欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營的一線實(shí)戰(zhàn)洞察。

變轉(zhuǎn)速變載荷下滾動軸承退化指標(biāo)構(gòu)建:RBFNN與KPCA組合方法

變轉(zhuǎn)速變載荷下滾動軸承退化指標(biāo)構(gòu)建:RBFNN與KPCA組合方法 簡介這份資源面向具備機(jī)械工程或數(shù)據(jù)分析背景、熟悉Python與機(jī)器學(xué)習(xí)基礎(chǔ)的研究生及設(shè)備狀態(tài)監(jiān)測研發(fā)人員聚焦變轉(zhuǎn)速變載荷工況下滾動軸承振動信號受干擾、可靠性評估困難的問題。內(nèi)容以徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建立系統(tǒng)狀態(tài)特征映射結(jié)合核主成分分析對有效參數(shù)降維并將第一主成分作為軸承性能退化指標(biāo)同時(shí)涉及CNN、BiGRU等模型在故障診斷與壽命預(yù)測中的集成應(yīng)用。資源包為1個(gè)PDF文件約992KB內(nèi)含完整可運(yùn)行代碼及逐段解釋覆蓋時(shí)域與頻域特征提取、RBF映射、KPCA降維到可靠性計(jì)算的銜接邏輯。已有52人學(xué)習(xí)適合用于構(gòu)建退化指標(biāo)、早期故障預(yù)警與剩余壽命預(yù)測的技術(shù)參考也可通過更換不同工況數(shù)據(jù)驗(yàn)證模型魯棒性。1. 變轉(zhuǎn)速變載荷下滾動軸承退化指標(biāo)為什么不能直接套 RMS設(shè)備維護(hù)工程師最怕的場景之一一臺關(guān)鍵機(jī)組轉(zhuǎn)速隨工藝需求頻繁調(diào)整負(fù)載也跟著工況波動你在實(shí)驗(yàn)室用恒定工況標(biāo)定好的 RMS 報(bào)警閾值一上線就瘋狂誤報(bào)。振動烈度隨轉(zhuǎn)速平方增長載荷變化又直接改變接觸應(yīng)力分布同一套閾值在變轉(zhuǎn)速變載荷下幾乎必然失效。這就是 RBFNN-KPCA 組合方法要解決的問題——它不追求單一特征的最優(yōu)而是先用 KPCA 把高維特征空間里的非線性主成分提取出來再用 RBFNN 擬合健康狀態(tài)與退化程度之間的映射最終構(gòu)建一個(gè)對工況變化不敏感、單調(diào)性好的退化指標(biāo)。適合做旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測、壽命預(yù)測的從業(yè)者尤其是手頭有變工況數(shù)據(jù)但苦于指標(biāo)不收斂的人。2. RBFNN 與 KPCA 為什么適合做退化指標(biāo)從線性到非線性的必然選擇2.1 退化指標(biāo)的本質(zhì)要求與線性方法的局限退化指標(biāo)不是隨便一個(gè)統(tǒng)計(jì)量。它需要滿足三個(gè)硬條件單調(diào)性即隨時(shí)間推移整體趨勢不可逆魯棒性即對噪聲和短時(shí)工況擾動不敏感一致性即同類軸承不同個(gè)體的指標(biāo)曲線形態(tài)相似。傳統(tǒng)時(shí)域指標(biāo)里RMS 單調(diào)性尚可但工況敏感峭度對早期沖擊敏感但后期反而下降裕度指標(biāo)波動大。頻域指標(biāo)如重心頻率在轉(zhuǎn)速變化時(shí)直接漂移根本沒法用。線性降維方法如 PCA 假設(shè)特征間是線性關(guān)系但軸承退化過程中磨損、點(diǎn)蝕、剝落引起的振動響應(yīng)是非線性耦合的。舉個(gè)直觀例子早期微弱故障在時(shí)域上表現(xiàn)為沖擊間隔的微小變化在頻域上表現(xiàn)為邊頻帶的緩慢展寬這兩者之間的關(guān)系不是線性可加的。PCA 強(qiáng)行用線性超平面去擬合會把非線性相關(guān)的信息當(dāng)作噪聲丟掉導(dǎo)致退化指標(biāo)在中期出現(xiàn)平臺期看起來像設(shè)備“卡”在某個(gè)健康狀態(tài)不動了。KPCA 通過核函數(shù)把原始特征映射到高維再生核希爾伯特空間在那個(gè)空間里做線性 PCA等價(jià)于在原始空間做非線性主成分分析。核函數(shù)的選擇決定了映射能力常用高斯核因?yàn)樗馨讶我鈹?shù)據(jù)映射到無窮維只要帶寬參數(shù)選得合理幾乎可以逼近任意連續(xù)函數(shù)。這一步解決的是“特征空間非線性結(jié)構(gòu)提取”的問題。2.2 RBFNN 在退化映射中的角色不是分類器是回歸器很多人看到 RBFNN 第一反應(yīng)是分類但在退化指標(biāo)構(gòu)建里它做的是回歸。輸入是 KPCA 降維后的主成分得分輸出是一個(gè)標(biāo)量健康度通常歸一化到 0 到 1 之間1 表示全新0 表示失效。RBFNN 的結(jié)構(gòu)分三層輸入層接收 KPCA 得分隱含層做徑向基函數(shù)非線性變換輸出層線性加權(quán)求和。隱含層每個(gè)神經(jīng)元的激活函數(shù)是高斯函數(shù)中心向量和寬度參數(shù)決定了它對輸入空間中哪個(gè)區(qū)域敏感。輸出層權(quán)重通過最小二乘或梯度下降求解。為什么不用 BP 神經(jīng)網(wǎng)絡(luò)因?yàn)?RBFNN 在樣本量不大時(shí)收斂更快且局部響應(yīng)特性讓它對訓(xùn)練數(shù)據(jù)中的局部退化模式更敏感。BP 網(wǎng)絡(luò)全局逼近能力強(qiáng)但容易過擬合尤其在變工況數(shù)據(jù)里工況切換點(diǎn)附近的樣本少BP 網(wǎng)絡(luò)容易把工況變化誤學(xué)成退化。RBFNN 的局部性反而成了優(yōu)勢——它不會因?yàn)槟硞€(gè)工況下樣本少就強(qiáng)行外推。2.3 從原始振動到退化指標(biāo)完整信號處理鏈路整個(gè)鏈路分四步。第一步原始振動信號按固定長度切片通常取 1024 或 2048 點(diǎn)重疊率 50%。第二步對每個(gè)切片提取時(shí)域和頻域特征時(shí)域包括 RMS、峭度、峰值因子、裕度因子、波形因子頻域包括重心頻率、頻率方差、均方頻率再加上小波包分解后各頻帶能量比。第三步所有特征組成高維向量做歸一化通常用 z-score 或最大最小歸一化。第四步KPCA 降維取累計(jì)貢獻(xiàn)率超過 85% 的主成分再送入 RBFNN 回歸。這里有個(gè)容易翻車的地方歸一化必須在訓(xùn)練集上計(jì)算均值和標(biāo)準(zhǔn)差然后應(yīng)用到測試集。如果對整個(gè)數(shù)據(jù)集一起歸一化測試集信息泄露到訓(xùn)練過程指標(biāo)曲線會異常平滑實(shí)際部署時(shí)完全不是那么回事。import numpy as np from sklearn.preprocessing import StandardScaler from sklearn.decomposition import KernelPCA from scipy.stats import kurtosis, skew def extract_features(signal, fs): 從單段振動信號提取時(shí)域和頻域特征 features {} # 時(shí)域特征 features[rms] np.sqrt(np.mean(signal**2)) features[kurtosis] kurtosis(signal) features[skewness] skew(signal) features[peak] np.max(np.abs(signal)) features[crest] features[peak] / features[rms] features[clearance] features[peak] / (np.mean(np.sqrt(np.abs(signal)))**2) features[shape] features[rms] / np.mean(np.abs(signal)) # 頻域特征 spectrum np.abs(np.fft.rfft(signal)) freq np.fft.rfftfreq(len(signal), 1/fs) power spectrum**2 features[centroid] np.sum(freq * power) / np.sum(power) features[variance] np.sum((freq - features[centroid])**2 * power) / np.sum(power) features[msf] np.sum(freq**2 * power) / np.sum(power) return features def build_feature_matrix(signals, fs): 構(gòu)建特征矩陣每行一個(gè)樣本 feat_list [extract_features(s, fs) for s in signals] keys feat_list[0].keys() return np.array([[f[k] for k in keys] for f in feat_list]), list(keys)這段代碼里extract_features對每段信號計(jì)算 10 個(gè)特征build_feature_matrix把它們堆成矩陣。