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

深耕商務建站與企業(yè)官網(wǎng)運營的一線實戰(zhàn)洞察。

哈里斯鷹優(yōu)化VMD-CNN的軸承故障診斷全流程解析

哈里斯鷹優(yōu)化VMD-CNN的軸承故障診斷全流程解析 簡介面向軸承故障診斷與卷積神經(jīng)網(wǎng)絡結合的工程資源適合信號處理方向的研究生、工程師及機器學習初學者。方法采用高階變分模態(tài)分解對西儲大學不同轉速下的驅(qū)動端振動信號進行多層次分解提取本征模式函數(shù)并削弱噪聲再由CNN自動學習空間特征完成磨損、裂紋等故障模式的分類識別。壓縮包共15個文件約60.73MB核心為9個.m腳本覆蓋主程序、特征提取、網(wǎng)絡正則化模塊和五種適應度函數(shù)3個xlsx存放不同轉速的原始振動數(shù)據(jù)1個xlsx為HO-VMD特征提取后的數(shù)據(jù)集便于對比驗證另附1個txt安裝說明和1個pdf河馬優(yōu)化算法論文輔助復現(xiàn)與理解參數(shù)尋優(yōu)原理。目前已有203人學習下載可直接運行整個診斷流程也可基于不同轉速數(shù)據(jù)和多種熵類適應度函數(shù)進一步調(diào)參適用于課題預研、入門實踐及算法改進。1. 西儲大學軸承故障診斷HO-VMD-CNN這條路解決什么問題一臺風機軸承的振動信號里藏著故障的類型、位置和嚴重程度但原始波形根本不適合直接扔給神經(jīng)網(wǎng)絡。很多團隊在西儲大學CWRU軸承數(shù)據(jù)集上做實驗CNN結構改了一輪又一輪準確率卡在八九成上不去問題往往出在前處理信號沒分解干凈故障沖擊被噪聲淹沒。HO-VMD-CNN 是這類問題的標準解法——HO哈里斯鷹優(yōu)化自動給 VMD 選最優(yōu)的模態(tài)數(shù)和懲罰因子VMD 把原始振動信號拆成一簇有物理含義的 IMFCNN 再從分解后的多通道信號上學判別特征。這套流程適合手里有振動數(shù)據(jù)、想把故障類別自動分出來的人尤其適合被 VMD 兩個參數(shù)折磨過的調(diào)參工。2. VMD為什么需要HO來救從模態(tài)混疊到參數(shù)黑洞VMD變分模態(tài)分解把一段振動信號同時拆成 K 個離散模態(tài)每個模態(tài)被約束在一個窄頻帶里。背后的優(yōu)化目標是所有模態(tài)帶寬之和最小同時要求 K 個模態(tài)加起來能完整還原原始信號。這個思路比 EMD經(jīng)驗模態(tài)分解干凈EMD 靠極值插值遞歸剝皮對噪聲和采樣率敏感容易出現(xiàn)模態(tài)混疊VMD 轉成一個帶約束的變分問題用交替方向乘子法迭代求解分解結果穩(wěn)定得多。軸承故障的典型特征是周期性沖擊沖擊在頻域上會產(chǎn)生以故障特征頻率為中心的一簇邊帶VMD 天然適合把這些頻帶分離開。VMD 的理論形式也不復雜對每個模態(tài) u_k 做 Hilbert 變換得到解析信號再乘上指數(shù)項把頻譜搬到基頻附近最后求梯度范數(shù)。迭代過程中中心頻率 ω_k 和模態(tài) u_k 交替更新直到滿足收斂容差。工程里不需要自己實現(xiàn)這么一整套流程直接用現(xiàn)成的 vmdpy 庫就行但要理解兩個關鍵參數(shù)K 是模態(tài)總數(shù)alpha 是帶寬懲罰因子。這兩個參數(shù)不經(jīng)過尋優(yōu)直接拍腦袋定后面的 CNN 做得再漂亮也白搭。2.1 VMD在軸承信號上到底做了什么以 CWRU 驅(qū)動端 12 kHz 采樣加速度信號為例正常軸承能量分散在全頻帶看不到明顯峰值內(nèi)圈故障時沖擊調(diào)制出的高頻共振帶和低頻特征頻率帶同時出現(xiàn)。VMD 分解出的第一個模態(tài)往往捕獲幅值優(yōu)勢頻帶后面幾個模態(tài)捕獲諧波和殘余噪聲。K 設小了故障沖擊和噪聲被塞進同一個模態(tài)CNN 學到的是混疊后的復合特征K 設大了一個真實頻帶會被攔腰切成兩段出現(xiàn)沒有物理意義的虛假模態(tài)。alpha 控制模態(tài)帶寬的緊致程度alpha 太小模態(tài)帶寬過寬相鄰模態(tài)互相重疊alpha 太大模態(tài)被壓得過窄迭代不易收斂還可能丟掉沖擊的邊帶成分。這兩個參數(shù)互相耦合單靠看包絡譜人工判斷眼睛根本不夠用。參數(shù)影響對象典型表現(xiàn)K模態(tài)數(shù)模態(tài)數(shù)量K 過小導致模態(tài)混疊、能量交叉K 過大會出現(xiàn)無意義的虛假模態(tài)alpha懲罰因子模態(tài)帶寬過小帶寬寬、模態(tài)重疊過大帶寬窄、迭代慢或發(fā)散tau噪聲容忍重建保真度工程上一般設 0依靠保真項約束init初始化方式收斂路徑用 1均勻初始化避免過度依賴首模態(tài)VMD 的輸出是一組模態(tài)數(shù)組 ushape 是 (K, 信號長度)每個模態(tài)都是一條一維時域波形。后面做 CNN 輸入時這 K 個模態(tài)就是 K 個通道和圖像的 RGB 三通道類似。區(qū)別在于圖像通道是像素矩陣這里每個通道是獨立的時間序列長度可以人為截斷。這意味著 CNN 的結構要選一維卷積而不是二維卷積輸入張量是 (batch, K, length)。2.2 包絡熵把分解質(zhì)量變成一把刻度尺要讓優(yōu)化算法去搜 K 和 alpha先得有一個數(shù)值指標能評價“這組參數(shù)分解得好不好”。最常見的指標是包絡熵。計算方式是對模態(tài)信號做 Hilbert 變換求出包絡 a(t)歸一化成概率分布 p_i a(i) / Σa然后算信息熵 E -Σ p_i · log p_i。正常軸承振動包絡接近隨機噪聲概率分布平坦熵值高故障軸承的沖擊在包絡上呈現(xiàn)稀疏的尖峰概率分布集中在少數(shù)點上熵值低。VMD 參數(shù)選得好時故障模態(tài)的包絡熵會比欠分解參數(shù)低一大截這就把“分解質(zhì)量”變成了一個可以數(shù)值比較的標量。實際應用中每次尋優(yōu)都要對整段訓練信號跑一次 VMD算每個模態(tài)的包絡熵。常見做法是取 K 個模態(tài)里的最小包絡熵作為該組參數(shù)的適應度因為軸承故障沖擊的能量往往集中在一個主導模態(tài)上最小包絡熵能捕獲這個主導故障模態(tài)。也有文獻取平均包絡熵或加權熵思路一樣只是尺度不同。用包絡熵做適應度有個隱含前提包絡熵越低故障沖擊越突出后續(xù)分類越容易。這個前提在大部分軸承數(shù)據(jù)上成立但不是絕對成立后面第 5 章會專門講它的邊界。2.3 人工試參和網(wǎng)格搜索為什么都不夠用手工試參的流程是選一組 K 和 alpha跑 VMD看各 IMF 的包絡譜比對特征頻率換一組再跑。CWRU 每個類別采樣時間約 10 秒按 2048 點滑窗能切出幾百個樣本一次 VMD 耗時幾十到幾百毫秒試 8 組參數(shù)乘 10 個類別半天就過去了。最麻煩的是 K 和 alpha 互相影響K5 配合 alpha2000 時看起來不錯但 K6 時 alpha2000 反而過分解單獨調(diào)一個參數(shù)沒法收斂到好組合。網(wǎng)格搜索能系統(tǒng)覆蓋參數(shù)空間但組合數(shù)膨脹K 取 3 到 10alpha 按對數(shù)間隔取 15 個值就是 8×15120 次 VMD。對一條 12 kHz、10 萬點的信號120 次分解足夠跑一個多小時而且網(wǎng)格是離散的最優(yōu) alpha 往往不在網(wǎng)格點上。更關鍵的是CWRU 有多種負載和多個故障直徑不同數(shù)據(jù)段的最優(yōu) K 和 alpha 不一定相同網(wǎng)格搜索只能針對某一段信號換一段信號又要重來。