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

        ?

        基于特征擴(kuò)展CapsNet的軸承故障診斷模型

        2023-02-13 08:42:14周益天孔軍偉張新良
        測控技術(shù) 2023年1期
        關(guān)鍵詞:故障診斷軸承膠囊

        周益天,孔軍偉,張新良*

        (1.舟山洋旺納新科技有限公司,浙江 舟山 316000;2.河南理工大學(xué) 電氣工程與自動化學(xué)院 河南省煤礦裝備智能檢測與控制重點(diǎn)實(shí)驗(yàn)室,河南 焦作 454003)

        卷積神經(jīng)網(wǎng)絡(luò)可以同時(shí)利用目標(biāo)的低層次和高層次特征來完成目標(biāo)識別任務(wù),非常適用于時(shí)序振動信號的軸承故障診斷研究[1-3]。Zhuang等[4]基于特征和時(shí)域數(shù)據(jù)之間分布概率的一致性,給出了一種用于多尺度聚合上下文的離散卷積,保證了在提取軸承故障特征時(shí),不降低分辨率且得到了較好的預(yù)測性能。馮浩楠等[5]構(gòu)建了并行通道的一維卷積網(wǎng)絡(luò),同時(shí)獲取軸承振動信號的時(shí)-頻域信息。實(shí)驗(yàn)結(jié)果證明,相比單通道的一維卷積神經(jīng)網(wǎng)絡(luò),并行的模型具有更強(qiáng)的泛化能力,提高了特征信息的利用率。對于軸承故障診斷模型應(yīng)用時(shí)面臨的多工況和噪聲干擾的問題,Shenfield等[6]提出了一種結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積網(wǎng)絡(luò)的RNN-WDCNN模型,用于診斷機(jī)械系統(tǒng)中重復(fù)出現(xiàn)的振動信號,采用寬卷積核捕獲時(shí)間序列的距離相關(guān)性,抑制輸入信號中的高頻噪聲。Chen等[7]使用不同尺寸卷積核,從原始數(shù)據(jù)中提取不同頻率的信號特征,利用長短時(shí)記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)識別故障類型,使模型對噪聲環(huán)境具有適應(yīng)性。Zhao等[8]使用軟閾值收縮函數(shù)實(shí)現(xiàn)深層網(wǎng)絡(luò)的非線性轉(zhuǎn)換,消除噪聲的相關(guān)特征,有效提高了高噪聲振動信號中識別故障特征的能力。

        然而,傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)診斷模型需要大量訓(xùn)練數(shù)據(jù),且在結(jié)構(gòu)上其卷積層之后采用下采樣操作來降低參數(shù)量,對于含有噪聲的小樣本故障數(shù)據(jù),往往會導(dǎo)致有效故障特征提取不完備,影響故障診斷精度[9]。膠囊網(wǎng)絡(luò)(Capsule Network,CapsNet)利用以膠囊形式體現(xiàn)的特征向量,通過線性組合生成預(yù)測向量,使用動態(tài)路由機(jī)制篩選與目標(biāo)最接近的預(yù)測輸出,摒棄了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的深層次結(jié)構(gòu)和池化層,因此非常適合小樣本學(xué)習(xí),為基于圖像的故障診斷提供了新的研究思路[10-12]。Zhu等[13]使用短時(shí)傅里葉變換將軸承振動信號轉(zhuǎn)換為二維圖像,通過在初級膠囊層并聯(lián)多尺度卷積核實(shí)現(xiàn)特征擴(kuò)展,實(shí)驗(yàn)結(jié)果表明,該模型具有良好的泛化性能,可以適應(yīng)不同負(fù)載下的軸承故障診斷需求,且具有較高的運(yùn)行效率。為了彌補(bǔ)噪聲干擾造成的特征損失,Liang等[14]將門結(jié)構(gòu)和空洞卷積引入CapsNet網(wǎng)絡(luò)中,通過增強(qiáng)網(wǎng)絡(luò)的全局特征提取能力,抑制噪聲的影響。

        本文考慮CapsNet處理小樣本數(shù)據(jù)集的優(yōu)勢,結(jié)合軸承故障診斷在實(shí)時(shí)性和抗噪性方面的應(yīng)用需求,通過擴(kuò)展多尺度故障特征和改進(jìn)數(shù)字膠囊迭代條件,提高模型的預(yù)測性能。