注意clearance和shape的計(jì)算方式分母用了絕對值再開方或均值避免負(fù)值導(dǎo)致復(fù)數(shù)。頻域特征里centroid是重心頻率variance是頻率方差msf是均方頻率這三個(gè)對轉(zhuǎn)速變化敏感但在 KPCA 里會被非線性組合最終退化指標(biāo)反而能抵消一部分轉(zhuǎn)速影響。參數(shù)方面fs是采樣頻率必須和實(shí)際采集系統(tǒng)一致否則頻域特征全錯。切片長度建議 1024 點(diǎn)起步如果轉(zhuǎn)速很低比如低于 300 轉(zhuǎn)每分鐘要加長到 2048 甚至 4096保證一個(gè)切片里至少包含 3 到 5 個(gè)完整旋轉(zhuǎn)周期。3. KPCA 降維實(shí)操核函數(shù)選擇、參數(shù)調(diào)優(yōu)與主成分個(gè)數(shù)確定3.1 高斯核帶寬參數(shù)的網(wǎng)格搜索與經(jīng)驗(yàn)公式KPCA 最關(guān)鍵的參數(shù)是高斯核的帶寬 gamma。gamma 太大核矩陣接近單位矩陣每個(gè)樣本都變成獨(dú)立主成分降維失去意義gamma 太小核矩陣所有元素接近 1主成分全部塌縮到第一維。常見做法是在對數(shù)尺度上網(wǎng)格搜索候選值從 0.001 到 10步長按 10 的冪次走。經(jīng)驗(yàn)公式有兩個(gè)。一個(gè)是中位數(shù)啟發(fā)式gamma 取 1 除以特征維度與特征方差中位數(shù)的乘積。另一個(gè)是 Silverman 規(guī)則gamma 等于樣本數(shù)的負(fù) 2/(維度4) 次方。這兩個(gè)公式給的是量級參考實(shí)際還要微調(diào)。from sklearn.decomposition import KernelPCA from sklearn.model_selection import GridSearchCV from sklearn.neural_network import MLPRegressor from sklearn.pipeline import Pipeline def optimize_kpca_gamma(X, y): 網(wǎng)格搜索 KPCA 帶寬以 RBFNN 回歸的驗(yàn)證集 MSE 為準(zhǔn)則 gammas [0.001, 0.005, 0.01, 0.05, 0.1, 0.5, 1.0, 5.0] best_gamma None best_score np.inf for g in gammas: kpca KernelPCA(n_components5, kernelrbf, gammag) X_kpca kpca.fit_transform(X) # 用簡單 RBF 網(wǎng)絡(luò)做快速評估 from scipy.interpolate import Rbf try: rbf Rbf(X_kpca[:,0], X_kpca[:,1], y, functiongaussian) pred rbf(X_kpca[:,0], X_kpca[:,1]) mse np.mean((pred - y)**2) if mse best_score: best_score mse best_gamma g except: continue return best_gamma, best_score這段代碼用KernelPCA做降維然后拿前兩個(gè)主成分用Rbf插值快速評估回歸效果。注意這里只是粗篩真正訓(xùn)練 RBFNN 時(shí)要用全部主成分。n_components5是初始設(shè)定后面還要根據(jù)累計(jì)貢獻(xiàn)率調(diào)整。Rbf的functiongaussian和 KPCA 的高斯核不是一回事這里只是借它做快速非線性回歸評估別混淆。網(wǎng)格搜索的代價(jià)是計(jì)算量大如果樣本超過 5000建議先用隨機(jī)子集搜確定量級后再全量微調(diào)。另外gamma 的最優(yōu)值對數(shù)據(jù)尺度敏感所以特征歸一化必須在 KPCA 之前做而且要用訓(xùn)練集的統(tǒng)計(jì)量。3.2 主成分個(gè)數(shù)累計(jì)貢獻(xiàn)率與重構(gòu)誤差的雙重校驗(yàn)KPCA 沒有像 PCA 那樣的“解釋方差比”直接輸出因?yàn)楹丝臻g里的方差不是原始空間的方差。確定主成分個(gè)數(shù)有兩個(gè)實(shí)用方法。方法一計(jì)算核矩陣的特征值按降序排列看累計(jì)和占總和的比例。通常取 85% 到 95%。但核矩陣特征值衰減快慢和 gamma 有關(guān)gamma 大時(shí)衰減快取前幾個(gè)就夠gamma 小時(shí)衰減慢可能要取十幾個(gè)。方法二重構(gòu)誤差。把降維后的主成分反變換回原始特征空間計(jì)算重構(gòu)誤差看誤差隨主成分個(gè)數(shù)增加的下降曲線拐點(diǎn)處就是合適個(gè)數(shù)。def select_n_components(X, gamma, threshold0.9): 基于核矩陣特征值累計(jì)貢獻(xiàn)率選擇主成分個(gè)數(shù) from sklearn.metrics.pairwise import rbf_kernel K rbf_kernel(X, gammagamma) # 中心化核矩陣 N K.shape[0] one_n np.ones((N, N)) / N K_centered K - one_n K - K one_n one_n K one_n eigvals np.linalg.eigvalsh(K_centered) eigvals eigvals[::-1] # 降序 eigvals np.maximum(eigvals, 0) # 數(shù)值誤差可能產(chǎn)生負(fù)值 cumsum np.cumsum(eigvals) / np.sum(eigvals) n np.searchsorted(cumsum, threshold) 1 return n, cumsumrbf_kernel直接算核矩陣然后手動中心化。中心化公式是 K - 1_N K - K 1_N 1_N K 1_N其中 1_N 是全 1 矩陣除以 N。eigvalsh用于對稱矩陣返回升序特征值反轉(zhuǎn)后降序。np.maximum把負(fù)特征值截?cái)嗟?0這是數(shù)值計(jì)算常見的后悔藥。searchsorted找到累計(jì)貢獻(xiàn)率首次超過閾值的位置。實(shí)際項(xiàng)目中我一般會同時(shí)看累計(jì)貢獻(xiàn)率和重構(gòu)誤差取兩者建議的較大值。因?yàn)橥嘶笜?biāo)對信息完整性要求高寧可多保留一個(gè)主成分也不要因?yàn)榻稻S過度丟掉早期微弱故障信息。3.3 變工況下的特征歸一化策略按工況分組還是全局變轉(zhuǎn)速變載荷數(shù)據(jù)有個(gè)棘手問題不同工況下特征分布差異大。如果全局歸一化高轉(zhuǎn)速工況的特征值大會主導(dǎo)歸一化尺度低轉(zhuǎn)速工況的特征被壓縮到很小范圍KPCA 提取的主成分主要反映工況差異而不是退化差異。兩種策略。策略一按工況分組歸一化。