把參數(shù)選擇當成黑盒子優(yōu)化問題用 HO 這類群體智能算法直接搜是目前最省事的做法。3. 用HO為VMD找最優(yōu)參數(shù)優(yōu)化映射與可復現(xiàn)代碼3.1 哈里斯鷹優(yōu)化怎么映射到VMD尋優(yōu)哈里斯鷹優(yōu)化Harris Hawks Optimization簡稱 HO是近年比較常用的群體智能算法模擬哈里斯鷹在沙漠中捕獵兔子的行為。兔子位置代表當前最優(yōu)解鷹群在探索階段隨機棲息尋找兔子在開發(fā)階段根據(jù)兔子逃跑能量做軟包圍、硬包圍、漸進式俯沖。把它用到 VMD 參數(shù)尋優(yōu)上一個鷹的位置就是一組候選參數(shù) [K, alpha]適應度就是跑完 VMD 得到的包絡熵。鷹群在 K-alpha 構成的二維平面上移動每一輪迭代更新所有鷹的位置然后比較每一處的適應度保留當前最優(yōu)兔子位置。K 本身是整數(shù)但 HO 的位置更新是連續(xù)值。常見處理方式是把 K 當連續(xù)變量參與鷹的位置運算評價適應度時再 round 成整數(shù)。這樣做的好處是算法不用做離散編碼壞處是 K 的梯度幾乎為零可能出現(xiàn) K 在連續(xù)幾次迭代里都不變。如果發(fā)現(xiàn) K 一直卡在同一數(shù)值可以改用離散映射把 K 編碼成 [0,1] 連續(xù)值解碼時映射到 3 到 10 的整數(shù)區(qū)間。兩種做法我都試過對 CWRU 數(shù)據(jù)來說連續(xù)取整通常夠用因為 alpha 才是真正敏感的參數(shù)。3.2 邊界設計K和alpha的范圍為什么要這樣定邊界設得不對尋優(yōu)結果是廢的。CWRU 12 kHz 數(shù)據(jù)上K 取 3 到 10 比較穩(wěn)妥小于 3 會把正常信號和故障沖擊壓在一起大于 10 噪聲會被逐條拆成獨立模態(tài)。alpha 取 500 到 5000alpha 太小帶寬約束失效模態(tài)之間互相混疊alpha 太大迭代代價成倍上升還可能不收斂。另一個容易忽略的細節(jié)是采樣方式alpha 在數(shù)千量級跨越很大初始化時要在指數(shù)空間采樣即 np.logspace(np.log(500), np.log(5000), n)而不是線性空間的均勻分布。否則 alpha 大概率落到 500 到 2000 之間5000 附近幾乎永遠采樣不到搜索空間被實際拉窄。種群規(guī)模和迭代次數(shù)也要克制。種群數(shù)量 10 到 20 個迭代 20 到 30 次一次完整尋優(yōu)要跑 200 到 400 次 VMD。對一條 12 kHz、幾萬點的信號來說這個量級在幾分鐘到十幾分鐘可以接受。如果信號長度超過 20 萬點建議把種群降到 6、迭代降到 15先對一小段代表性信號尋優(yōu)再把最優(yōu)參數(shù)應用到全部信號上不要試圖一次尋優(yōu)吃下整條長信號。3.3 HHO-VMD尋優(yōu)代碼與參數(shù)說明下面是基于 vmdpy 和 numpy 的完整尋優(yōu)代碼。vmdpy 是 VMD 的常見 Python 封裝pip install vmdpy 就能裝。如果環(huán)境裝不上把 VMD 函數(shù)體換成自己實現(xiàn)的變分模態(tài)分解即可接口不變。import numpy as np from scipy.signal import hilbert from vmdpy import VMD def envelope_entropy(signal): # 對信號取希爾伯特包絡歸一化后計算信息熵 amp np.abs(hilbert(signal)) amp amp / (np.sum(amp) 1e-12) return -np.sum(amp * np.log(amp 1e-12)) def vmd_cost(pos, signal): # pos 就是一組 [K, alpha]K 轉成整數(shù)再進入 VMD k int(round(pos[0])) alpha float(pos[1]) # 參數(shù)順序signal, alpha, tau, K, DC, init, tol # tau0 表示不額外引入噪聲控制DC0 不提取直流init1 均勻初始化 try: u, _, _ VMD(signal, alpha, 0, k, 0, 1, 1e-7) except Exception: # VMD 發(fā)散時返回一個大數(shù)作為懲罰 return 1e6 # 取 K 個模態(tài)里最小的包絡熵作為適應度 entropy np.array([envelope_entropy(m) for m in u]) return np.min(entropy) def hho_vmd(signal, bounds, pop10, iterations20, seed1): rng np.random.default_rng(seed) dim len(bounds) # 指數(shù)空間初始化 alpha線性空間初始化 K lo np.array([b[0] for b in bounds]) hi np.array([b[1] for b in bounds]) pos np.zeros((pop, dim)) for d in range(dim): if d 1: # alpha 維度用對數(shù)均勻采樣 log_lo, log_hi np.log(lo[d]), np.log(hi[d]) pos[:, d] np.exp(rng.uniform(log_lo, log_hi, pop)) else: pos[:, d] rng.uniform(lo[d], hi[d], pop) # 初始化兔子位置全局最優(yōu) best pos[0].copy() best_val vmd_cost(best, signal) for t in range(iterations): for i in range(pop): r rng.random() if r 0.5: # 探索階段隨機跳向種群里的其他位置或當前最優(yōu) if rng.random() 0.5: q rng.integers(0, pop) pos[i] pos[q] - rng.random() * np.abs(pos[q] - pos[i]) else: pos[i] best - rng.random() * np.abs(best - pos[i]) else: # 開發(fā)階段這里簡化成朝最優(yōu)位置收縮完整的 HHO 有四種包圍策略 pos[i] best - 0.2 * np.abs(best - pos[i]) * rng.random() # 越界處理直接裁剪到邊界 pos[i] np.clip(pos[i], lo, hi) # 評估本輪每個鷹位置 for i in range(pop): val vmd_cost(pos[i], signal) if val best_val: best_val val best pos[i].copy() return best, best_val # 示例signal 是 CWRU 的一條整段振動信號12kHz長度至少幾萬點 # bounds 順序是 [K_min, K_max], [alpha_min, alpha_max] # best_params, best_entropy hho_vmd(signal, bounds[[3, 10], [500, 5000]])這段代碼有幾個關鍵設計。vmd_cost 里把 K round 成整數(shù)alpha 保留浮點VMD 調(diào)用參數(shù)順序不能錯尤其是 tau 和 DC工程上固定為 0。適應度取最小包絡熵而不是平均包絡熵原因前面說過軸承故障能量集中在一個主導模態(tài)。