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
婷婷在线综合| 婷婷色五月情| 久久婷婷五月天激情| 婷婷五月天com| 超pen个人视频97| 欧美在线视频99| 久久久人妻| 五月丁香六月合| 97人操人免费视频| 大香蕉在线观看9| 99热这里只有精品22| 久久人人人人妻| 亚洲六月色婷婷| 任你草| 五月激情综合美女久久| 99视频精品8| 91viP在线看| 日韩无码亚欧无码| 97人碰人操| 丁香五月成人| 人人澡玖玖一| 狠狠色97| 99日本黄站| 操操操AV| 亚亚州久久高潮| 九九热这里有精品视频| 久久99这里只有精品| 九九综合网色全集| 婷婷综合九月| 伊人三级激情| 日韩成人电影在线播放| 欧美色图天堂网色| 99精品热视频| 99开心五月五月丁香激情| 91一道本| 六月婷婷久久| 99九九视频| 夜夜操夜夜姧| anquye五月| 五月色婷婷亚洲| 五月天婷综合| 五月停亭六月,六月停亭的英语 | 大香蕉久久伊人婷婷五月丁香| 91啦丨九色丨刺激中文| 天色色综合网| 婷婷丁香五月91| 99草在线免费观看视频| 成人综合视频在线| 欧美激情丁香五月| 激情婷婷五月天网址| 99色综合网| 淫视馆aV二区一区| 久久九九免费大视频| 五月色婷| 在线,国产,色,热视频| 掩去也综合五月视频| 欧美婷婷丁香五月社区| 韩国情人在线电视剧免费观看高清版全集 | 99re在线视频| 成人深爱丁香五月| 玖玖资源天天无码| 丁香五月婷婷综合精品素人| 99热只有这里有精品| 色五月琪琪| 玖玖色综合| 五月丁香黄色视频| 欧美怡红院黄站| 欧美婷婷丁香社区在线播放| 99久热精品在线| enecarbon-materials.comWu染请涟系Bao护@wip1688 | 99亚洲日韩| 色丁香影院| 丁香六月激情综合啪啪| 超碰人人艹| 久久永久视频| 极品人妻VIDEOSSS人妻| 五月婷婷9| 91人操人人人操人| 丁香五月天精品| 欧洲免费视频色| 五月天婷婷社区| 亚洲在线综合| 超碰成人黄色网| yw.av| 2013AV天堂| AV无码免费| 丁香六月色婷婷| 成人AV网站在线| 久久亚洲婷婷综合色五月| 亚洲第一成人无码A片| 99热这里只有精品98| www.色五月天.com| 激情五月天网| 久色88| 九九热欧美| 六月婷婷俺也去| 五月婷六月天| 狠狠精品干练久久久无码中文字幕| 色.五月综合网| 婷婷色基地在线看| 成人网丁香五月| 色亭亭五月天丁香综合AV - 百度 - 百度| 久热伊人| 丁香九月激情| 人人摸人人澡人人| 狠狠干.com| 丁香五月激情啪| 26uuuu精品一区二区| 四月婷婷五月丁香| #NAME?| 五月丁香啪啪激情| 激情久久久久久久久久| 4399精品一区二区| 亚洲精品小视频| 开心五月激情网| 国产精自产拍久久久久久蜜 | 五月丁香啪| 五月婷在线| seuuu婷婷| 欧美婷婷日本| 91人操人人人操人| www.99热这里精品| se99视频| av一区免费看| 婷婷五月婷婷五月| 亚洲欧美在线观看| 色爱99| 欧美综合五月丁香六月婷| 北条麻妃九九九国产精品视频| www.婷婷亚洲基地| 丁香六月啪| 色婷综合| 色在线视频网2025| 综合五月激情| 终合激情网| 色www久视频| 超碰在线人妻| 色婷婷综合网| 亚州激情网| 婷婷99视频精品| 五月丁香婷婷狠狠操| a色色色色色| 大香蕉99| 色停停香蕉视频| 久久这里只有精品热在99| 三十熟女| 激情五月天无人视频在线| 激情六月天| 新久久五月天激情| 99精品偷自拍| 五月色丁香视频精品| 极品人妻VIDEOSSS人妻| 亚洲一区二区无码蜜乳av| 丁香五月天啪啪| 狠狠爱综合| 五月丁香婷婷综合久久| AV电影在线播放| 91九色在线视频| 亚洲无码AV片| 久九色| 9191avse| 国产精品久久久久久久久久久久 | 激情内射人妻1区2区3区| 99色色爰| 天天草女人| 伊人丁香花综合影院| 欧亚成人A片一区二区| 再次出发二| 最近中文字幕大全免费版在线 | 蜜桃五月天色| 91色在线| 亚洲亚洲人成综合网络| 五月色色激情网| 91九色PORNY中文啦| 久久婷婷五月| 久久6这里只有精品| 玖玖在线视频| 五月激情小说| a69在线视频| 操操操97| 色五月成人| 婷婷丁香射射| 