先根據(jù)轉(zhuǎn)速和載荷把數(shù)據(jù)分成若干工況組每組單獨(dú)計(jì)算均值和標(biāo)準(zhǔn)差組內(nèi)歸一化。這樣消除工況影響但要求工況標(biāo)簽已知且每個(gè)工況組樣本量足夠。策略二全局歸一化但加入工況特征。把轉(zhuǎn)速和載荷也作為特征輸入 KPCA讓非線性降維自己去解耦。這種方法不需要工況標(biāo)簽但要求 KPCA 的核函數(shù)足夠強(qiáng)能捕捉工況與退化之間的交互。我一般先用策略二因?yàn)楣こ态F(xiàn)場往往拿不到精確的工況標(biāo)簽轉(zhuǎn)速和載荷是從控制系統(tǒng)讀的有延遲和噪聲。如果策略二效果不好再退回策略一用聚類方法自動劃分工況組。def normalize_by_condition(X, speeds, loads, n_groups4): 按轉(zhuǎn)速和載荷聚類分組后歸一化 from sklearn.cluster import KMeans condition_features np.column_stack([speeds, loads]) kmeans KMeans(n_clustersn_groups, random_state42) labels kmeans.fit_predict(condition_features) X_norm np.zeros_like(X) for g in range(n_groups): mask labels g if np.sum(mask) 10: continue scaler StandardScaler() X_norm[mask] scaler.fit_transform(X[mask]) return X_norm, labelsKMeans對轉(zhuǎn)速和載荷聚類n_groups4是經(jīng)驗(yàn)值工況復(fù)雜時(shí)可以增加到 6 或 8。每個(gè)簇內(nèi)單獨(dú)StandardScaler。注意如果某個(gè)簇樣本少于 10跳過歸一化保留原始值否則均值和標(biāo)準(zhǔn)差估計(jì)不可靠。返回的labels可以后續(xù)用來分析退化指標(biāo)在不同工況下的一致性。4. RBFNN 回歸建模從 KPCA 得分到健康度的映射與訓(xùn)練細(xì)節(jié)4.1 RBFNN 結(jié)構(gòu)設(shè)計(jì)與隱含層神經(jīng)元個(gè)數(shù)確定RBFNN 的輸入維度等于 KPCA 保留的主成分個(gè)數(shù)通常 3 到 8 維。輸出維度 1即健康度。隱含層神經(jīng)元個(gè)數(shù)是關(guān)鍵超參數(shù)太少欠擬合太多過擬合。確定方法有三種。第一種經(jīng)驗(yàn)公式神經(jīng)元個(gè)數(shù)等于輸入維度的 2 到 3 倍。第二種遞增法從 5 個(gè)開始每次加 5 個(gè)看驗(yàn)證集誤差誤差不再下降就停止。第三種正交最小二乘從大量候選中心里逐個(gè)選擇對輸出貢獻(xiàn)最大的自動確定個(gè)數(shù)。工程上常用第二種簡單可控。隱含層中心向量的初始化用 KMeans 聚類聚類數(shù)等于神經(jīng)元個(gè)數(shù)聚類中心作為初始中心。寬度參數(shù)有兩種設(shè)法統(tǒng)一寬度取所有中心間平均距離的某個(gè)比例或者每個(gè)神經(jīng)元單獨(dú)設(shè)寬度取它到最近鄰中心距離。統(tǒng)一寬度簡單但數(shù)據(jù)分布不均勻時(shí)局部逼近能力差。我一般用每個(gè)神經(jīng)元單獨(dú)設(shè)寬度計(jì)算量稍大但效果更穩(wěn)。class RBFNN: def __init__(self, n_input, n_hidden, n_output1): self.n_input n_input self.n_hidden n_hidden self.n_output n_output self.centers None self.widths None self.weights None def _rbf_activation(self, X, center, width): 高斯徑向基函數(shù) dist np.sum((X - center)**2, axis1) return np.exp(-dist / (2 * width**2)) def fit(self, X, y): from sklearn.cluster import KMeans # 用 KMeans 初始化中心 kmeans KMeans(n_clustersself.n_hidden, random_state42, n_init10) kmeans.fit(X) self.centers kmeans.cluster_centers_ # 計(jì)算每個(gè)中心的寬度到最近鄰中心距離 from scipy.spatial.distance import cdist dists cdist(self.centers, self.centers) np.fill_diagonal(dists, np.inf) self.widths np.min(dists, axis1) # 構(gòu)建隱含層輸出矩陣 H np.zeros((X.shape[0], self.n_hidden)) for i in range(self.n_hidden): H[:, i] self._rbf_activation(X, self.centers[i], self.widths[i]) # 最小二乘求輸出權(quán)重加正則項(xiàng)防止病態(tài) lam 1e-3 self.weights np.linalg.solve(H.T H lam * np.eye(self.n_hidden), H.T y) return self def predict(self, X): H np.zeros((X.shape[0], self.n_hidden)) for i in range(self.n_hidden): H[:, i] self._rbf_activation(X, self.centers[i], self.widths[i]) return H self.weightsfit方法里KMeans初始化中心cdist算中心間距離np.fill_diagonal把對角線設(shè)為無窮大然后取每行最小值作為寬度。隱含層輸出矩陣 H 的每一列是一個(gè)神經(jīng)元的激活值。輸出權(quán)重用帶正則的最小二乘求解lam1e-3是正則系數(shù)防止 H^T H 奇異。predict方法重復(fù)計(jì)算 H 然后加權(quán)求和。參數(shù)說明n_hidden建議從 10 開始試如果驗(yàn)證集誤差大就加到 20、30。lam在 1e-4 到 1e-2 之間調(diào)數(shù)據(jù)噪聲大時(shí)取大一點(diǎn)。寬度計(jì)算用最近鄰距離如果中心分布很不均勻可以改用全局平均距離乘以 0.5 到 1.0 的系數(shù)。4.2 訓(xùn)練集構(gòu)建健康度標(biāo)簽怎么定才不引入主觀偏差RBFNN 是監(jiān)督學(xué)習(xí)需要健康度標(biāo)簽。但實(shí)際數(shù)據(jù)里健康度真值往往不知道只能根據(jù)維護(hù)記錄近似。常見做法有三種。第一種線性衰減假設(shè)從全新到失效健康度從 1 線性降到 0。簡單但不符合實(shí)際軸承退化通常前期慢、中期快、后期又慢呈 S 形。第二種基于失效閾值的分段線性根據(jù)振動烈度超過某個(gè)閾值的時(shí)刻作為失效點(diǎn)之前按時(shí)間比例線性插值。比第一種好但閾值選擇主觀。第三種無監(jiān)督標(biāo)簽生成用 KPCA 第一主成分的某種變換作為偽標(biāo)簽再訓(xùn)練 RBFNN 去擬合。這種方法避免了人工標(biāo)注但偽標(biāo)簽的質(zhì)量依賴 KPCA 效果。我一般用第二種和第三種結(jié)合先用 KPCA 第一主成分看趨勢確定大致失效點(diǎn)再用分段線性生成標(biāo)簽最后用 RBFNN 擬合。這樣既利用了數(shù)據(jù)本身的結(jié)構(gòu)又保留了工程判斷。