HHO 的探索階段用了兩種隨機跳躍開發(fā)階段簡化成收縮包圍不是文獻里的完整四策略但對二維參數(shù)尋優(yōu)已經(jīng)夠用主要是收斂快、代碼短。種群設 10迭代設 20總共 200 次 VMD 調(diào)用一條 5 萬點信號大約 3 到 5 分鐘跑完。如果想把 K 也處理得更細膩可以改成離散映射pos[:,0] 約束在 [0,1]解碼時 k 3 int(round(pos[:,0] * 7))這樣 K 的每一步變化都能被算法感知到。代價是搜索空間變成一深一淺兩條腿收斂速度略降。建議先跑一次連續(xù)取整版如果發(fā)現(xiàn) K 始終不變且包絡熵不理想再換離散映射。4. 分解結果如何喂給CNN樣本構造與訓練配置4.1 從CWRU原始文件到訓練樣本先分解再滑窗CWRU 數(shù)據(jù)集按故障位置和故障直徑組織文件。常見做法是取 12 kHz 驅(qū)動端加速度信號做十分類正常用 97.mat0 馬力內(nèi)圈故障用 105、106、107 對應 0.007/0.014/0.021 英寸滾動體故障用 118、119、120外圈故障用 130、131、132。外圈故障在數(shù)據(jù)里有 3 點鐘、6 點鐘、12 點鐘三個方向通常只用其中一個方向比如 3 點鐘避免類別數(shù)膨脹。每個文件信號長度約 12 萬點對應 10 秒采樣樣本量完全夠用。關鍵時序是先分解再滑窗不是先滑窗再分解。對整段信號做一次 VMD得到 (K, 整段長度) 的模態(tài)數(shù)組然后從模態(tài)數(shù)組上滑窗取 (K, 2048) 的樣本。這樣做的好處是 VMD 的邊界效應只出現(xiàn)在整段信號的開頭和結尾中間所有窗口的分解質(zhì)量一致。如果先滑窗再逐窗口分解每個窗口兩端都有邊界效應等于每個樣本都被污染。import numpy as np from vmdpy import VMD def make_samples(signal, label, opt_k, opt_alpha, window2048, overlap0.5): # 對整段信號做一次 VMD得到 opt_k 個模態(tài) u, _, _ VMD(signal, opt_alpha, 0, opt_k, 0, 1, 1e-7) # u shape 是 (opt_k, len(signal)) # 丟棄開頭和結尾各 256 點規(guī)避邊界效應 u u[:, 256: -256] step int(window * (1 - overlap)) samples [] labels [] for start in range(0, u.shape[1] - window, step): samples.append(u[:, start:start window]) labels.append(label) return np.stack(samples), np.array(labels)樣本標簽是數(shù)字編碼十類對應 0 到 9?;爸丿B率用 0.5窗口 2048 點在 12 kHz 采樣下約等于 0.17 秒包含足夠多的沖擊周期。這里 window 不用設太大2048 點對 CNN 來說既保留了局部沖擊細節(jié)又不至于讓特征圖尺寸過大。樣本量方面一條 12 萬點信號去掉兩端邊界后按 1024 步長能切出約 110 個樣本10 個類別合計 1000 個樣本已經(jīng)能支撐一個小型 CNN 訓練。訓練集和測試集的劃分要格外小心。不能直接把全部樣本隨機打亂再切因為相鄰窗口高度相關訓練集和測試集會互相“抄答案”。正確做法是按文件來源切分每個類別的 10 秒信號前 60% 只進訓練集后 40% 只進測試集再在訓練集內(nèi)部做 80/20 的驗證集劃分。這樣測試樣本和訓練樣本來自不同的時間片段才有評估意義。4.2 1D-CNN結構通道數(shù)、核大小與感受野CNN 的輸入是 (batch, K, 2048)K 就是 VMD 尋優(yōu)得到的模態(tài)數(shù)通常在 4 到 8 之間。因為輸入是一維時間序列所以用一維卷積 Conv1d。第一層卷積核大小建議設大一點比如 kernel_size64、stride4。理由是一個沖擊周期在 12 kHz 下大約持續(xù) 50 到 150 點64 點的卷積核能覆蓋住半個到一個沖擊周期相當于讓第一層先做一次波形模板匹配。后續(xù)卷積核縮小到 3負責組合局部特征。全連接層不要堆太深。軸承故障分類任務的特征復雜度遠低于圖像識別兩層全連接足夠第一層 256第二層 10。全連接層多了訓練集準確率能到 100%測試集反而掉 2 到 3 個百分點典型的過擬合。Dropout 放 0.5只在全連接前加一層即可。下面是模型的 PyTorch 定義。import torch import torch.nn as nn class VMDCNN(nn.Module): def __init__(self, n_channels, n_classes10): super().__init__() # 一維卷積分支K 個模態(tài)當作 K 個通道 self.branch nn.Sequential( nn.Conv1d(n_channels, 32, kernel_size64, stride4, padding32), nn.BatchNorm1d(32), nn.ReLU(), nn.MaxPool1d(2), nn.Conv1d(32, 64, kernel_size3, stride2, padding1), nn.BatchNorm1d(64), nn.ReLU(), nn.AdaptiveAvgPool1d(128) ) self.fc nn.Sequential( nn.Flatten(), nn.Linear(64 * 128, 256), nn.ReLU(), nn.Dropout(0.5), nn.Linear(256, n_classes) ) def forward(self, x): return self.fc(self.branch(x))這個結構很常規(guī)沒有花哨模塊。第一層 padding32 是為了補 kernel_size64 帶來的長度損失配合 stride4 把 2048 點輸入壓到 512 左右。中間那層 Conv1d 的 stride2 繼續(xù)壓縮分辨率最后一層 AdaptiveAvgPool1d 把特征圖統(tǒng)一到固定長度這樣即使窗口長度變了全連接層的輸入維度也不變。想用多尺度 CNN 做并行卷積也是可以的但對 CWRU 這個規(guī)模的數(shù)據(jù)集作用不大單分支結構已經(jīng)足夠很多實驗結果都印證了這一點。4.3 PyTorch訓練循環(huán)與超參配置訓練超參按常見動作維護習慣來設Adam 優(yōu)化器學習率 1e-3batch size 64epoch 50weight decay 1e-4遇到驗證集連續(xù) 5 輪不升就把學習率乘 0.5。50 輪并不是固定值早停機制會在驗證集不再提升時提前截斷避免浪費時間。