IFCM-APSO算法對其進(jìn)行改進(jìn),該算法在確定前件參數(shù)過程中從兩個方面對傳統(tǒng)梯度下降法進(jìn)行改進(jìn):一方面引入非隸屬度和猶豫度使得隸屬度矩陣更加合理,便于對焊接過程中由于參數(shù)波動帶來的噪點進(jìn)行聚類;另一方面在確定隸屬函數(shù)寬度的過程中,采用一種自適應(yīng)權(quán)重算法對粒子群算法進(jìn)行改進(jìn)(self-AdaptiveParticle Swarm Optimization,APSO),以利于算法收斂,使其能夠?qū)附訁?shù)的隸屬函數(shù)寬度進(jìn)行尋優(yōu)計算。

        首先,引入焊接直覺模糊集(Welding Intuition Fuzzy Set,WIFS),WIFS是傳統(tǒng)模糊集的重要拓展,其中增加了焊接參數(shù)非隸屬度γ和不確定度π,假設(shè)焊接直覺模糊集A表示焊接參數(shù)樣本x與論域X={x1,x2,…,xn}的關(guān)系,則有:

        A={μA(x),γA(x),πA(x)|x∈X}。

        (8)

        當(dāng)滿足條件μA(x)→[0,1]和γA(x)→[0,1]且0≤μA(x)+γA(x)≤1時,焊接參數(shù)樣本的不確定度可表示為:

        πA(x)=1-μA(x)-γA(x)。

        (9)

        為了將焊接直覺模糊特征與傳統(tǒng)的模糊聚類方法相結(jié)合,將焊接直覺模糊隸屬度定義為:

        (10)

        (11)

        πij=1-μij-(1-μij)/(1+λμij)。

        (12)

        由此,使用焊接參數(shù)直覺隸屬度矩陣,可以得到新的焊接參數(shù)聚類中心公式:

        (13)

        當(dāng)焊接參數(shù)聚類中心更新時,隸屬度矩陣也將被更新。在每次迭代的過程中,焊接參數(shù)聚類中心的隸屬度矩陣的數(shù)值都會更新一次,直到前一次的隸屬度矩陣和更新后的隸屬度矩陣的插值小于設(shè)定閾值,此時迭代過程結(jié)束,聚類中心達(dá)到最優(yōu)。適應(yīng)度函數(shù)如下:

        (14)

        焊接動態(tài)慣性權(quán)重系數(shù),按如下公式進(jìn)行更新:

        (15)

        式中:ωmax和ωmin分別表示ω的最大值和最小值,f表示微粒當(dāng)前的目標(biāo)函數(shù)值,favg和fmin分別表示當(dāng)前所有微粒的平均目標(biāo)值和最小目標(biāo)值。

        IFCM-APSO目標(biāo)函數(shù)的公式可表示為:

        (16)

        綜上所述,IFCM-APSO算法計算焊接參數(shù)隸屬函數(shù)中心的步驟,可歸納如下:

        (1)利用隨機(jī)數(shù)發(fā)生器對焊接參數(shù)的隸屬度矩陣賦予初值。

        (2)引入不確定度,將焊接參數(shù)隸屬度矩陣變?yōu)槟:`屬矩陣。

        (3)使用模糊隸屬度矩陣計算待分類焊接參數(shù)到聚類中心的距離,將樣本劃分到各個類中。

        (4)重新計算每個類的聚類中心、焊接參數(shù)樣本到聚類中心的距離。每次計算都使用直覺模糊隸屬度矩陣代替原有的隸屬度矩陣,并將樣本重新劃分到各個類中。

        (5)以式(16)為目標(biāo)函數(shù)進(jìn)行迭代,尋找隸屬度函數(shù)的最佳寬度。

        (6)重復(fù)(2)~(5)步,直到適應(yīng)度函數(shù)達(dá)到指定閾值。

        通過上述步驟,可得到高斯函數(shù)的中心值和寬度值。該算法在運用過程中相比傳統(tǒng)的梯度下降算法,引入了不確定度的概念,能更好地優(yōu)化焊接參數(shù)數(shù)據(jù)集中噪點的分類情況,同時避免在迭代過程中陷入極小值。

        優(yōu)化后的隸屬度函數(shù)圖像如圖1所示。

        本文所提出的改進(jìn)算法,首先根據(jù)輸入的焊接參數(shù)數(shù)量和輸出參數(shù)確定焊接模糊規(guī)則,完成初始化模糊神經(jīng)網(wǎng)絡(luò)的建立;接著利用IFCM-APSO算法對輸入焊接參數(shù)空間進(jìn)行初始化,將焊接參數(shù)空間分解為n個焊接模糊子空間,同時確定焊接參數(shù)模糊子空間的聚類中心c,計算焊接隸屬函數(shù)的寬度b;最后利用得到的優(yōu)化參數(shù)對初始模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代更新,最終得到用于焊縫外形預(yù)測的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。具體流程如圖2所示。