def generate_health_labels(rul, failure_threshold0.7): 基于剩余壽命生成健康度標(biāo)簽S 形映射 rul_norm rul / np.max(rul) # S 形函數(shù)前期慢中期快后期慢 health 1 / (1 np.exp(-10 * (rul_norm - 0.5))) # 歸一化到 0-1 health (health - health.min()) / (health.max() - health.min()) return healthrul是剩余壽命可以用時(shí)間或循環(huán)次數(shù)表示。failure_threshold這里沒直接用實(shí)際可以結(jié)合閾值做截?cái)?。S 形函數(shù)用exp實(shí)現(xiàn)系數(shù) 10 控制陡峭程度越大越接近階躍。歸一化保證輸出在 0 到 1 之間。這個(gè)標(biāo)簽生成方式比線性更符合軸承退化規(guī)律但系數(shù)需要根據(jù)具體數(shù)據(jù)調(diào)整。4.3 訓(xùn)練過程監(jiān)控早停、學(xué)習(xí)率與過擬合判斷RBFNN 的輸出權(quán)重用最小二乘直接求解沒有迭代所以不存在學(xué)習(xí)率。但如果用梯度下降訓(xùn)練中心、寬度和權(quán)重就需要學(xué)習(xí)率和早停。早停策略把訓(xùn)練集按 8:2 分訓(xùn)練和驗(yàn)證每輪迭代后算驗(yàn)證集 MSE如果連續(xù) 10 輪不下降就停止取驗(yàn)證集誤差最小時(shí)的參數(shù)。學(xué)習(xí)率初始設(shè) 0.01如果誤差震蕩就減半如果下降太慢就加倍。過擬合判斷訓(xùn)練集 MSE 遠(yuǎn)小于驗(yàn)證集 MSE比如差一個(gè)數(shù)量級就是過擬合。解決方法是減少隱含層神經(jīng)元個(gè)數(shù)、增大正則系數(shù)、增加訓(xùn)練樣本。欠擬合則相反兩個(gè)誤差都大且接近需要增加神經(jīng)元或降低正則。def train_with_early_stopping(model, X_train, y_train, X_val, y_val, epochs500, lr0.01, patience10): 梯度下降訓(xùn)練 RBFNN帶早停 best_val_loss np.inf best_params None wait 0 for epoch in range(epochs): # 前向傳播 H np.zeros((X_train.shape[0], model.n_hidden)) for i in range(model.n_hidden): H[:, i] model._rbf_activation(X_train, model.centers[i], model.widths[i]) pred H model.weights # 反向傳播更新權(quán)重簡化版只更新輸出權(quán)重 error pred - y_train grad H.T error / X_train.shape[0] model.weights - lr * grad # 驗(yàn)證 H_val np.zeros((X_val.shape[0], model.n_hidden)) for i in range(model.n_hidden): H_val[:, i] model._rbf_activation(X_val, model.centers[i], model.widths[i]) val_pred H_val model.weights val_loss np.mean((val_pred - y_val)**2) if val_loss best_val_loss: best_val_loss val_loss best_params model.weights.copy() wait 0 else: wait 1 if wait patience: break model.weights best_params return model, best_val_loss這段代碼只更新輸出權(quán)重中心固定為 KMeans 結(jié)果。lr0.01是初始學(xué)習(xí)率patience10是早停耐心值。每次驗(yàn)證后如果損失下降就保存權(quán)重否則等待計(jì)數(shù)加一超過耐心值就停止。最后恢復(fù)最佳權(quán)重。注意這里沒有更新中心和寬度因?yàn)?KMeans 初始化已經(jīng)給了不錯的中心微調(diào)它們?nèi)菀走^擬合。如果數(shù)據(jù)量很大可以加中心微調(diào)但學(xué)習(xí)率要更小。5. 避坑與排查變工況退化指標(biāo)構(gòu)建中的五個(gè)血淚教訓(xùn)5.1 現(xiàn)象退化指標(biāo)曲線在工況切換點(diǎn)出現(xiàn)尖峰原因特征未做工況解耦解決加入工況特征或分組歸一化工況切換時(shí)轉(zhuǎn)速和載荷突變振動信號的非平穩(wěn)性急劇增加。如果特征提取窗口跨越切換點(diǎn)時(shí)域和頻域特征都會出現(xiàn)異常值。KPCA 雖然能非線性降維但如果訓(xùn)練數(shù)據(jù)里切換點(diǎn)樣本少它學(xué)不到這種模式RBFNN 會把異常值映射成健康度突變。解決方法是要么在特征提取時(shí)避開切換點(diǎn)用切換后穩(wěn)定運(yùn)行的數(shù)據(jù)要么把轉(zhuǎn)速和載荷作為特征輸入 KPCA讓降維過程自己解耦要么按工況分組歸一化。我一般先試第二種不行再退回第三種。5.2 現(xiàn)象早期故障階段退化指標(biāo)平坦原因KPCA 主成分被工況方差主導(dǎo)解決按工況分層做 KPCA 或加權(quán)核矩陣早期故障的特征變化很微弱如果工況方差遠(yuǎn)大于退化方差KPCA 的前幾個(gè)主成分主要反映工況差異退化信息被壓到后面的主成分里。而 RBFNN 通常只用前幾個(gè)主成分導(dǎo)致早期故障被忽略。解決方法是分層做 KPCA先按工況分組每組單獨(dú)做 KPCA提取組內(nèi)主成分再合并。或者給核矩陣加權(quán)降低工況差異大的樣本對的權(quán)重。加權(quán)核矩陣的實(shí)現(xiàn)復(fù)雜一些但效果更平滑。5.3 現(xiàn)象RBFNN 訓(xùn)練誤差很小但測試集退化指標(biāo)震蕩原因隱含層神經(jīng)元過多導(dǎo)致過擬合解決減少神經(jīng)元并增大正則訓(xùn)練誤差小說明 RBFNN 擬合能力強(qiáng)但測試集震蕩說明它把訓(xùn)練數(shù)據(jù)里的噪聲也學(xué)進(jìn)去了。變工況數(shù)據(jù)里工況切換和傳感器噪聲都會產(chǎn)生異常樣本RBFNN 的局部響應(yīng)特性讓它對這些異常特別敏感。解決方法是減少隱含層神經(jīng)元個(gè)數(shù)從 30 降到 15 甚至 10同時(shí)增大正則系數(shù)lam從 1e-3 加到 1e-2。另外訓(xùn)練集里要剔除明顯的異常樣本比如振動幅值超過正常范圍 5 倍以上的切片。5.4 現(xiàn)象不同軸承的退化指標(biāo)曲線形態(tài)差異大原因健康度標(biāo)簽生成方式不一致解決統(tǒng)一標(biāo)簽生成規(guī)則并做曲線對齊同一批軸承即使型號相同個(gè)體差異也會導(dǎo)致退化速率不同。如果健康度標(biāo)簽按各自的時(shí)間比例生成曲線形態(tài)會被人為拉齊但實(shí)際退化模式差異被掩蓋。如果按絕對時(shí)間生成曲線形態(tài)又差異太大沒法比較。解決方法是統(tǒng)一標(biāo)簽生成規(guī)則比如都用 S 形函數(shù)但參數(shù)根據(jù)各自失效時(shí)間調(diào)整。然后做曲線對齊用動態(tài)時(shí)間規(guī)整或簡單的線性縮放把不同軸承的指標(biāo)曲線映射到同一時(shí)間尺度上。這樣既保留了個(gè)體差異又便于橫向比較。5.5 現(xiàn)象在線部署時(shí)指標(biāo)計(jì)算延遲大原因KPCA 和 RBFNN 每次都要重新計(jì)算核矩陣解決預(yù)計(jì)算訓(xùn)練集核矩陣并緩存模型參數(shù)在線部署時(shí)每來一個(gè)新樣本KPCA 需要計(jì)算它和所有訓(xùn)練樣本的核函數(shù)值如果訓(xùn)練集有幾千個(gè)樣本計(jì)算量不小。