import torch def train_vmd_cnn(model, train_loader, val_loader, epochs50, lr1e-3, devicecuda): model.to(device) opt torch.optim.Adam(model.parameters(), lrlr, weight_decay1e-4) lr_scheduler torch.optim.lr_scheduler.ReduceLROnPlateau(opt, factor0.5, patience3) loss_fn nn.CrossEntropyLoss() for epoch in range(epochs): model.train() total_loss 0.0 for x, y in train_loader: x, y x.to(device), y.to(device) opt.zero_grad() pred model(x) loss loss_fn(pred, y) loss.backward() opt.step() total_loss loss.item() * x.size(0) model.eval() val_correct 0 val_total 0 with torch.no_grad(): for x, y in val_loader: x, y x.to(device), y.to(device) pred model(x) val_correct (pred.argmax(1) y).sum().item() val_total y.size(0) val_acc val_correct / val_total lr_scheduler.step(val_acc) # 實際項目里可以把 TQDM 進度條和模型保存加在這里訓練循環(huán)本身沒有特別之處重點在于配置。batch size 用 64因為樣本本身只有一兩千用 128 會減少梯度更新次數(shù)收斂變慢。學習率初始 1e-3 是 Conv1d 任務最穩(wěn)的起點低于 5e-4 收斂太慢高于 2e-3 容易振蕩。weight_decay 主要約束全連接層卷積層參數(shù)共享本身就帶正則效果不用額外加太多。這里的 ReduceLROnPlateau 的 patience 是 3意思是驗證集連續(xù) 3 輪不升就降學習率比固定 step 降學習率更穩(wěn)。4.4 測試集評估混淆矩陣與準確率訓練完在測試集上做最終評估輸出準確率和混淆矩陣。評估時只跑前向不計算梯度預測結果和真實標簽對比。常見的十類問題里最容易混的是內(nèi)圈故障 0.007 英寸和滾動體故障 0.007 英寸兩者都是輕微故障沖擊幅值小、特征頻率接近CNN 很難區(qū)分。如果有幾個類互相混淆不要急著改網(wǎng)絡結構先把對應類別的 VMD 模態(tài)畫出來看看是不是分解不干凈。import numpy as np from sklearn.metrics import confusion_matrix test_correct 0 test_total 0 all_pred [] all_true [] model.eval() with torch.no_grad(): for x, y in test_loader: x, y x.to(device), y.to(device) pred model(x) test_correct (pred.argmax(1) y).sum().item() test_total y.size(0) all_pred.extend(pred.argmax(1).cpu().numpy()) all_true.extend(y.cpu().numpy()) print(ftest accuracy: {test_correct / test_total:.4f}) cm confusion_matrix(all_true, all_pred) print(cm)測試準確率能到 95% 以上說明流程基本通了但別急著高興。下一步要看跨負載表現(xiàn)這一步能篩掉很多只在特定轉速下有效的假方案。測試集評估之后模型就不要再回頭調(diào)參了否則測試集就變成了訓練集的一部分后面的結果全是水分。5. HO-VMD-CNN最常翻車的5個環(huán)節(jié)現(xiàn)象與排查5.1 坑1K上限設大VMD直接發(fā)散現(xiàn)象K 上限設到 12 或 15尋優(yōu)過程中 VMD 返回的模態(tài)數(shù)組里出現(xiàn) NaN或者分解結果能量遠大于原始信號包絡熵突然跳到一個荒謬的大數(shù)。原因K 超過信號實際可分的頻帶數(shù)量后交替方向乘子法會把噪聲一個點一個點地拆開迭代數(shù)值穩(wěn)定性崩盤。解決把 K 的上限壓到 10同時在 vmd_cost 里顯式檢查返回值是否包含 NaN一旦發(fā)現(xiàn)就返回一個很大的懲罰值讓優(yōu)化算法自動繞過這些區(qū)域。我見過有人把 K 上限設到 20跑了三個小時全部白費。5.2 坑2包絡熵局部最優(yōu)兩次尋優(yōu)結果對不上現(xiàn)象固定隨機種子跑出 K6、alpha2800換一個種子變成 K8、alpha1200兩者的包絡熵差距不到 5%。原因包絡熵曲面不是光滑的單峰函數(shù)很多參數(shù)組合的評價結果幾乎一樣HO 收斂到哪個峰取決于初始種群位置。解決同一信號跑三次尋優(yōu)每次換隨機種子取包絡熵最小且出現(xiàn)次數(shù)最多的參數(shù)組合或者把尋優(yōu)結果當作起點在鄰域內(nèi)再用幾個固定組合排查。不要期待一次尋優(yōu)就得到唯一最優(yōu)解HO 的本質(zhì)是給出一個很好的候選區(qū)間。5.3 坑3樣本切分重疊測試準確率虛高現(xiàn)象全局隨機切分樣本時測試準確率 98%改成按時間片劃分后掉到 91%模型結構一個字母沒改。原因滑窗重疊率 0.5 時相鄰樣本有 50% 長度的波形完全一樣隨機劃分會造成訓練集和測試集里出現(xiàn)“孿生樣本”測試準確率虛高。解決按原始文件的時間段劃分每個文件前 60% 進訓練集、后 40% 進測試集再做數(shù)據(jù)增強或交叉驗證也要以文件為單位分組。很多人用 sklearn 的 train_test_split 直接切默認隨機打亂這個坑踩得無聲無息。5.4 坑4換個負載準確率掉一半現(xiàn)象0 馬力數(shù)據(jù)訓練驗證 99%拿到 2 馬力數(shù)據(jù)上直接掉到 70%。原因CWRU 的負載檔位對應不同轉速負載增大后轉速下降故障特征頻率跟著偏移振動幅值也變大模型在訓練集里只見過 0 馬力的統(tǒng)計特征。解決訓練集里混合 0、1、2 馬力數(shù)據(jù)測試集放 3 馬力如果目標是單負載部署至少對每個樣本做 z-score 歸一化消除幅值差異。特征頻率偏移靠歸一化解決不了只能靠多負載數(shù)據(jù)覆蓋轉速范圍。5.5 坑5包絡熵最優(yōu)的參數(shù)端到端反而變差現(xiàn)象HO 搜出來的 K 和 alpha 包絡熵最低換到 CNN 上準確率比固定參數(shù) K5、alpha2000 還低一個多點。原因適應度函數(shù)是單模態(tài)最小包絡熵它評價的是“某個模態(tài)沖擊是否突出”而 CNN 分類需要的是所有模態(tài)的判別信息兩者不完全一致。解決不要把包絡熵當作最終標準它只是搜索向?qū)?。尋?yōu)得到候選參數(shù)后用三組參數(shù)做對比固定經(jīng)驗值、HO 最優(yōu)質(zhì)、人為微調(diào)值各訓一次 CNN看測試準確率決定最終采用哪個。這套流程看著笨但在很多數(shù)據(jù)集上固定參數(shù)并不輸給尋優(yōu)參數(shù)往往是人為微調(diào)后的組合拿到最好結果。6. 這套方案值不值得信混淆矩陣、t-SNE與跨負載驗收6.1 混淆矩陣看模型在哪里犯糊涂測試集準確率只是一個平均值真正暴露問題的是混淆矩陣。拿 CWRU 十分類來說如果 0.007 英寸內(nèi)圈故障那一列里混入了不少滾動體故障的預測說明這兩種輕微故障的頻帶在 VMD 分解后仍然有重疊CNN 學到的特征不夠清晰。這時候第一反應不是加卷積層而是看這兩個類別的模態(tài)波形和包絡譜差異在哪必要時把 K 整體加 1 或減 1 重新尋優(yōu)。6.2 t-SNE看特征是否真正聚攏混淆矩陣之外t-SNE 是檢查特征質(zhì)量最直觀的工具。