        3 仿真與實驗驗證

        3.1 焊接機(jī)器人實驗平臺的構(gòu)成

        機(jī)器人焊接系統(tǒng)主要由激光器、吹氣口、送絲機(jī)、機(jī)械臂、機(jī)器人控制柜、線激光傳感器等部分組成,如圖3所示。激光器采用銳科系列的連續(xù)光纖激光器,如圖4所示,最高功率可達(dá)6 000 W,相較于傳統(tǒng)激光器,具有更高的光電轉(zhuǎn)換效率,更低的功耗和更好的光束質(zhì)量。由于其柔性的激光輸出方式,能夠方便地與系統(tǒng)設(shè)備進(jìn)行集成。機(jī)器人采用KUKA六自由度焊接機(jī)器人,在焊接過程中采用氬氣作為保護(hù)氣體,可以提高焊接質(zhì)量,降低焊接總體成本,提高焊接效率。

        以保護(hù)氣體流量、焊接速率、送絲速率和激光功率作為模糊神經(jīng)網(wǎng)絡(luò)的4個輸入?yún)?shù),分別以焊寬和焊高作為網(wǎng)絡(luò)輸出。保護(hù)氣體流量太大時,氣體沖擊熔池,使熔池飛濺增加,焊縫表面不光滑;保護(hù)氣體流量過小時,降低了對熔池的保護(hù)作用,并且容易產(chǎn)生氣孔等缺陷。焊接速率過快時,氣體保護(hù)作用受到破壞,使焊縫成形不好;當(dāng)焊接速率過慢時,熔寬過大,熔池變大,容易將材料焊穿。送絲速率過快則會增加焊縫的焊寬和焊高;過慢則容易造成虛焊,影響焊接材料的力學(xué)性能。激光功率的選擇對焊縫成形也有很大的影響,功率過大熔深增加較快,焊寬和焊高也相應(yīng)有所增加。

        上述輸出參數(shù)是通過線激光傳感器獲取的,如圖5所示。線激光傳感器利用高精度攝像頭,通過三角測距法獲取焊縫的焊寬和焊高,采集到的焊縫截面圖像如圖6所示。

        3.2 仿真與實驗驗證

        模糊神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性和適用性很大程度上取決于可用的訓(xùn)練數(shù)據(jù)集,數(shù)據(jù)集越大,其覆蓋的輸入范圍就越大,生成的網(wǎng)絡(luò)就越好。本文對3 mm厚的鈦合金壁板進(jìn)行了焊接試驗,通過改變工藝參數(shù),生成250個數(shù)據(jù)集。隨機(jī)選擇其中200個用于模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,其余50個用于測試網(wǎng)絡(luò)的擬合程度;建立了兩個獨立的模糊神經(jīng)網(wǎng)絡(luò)模型,分別用于焊寬和焊高數(shù)據(jù)的預(yù)測。如圖7所示為典型T型焊縫的形狀參數(shù)。

        模糊神經(jīng)網(wǎng)絡(luò)根據(jù)訓(xùn)練樣本的輸入、輸出維數(shù)確定輸入節(jié)點個數(shù)為4,輸出節(jié)點個數(shù)為1,根據(jù)網(wǎng)絡(luò)輸入輸出的節(jié)點個數(shù),人為確定隸屬度函數(shù)個數(shù)為8,因此構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)為4-8-1,網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示。

        第一層為輸入層,各個節(jié)點直接與焊接參數(shù)相連接,該層節(jié)點數(shù)為焊接輸入?yún)?shù)的個數(shù)4;第二層為隸屬度計算層,即將輸入的焊接參數(shù)模糊化,隸屬函數(shù)選擇高斯型隸屬函數(shù)進(jìn)行計算;第三層為模糊規(guī)則匹配層,每一個節(jié)點代表一條模糊規(guī)則的匹配;第四層為歸一化層,節(jié)點數(shù)與第三層相同;第五層為輸出層,對計算結(jié)果進(jìn)行清晰化處理。

        圖8 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖在實際應(yīng)用過程中,焊接參數(shù)的范圍如表1所示。

        表1 焊接參數(shù)范圍

        為了更好地確定隸屬函數(shù)的中心值和寬度,在MATLAB 2019b中采用IFCM-APSO算法編寫程序?qū)η凹?shù)進(jìn)行優(yōu)化,并對優(yōu)化后的模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)測試,優(yōu)化前后的誤差變化如圖9和圖10所示。

        由圖9可以看出,與實際輸出相比,預(yù)測輸出數(shù)據(jù)波動較大;由圖10可以看到,將前件參數(shù)利用IFCM-APSO算法優(yōu)化之后,提高了模糊神經(jīng)網(wǎng)絡(luò)擬合程度。

        此外,將優(yōu)化后的模糊神經(jīng)網(wǎng)絡(luò)預(yù)測模型與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對比,BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果如圖11所示。

        通過比較改進(jìn)后的模糊神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)在運算時間、誤差等方面的數(shù)據(jù),發(fā)現(xiàn)優(yōu)化后的模糊神經(jīng)網(wǎng)絡(luò)在運算速度和預(yù)測準(zhǔn)確率上優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。對比結(jié)果如表2所示。