RBFNN 還要算隱含層激活雖然比 KPCA 快但累積起來也有延遲。解決方法是預(yù)計(jì)算訓(xùn)練集的核矩陣和特征向量在線時(shí)只需要算新樣本和訓(xùn)練樣本的核函數(shù)值然后投影到已訓(xùn)練好的主成分空間。RBFNN 的中心、寬度和權(quán)重都緩存好在線只做前向傳播。這樣單次計(jì)算延遲可以降到毫秒級。6. 進(jìn)階技巧用單調(diào)性約束和集成策略提升退化指標(biāo)可靠性6.1 在 RBFNN 損失函數(shù)里加單調(diào)性懲罰項(xiàng)退化指標(biāo)理論上應(yīng)該單調(diào)但實(shí)際數(shù)據(jù)里總有波動。可以在 RBFNN 的損失函數(shù)里加一項(xiàng)懲罰指標(biāo)隨時(shí)間的非單調(diào)變化。具體做法是對訓(xùn)練集里時(shí)間相鄰的樣本對如果后一個(gè)樣本的健康度大于前一個(gè)就加懲罰。def monotonicity_loss(y_pred, time_stamps, lambda_mono0.1): 單調(diào)性懲罰時(shí)間靠后的健康度不應(yīng)大于時(shí)間靠前的 sorted_idx np.argsort(time_stamps) y_sorted y_pred[sorted_idx] diff y_sorted[1:] - y_sorted[:-1] # 只懲罰正差值健康度上升 penalty np.sum(np.maximum(diff, 0)**2) return lambda_mono * penaltytime_stamps是每個(gè)樣本的時(shí)間標(biāo)簽sorted_idx按時(shí)間排序diff是相鄰健康度差值。np.maximum(diff, 0)只保留正值即健康度上升的部分平方后求和。lambda_mono控制懲罰強(qiáng)度太大會導(dǎo)致指標(biāo)過于平滑丟失早期故障信息一般取 0.05 到 0.2。6.2 多模型集成不同核參數(shù)和不同神經(jīng)元個(gè)數(shù)的投票單個(gè) RBFNN 的退化指標(biāo)可能受初始化和超參數(shù)影響。用集成策略可以提升魯棒性。具體做法訓(xùn)練多個(gè) RBFNN每個(gè)用不同的 KPCA 帶寬和不同的隱含層神經(jīng)元個(gè)數(shù)然后對它們的輸出做加權(quán)平均。權(quán)重可以用驗(yàn)證集誤差的倒數(shù)。def ensemble_predict(models, X, weightsNone): 多模型集成預(yù)測 preds np.array([m.predict(X) for m in models]) if weights is None: weights np.ones(len(models)) / len(models) return np.average(preds, axis0, weightsweights)models是訓(xùn)練好的 RBFNN 列表weights是權(quán)重向量。np.average按權(quán)重平均。權(quán)重可以按驗(yàn)證集 MSE 的倒數(shù)歸一化得到。集成通常能把測試集指標(biāo)的方差降低 20% 到 30%代價(jià)是訓(xùn)練和推理時(shí)間成倍增加。6.3 驗(yàn)證退化指標(biāo)好壞的三個(gè)定量指標(biāo)不能只看曲線好不好看要用定量指標(biāo)。第一個(gè)單調(diào)性指標(biāo)計(jì)算指標(biāo)序列的 Spearman 相關(guān)系數(shù)越接近 1 越好。第二個(gè)魯棒性指標(biāo)計(jì)算指標(biāo)序列的平滑度用一階差分的標(biāo)準(zhǔn)差除以均值越小越好。第三個(gè)一致性指標(biāo)不同軸承的指標(biāo)曲線做動態(tài)時(shí)間規(guī)整后的平均距離越小越好。from scipy.stats import spearmanr def evaluate_degradation_index(health, time_stamps): 評估退化指標(biāo)質(zhì)量 # 單調(diào)性 mono, _ spearmanr(time_stamps, health) # 魯棒性 diff np.diff(health) robustness np.std(diff) / (np.mean(np.abs(diff)) 1e-8) return {monotonicity: mono, robustness: robustness}spearmanr算秩相關(guān)系數(shù)mono越接近 1 單調(diào)性越好。robustness用差分標(biāo)準(zhǔn)差除以差分均值絕對值越小說明指標(biāo)越平滑。這兩個(gè)指標(biāo)結(jié)合起來看單調(diào)性高于 0.9 且魯棒性低于 0.5 就算不錯。我自己的習(xí)慣是每次調(diào)完參數(shù)先把這三個(gè)指標(biāo)算一遍再畫曲線看。有時(shí)候曲線看著漂亮但單調(diào)性只有 0.7說明波動還是大上線后可能誤報(bào)。寧可單調(diào)性 0.95 但曲線不那么光滑也不要 0.7 的漂亮曲線。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
超碰在线99| 色婷婷狠狠| 激情影院丁香五月| 亚洲色五月天| 超碰人人99| 激情五月天偷拍综合网| www.五月天婷婷| 天天操天天插| 久久9精品| 五月丁香色| 丁香五月婷婷偷拍| 激情婷婷| 99国产精品白浆在线观看免费| AV九九| 婷婷六月色| 在线理论片| 牛牛热这里只有jingpin| 中文AV网站| 九九热只有精品| 99re这里只有| 俺也去五月婷婷丁| 天天日P天天射P| 天天肏天天肏| 激情 婷婷| 任你干嘛免费视频播放| 在线看片av| 99久久久国产大片区| 99久久国产成人精品| 五月婷婷综合网在线播放| 日本狠狠爽| 《》【无码】想被搞到爽AV应募而来的超M素人 西纯子 10musume-011723-01 | 九九精彩久久| 婷婷放心五日爱| 中文字幕+乱码+中文字幕在线观看| va婷婷在线| 激情婷婷六月| 玖玖午夜视频| 亚洲欧美成人在线| 国产成人综合电影| 骚五月婷婷| 亚洲精品国产成人AV在线| 色婷婷婷av| 五月天激情网址| 天天夜天天色天天| 影音先锋91| 99精品久久| 丁香六月五月天| 亚洲日韩一页精品发布| 日本色色影院| 26uuu欧美日韩| 色婷婷五月天激情综合| 伊人玖玖婷婷| 99这里| 亚洲丁香花色| 婷婷九月丁香中文| 99视频精品| 国产婷婷综合| 五月婷婷五月| 成人做爰A片免费看视频| 伊人热在线大香蕉| 99热免费精品| 综合激情啪啪| 丁香五月激情婷婷婷婷在线观看| 五月天激情小说网| 色播五月丁香综合| 琪琪理论片| 婷婷丁香五月综合激情小说| 色婷网| 99国产精品久久久久久久久久久| 婷婷综合日本| 1024AV视频| 伊人成综合五月婷婷| 激情婷婷在线中文字幕| 天天干天天干天天干天天干天天干天天 | 国产又粗又大又爽又黄| 亚洲色图81p| 久久色频| 青青草成人网| 中文字幕无码人妻少妇免费视频 | 26uuu亚洲欧美日本| 翔田千里 50岁 无码| 99激情视频| 久久综合9| 婷婷亚洲影院| 婷婷五月18永久免费视频| 成人av在线电影| 激情又色又爽又黄的A片| 色婷丁香91| 伊人久久婷| 五月婷婷精品视频| 五月婷婷六月丁香| 久久综合婷| 噜综合| 99热.com| 亚洲国产精品二二三三区| 天啪色| 天天搞夜夜爽夜夜爽| 99re热免费观看视频精品| 粉嫩av蜜桃av蜜臀av| 男男野外做爰全过程69| 五月丁香综合啪啪| 天天日综合| 亚洲 25P| 先锋资源婷婷| 99视频综合| 亚洲色啪| 五月丁香婷婷网在线在线| 婷婷久久综合| 丁香大香蕉| 丁香六月天婷婷开心综合| 五月婷婷色影院| 91九色超碰| 色五月综合激情| 99免费视频在线观看爱| 色五月激情五月| 9热精品| 色五月成人在线| 大香蕉啪啪啪| 激情中文在线| 骚。