        1 初級膠囊故障特征擴(kuò)展網(wǎng)絡(luò)

        CapsNet將多組卷積層提取到的特征向量按通道、位置點(diǎn)索引,構(gòu)造用于數(shù)字膠囊故障診斷的初級膠囊,如圖1所示。因此,初級膠囊中故障特征的完備程度直接決定了整個(gè)故障診斷模型的預(yù)測精度,本文通過將通道內(nèi)約束改進(jìn)為通道內(nèi)-通道間混合約束,擴(kuò)展膠囊特征向量,為數(shù)字膠囊層預(yù)測網(wǎng)絡(luò)提供更完備的故障特征。

        圖1 膠囊網(wǎng)絡(luò)軸承故障診斷模型

        設(shè)初級膠囊層的輸入特征圖為F,大小為M×M×C,M為特征圖的寬度和高度,C為特征圖的通道數(shù)。通過并行c個(gè)多尺度通道的L個(gè)卷積塊,生成特征映射f為

        f=[f1,f2,…,fi,…,fL]

        (1)

        式中:fi為每其中每個(gè)卷積塊的特征映射輸出,大小是N×N×c。初級膠囊u通過遍歷f中的特征圖fi的所有元素生成,可得:

        u=[u1,u2,…,uj,…,uS]T

        (2)

        式中:S=N×N×L。每個(gè)初級膠囊元素uj描述為

        u(i-1)N2+(m-1)N+n=Conc(fi(m,n))

        (3)

        式中:m=1,2,…,N;n=1,2,…,N;i=1,2,…,L;(m,n)為像素在fi中水平和垂直方向上的位置;函數(shù)Conc(·)實(shí)現(xiàn)將特征圖中的像素fi重排為向量形式。

        同一通道內(nèi)的元素點(diǎn)組成的初級膠囊層內(nèi)約束為uI,即

        (4)

        (5)

        不同通道間、相同位置特征元素組成的層間約束uC為

        (6)

        (7)

        式中:mC=1,2,…,NC;nC=1,2,…,NC;jC=1,2,…,cC;l1=1,2,…,S1;i1=1,2,…,LC;uC大小為S1×cC。

        初級膠囊由層內(nèi)-層間構(gòu)成的混合約束共同構(gòu)造:

        u=uC?uI

        (8)

        層內(nèi)約束補(bǔ)充了網(wǎng)絡(luò)對目標(biāo)局部信息的提取,即以少數(shù)的層數(shù),采用多維向量參與計(jì)算的方式,完成深層網(wǎng)絡(luò)提取目標(biāo)特征的任務(wù)。層間約束對目標(biāo)全局信息進(jìn)行補(bǔ)充,對于具有時(shí)序特征的故障數(shù)據(jù),尤其在噪聲干擾下,網(wǎng)絡(luò)具有了更強(qiáng)的捕捉目標(biāo)全局特征的能力。

        2 余弦相似度度量的數(shù)字膠囊層動態(tài)路由

        對于CapsNet的故障分類實(shí)現(xiàn),數(shù)字膠囊層輸出膠囊向量的方向描述預(yù)測的類別,向量的模值描述類別的概率。經(jīng)典的CapsNet以向量的內(nèi)積作為當(dāng)前膠囊向量和目標(biāo)膠囊的度量,會導(dǎo)致同一投影,有兩種不同方向和不同模值的向量與之對應(yīng),如圖2所示。

        圖2 向量投影示意圖

        從圖2中可以看出,向量u1在向量v上的投影與向量u2在向量v上的投影所存在關(guān)系為

        ‖u1‖cos(u1,v)=‖u2‖cos(u2,v)

        (9)

        向量u1、u2與v的夾角不同,即cos(u1,v)≠cos(u2,v)。

        若僅使用向量模值度量當(dāng)前預(yù)測膠囊和目標(biāo)膠囊的接近程度并作為動態(tài)路由的依據(jù),面對足夠大的向量模值時(shí),向量夾角余弦值貢獻(xiàn)度變小,此時(shí)判別器會將本不屬于同類別的u1、u2判定為同一類別,造成誤判。誤判會影響故障分類的準(zhǔn)確度,尤其在診斷模型處于收斂的平緩階段,導(dǎo)致模型訓(xùn)練過程出現(xiàn)振蕩。