用測試集跑一次前向把全連接層之前的特征抽出來做二維降維可視化后如果同一類聚成一團、不同類之間有明顯間隔說明 VMD 分解把故障特征分好了如果各類混成一灘再調(diào) CNN 結構也沒有意義。from sklearn.manifold import TSNE import matplotlib.pyplot as plt features, labels [], [] model.eval() with torch.no_grad(): for x, y in test_loader: f model.branch(x.to(device)).cpu().numpy() features.append(f.reshape(f.shape[0], -1)) labels.append(y.numpy()) feat np.concatenate(features) lab np.concatenate(labels) tsne TSNE(n_components2, perplexity30, random_state1).fit_transform(feat) plt.scatter(tsne[:, 0], tsne[:, 1], clab, cmaptab10, s4) plt.show()perplexity 要和樣本量匹配樣本幾百個時用 5 到 15樣本上千時用 30 左右。t-SNE 只能定性判斷看到重疊不一定是模型的問題也可能是可視化參數(shù)選得不合適要和混淆矩陣的數(shù)據(jù)互相印證。6.3 跨負載測試才是最終驗收西儲大學數(shù)據(jù)有 0、1、2、3 馬力四檔負載如果只用 0 馬力訓練、2 馬力測試大多數(shù)方案準確率都會明顯下滑這很正常。但一個值得投入的方案應該做到訓練集包含 0 和 1 馬力測試集用 2 和 3 馬力準確率依然保持在 90% 以上。做到這一點需要 VMD 參數(shù)在多個工況下有適應性而不是針對某一段信號過擬合。我在實際工程里的習慣是把跨負載測試當作硬性門檻達不到就回頭檢查樣本歸一化和數(shù)據(jù)集劃分而不是繼續(xù)加網(wǎng)絡深度。這套 HO-VMD-CNN 流程我最大的教訓是不要為了“最優(yōu)”去找最優(yōu)包絡熵是導航不是保險最終說了算的是測試集上的泛化表現(xiàn)尤其是在沒見過的負載上。把每個環(huán)節(jié)都跑通之后這套流程能穩(wěn)定幫我省掉一半調(diào)參時間也希望幫到你。本文還有配套的精品資源點擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
精品人妻一区| 亚洲综合五月天| 免费AV黄在线播放| 永久免费一区二区三区| 久久久久er热| 思思久日精品视频| 国产精品久久久久久妇女6080| WWW.久久久久久久| 91狠狠色丁香婷婷综合久久狠丁香综合久久精品 | 99热主页日本| 五月丁香色婷婷综合| 沈娜娜av| 成人视频网| 五月丁香久久| WWW免费视频碰碰碰碰| WWW,激情五月天,COM| 嫩草AV久久伊人妇女超级A| 婷婷色正月| 伊人九九68| 婷婷精品综合| 成人婷婷五月天| 国产成人精品亚洲线观看| 五月伊人婷婷| 色综合色五月| 日韩美女在线视频19| 五月婷婷激情综合网| 玖玖资源天天无码| 五月社区丁香| 日本色噜| 99精品在线播放| 国产SUV精品一区二区883| 一级操逼内射在线视频| 深爱激情九九五月天| 97色婷婷| 99精品在线观看视频| 丁香五月综合网| 五月婷婷伊人久久| 九九热亚洲中文在线观看免费| 99操逼| 五月天综合久久丁香91| 深爱五月激情五月| 婷婷五月激情天| 狠狠色噜噜狠狠狠狠综合| 婷婷亚洲影院| 99色在线| 九月色婷婷综合| 婷婷八月激情| 91精品综合久久婷婷九色| 202丰满熟女妇大| 五月丁香 啪啪| 国产精品蜜臀99| 色天使久久综合| 一起草AV| 亚洲综合在线视频| 99在线精品免费视频| 久草丁香婷婷五月天婷| 夜色.cnm| 亚州色色色| 丁香五月综合高清在线| 国产精品五月天婷婷| 五月丁香六月合| 99在线精品观看99| 色爽干| 99riAV国产精品视频| 丁香婷婷色五月天| 视色综合| 性爱在线播放av| 九月丁香八月婷婷加勒比| 久热免费视频| 97碰碰视频在线观看免费| 久久婷婷综合五月趴| 久久综合无| 色噜噜五月丁香婷婷| 九九这里有精品| 国产97色在线| 欧美色小说婷婷| 五月亭亭开心网| 精品国产va久久久久| 五月婷婷婷| 99精品在线观看| 五月丁香婷婷色| 丁香月六月| 五月天深爱激情网| 26uuu91| www。五月天激情| 国产精品操| 热思思九九| www色五月| 91九色国产在线| 日本不卡五月婷婷丁香| 天天干天天日日| 亚洲99综合| 丁香久久| 大香蕉婷婷五月天| 婷婷天堂综合| 日本欧美成人片AAAA| 乱岳熟女50岁| 丁香五月综合无码趴趴| 亚洲 综合中文| 99视频内射三四| 国产67194| 噜综合| 欧美人人操| 涩玖玖免费视频| 免費观看aV在线网址| 丁香五月天日韩无码| www.99热这里精品| 一本久久亚洲五月婷婷| 91人人看| 伦乱天堂| 色五月丁香总合网| 韩国激情五月天综合网| 欧美狠狠色| 亚洲婷婷成人五月天| 99久久免费精品| 六月婷婷中文字幕| 色综合激情| 亚洲久热| 六月婷婷操逼| 91精品综合久久婷婷九色| 国产高潮白浆一区二区| 思思99热这里只有精品| 人人舔人人色人人高潮| 啪啪综合| 久久五月天丁香花| 色五月婷婷av| 99精吕视频在线观看了| 五月激情小说| 天天操加勒比| 99热这里只有精品4| 色婷婷五月天天天干天天操天天爽 | 中文字幕高清av| 大香蕉久艹| 色五月天激情| 五月六月婷| 五月婷婷亚洲色视频| 激情五月天小说网| 久色资源| 爆乳熟妇一区二区三区爆乳照片| 日本丰满久久| 久久久久er热| 欧美色婷婷| 婷婷D区| 久久久全国免费视频| 99ri精品在线| 激情五月图| 日日舔夜夜操| 五月久久婷婷天堂视频| 丁香婷婷综合喷| 人人干人人干骚美女| 五月婷婷丁香大陆免费| 亚洲天堂99| AV成人在线网站| 六月丁香天堂| 五月天婷婷在线观看精品男人| 色情婷婷五月天| 狠狠操综合| 欧美人与性动交CCOO| 9福利性视频欧美| 国产乱子轮XXX农村| er99免费视频在线| 99热99极品观看| 亚洲狠狠色丁香婷婷综合久久| 1024在线视频| 欧美va国产va| 中文字幕成人| 97碰碰碰免费公开在线视频| 婷婷激情五月天在线视频| 人人色AV| 人人干人人看| 一起草无码视频| 亚洲婷婷激情888精品久| 综合色播| 激情av在线| 伊人五月成人| 操日本色| 五月天婷婷在线AN| 综合久久97| 天天色官网| 色日本颜射| 五月久视频| 91九色网| 99 频99热国里只有精品| 亚洲精品亚洲人成人网| 丁香五月婷婷99| 亚洲欧美999| 天综合日日夜综合7799| 欧美激情VA永久在线播放| 丁香五月天无码| 婷婷五月花| 九九99热久久精品66中文字幕| 婷婷的激情五月| 中文成人在线| 天天日夜夜高潮| 五月天婷婷丁香人人操91| 欧美操人| 97精品在线| 五月久久| 99视频久久| 色五月婷婷91在线| 99黄色性生活| 久操热| 激情五月天视频| 五月五婷婷网| 99在线观看| 亚洲激情亚洲激情 | 久这里只有精品99| 狠狠操狠狠色| 成人AV中文字幕| 五月在线| www.99免费视频| 五月丁香婷草| 色综合色综合网| 成人精品在线| 国产五月天欧美色| 久久久久综合激动五月天| 超碰在线播放免费观看| 男人天堂99| 狠狠五月天婷婷| 国产成人精品一区二三区熟女在线| 日韩婷婷五月| 伊人色五月| 人妻久久久久久| 色日本丁香婷婷| 国产又爽又猛又粗的视频A片| WWW五月| 碰超在线九色| 超碰在线caop| 99热97| 色99热| 国产操肏网站| 99无码视频| 久久色五月天激情小说| 婷婷五月天亚洲精品| 