com| 大香蕉人妻| 在线超碰91| sewuyue第四色| 九九精品自拍| 一级性感毛片| 79色色| 九九热视频在线观看| 色情久久久| 丁香五月婷婷色播艳门照| 亚洲五月天激情| 日本久久人| 五月丁香婷婷婷婷综合网| 久久综合干| 潘金莲AAAAAAAAAA| 另类图片 五月激情| 婷婷久热| 五月天婷婷操逼视频| 99热这里只有精品搜| 天天日天天插| 婷婷香蕉| 99热欧美在线观看| 欧美色99| 丁香五月婷婷亚洲色图| 天天狠狠六月婷丁香影院| AA片在线观看视频在线播放| 五月天色狠狠| 色色色网站| 99精品97| 天天色天天操天天射| 色九四色| 婷婷激情丁五月| 国产成人+综合亚洲+天堂| 五月婷婷天堂| 99久超碰| 日本婷久久| 色色日本| 欧美月久久| 亚洲色色精品| 丁香五月激情久久麻豆| 五月丁香六月合| 这里只有精品1| 激情久久久久久久久| 日日操天天| 中文字幕丰满孑伦无码专区| 久久久久久久综合狠狠综合| 99精品视频免费观看| 婷婷色啪| 丁香五月综合| www.五月婷婷| 操人91| 92国产福利| 欧美色色色色色| 操人久久| 91精品久久久久久久久| 亚洲综合无码| 日韩成人中文字幕| 丁香五月成人社区| 亚洲va日| 色五月激情五月天| 婷婷欧美偷拍综合| 色婷婷影院| 性爱动图国产麻豆一区二区三区 | www.99婷婷| 五月婷婷在线观看黄| 大香蕉啪啪啪啪啪啪| 5月丁香六月情| 中文字幕按摩做爰| 国产精品色色色色| 亚洲成人日韩无码精品| 亚洲色情网站| 欧美日韩国产一区二区| 啪啪 综合网| 五月丁香综合影院| 婷婷月综合| 毛片新网地| 五月天社区婷婷丁香社区| 色色色色色色五月婷婷| 99视频这里有精品| AV网站免费在线| 天天搡日日搡aaaaⅩ| 大香蕉中文| 99自拍网| 激情色中文| 综合色99| 五月天电影网| 激情丁香社区| 9久热| 丁香六月婷婷久久综合| 熟女激情网| 五月丁香综合| 另类综合国产| 久久久噜噜噜www成人| 日本操B视频| 亚洲四色五月| 99自拍视频| 六月婷婷六月天天在线免费| 色婷婷网大全在线| 色深爱五月| 9久9久9久女女女九九九一九| 五月激情久久综合网| 亚洲蜜乳AV| AA久久| www.久久| 超级碰碰97在线| 色噜噜在线| 99久高清视频| 婷婷啪啪| 激情五月婷婷综合视频| 婷婷99丁香| 超碰免费大香蕉| 激情五月综合网| 五月综合激情婷婷六月色窝| 99综合一区| 婷婷国产欧美97| 无码啪啪| 婷婷色五月色妇| 丁香五夜激情四射夜夜夜| 91人碰| 国产韩日亚洲美州欧亚综合在线| 天天做天天爱天天爽综合网| 婷婷午夜精品久久久| 婷婷天堂站| 色五月成人在线| 欧美久久久久久久久中文字幕| 91丨九色丨熟女|老版| 久久久WWW| 激情99| 国产精品日韩十五区| 五月天丁香综合久久国产| 色色色热热热| 五月天精品视频| 超碰在线免费| 婷婷色影音天| 色六月婷婷| 亚洲第一色网站| 国产又色又爽又黄又免费| 综合色色色色色色| 亚洲网站在线鸭子av| 色五月首页| 六月婷婷国产| 丁香五月婷婷AV| 亚洲妇女熟BBW| 这里只有精品69| 久9视频免费播放| 色色色欧美| 久久丁香久久| 久久久人妻久久久| 五月丁香花激情啪啪网| 婷婷五月天福利| 天天夜夜爽| 成人视频一区| 色激情网| www狠狠| 久久99久久99精品免观看粉嫩| 九九热九九| 精品99爱免费视频在线观看| 国产日韩av片| 这里只有精品96| 97人人操| 综合图区激情| 婷婷色色五月天| 五月刺激丁香月综合| 色色色婷婷五月天| 久久亚洲婷婷| 激情五月天婷婷激情| 毛片九九九九九九九九18| 日本一毛片| 狠狠色丁香婷婷基地| 超碰高清在线| 牛牛热这里只有jingpin| 狼人婷婷综合| 激情五月www| 色婷婷影院| 无码一区二区三区四区五区91c| www.99色| 网站免费一站二站| av在线色五月丁香婷区久| 99热这里| 婷婷丁香婷婷97| 大香蕉av在线| 成人一级片| 五月天婷a| 国产韩日亚洲美州欧亚综合在线| 亚洲av成人电影在线观看| www.激情| a网站免费观看| 天天干 夜夜爽| 一区二区中文字幕| 97色片| 日韩中出视频| 久久在线视频免费观看| 97色色综合| 国产激情婷婷| 五月天婷婷开心| 综合网色| 五月丁香花视频| 在线观看日韩12345区| 色综合99| 综合色情网| 久久激情五月婷婷| 中文国产五月天| 9er热在线精品视频| 国产精品国产| 五月色情婷婷| 婷婷综合中文字幕| 欧美成人精品三区综合A片| 久久激情五月婷婷| 日本五月婷婷| 99爱视频免费看| 伊人丁香六月婷婷| 综激情网| 99热线观看9| 一级内射毛片| 久久综合婷婷激情| 国产婷婷色综合AV蜜臀AV | 九九这里都是精品| 大香蕉啪啪| 五月天婷婷色综合| 五月婷在线视频免费播放| 热中文字幕| 五月丁香六月婷婷啪啪| 91se在线观看| 五月色激情综合网| 婷色综合| 丁香啪啪中文字幕| 伊人久久丁香五月91| 99色色| 丁香六月欧美| 久久综合爱| 丁香六月婷婷色XXXXX| 亚洲VA在线| 情欲综合网| 99re思思| 亚州激情网| 任你艹| 久久性操| 九九操操| 激情视频网址| www.超碰| 亚洲午夜精品久久久久久人妖| 91丨九色丨高潮丰满日本| www.综合久久.com| 亚洲AV网站在线观看| 五月天激情综合网| 色玖玖玖| www久久艹| 2021日韩无码| 婷婷五月天精品| 蜜乳AV成人| 亚洲AV日韩在线观看| 丁香婷婷九月在线| 噢美99| 琪琪色五月婷婷老师| 国产精品美女久久久久AV超清| 午夜69成人做爰视频| 99精品在线| 五月天婷婷激情| www五月| 99精品在线| 久久人妻精品| 精品一二三区久久AAA片| 大香蕉九九| 99精品网| 日逼影音先锋男人AV资源站| 老师高潮流白浆喷水的A片| 九九丁香社区欧美激情| 国产欧美大香蕉一区| 亚洲a片免费观看| 久草婷婷视频| 日本天堂免费99| 91免费看片| 人人97碰| 丁香五月天激情网址| 无码一区二区三区四区五区| 久久婷五月综合色| 激情都市五月天| 激情久久综合网| 五月开心深深爱激情综合| 婷婷丁香五月综合激情视频| 五月丁香六月婷婷姐| 五月婷婷影院| 婷婷开心激情| 年轻的妺妺伦理HD中文| 亚洲午夜国产成人电影VA国产欧…| 六月五月天婷婷涩播在线| 久久综合站| 久久伊人婷| 五月婷婷七月丁香| 国产精品成人在线| 五月婷高清视频| 欧美韩日AAA网站| 丁香五月激情无码视频| 精品久久这里热66| 九九操操| 欧美S码亚洲码精品M码| 好大好粗嗯啊-一级黄色大片免费观看-成人AV | 欧美又粗又大一区二区在线观看| www.91有码.com| 九九爱激情| 五月婷婷激情中文字幕| 亭亭五月色男人| 丁香五月激情综合| 9l久久久视频| 91丨九色丨高潮丰满日本| 中文字幕黄色片| 蜘蛛女免费观看完整版高清电影 | 亚洲激情四射色| 丁香婷婷影院| 在线网黄| 婷婷5月开心6月| 国产精品香蕉| 91Chinese在线| 亚洲精品一区中文字幕乱码| 久久五月婷综合网| 六月婷婷av| 九九视频这里只有精品在线播放 | 婷婷国产欧美97| 色色丁香| 五月丁香激情六月| 国产精品色婷婷AV综合色色| 热久久思思热思思| 色婷婷小说| 9精品在线| 99久久久久| 伊人网色婷婷五月天| 天天色99| 秋霞黄色一级久久| 五月丁香啪啪伦理电影| 99精品在线观看| 成人草榴视频| 色婷婷五月在线| 5月丁香婷婷| 五月激情小说网| 九九色逼| 成人精品免费在线观看| 久99久视频| 26uu| 成人婷婷| se色婷婷视频| 五月丁香另类图片| 天天五月情| 六月婷婷激情| 五月久久丁香| 99re6热在线精品视频播放速度| 色五月六月婷婷| 九九re精品视频在线观看| 夜夜躁爽日| 中文字幕成人| 色色综合五月| 深爱五月综合网| 婷婷六月花| 99这里都是精品| 婷婷五月天成人网| 五月天婷婷情色| 婷婷深爱色五月| 99亚洲视频| 免费观看全黄做爰的视频| 韩国19 主播内部福利vip免费播放| 亚洲欧洲99| 五月丁香六月婷婷国产视频| 六月丁香啪啪啪| 激情文学 综合 九月| 99热思思久| 小视频久久久aaa| 久久精品99| 大香蕉欧美在线| 日日干夜夜撸夜夜骑| 丁香五月六月婷婷殴美综合| 99国产这里只有精品| 综合激情五月天| 六月丁香婷婷爱| 五月色综合网欧美网| 五月激情小说网| 成片免费播放| 桃色激情五月天| 开心五月激情五月丁香五月婷婷| 狠狠干天天日| 五月 激情视频| 久久成人天| 深爱婷婷网| 久久婷婷草| www.