        為此,在數(shù)字膠囊層,使用向量的余弦相似度代替向量的內(nèi)積來描述膠囊向量的相似性,即

        (10)

        (11)

        vj為目標(biāo)膠囊,其向量模表征故障類型存在的概率:

        (12)

        (13)

        (14)

        進(jìn)而,利用向量夾角作為衡量向量相似性的標(biāo)準(zhǔn),并將其應(yīng)用到預(yù)測膠囊的迭代篩選依據(jù)中。數(shù)字膠囊層的動態(tài)路由過程描述為

        (15)

        3 膠囊網(wǎng)絡(luò)軸承故障診斷模型

        帶有混合通道約束和余弦相似度迭代依據(jù)的軸承故障診斷模型iCapsNet如圖3所示。在CapsNet模型的卷積層,采用寬卷積核的空洞卷積與常規(guī)卷積,多尺度并聯(lián)提取特征。特征向量送至初級膠囊層構(gòu)造具有混合約束關(guān)系的初級膠囊,為數(shù)字膠囊層提供特征向量。膠囊的輸出通過轉(zhuǎn)換矩陣W加權(quán)后,以相同的向量維度拼接,在數(shù)字膠囊層動態(tài)路由到高維膠囊。路由過程通過余弦相似度描述預(yù)測膠囊和目標(biāo)膠囊的相似性,輸出每個(gè)數(shù)字膠囊向量的模值,判定輸入數(shù)據(jù)的類別。

        圖3 iCapsNet診斷模型的網(wǎng)絡(luò)架構(gòu)

        訓(xùn)練模型的損失函數(shù)定義為數(shù)字膠囊輸出標(biāo)簽與目標(biāo)實(shí)際標(biāo)簽偏差的泛函,即

        λ(1-Tk)(max(0,‖vk‖-m-))2

        (16)

        式中:Lk為單個(gè)數(shù)字膠囊的邊緣損失,描述為預(yù)測準(zhǔn)確與預(yù)測不準(zhǔn)確的加權(quán)組合;λ為權(quán)重參數(shù);Tk為標(biāo)簽系數(shù),即

        (17)

        式中:函數(shù)label(·)為通過數(shù)字膠囊vk給出的預(yù)測輸出標(biāo)簽;符號“LABEL”為輸入樣本的實(shí)際標(biāo)簽。

        因數(shù)字膠囊vk的模值‖vk‖為預(yù)測的概率,此處設(shè)置膠囊之間連接強(qiáng)度的上限和下限分別為m+和m-。在m-<‖vk‖m+以確保其屬于該故障類型;vk模值足夠小時(shí),‖vk‖

        4 實(shí)驗(yàn)結(jié)果分析

        4.1 實(shí)驗(yàn)參數(shù)設(shè)置

        在凱斯西儲大學(xué)(Case Western Reserve University,CWRU)的軸承數(shù)據(jù)集中對提出的膠囊網(wǎng)絡(luò)軸承故障診斷模型的有效性進(jìn)行驗(yàn)證。實(shí)驗(yàn)使用PyThon 3.5編程語言和PyTorch深度學(xué)習(xí)框架編寫網(wǎng)絡(luò)模型代碼,并在Ubuntu 16.04操作系統(tǒng)、torch 1.2.0版本機(jī)器學(xué)習(xí)框架和帶有GTX 1080Ti×2 GPU的Intel i7-8700K CPU上進(jìn)行。

        考慮到輸入尺寸的設(shè)置對網(wǎng)絡(luò)模型診斷的準(zhǔn)確性影響不大,以及目前用于故障診斷的網(wǎng)絡(luò)模型常用的輸入大小為32×32,在本文實(shí)驗(yàn)中選擇輸入大小為32×32,并通過實(shí)驗(yàn)確定網(wǎng)絡(luò)模型各層的參數(shù),卷積核大小設(shè)置為23×23,空洞卷積核大小設(shè)置為13×13(空洞率為2),CapsNet模型參數(shù)設(shè)置如表1所示。時(shí)序數(shù)據(jù)樣本長度為1024,將其重排為32×32的矩陣送入網(wǎng)絡(luò)模型,兩種卷積核大小分別設(shè)置為23×23和12×12(空洞率為2),步長為1。特征提取網(wǎng)絡(luò)生成兩個(gè)分支特征圖,輸出通道數(shù)設(shè)置為128,即兩分支輸出特征圖大小均為10×10×128(M= 10和C= 128)。