美女视频图片久久91| 性爱久久| 久久这里有精品视频| 综合激情五月天| 久久九九在线视频| 激情综合网五月天天| 青青操丝袜美腿| 色吧五月| 日本一道久久| 久久久久人妻精选| 五月婷婷亚洲综合网| 久久青草国| 丁香五月色网| 日日做夜夜爱| 婷婷丁香五月天中文字幕| 操操精品| 99re久热| 北京熟妇搡BBBB搡BBBB | 51XX嘿嘿午夜无码| 大香蕉在线观看9| 91丨九色丨东北熟女| 九九99热久久精品66中文字幕| 亚洲经典三级| 男女啪啪做爰高潮无遮挡 | 亚洲六月色婷婷| 青青999| 欧美三级巜人妻互换| 色五月婷婷老师| 五月婷无码| 九九热a| 99热都是精品| 五月激情综合性爱| 丁香五月婷婷影视先锋| 日日影院 | 九九99精品| 五月天激情亚洲| a在线免费v| 色婷婷久久| 狠狠做深爱婷婷久久综合一区| 六月婷婷激情小说网| 色婷婷成人| 中文av在线观看| 婷婷五月天毛片| av在线播放网站| 色五月婷婷久久| 综合网视频| 五月天成人小说| 99热综合网| 看久久性爱99视频| 99碰超| 国产夫妻操逼内射视频| 久久人人超| 色五月婷婷综合在线| 激情婷婷五月天| 79色色免费| 91久久婷婷| 202丰满熟女妇大| 狠狠综合网| 九九干视频| 丁香五月激情网| 五月草影视| 色婷丨日丨天丨综合久久| 丁香五月婷婷成人色区| 这里只有精彩视| 丁香五月区| 都市激情五月婷婷亚洲| 婷婷五月天久久久| 91打屁股免费看| 国内久久婷婷| 91性人人| 天天噜| 狠狠操狠狠狠| 玖玖在线视| 五月丁香综合| 亚洲最大成人综合网720P| 丁香婷婷九月在线| 伊人久久婷| 丁香玖玖| 噜色精品| 久久激情综合| 色五月色五天色情网址| 深爱五月月天| 色色色综合视频| 丁香五月婷婷五月天在线 | 激情99热| 九九激情综合| 久久99激情| 久久99这里只有精品| www,五月天com| 先锋男人99资源| 可以看的AV| 99热97| WWW.五月com| 日本少妇AA一级特黄大片| 久久九九爽| 五月婷婷六月基地| 亚洲亚洲人成综合网络| 色一情一乱一乱一区91| 九九激情网| 99九九精品| 久久久免费精彩视频| 五月婷婷色| WWW.亚洲无码| 婷婷丁香五月视频| www超碰| 五月婷丁香久久综合| 婷婷五月丁香四射| www.婷婷五月天,com| 婷婷丁香五月色偷偷| 深爱五月激情综合| 91人人操人人| 日本久久精品18| 色黄啪啪| 久热成人| 五月丁欧美| 日韩视频99| 99热66| 日日操夜夜擼| 91女人18毛片水多国产| 婷婷五月天首页激情| 亚洲精品V天堂中文字幕| 夜夜操夜夜操| 激情综合五月.....| 五月天婷婷激情| 玖玖99婷婷| 激情五月综合久久| 婷婷狠狠五月综合| 国产精品日本一区二区在线播放| 亚州欧美国产久精国产99综合视频| 天天综合五月天| 欧美高潮9| 九九色色| 99热精品在线播放| 丝袜激情网| 香蕉AV777XXX色综合一区| 少妇出轨做爰高潮A片| 欧日美女Va| 丁香九月婷婷综合| 超碰av在线| 另类视频丁香五月| 国产99久| 天天干夜夜谢| 2017狠狠干| 成人网址在线观看| 另类视频一区| 丁香五月综合激情性爱| 99热新网址| 99在这里有精品| 狠狠操狠狠爱| 婷婷五月丁香花综合| 日日操日日干| 曰韩少妇内射免费播放| 5月婷婷六月丁香| www.seqingwuyuetian| 九月婷婷久久久| 天天爽,夜夜爽| 99精品偷拍视频| 婷婷亚洲丁香五月| 日本猛少妇色XXXXX猛叫| 深爱激情五月天色婷婷| 丁香五月天啪啪| 丁香婷婷五月天色综合| 日日撸夜夜操| 青青草婷婷综合五月| www狠狠| 91九色成人原创视频| 婷婷五月天成人综合网| 婷婷中文字幕网站| 精品九九视频| 五月天色小说| 丁香五月亚洲天堂| 婷婷黄色| 色九九中文字幕| 五月天欧美 另类小说| 色播丁香| 色五月丁香网| 青青草Avb在线| 五月天伊人| 色婷丁香五月| 激情五月婷婷欧美极品 | 九月婷婷丁香| 日本三久久| 国产精品久久欧美久久一区| 天天干天天爽| 激情婷婷黄色五月 | 久久久久久久久久久久久久久久久精典| 另类图片激情五月天| 七七婷婷综合| 五月丁香免费看| 超碰com| 日日干夜夜干| 日韩精品无码99| 色你久久| 1024久婷| 亚洲国产精品SUV| 欧美丁香五月| 日韩在线视频中文字幕| 丁香婷最新动态| 狠狠色噜噜狠狠狠777奇米| 情色五月天网站| 色狠狠色| 激情婷婷六月天| 婷婷综合在线播放| 99网址在线观看| 婷婷五月花丁香| 一区色色色色网| 六月丁香啪| 99综合网| 嫩BBB槡BBBB搡BBBB视频| 色99视| 狠狠色噜噜狠狠狠狠综合| 日本九婷婷| av免费在线观看0| 日本综合久| 思思热国产视频| 五月天婷婷色| 亚洲成人免费电影| 婷婷五月天激情亚洲小说| 97操碰日本女人| 开心五月激情网| 开心五月婷婷99| 97色在线观看视频| 亚洲精品色| 九九成人视频| 成人一级片| 丁香五月五月婷婷| 婷婷六月激情综合| 91丨九色丨高潮丰满日本| 色5月婷婷| 丁香九月激情| 无码人妻激情| 99热免费精品| 性日本激情| 新激情综合| 午夜天天精品视频| 殴美日比视频| 久久久香| 操人无码| 午夜色婷婷| 玖玖热视频| www.久久久.com| 国产寻花在线| 激情亚洲五月| 99热99热不卡| 婷婷五月丁香五月天| Xx色综合| 99亚洲精品视频| bukadeavzaixian| 精品欧美一区二区三区久久久| 天天五月天综合网址| 色色色9| 久热这里只有精品在线观看| 婷婷五月综合欧美在线播放| 九色在线观看91av| 丁香婷婷激情五月天无毒不卡蜜桃| 99无码精品| 另类 在线| 丁香婷婷五月六月天| 激情五月天啪啪| 五月天色狠狠| 蜜乳9188| 亚洲婷婷五月天在线激情综合网| 天天操天天曰天天射| 91久久综合| 综合五月婷婷| 影音先锋 91工厂| 79色色免费| 五月激情偷拍| 色婷婷在线视频综合| 青青草原福利在线| www.久久久.com| 久狠狠| 色色激情网| 亚洲六月婷婷| www超碰| 五月丁香成人网| 久久婷婷热| 久久天天| 一区二区乱码视频| 婷婷丁香97| 九九热精品| 丁香五月伊人| 九九热视频99| 亚洲男人的天堂婷婷色五月| 五月婷啪啪| 91肏| 婷婷情色开心五月天99| 97亚洲婷婷| 丁香五月天天哦| 99热在线观看这里只有精品| 激情综合无码| 丁香五月伊人| 色情·com| 婷婷五月成人有| 青草激情在线| 噜噜噜噜综合在线| 专区无日本视频高清8| 激情图片亚洲| 激情五月婷婷五月丁香五月开心五月| 久久您您综合网| 再綫Av免费視品| 丁香婷婷色情社区成人小说| 午夜丁香婷婷| 91天天操天天干天天射| 狠狠色婷婷7| 五月婷婷激情综合| 99九九玖玖| 99热国内精品| 国产中文亚洲欧美日韩性交| 综合激情五月丁香| 99久久久久| 图片区 小说区 区 亚洲五月| WWW.开心五月天.COM| 九玖欧洲亚洲| 99狠狠色| 婷婷五月天丁香久久| 丁香五月AV在线| 五月婷婷色播视频| 五月网激情| 五月天六月天| 免费婷婷| 开心五月网 | 丁香五月天成人| 日韩在线视频中文字幕| www.