日韩艹| 色色五月天婷婷| 久久综合香蕉国产国产蜜臀AV| 激情六月下句是什么| 五月婷婷九九热| 五月综合激情久久| 成人视频九九| 狼人久草| 一本九九色| 激情婷婷人妻| 五月丁香啪啪| 婷婷欧美综合| 久久这里只精品| 日韩国产在线精品| 性色人人爽| 98永久精品| 91呦呦呦| 99精品在| 婷婷五月色| 五月天丁香综合久久国产| 91久久婷婷人人澡草| 欧洲第一无人区观看| 日本视频99| 五月丁香综合激情网| 另类少妇人与禽zOZZ0性伦| 激情综合无码| 日日夜夜狠狠| 伊人青涩网| 婷婷亚洲五月色综合| 99∨VTV| 日韩一级片| 激情五月婷婷| 97操碰在线97| 99久久婷婷五月天| 色五月激情五月| 五月天激情综合网俺也去| 99爱视频| 五月间天堂综合| 日日日天天干| 亚洲AV成人在线观看| 亚洲mm色| 九九热精品| 婷婷五月播| 99精品久久久| 九九色综合网| 秋霞AV淫| 亚洲一区二区无遮挡A片| 深爱婷婷丁香五月激情| 日本91在线播放| 狠狠色丁香婷婷综合久久97AV| 色五月首页| 男女99免费视频| 96精品久久久久久久久| 色丁香五月| 99九九视频| 日韩欧美一道四区中文字幕| 激情 婷婷| 嫩草视频观看| 婷婷五月影院| 大香蕉操操| 婷婷99狠狠| 色九月综合网| 九九视频在线| 伊人大蕉香| 日本五月婷婷| 色色色色色色五月婷婷| 色播五月天激情| 色天堂操| 99狠狠| 丁香五月AV| 色婷婷a| 五月婷免费视频| 色五月激情网| 六月丁香综合| 亚洲精品亚洲人成人网| 热九九精品| 婷婷深爱五月| 久久久久久草黄色片AV在线观看| 狠狠操天天干| 初夜av| 色五月亚洲| 激情五月丁香激情综合网| 亚洲综合色婷| 5月婷婷激情在线| 色五月婷婷伊人| 激情亭亭五月| 99热99在线| 丝袜激情网| 啊V视频在线观看| 精品乱码久久久久| 26uuu四色| 国产精品a无线| 丁香激情六月天婷婷| 99九九精品视频推荐| 五月丁香淫淫婷婷婷| 色色丁香五月天社区| 五月婷婷激情中文字幕| 99视频久久| 婷婷综合五月天| 色国产五月| 国产成人精品一区二三区熟女在线| 五月天色导航| 综合久久首页| 久久大香蕉同僚| 五月6香色婷婷视频| 亚洲日韩一页精品发布| 色综合综合网| 丁香五月777| 日韩综合天堂| 99热6这里只有精品6| 日韩限制级大尺度黑料泄密大尺度视频一区二区在线观看 | 青青草蜜臀| www91色网站| 99爱视频| 丁香婷婷六月婷婷六月婷婷六月婷婷| 国产免费一区二区在线A片视频| 五月婷婷干| 日本大逼91| 亚洲AV网站| 国产欧美婷婷| 日日夜夜九九| 五夜丁香| 久久五月天综合视频网站| 激情AV综合| 99性爱视频| 91久久久久久| www.9操| 特级西西4444www无码| 一起草无码| 99综合视频| 色丁香六月| 久久视频婷婷| 亚洲精品色| 亚洲人妻一区二区| 人人性久久| 久久免费精彩视频| 色色网站在线| 激情网站五月| 一本久婷婷综合| 日韩 中文 欧美| 亚洲视频色色| 色五月丁香91| 婷婷色丁香五月| 色狠狠六月| 婷婷五月中文字幕| 色五月激情网| 66精品成人免费网站在线观看| 色九月欧美| 午夜少妇在线观看视频| 婷婷五月婷婷| 欧美五月丁香啪啪响视频| 操逼视频网址| 五月丁香啪啪啪| 日本激情五月天‘| 91干| 中文婷婷狠狠| 久久久久这里只有精品| 91精品久久久久久综合五月天| 色婷婷AAA| 97超碰免费超级在线观看| 丁香五月综合激情性爱| 色欲丁香久久| 九九热10| 99日热在线视频| 99色婷婷视频| 伊人久久丁香婷婷六月五月综合| 九九久久综合| 69人人操人人爽| 99热这里有精品| 五月婷婷六月综合| 思思视频这里是精品| 9色免费网| 91九色在线| 婷婷五月天偷拍| 激情五月综合| 丁香花婷婷五月天| 精品一二三区久久AAA片| 综合99久久天天综合| 天天综合天天玩夜夜玩天天玩夜夜玩| 色六月婷婷| 精品综合网在线| 激情五月影院| 久久免费精彩视频| 深爱五月中文字幕| 色99视频| 超级碰碰碰久久网站| 狠狠干综合| 99热国产在线| 台湾综合丁香五月蜜桃| 影音先锋91| 日本综合九九| 激情开心五月天| 五月婷婷在线视频观看| 久久婷婷欧美| 视频这里只有精品| 超碰不卡在线| 大战熟女丰满人妻AV| 亚洲网视屏| 深爱激情综合网| 激情五月婷婷在线区| 91人人操| 99re久热| 98国产精品综合一区二区三区| 五月婷婷啪| 99热97| 思思热99在线| 九九精品片一| 五月丁香综合啪啪| 中文字幕五月久久婷| 国产黄大片在线观看画质优化| 亚洲1区| 五月婷婷深深爱| 2025天天操| 丁香五月狠狠在线观看| 日本在线视频www色| 久99精品视频| 玖玖@三月天天丁香婷婷| 人人爱国产| AV成人在线播放| 九九热视频精品| 色五月激情基地| 丁香五月婷婷亚洲人| 五月婷婷丁香大陆免费| 視频福利乱色| 影院久久久| 色九九综合色| 久久AAAA片一区二区| 这里只有精品视频在线| 99免费热视频在线| 综合婷婷五月天| 99热这里只有免费精品| 国产热精品| 噜噜噜噜噜日本视频| WWW,激情五月天,COM| 99在线精品视频| 在线不卡中文字幕| 五月色情婷婷| 九月性爱网| 丁香五月婷婷啪啪视频| 五月婷婷爽爽爽| 天天做天天爱天天高潮| 婷婷伊人| 婷婷综合久久| 五月天色图| 99色色视频| 91热在线| 久久久WWW| 九九热中文| 久久精品4| 91婷婷搞| www.91操| 丁香五月色五月| 97色97干| 婷婷五月色综合| 日本WWW九九九| 99色在线视频| 久色| 五月婷婷在线观看黄| 婷婷亚洲欧美丁香五月| 天天插AV丝袜中| 99思思| 丁香五月婷久久| 26uuu亚洲欧美| 天天操夜夜爱| 丁香五月开心五月激情| 婷婷丁香五月高清| 婷婷五月天在线观看第二页| 开心激情网五月| 激情文学五月丁香六月婷婷| 色噜噜狠狠一区二区三区| 激情五月天影院| www.狠狠| 五月婷婷偷拍| 久久激情天堂| 亚洲啪啪啪啪| 久久色婷婷| 欧美婷婷| 色婷婷狠狠| 涩涩五月天| 裸睡玩奶头(高H)| 国产精品久久久久久喷浆| 777精品久无码人妻蜜桃| 国产乱子轮XXX农村| 亚洲成人婷婷| 日本五月婷婷| 婷婷综合激情| 天天做天天爱| 婷婷亚洲综合| 九九热免费视频| 成人做爰高潮A片免费视频| 中文字幕丰满孑伦无码专区| 日韩人妻AV在线| 久久五月热| 狠狠情色| 日本在线99| 婷婷五月激情综合| 这里只有精品热| 久婷婷久草| 亚洲婷婷五月天激情综合| 日本色色色| 99热色精品| 五月天天久久香| 99久久99久久综合| 婷婷五月色| 一点色成人网| 99草在线免费观看视频| 人人爽欧美婷婷久久久五月丁香| 欧美色色色色色色色| 狠狠五月激情在线| 思思热在线精品视频网站| 五月天激情av| 婷婷五月综合网| 色五月天婷婷| 一二线视频 另类| 婷婷性爱综合| 国产在线黄色| 91热er| 另类五月激情| 婷婷六月天| 99综合视频| 777米奇影视第四色| 五月激香蕉网| 另类国产区| wWwCom夜操wwW| 青草热视频这里只有精品| 丁香五月婷婷激情蜜桃| 99热在线播放| 国产三级片91| 六月激情网| 九九中文色色| 色五月激情综合网| 婷婷夜夜夜夜| 日本va欧美va欧美精品88| 日本色色图| 国产午夜精品AV一区二区麻豆| 热婷婷av| 97精品综合久久| 婷婷五月天视频在线观看| 99爱在线视频观看| 色狠狠综合| 超碰人妻公开在线| 操比激情五月综合| 久久激情综合| 人妻操逼视频| 99网| 激情九月婷婷九月| 色吧婷婷| 6080av| 婷婷五月天成人网站| 99在线精品视频| 夜夜操狠狠操| 99久久久久久久| 天天综合色丁香| se影音资源在线观看| 久久激情五月婷婷| 六月婷婷综合网2| 久久婷婷亚洲无码一起| 再次出发二| 色五月中文网| 色色色热| 日韩久操婷婷| 只有精品在线观看| 日本熟女二区| 五月丁香综合激情| 9 大屁股在线视频精品| 日本久久精品| 丁香婷婷婷五月| www.99热视频| 人人97操| aaaaa黄色| 婷婷五月花丁香| 99这里都是精品| 亚洲蜜乳AV| 欧美色骚婷婷五月天| 99热精品中文字幕| 午夜婷婷| 欧美日韩成人一区二区| WWW.