        表1 CapsNet模型參數(shù)設(shè)置

        初級膠囊層中,特征圖的兩個(gè)分支進(jìn)行8組卷積,卷積核大小為4×4,步長為2,通道數(shù)為9,即產(chǎn)生的特征圖大小為4×4×9×8。遍歷特征圖的元素生成初級膠囊,其中層間約束初級膠囊大小為2×8×16×9,層內(nèi)約束的初級膠囊為2×8×8×16,維度為16。兩種初級膠囊的權(quán)重矩陣Wk1、Wk2大小分別設(shè)置為9×16、16×16。數(shù)字膠囊層輸出10個(gè)膠囊,即vk(k=1,2,…,10),維度為16。利用式(16)描述的損失函數(shù)誤差反傳訓(xùn)練網(wǎng)絡(luò)模型。

        4.2 實(shí)驗(yàn)過程與分析

        在凱斯西儲大學(xué)軸承數(shù)據(jù)集中選擇10種故障類型進(jìn)行實(shí)驗(yàn),包括正常軸承的振動信號、損傷尺寸分別為0.007、0.014和0.021的滾動體振動信號、發(fā)生內(nèi)圈(Inner Ring,IR)和外圈(Outer Ring,OR)故障的軸承振動信號。選取4600個(gè)矩陣樣本,其中3600個(gè)用于模型訓(xùn)練,每種故障類型對應(yīng)360個(gè)訓(xùn)練樣本;1000個(gè)用于模型測試,每種故障類型對應(yīng)100個(gè)測試樣本。

        為了對比模型的故障診斷性能,實(shí)驗(yàn)中同時(shí)采用了常用的其他4種故障診斷模型,即CNN、ResNet18[15]、LSTM和經(jīng)典CapsNet[11],進(jìn)行了故障診斷實(shí)驗(yàn)。各個(gè)診斷模型的訓(xùn)練誤差變化曲線如圖4所示。

        圖4 CWRU數(shù)據(jù)集上診斷模型的誤差損失曲線

        卷積層空洞卷積的添加不僅可以作為補(bǔ)充提取特征,并且相比常規(guī)卷積核,其利用少量的參數(shù),引導(dǎo)著模型向收斂方向?qū)W習(xí);其次,采用余弦相似度作為路由的迭代依據(jù),使模型更加客觀地、準(zhǔn)確地輸出高維數(shù)字膠囊。二者的結(jié)合,為模型決策提供了完備的特征向量。從實(shí)驗(yàn)結(jié)果來看,本文所提出的模型可在短時(shí)間內(nèi)收斂,且相對穩(wěn)定,克服了膠囊網(wǎng)絡(luò)在訓(xùn)練計(jì)算方面的不足。

        從圖4中可以看出,CNN模型、LSTM模型、ResNet18模型分別在第12000次、22000次和27000次迭代訓(xùn)練后達(dá)到穩(wěn)定的訓(xùn)練損失,而經(jīng)典CapsNet模型及本文提出的iCapsNet在1000次迭代后達(dá)到穩(wěn)定,其網(wǎng)絡(luò)收斂能力具有突出優(yōu)勢。

        所得5種軸承診斷模型在1000個(gè)測試樣本上的分類精度如圖5所示。可以看出,CNN在30個(gè)訓(xùn)練周期后達(dá)到穩(wěn)定值,分類精度約為97.2%;LSTM模型在60個(gè)訓(xùn)練周期后達(dá)到穩(wěn)定值,分類精度為99.2%;ResNet18模型預(yù)測精度曲線波動較大,在第100個(gè)訓(xùn)練周期時(shí)分類精度為99.1%。對比可見,基于膠囊網(wǎng)絡(luò)故障分類模型精度最高,精度值最穩(wěn)定。其中經(jīng)典CapsNet模型在15個(gè)訓(xùn)練周期后達(dá)到穩(wěn)定值,分類精度為99.5%;而iCapsNet在35個(gè)訓(xùn)練周期后達(dá)到穩(wěn)定值,分類精度為99.7%,所提出的iCapsNet診斷模型比其他4個(gè)模型具有更高的預(yù)測精度。