久久| 视频这里只有精品| 五月婷婷啪啪啪啪| 永久AⅤ1| 国产精品久久久久久喷浆| 九九99免费视频| 狠狠操天天操| 涩综合婷婷| 综合一区二区三区| 五月天激情久色| 大香蕉综合在线| 五月丁香综合啪啪| 亚洲中文字幕AV| 亚洲AV无码成人精品区电影网| 色婷婷五月天小说| 99精品丰满| 九九蜜臀精品| 开心五月激情网| WWW,色五月| 婷婷五月天激情文学| 色色丁香婷婷五月天| 国产热精品| 第四色在线观看| 深夜男女福利刺激影院一区完整| 精品99在线| 激情五月天的婷婷| 伊人久久五月天| 美女激情综合| 可以免费观看的av| 五月天婷婷青青| 无遮挡国产高潮视频免费观看| 色综合中文| 丁香五月六月综合激情| 色色婷婷丁香| 思思热在线观看| 最新激情五月天| 五月丁香婷婷基地| 人妻射精AV| 色婷婷成人做爰A片免费看网站 | 五月婷婷香| 丁香婷婷超碰| 五月天婷婷小说| 777丁香六月青青草婷婷综合久月| 伊人婷婷综合| 激情小说五月丁香在线视频观看视频| 内射干少妇亚洲69XXX| 色爱终和网| 亚洲影院婷婷色| 狠狠操天天日| 亚洲V国产V欧美V久久久久久| 开心五月婷婷激情网| 97亚洲精品| 五月中旬婷婷丁香六| 五月丁香六月激情综合| 女人天堂 AV| 久热99热| 九九碰九九爱97| 天天综合.com| 日韩国产在线免费观看| 丁香五月久久| 亚洲成人婷婷| 日韩av网站在线观看| 成人av在线电影| 亚洲激情婷婷| 婷婷五月在线影院| 色婷婷免费观看| 天天操天天操综合| 黄色成人网站在线播放| 乱乱av| 五月天婷婷基地| 婷婷五月激情四月综合 | 超碰九热| 婷婷伊人网| 人妻久久久久久久久久| 热久91| 婷婷国产成人| 五月丁香激情婷婷综合字幕| 99在线视频资源| 亚洲AV成人在线| 色色网站免费观看| 99啪啪视频| 久久丁香五月婷婷| 五月婷婷色色网址| 91精品久久久久、久五月天| www夜夜| 涩 五月 婷婷 狠狠| 亚洲六月婷婷| 色五月婷婷大| 久久综合激情| 午夜不卡久久精品无码免费| 一级操逼内射在线视频| 日韩美女羞羞网站在线观看| 九九在线视频| 六月婷婷五月丁香| 九九成人| 久久午夜理论| 九九这里只有精品在线视频| 久久99综合网| 五月婷丁香久久综合| 激情五月天婷婷| 婷婷成人小说综合| 色婷婷超碰| 九九视频在线| 99在线播放视频| 五月婷婷丁香瑟瑟视频| 久久婷婷五月天蜜桃| 97碰 在线视频观看| 99噜噜噜在线播放| 色九区| 99色婷婷视频| 黄网在线免费观看| 色色无码| 五月婷婷丁香五月婷婷丁香| 日日爽日日爽| 国产VA播放| 五月色亭丁香| 精品九九九久| 婷婷五月综合基地| 99免费视频| 亚州色婷婷| 91ncm视频| 夜色综合网| 丁香五月影院| 天天狠狠色| 六月五月久久丁香| 777精品成人a v久久| 99色在线观看视频| 激情图片久久| 亚洲免费综合一区| 五月婷婷啪啪啪啪| 亚洲丁香花五月丁香花| 九九激情综合| 天天爽天天| 欧美精品18| 狠狠狠狠狠狠| 99国产精品久久久久久久久久久| 国产午夜精品一区二区三区嫩草| 亚洲妇女熟BBW| 久久久久亚洲AV无码网影音先锋| 六月丁香好婷婷| 激情五月第四色| Xx色综合| 国产又黄又爽又激情不遮挡视频在线观看| 日本精品99网站| 五月婷婷激情网| 丁香婷婷超碰 | 开心婷婷五| 久久香蕉婷婷五月天| 天天操天天日天天爽| 天天爱夜夜爽| 久操热线| 91超级碰在线视频| 狼人久草| 久/久精品99看9| 色色色色色网| 午夜丁香婷婷| 久久久久久综合88| 天天拍天天操| 老司机伊人| 亚洲亚洲人成综合网络| 国产婷婷久久| 久久99这里只有精品| 亚洲小说欧美激情| 狠狠色狠狠鲁| 深爱激情小说五月婷婷| 国产Va视频| 亚洲色情网站| www.夜夜操.com| 影音先锋秋秋五月婷婷| 综合色情网| 99久久99热这里只有精品| 婷婷五月在线观看| 婷婷亚洲综合| 97色女人在线| 五月丁综合在线观看| 99热精品在线| 少妇水多A片太爽了| 特级操b片| 激情六月婷婷| 丁香五月在线人妻| 老司机日日夜夜青草| 综合网五月| WWW.国产| 91婷色| 亚洲激情免费视频| 伊人久久艹| 91精品无码久久久久久五月天| 婷婷六月开心网| 五月婷婷激清网| 久久五月网| 99热这里只有精品免费| 无码AV免费精品一区二区三区| 六月婷婷色色色| 超碰99在线| 噜噜狠狠色综无码久久合欧美| 日日夜夜天天| aaa久久| 毛片色五月| 农村熟妇高潮精品A片| 97人人操在线| 色婷婷久久| 99热这里全都是精品| 久久婷婷东京热大香樵| 五月婷在线色视频| 激情久久久| 九九九AAA热视频| 久久婷婷五月综合激情国产| 久久爱婷婷| 久久久久婷婷五月热综合| www久久久久久久97| av中文在线| 99热9| 国产资源91在线| 久草热8精品视频在线观看| 开心激情站| 第五色婷婷| 久久总和99| 激情综合激情综合| 91大神在线免费看视频全集男男一起操| 国产精品丝| 丁香六月色婷婷| 香蕉视频性爱BB做爱| 最新五月天婷婷影| 99毛片| 97久久综合网| 婷婷成人网五月天| 天天做天天爱天天爽| bukadeavzaixian| 丁香五月香蕉| 综合 蜜月 婷婷| 97色色色色| 色五月在线播放| 成人国产欧美大片一区| 玖玖爱综合网| 欧美婷婷| 五月天婷五月天综合网小说首页-五月天激激婷婷大综合,婷婷亚洲综合五月天小说 | www.婷婷五月| 婷婷丁香大香蕉| 成人色五月天婷婷| 超碰成人av| www.henhenl| 这里只有精彩亚洲视频推荐| 嫩草视频| 五月天狠狠色| 夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂亚洲亚洲亚洲亚洲亚洲亚洲亚洲亚洲色 | 日韩无码91| 俺去也在线官网| 大香蕉婷婷婷| 亚洲Av入口| 午夜]香婷婷深深爱| 色五月婷婷狠狠撸| 热91久| 久1色色| 丁香色婷婷色手机免费在线| 五月份婷婷| 欧美日韩中文国产一区发布| 另类色视频| 桃色成人网| 成人婷婷五月天| 久久婷婷视频| 东北婷婷五月天| 永久天堂日本| 97干网站| 国产精品日日躁夜夜躁| 丁香六月婷| 色你久久| 极品另类| 黄久久久| 婷婷五月丁香五月| 色婷婷国产精品综合在线观看| 亚洲天堂99| 色五月综合网| 超PEN精品在线| 丁香五月天激情综合| 五月丁香网视频| 激情综合网激情五月丁香五月俺也去| 激情五月天网站| 《诡秘之主》在线观看| 久久探花91swag| 激情五月天网页| 激情无码网| 天天操天天插| 婷婷五月天综合AV| 欧美久久网| 丁香六月激情四射| 香蕉婷婷| 狠狠综合久久综合| 国产成人亚洲综合A∨婷婷| 婷婷激情五月天综合| 综合激情五月天| 日日干日日色| 婷婷色啪| 深爱五月天 开心网| 内射人妻视频国内| 五月天影院婷婷在线观看| 精品导航在线x不卡| 丁香婷婷激情| 天天操天天操天天操| 亚洲情欲久久| 五月丁香婷草| 人人草公开操| 亚洲在线播放| 日日做A爰片久久毛片A片英语| 激情开心五月天| 色综合色五月| 爱狠射| 欧美色久| 婷婷五月天BBw| 九九热亚洲中文在线观看免费| 中文字幕欧美日韩VA免费视频| 狠狠干在线| 天天舔天天插天天爱| 99人人干人人操| 国产97色在线 | 日韩| 五月丁香啪啪综合网| 天天色月| 中文超碰视在线| 精品一二三区久久AAA片| 九九色99| 婷婷综合成人五月天| Av在线不卡一区| 欧美顶级少妇做爰HD| 天天色色天天| 婷婷五月天成人综合网| 色五月丁香一区在线| 日本情色一区二区| 五月丁香六月激情| 久久成人综合五月天| 欧美成性色| 99九九久久| 操逼视频一区| 久久caop| 婷婷久久综合| av网址在线| 日日色五月天| 天天上天天爽| va中文资源在线观看| 九九热这里只有精品556| 五月婷婷性爱网| 99亚洲精品视频| 亚洲六月色| 精品国产va久久久久久久| 色综合视频| 五月婷婷久久大片| 色婷婷丁香五月| 亚洲激情综合| 激情无码网| 久久天堂| 五月婷婷激情网| 79精品视频在线观看,| 激情伊人五月天| 五月天婷婷影院影院观看| 丁香六月婷婷综合在线| 天天日日人| se色99| 婷婷综合成人五月天| 久久婷婷欧美| 开心六月丁香五月婷婷| 夜夜久久综合网| 天啪天啪天啪天啪| 五月天久久色| 丁香六月婷婷久久综合| 色135综合网| 男女啪啪视频久 9| 99人妻碰碰碰久久久久| www.97碰碰com| 色播五月婷婷| 啪啪干伊人婷婷| 夜夜骑日日操| 五月天天天综合| 五月色婷婷AV| 色欲一二三| 婷婷丁香在线播放| www.99日本| 亚洲色五月婷婷| 国产成人精品一区二区三区视频| 精品国婬伦V无码久久久| 久久久国产精品黄毛片| 丁香激情网| 碰97 久| 中文字幕精品无码一区二区| 99久热视频在线| 色五月婷婷操逼| 欧美激情xxxXX| 六月色婷婷欧美| 色色啊| 老司机日日夜夜青草| 秋霞性爱AV| 成人.