桔色成人.COM| 91Chinese在线| 日韩久久日| 丁香六月AV| 蜜臀99精品| 伊人色综合网| 香蕉操亚洲| 婷婷五月天成人综合网| 婷婷丁香人妻天天爽| 97婷婷久久丁香| 亚洲AV激情五月综合网| 精品人妻久久久久| 玖玖在线视频| 久久婷婷人人| 五月婷婷狠狠干| www激情| 大天天伊人| 丁香五月花婷婷开心| 婷婷五月天六月丁香| 久久综合99综合| 久久久91| 久久视频这里有精品99| 久久九九99| 五月婷婷人人人操| 天天狠狠干| 亚洲妇女熟BBW| 亚洲天堂热| 天天色天天操天天射| 少妇性BBB搡BBB爽爽爽电影| 日韩婷婷| 久久久久激情网| 新激情五月天| 久久九九免费大视频| 中文字幕在线免费| 99热久久日本| 丁香色情五月综合网站| 99精彩视频| 日本69日人视频| 激情五月婷婷视频一区二区三区| 婷婷五月丁香综合网| 婷婷五月丁香影院| 亚洲另类电影| 噜噜色五月| 久热这里只有精品在线| 国产偷人爽久久久久久老妇APP| 超碰免费大香蕉| 五月色综合网| 色色五月天 亚洲| 99超在线| 五月成人网站| 色婷精品91| 婷婷成人五月天| 日本操B片| 国精产品一区二区三区| 国产成人片| 久久这里只有精彩| 国产精品久久..4399| 成人国产网站| 婷婷综合六月| 思思久久99热只有频精品66| 色婷婷电影网| 丁香五月婷婷大香蕉| 久久五月天丁香花| 99热中国| 九九艹女| 天天擼久久擼在线| 激情内射人妻1区2区3区| 多精窝99在线视频| 九九热免费视频| 操一区| www99精品| 五月婷婷影| 女人被男人吃奶到高潮| 久草 tingting| 久久丁香五月婷婷| 久久久久久久久久久久久9| 五月天婷婷在线观看精品男人| 亚洲六月婷婷| 五月婷婷在线丁香| 丁香六月情| 婷婷亚洲影院| 操99| 日本人妻A片成人免费看片| 五月天丁香综合| 亚洲综合一区二区| 激情五月丁香六月综合AVXXXX| 五月丁香久久婷| 久久精品66| 九九热视频精品999| 艾小青av| 99久久九九视频| 思思99re这里只有| 岛国在线观看91| 激情 婷婷 插| 久久久宗合视频88| 日撸夜撸日操| 丁香五月婷中字在线| 五月丁香在线国产 | 99热免费精品| 日本 欧美在线| 五月婷婷综合激情网| 综合啪啪| 99免费| 五月丁香怕怕综合| 久草婷婷| 99re久热只有精品6在线直播| 专区无日本视频高清8| 日日天天操| 中国女人做爰A片| 狠狠操天天操综合| 草草夜夜操| 久香草视频在线观看| 久久视频在线视频| 丁香五月综合在线播放 | 九九成人精品免费视频| 日本五月婷| 五月天色婷婷激情综合| 丁香五月婷婷啪啪| 婷婷五月天另类视频| 乱精品一区字幕二区| 色五月无码| 国产精品色色| 人人干AV| 青吴乐视频| 色播五月| 色婷婷69| 婷婷色综合| 久久这里只有精品无码| 久久丁香婷| 天天综合色丁香| 久9热| 伊人在线视频| 五月婷婷说| 超碰色婷婷| 狠狠综合网| 色色色综合视频| 91re色综合视频| 色综合色| 久久er视频6| 欧美性猛交99久久久久99按摩| www一区二区三区| 久久久五月天网站| 色色网站在线| 五月综合亚洲婷婷| αV电影| 色婷婷中文在线| 99久热在线精品| 成人做爰A片免费看网站找不到了| 这里只有精品免费视频在线观看| 99精品女人天堂| 婷婷伊人綜合中文字幕小说| 伊人五月久久| 99少妇精品| 99热在线播放| 久久久99精品| 色五月婷婷1| 人妻人人操| 开心激情站婷婷五月天| 国产午夜精品一区二区| 日本色婷婷| 66精品成人免费网站在线观看| 蜜桃婷婷狠狠久久| 97久久视频| 亚洲激情免费视频| 操逼视频一区| 亚洲字幕AV一区二区三区四区| 亚洲综合热| 狠狠色色| 9 7总站超级碰免费视频| 五夜丁香| sisi热国产| 色99视| 久久六月天| 午夜丁香五月天综合| 91精品丝袜久久久久久| 久久99最新地址| 日韩综合久久| 五月天婷婷激情小说| 91日视频| 日日影院 | 婷婷五月成人| 丁香六月av| 888久久久| 狠狠操狠狠插| 99热国产免费| 深爱五月综合网| 色婷婷色| 大香蕉婷婷| 天天日夜夜曹| 丁香六月av| 久久精品五月| 青草视频在线观看视频| 五月婷婷在线视频| 99区视频| 婷婷网影院| 情欲禁地| 亚洲av综合网| 欧美天天干天天草| 亚洲1区| 激情五月婷色| 丁香五月婷婷基地| 中文字幕 中文字幕明步| 婷婷八月激情| www.婷婷五月天,com| 99无码| 天天日夜夜拍| 另类综合激情| 欧美日本黄色| 亚洲欧美综合7777色亭亭| 97色婷| 人人爽欧美婷婷久久久五月丁香| 色愛综合网| 色婷婷最新域名| 人妻丰满精品一区二区A片| 成人在线综合| 丁香六月亚洲综合| 五月婷婷无码| 性爱激情小说AV五月丁香花| WWW.桔色成人.COM| 色婷婷操逼| 精品A√| 欧美大奶熟女噜噜噜噜| 中文字幕av在线播放| 久久久一级AAA| 99这里只有精品视频| 激情开心五月天| 日韩六六久久电影| 婷婷放心五日爱| 色99在线看| 激情五月综合网丁| 激情五月天色色网| 成人永久免费视频在线观看| 99成人免费视频| 色色啊| 婷婷九月亚洲| 岛国午夜视频| 五月丁香本色在线观看| 亚洲男女激情| 六月婷久久| 天天综合影院| 色五月婷婷开心| 韩日在线熟女| 91丁香五月| 熟女国产在线一区二区三区四区| 四川女人毛多水多A片| av中文在线| 91免费看片| 亚城区在线| 亚洲综合婷婷| 99小精品| 中文字幕在线不卡| 丁香五月777| 色九九九综合| 少妇被下春药玩弄A片| 亚洲综合五月天婷婷| 女同激情久久av久久| 思思热在线播放| 久久九九在线视频| 婷婷五月天va| 五月婷婷六月丁香激情深爱| AV在线大香蕉| 精品99在线观看| 国产亚洲成人综合| 婷婷五月丁香青青草在线| 亚洲激情久久| 996er热| 九月丁香婷婷| 久久99精品久久久久久噜噜| 婷婷五月综合网| 日本熟女内射| 99热这里有精品2| 婷婷一本和五月丁香| 人人草成人视频| 日本久久精品| A片一曲| 亚州操逼网| 激情图片婷婷丁香五月| 综合99在线| 欧美日韩成人h| 狠狠干五月| 亚洲成人在线观看av| 九九综合| 99热这里只有精品9| 99视频在线精品| www.婷婷五月天.com| 秋霞A V毛片| 综合网亚洲| Www,五月天| 天天干com| 亚洲精品小视频| 五月天色婷婷视频| 狠狠狠人妻| 操操操av| 国内婷婷丁香社区在线播放| 亚洲色色在线| 做爱夜夜干天天操| 久久亚洲婷婷综合色五月| 丁香六月婷婷综合色| 亚洲sesesese| 丁香五月激情婷婷视频| 天天情天天狠天天透| 亚洲超碰在线| 依人大香蕉| 俺也去在线久久精品23欧美综合视频网站,丰满人妻一区二区三区在线视频53,丰满 | 激情综合五月| 六月丁丁香| 人妻啪啪啪| 五月婷婷丁香| 五月综合色| 国产精品国产成人国产三级| 99热这里有精品| 久热婷婷综合| 欧美黄色一级录像| 97日本操| 丁香六月天婷婷| 五月天婷婷丁香人人操91| 欧美性交一区二区三区| 天堂五月婷婷| 97欧美在线| 日本啪啪网| 久99热| 久久女婷| 丁香5月激情网| 亚洲午夜精品久久久久久人妖| 欧洲永久精品| 天天做天天视天天谢| 天天拍夜夜撸| www·五月天| 国产精品成人av在线观看春天| 五月天精品综合| 五月天成人网在线观看| 天天肏高清在线| 色五月天堂| 夜夜撸日日操| 农村熟妇高潮精品A片| 99热99艹在线观看| 激情6月| 婷婷成人在线| 激情六月丁香| 日韩欧美五月丁综合| 狠狠久久婷五月综合色| 婷婷五月天a| 色五月婷婷丁香五月| 色欲婷婷五月天丁香| 色色色999| 色婷婷狠狠18禁| 91性交在线播放| 欧美色99| 丁香久久九九99| 美女激情综合| 天天五月香欧美| 深爱激情四射| www色综合| 4438激情网| 色婷婷视频在线| 亚洲精品字幕在线观看| 青青草原亚洲久| 成人色图情色成人网 www.5b5b5bcom 五月天 | 久久五月激情综合| 色色99| 狠狠干五月丁香| 天天爱夜夜爽| 内射综合网| 婷婷五月激情小说| 爱爱网址9| 99热一本久道| 五月婷网| 五月丁香啪啪激情| 玖玖精品视频| 婷婷久久精品| 97香蕉碰碰人妻国产欧美| 综合久久五| 婷婷综合网性| 草综合网| 热99精品视频| 9l视频自拍9l九色9l成人| 五月婷婷久久综合| 成人无码髙潮喷水A片| 国产成人亚洲综合亚洲| 伊人99热| 国产五月婷| 99在线精品视频| 五月天久久久| 婷婷五月,综合伊人| 碰97久久| 丁香婷婷六月天| 久久免费精彩视频| 天天插天天射|