        圖5 CWRU數(shù)據(jù)集上診斷模型的精度曲線圖

        在測試數(shù)據(jù)中添加不同信噪比的噪聲信號,測試5種軸承診斷模型在噪聲環(huán)境下的預(yù)測能力,如表2所示。可以看出,隨著信噪比逐漸變小,原始軸承振動數(shù)據(jù)受干擾情況逐漸加重,上述5種診斷模型的分類精度都有所下降。其中,CNN模型在SNR<8 dB時(shí),模型的故障分類能力近乎失效。從SNR= 10 dB到SNR=0 dB,其故障分類精度下降了55.1%。ResNet18模型的分類精度同樣下降明顯,在SNR=10 dB時(shí),預(yù)測精度為52.7%,模型對噪聲干擾十分敏感,噪聲環(huán)境下泛化能力差。

        表2 CWRU數(shù)據(jù)集不同信噪比下診斷模型精度

        與之形成鮮明對比的是,經(jīng)典CapsNet模型以較淺的網(wǎng)絡(luò)層數(shù),在信噪比4 dB的噪聲干擾下,仍達(dá)到了79.3%的分類精度,相比較于CNN模型和ResNet18模型,具有更好的泛化性。但是當(dāng)噪聲信號與振動信號能量相當(dāng)時(shí),即SNR=0 dB的噪聲干擾情況下,精度下降至46.1%,失去故障分類能力。同等實(shí)驗(yàn)條件下,表現(xiàn)較好的是LSTM模型和本文所提出的iCapsNet模型。LSTM模型從SNR=10 dB到SNR=0 dB,模型的分類精度下降了17.7%,在信噪比為4 dB的時(shí)候精度仍保持在93%以上。而iCapsNet模型從SNR=10 dB到SNR=0 dB網(wǎng)絡(luò)的分類精度僅下降8.7%;其中,信噪比為0 dB的情況下,精度為90.9%,保持了較高的預(yù)測能力;信噪比為10 dB和8 dB下的分類精度分別為99.6%和99.4%,與無噪聲干擾下的分類精度99.7%相差無幾。綜上,在不同信噪比噪聲干擾情況下,iCapsNet故障診斷模型均顯示出了較高的故障預(yù)測精度,未出現(xiàn)預(yù)測性能失效的情況,模型對噪聲環(huán)境具有良好的泛化性能。

        圖6為iCapsNet模型在不同信噪比下故障分類的混淆矩陣。同時(shí),iCapsNet各故障類型的預(yù)測結(jié)果如表3所示。混淆矩陣包括10種軸承故障類型,每種類型100個(gè)測試樣本,直觀地給出了誤判的故障類型和誤判個(gè)數(shù)。

        圖6 iCapsNet模型在不同信噪比下診斷結(jié)果混淆矩陣

        表3 iCapsNet各故障類型預(yù)測表 單位:%

        由圖6和表3可以看出,所提出的iCapsNet故障診斷模型可以有效地診斷10種故障狀態(tài)的存在,所產(chǎn)生的誤判僅存在于不同的故障類型中。當(dāng)噪聲影響較大時(shí),可觀察到預(yù)測精度的下降主要出現(xiàn)在OR_014故障類型中,例如SNR=0 dB。

        綜合5種模型在CWRU數(shù)據(jù)集上的診斷結(jié)果可以看出,ResNet18模型作為殘差網(wǎng)絡(luò)的代表,其網(wǎng)絡(luò)結(jié)構(gòu)中包括可用于篩選故障特征的注意力機(jī)制,因此,在一定程度上適用于噪聲條件下的故障診斷。CNN模型和CapsNet模型本質(zhì)上都是通過增加網(wǎng)絡(luò)的深度來增強(qiáng)故障特征的提取能力,進(jìn)而保證故障診斷模型的泛化性,因此這兩種模型的預(yù)測性能變化規(guī)律一致,但CapsNet模型由于本身的結(jié)構(gòu)特點(diǎn),能夠以少量的隱藏層捕捉故障目標(biāo)特征,在故障診斷應(yīng)用中具有時(shí)效性優(yōu)勢。LSTM模型作為一種循環(huán)神經(jīng)網(wǎng)絡(luò),其內(nèi)部含有具有記憶功能的門結(jié)構(gòu),在樣本充足的條件下具有抑制噪聲的優(yōu)勢,但其模型訓(xùn)練依賴離散信號片段的時(shí)間序列或頻譜,忽略了局部片段的連接即準(zhǔn)周期性特性,因此在處理含有噪聲影響的故障診斷任務(wù)時(shí),雖未出現(xiàn)模型失效的情況,但LSTM模型的預(yù)測性能不足以與其他4種網(wǎng)絡(luò)模型相比。與CNN、ResNet18、LSTM和經(jīng)典CapsNet模型相比,iCapsNet 模型表現(xiàn)出了更好的故障預(yù)測性能,模型對噪聲條件下的故障診斷具有良好的適應(yīng)性和泛化性能。