在线日韩| 三级黄色大片视频| 五月丁香综合中文| 在线视频色五月| 色99视| 五月婷婷综合精品| 99精品小视频| 婷婷99狠狠躁| 狠狠色丁香| 超碰在线人妻| 中文成人在线| 91疯狂操操操操| 欧美成性色| 天天爱天天做天天舔| 自拍盗摄 另类| 开心激情站| 激情伊人| 亚洲av另类在线观看| 丁香色色网| 丁香婷婷免费| 亚洲色夜| 夜夜爱网站| 国产成人精品一区二三区熟女在线| 日本在线观看91| 久久综合网免费视频| 婷婷五月天亚洲激情戏精品| 五月丁香欧美在线| 五月丁香六月婷婷网| 无码人妻AV久久久一区二区三区 | 亚洲欧洲美女在线观| 国产亚洲精品AAAA片APP| 开心五月色婷婷综合开心网| 激情综合亚洲色婷婷五月| Www.激情| 色婷婷成人做爰A片免费看网站| 婷婷五月天 丁香五月天 裸体| 成片免费播放| 日日杆天天| 东京热五月婷婷| 激情五月天婷婷激情| 九九婷婷五月天影视| 狠狠操综合| 99久久.www| 国产精品A片| 26UUU欧美激情一区二区| 九九XX视频| 五月久久婷婷丁香| 婷婷六月丁香欧美视频在线| 五月丁香免费看| 97碰碰在线观看视频| 六月亚洲婷婷6月中文字幕| 2025年最新亚洲在线欧美| 丁香六月婷婷综合| 婷婷亚洲久久| 五月丁查人人| 激情五月天婷婷播播久久综合91 | 婷婷激情丁香五月天综合| 17.c黄色| 婷婷综合激情| caop在线| 激情性爱五月| 神马欧美精| 九九热精品视频在线观看| 99热这里只有精品9| 4399成人黄A片| 91色噜噜狠狠狠狠色综合| A短视频免费在线观看| 99er免费在线观看| 任你草| 九热免费视频| 五月婷婷人人人操| www.henhenl| 丁香婷婷九月| 日本97在线看片| 开心婷婷五月激情网小说| 日日色综合| www,色综合| 五月天婷婷基地| 99re8热精品免费视频| 丁香六月婷婷综合激情欧美 | 色综合激情| 99综合| 狠狠色综合精品视频在线| 午夜成人av在线| 国产裸舞福利资源在线视频| 色婷婷免费视频| 日韩成人电泉AV| 热99这就是精品视频| 9 9 9色色| 99成人在线观看| 99re资源在线视频导航| 婷婷五月激情在线视频| 色婷婷性爱| 亚洲美女高潮久久久久久69| 国产婷婷色五月| 大香蕉久久久久| 五月婷五月婷伊人伊人五月婷| 五月婷婷六月激情| 久久精品婷婷| 俺去也婷婷| 《诡秘之主》在线观看| 国产真人做爰视频免费| 六月色国内综合| 粉嫩AV久久一区二区三区| 天天摸夜夜爽天天做| 99这里只有精品| 5月丁香六月婷婷| 国产操B| 激情九色| 欧美在线骚货| 久久五月天婷婷| 99爱视频免费看| 婷婷精品综合| 五月丁香六月成人| 在线中文亚洲| 大香蕉久久视频久久视频| 丁香五月综合在线观看| 久热欧美| 婷婷丁香五月天狠狠| 五月婷婷综合影院| 综合色情网| 日韩三级片一区二区| 思思99热| 国产成人精品一区二三区熟女在线 | 超碰在线超碰| 成人网站免费在线播放| 99久久婷婷国产综合精品| 日日夜夜天天| 婷婷91| 激情五月婷婷五月| 色色免费网站| 激情网五月天| 欧美日韩成人一区二区| 激情五月天婷婷丁香| 亚洲精品婷婷| 五月天婷婷亚洲| 99在线热视频| 婷婷丁香十月| 国产成人高清| 婷婷色片| 99视频在线观看网址| 九九热精品在线| 9久久婷婷国产综合精品性色| 久久精热| VfJxEwPH| 五月丁香六月婷婷综合| 久久这里只有精品1| 99热这里只有精彩| 99欧州偷拍视频| 性综合网| 天天插操| WWW·色色色·COM| 天天日天天添| 天天操天天爱天天日| 91九色精品熟女内射| 五月丁香六月日逼| 久久久久亚洲A∨成人乱码电影| 久久99网站| www.久久| 996er在线观看| 五月婷婷之激情五月| 免费视频99| 99热超碰在线| 综合色在线| 成人AV播放| 日美三级| 狠狠操综合| 色五月天在线| 天天综合网91| www.99热这里只有精品| 伊人婷婷五月天| 激情综合色婷婷啪啪五月天| 久9热视频| 欧洲亚洲免费视频9| 亚州激情在线视频| 欧美婷婷色五月网| 丁香色六月婷婷| 丁香色六月| 五月天电影网| 色丁香五月天婷婷| 婷婷综合网| 伊人五月婷| 久婷| 激情五月婷在线精品| 五月丁香婷婷中文| 98国产精品综合一区二区三区| 久操人| 99热综合网| 天天碰天天插天天操| 色五月第四色| 丁香五月天堂网| 日本视频不卡123区| 92久久久| 五月在线婷色| 婷婷激情啪啪| 五月天激情网图片| 99热免费精品| 草草女人亚洲| 97超碰综合| 玖玖资源站中文| 久久东京热婷婷五月| 操97在线观看| 久久最新色色色| 狠狠五月天激情| 9热在线观看| 91久久婷婷| 六月丁香婷婷综合狠狠爱夜夜爱| www.久久| 丁香色五月婷婷91桃色| 色婷婷小说| 色网五月婷婷| 青996青| 久久精彩综合视频| www.com五月天| 激情综合亚洲| 国产亚洲精品久久久久久牛牛| 久久久jd| 精品人妻久久久久| 婷婷丁香水多多视频| 人人草人人爱手机视频看看| 99热成人在线观看| 黄网在线免费观看| 亚洲av| 五月丁香六月激情综合| 99在线观看这里都是精品| 丁香五月色网| 人妻丰满精品一区二区A片| 九九青青草成人| 热久久这里只有精品| 丁香操逼| 天天碰天天插天天操| 国产美女无遮挡裸体毛片A片| 久久99久久99精品免视看婷| 丁香婷婷激情五月天无毒不卡蜜桃| 超碰在线国产| 九九热中文| 999久久久国产精品| 91综合色噜噜| 多精窝99在线视频| 26.uuu丁香五月婷婷| 久久婷婷五月天激情新地址| 99热精品在线播放| 色婷婷五月天激情在线观看| 影音 五月 婷婷 久久| 五月丁香激情综合网| 亚洲成人AV在线观看| 在线超碰免费| 五月天激日本色情在线| 五月天社区婷婷丁香社区| 九九九九中文字幕| 丁香5月综合啪啪| 亚洲另类在线观看| 日韩av在线电影| 涩五月色婷婷| 激情综合九| 久久伊人日日夜夜| 国产欧美性成人精品午夜| 日本综合色色| 久9热| 日本3级片一区2区| 婷婷5月九九| 国产成人精品亚洲线观看| 国产 亚洲 在线| 天天日天天摸| 婷婷五月天丁香成人社区| 色婷婷a三区麻| 婷婷激情五月| 99久久精品色老| 色五月激情综合网| 热99国产精品| 久久婷婷五月天| 久久久精品视频79| 色五月亚洲| 99热大香蕉| 99免费在线| 久久多色| 丁香五月六月综合激情| 久久亚洲色导航| 怎么样可以看免费的一级av| 亚洲激情区| 色婷综合| www.五月丁香| 激情五月天99色| 99在线小视频| 欧美啪啪9| 九九色综合九九色| 停停色综合伊人| 婷婷丁香久久网| 久久激情网| 538任你爽| 色丁香五月婷婷| .操區COm| 五月丁小婷婷激情四射| 538在线精品| 久9热在线视频| www.色五月| 久久综合激情五月天| 国产性av| 婷婷五月成人| 日本一级一级一级一级| 91Chinese在线| 婷婷伊人网| 亚洲婷婷在线播放十月| 丁香五月激情婷婷| 丁香社区婷婷五月| 亚洲精品视频电影| 丁香色五月 97干| 狠狠色婷婷777| 久色视频首页| 黄桃AV无码免费一区二区三区| 人妻videos人妻高清| 超碰免费电影| 天天操天天操天天操天天操天天操天天操天天操天天操天天操 | 狠狠五月激情在线| 色婷婷成人色网| 涩婷婷五月天| 91天天操天天干天天射| 伊人五月婷| 婷婷伊人久久| 五月婷婷深爱六月|