        表2 網(wǎng)絡(luò)數(shù)據(jù)對比

        將測試數(shù)據(jù)集代入優(yōu)化后的模糊神經(jīng)網(wǎng)絡(luò)可得圖12,圖12結(jié)果表明改進(jìn)算法對減小誤差的有效性。

        在實際工程中,本文選擇了25組焊接參數(shù),并對其焊接結(jié)果利用改進(jìn)后的模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測,預(yù)測結(jié)果如圖13所示。

        圖14為采用人工試焊方法,經(jīng)過5次參數(shù)調(diào)整后得到的焊接結(jié)果,可以看出,焊縫表面粗糙不均勻,在有限次調(diào)整次數(shù)范圍內(nèi),難以達(dá)到預(yù)期的焊接效果;圖15為利用改進(jìn)后的模糊神經(jīng)網(wǎng)絡(luò)在焊接前根據(jù)預(yù)測結(jié)果,經(jīng)過3次焊接參數(shù)調(diào)整所得到的焊縫成型圖。焊接效果圖表明,所用改進(jìn)后的模糊神經(jīng)網(wǎng)絡(luò)可以對焊縫外形尺寸作出一定誤差范圍內(nèi)的預(yù)測,有效提高了焊接參數(shù)的調(diào)整效率。

        4 結(jié)束語

        本文面向焊接機(jī)器人的焊縫外形尺寸預(yù)測,提出一種基于直覺模糊C均值聚類和自適應(yīng)慣性權(quán)重粒子群算法(IFCM-APSO)相融合的改進(jìn)自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制方法,采用高斯函數(shù)作為隸屬度函數(shù),利用IFCM-APSO算法對高斯函數(shù)的中心值和寬度進(jìn)行尋優(yōu)計算。本文以T型焊縫的焊腳寬度和焊高高度作為網(wǎng)絡(luò)預(yù)測輸出結(jié)果,選擇焊接速率、激光功率、送絲速率和保護(hù)氣體流量這4種變量作為輸入?yún)?shù),對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理算法中隸屬函數(shù)的中心值和寬度進(jìn)行優(yōu)化。仿真和實驗結(jié)果表明,本文所提出的機(jī)器人焊接焊縫外形預(yù)測方法,較好地對輸入輸出參數(shù)進(jìn)行非線性擬合,其預(yù)測值與實際值的誤差在0.2 mm范圍之內(nèi),為實際焊接過程中,焊接參數(shù)的選擇提供了可靠的參考依據(jù)。但是,在焊接過程中影響焊接質(zhì)量的因素有很多,本文只選取了4個參數(shù)作為研究對象,同時,各參數(shù)的變化對焊接質(zhì)量的影響效果仍需大量實驗結(jié)果進(jìn)行分析。由于實驗設(shè)備和實驗成本限制,還可以考慮進(jìn)行更多焊接實驗,獲取更多數(shù)據(jù)來訓(xùn)練模型,使模型預(yù)測更加準(zhǔn)確。

        猜你喜歡
        焊縫
        基于焊縫余高對超聲波探傷的影響分析
        焊縫符號在機(jī)械設(shè)計圖上的標(biāo)注
        TP347制氫轉(zhuǎn)油線焊縫裂紋返修
        焊縫跟蹤遺傳算法優(yōu)化PID控制仿真研究
        提高建筑鋼結(jié)構(gòu)焊縫質(zhì)量的認(rèn)識與思考
        機(jī)器人在輪輞焊縫打磨工藝中的應(yīng)用
        光譜分析在檢驗焊縫缺陷中的應(yīng)用
        淺析12Cr5Mo管道焊縫的硬度值控制
        基于視覺的管道內(nèi)焊縫定位
        積石峽水電站座環(huán)焊縫熔敷金屬量的計算
        国内最真实的xxxx人伦| 国产一区二区三区免费主播| 宅男天堂亚洲一区二区三区| 男人天堂网2017| 激情航班h版在线观看| 国产精品jizz观看| 国产不卡在线免费视频| 在线观看一区二区中文字幕| 天天爽夜夜爽人人爽| 国产福利姬喷水福利在线观看| 91精品啪在线看国产网站| 日本国产精品高清在线| 夜夜高潮夜夜爽夜夜爱爱一区 | 亚洲国产精品一区二区第一| 日本亚洲中文字幕一区| 色先锋av影音先锋在线| 欧美视频二区欧美影视| 国产一区二区三区av免费观看| 青青草成人免费在线视频| 久久精品夜色国产亚洲av| 国内精品久久久久久久久久影院| 久久精品国产亚洲片| 久久久麻豆精亚洲av麻花| 女人被狂躁c到高潮| 在线播放a欧美专区一区| 女优av福利在线观看| 中文字幕一区二区三区的| 久久精品噜噜噜成人| 五月丁香六月综合激情在线观看| 日韩一区二区中文字幕| 免费国产线观看免费观看| 亚洲精品综合一区二区三| 人妻少妇人人丰满视频网站| 久久老熟女一区二区三区福利| 亚洲中文字幕无码av| 在线天堂中文字幕| 亚洲一区二区三区乱码在线| av在线免费观看蜜桃| 中文人妻av久久人妻18| 亚洲综合一| 国内嫩模自拍偷拍视频|