        5 結(jié)束語

        針對軸承故障診斷模型在噪聲環(huán)境泛化性方面的應(yīng)用需求,提出了一種基于混合通道約束特征擴(kuò)展的膠囊網(wǎng)絡(luò)診斷模型iCapsNet,用于噪聲干擾環(huán)境下的軸承故障診斷。在膠囊網(wǎng)絡(luò)的初級膠囊層采用通道內(nèi)-通道間混合約束,有效提取故障信號特征,為數(shù)字膠囊層提供更完備的特征向量。同時(shí),采用余弦相似度度量預(yù)測膠囊和目標(biāo)膠囊的相似性,并作為迭代依據(jù)篩選預(yù)測膠囊,克服經(jīng)典CapsNet網(wǎng)絡(luò)動態(tài)路由機(jī)制中使用內(nèi)積相似度度量的不足,使得模型在噪聲干擾下仍能準(zhǔn)確地對軸承故障進(jìn)行決策分類。實(shí)驗(yàn)結(jié)果表明,提出的iCapsNet模型具有良好的抗噪聲能力和泛化性能。

        猜你喜歡
        故障診斷軸承膠囊
        Shugan Jieyu capsule (舒肝解郁膠囊) improve sleep and emotional disorder in coronavirus disease 2019 convalescence patients: a randomized,double-blind,placebo-controlled trial
        軸承知識
        哈爾濱軸承(2022年2期)2022-07-22 06:39:32
        軸承知識
        哈爾濱軸承(2022年1期)2022-05-23 13:13:24
        軸承知識
        哈爾濱軸承(2021年2期)2021-08-12 06:11:46
        Shumian capsule(舒眠膠囊)improves symptoms of sleep mood disorder in convalescent patients of Corona Virus Disease 2019
        軸承知識
        哈爾濱軸承(2021年1期)2021-07-21 05:43:16
        因果圖定性分析法及其在故障診斷中的應(yīng)用
        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
        高速泵的故障診斷
        河南科技(2014年3期)2014-02-27 14:05:48
        在线视频观看一区二区| 亞洲綜合一區二區三區無碼| 福利网在线| 亚洲精品女人天堂av麻| 亚洲gay片在线gv网站| 欧美日韩色另类综合| 国产成人无码A区在线观| 视频福利一区二区三区| 亚洲乱码中文字幕在线| 天堂资源中文最新版在线一区| 久久久男人天堂| 九色精品国产亚洲av麻豆一| 不卡av网站一区二区三区| 国产色在线 | 亚洲| 俺也去色官网| 国产成年女人特黄特色毛片免| 国产午夜亚洲精品国产成人av| 国产精品美女久久久久久| 98色花堂国产精品首页| 福利视频自拍偷拍视频| 狠狠躁夜夜躁av网站中文字幕| 久久综合噜噜激激的五月天| 少妇无码av无码专区| 人妻久久999精品1024| 日韩精品资源在线观看免费| 午夜人妻久久久久久久久| 亚洲欧洲偷自拍图片区| 北岛玲日韩精品一区二区三区| 我想看久久久一级黄片| 领导边摸边吃奶边做爽在线观看| 精品爆乳一区二区三区无码av| 亚洲AV小说在线观看| 亚洲一区二区国产一区| 久久久老熟女一区二区三区| 欧美视频第一页| 亚洲精品中文字幕码专区| 九九在线中文字幕无码| 久久人人爽人人爽人人av东京热| 成人国产一区二区三区精品不卡| 一本色道久久88—综合亚洲精品| 亚洲人午夜射精精品日韩|