亚洲啪啪自拍| 五月婷婷在线免费观看| 六月 丁香 视频| 人人操操| 人与禽A片啪啪| 99热777| 五月婷婷九九久久| 欧美S码亚洲码精品M码| 国产婷婷综合在线免费视频| 天天射射夜| 91热在线观看视频| 天天弄天天操| 激情综合五| 91九色精品女同系列| 超碰激情网| 免费看欧美成人A片无码| 天天热夜夜操| 丁香五月花婷婷开心| 婷婷色色亚洲| 亚洲激情AV| 五月天激情婷婷丁香| 99热久97| 免费在线观看av网站| 91人碰| 激情五月无码| 激情五月婷婷综合| 久久婷婷五月综合激情国产| 97人碰人操| 亚洲人人操| 思思热99er在线视频| yw.av| 五月天激情网站| 婷婷免费视频| 九九亚洲视频| 婷婷丁香视频| 91艹人| 婷婷色色欧美| 超碰啪啪网| 91超级碰碰| 午夜丁香婷婷| 99在线亚洲| 深爱婷婷基地| 亚洲操逼网| 亚洲精品中文字幕成人片| 久热伊人| 亚洲五月婷婷| 婷婷免费视频| AV九九| 婷婷五月av| 五月丁香色婷婷基地| 色九网| 99久久終合| 极品少妇高潮啪啪AV无码| 色热久| 五月丁香六月欧美综合网站| 国产成人99久久亚洲综合精品| 五月天婷五月天综合网在线观| 99精品人人| 色五月天 丁香| 精品夜夜澡人妻无码AV| 99精品成人无码A片观看金桔| 97色婷| 久久精品99久久久久久| 五月天婷婷激情| 国产,欧美,日韩,性爱| 婷婷五月天伊人在线| 久久五月天视频| 亚洲视频在线观看区| 大地资源色婷婷视频在线| 五月丁香综合| 激情四射五月天| 亚洲成人综合在线| 精品久久99码| 国产美女无遮挡裸体毛片A片 | 五月丁香婷婷钟和色图| 影音先锋男人AV资源站| 日本乱论99| 欧美日韩中国| 爆乳熟妇一区二区三区爆乳| 成人噜噜网| 午夜丁香| 九九热区一区二区三区| 婷婷综合爱| 婷婷五月色情天| 99re热视频这里只精品5| 婷婷综合激情五月综合| 5月丁香婷婷激情网| 天天干天天操天天拍| 99热色精品| 色色色色色网| 久色资源| 大香蕉AV电影在线| 日韩操逼大片| 狠狠 婷婷| 26uuu亚洲欧美另类| 狠狠操在线视频| 五月丁香花开综合网| 99热在线免费| 五月婷婷基地| 九月丁香八月婷婷加勒比| 超碰97在线观看免费| 亚洲乱啪| 26uuu四色| 99re热久久| 五月天综合影院| 综合网五月| 丁香九月婷| 91狠狠综合久久久| 久久天堂女人| 深爱女色婷婷丁香五月亚洲图区| 丁香色综合| 99久久99久久| 五月婷婷六月激情| 超碰免费在线| 激情五月丁香五月| 777精品久无码人妻蜜桃| 五月色情精品| www.狠狠操.co m| 婷婷激情啪啪| 这里只有精彩视频| 99免费青青蜜臀| 99精品热| 五月丁香色婷婷| 亚洲精品婷婷| 97干在线播放| 无码网站视频| 99精品久久| 999精品久久久久久久| 五月天啪啪视频| 婷婷四色成人综合色视| 天天综合色| 91操在线| 久久久久99精品成人片| 色墦五月丁香| 亚洲AV网站| 一级二级香港秋霞欧美欧美秋霞| 99久久这里只有精品| 久久艹网| 伊人色综在线| A片试看50分钟做受视频| 99在线热视频| 丁香婷婷深情五月亚洲| 五月婷婷色在线| 91人人操.COM| 六月婷婷八月丁香| 久99久视频精选| 五月婷婷深深爱爱| 久久婷婷伊人| 色停停香蕉视频| 玖玖精品视频| 亚洲激情Av| 五月丁香直播| 亚洲精品又粗又大又爽A片| 97色图片中文字幕视频在线观看| www.成人婷婷综合| 五月婷婷婷色| 俺去啦综合网| 任我干视频在线观看| 丁香婷婷六月激情文学 | 久9热在线视频| www激情com| 久久久99精品免费观看| 深爱网深爱综合网| 老师的粉嫩小又紧水又多A片视频| 午夜成人天堂久久无码日韩久久| 97资源欧美日韩大香蕉超碰一区| 五月丁香婷婷成人版| 色婷婷五月天小说| 九月丁香婷婷| 日韩色色视频| 婷婷五月天成人视频| 婷婷永久在线| 伊人啪啪网| 超碰免费在线| 色播五月天婷婷老师| 日韩av手机在线观看| 97色啪| 这里只有精品免费视频| av在线免费网站 | 色色色热| 色婷婷五月天天天天天天天天天| 日本少妇裸体做爰高潮片| 激情五月天啪啪视频| 日日操日日撸| 五月停停直播| 青青草青青草五月天| 色色色.com| 青青草视频免费观看| 五月色情网| 激情文学综合婷婷五月天丁香花| 五月天影院| 九月婷婷人人操人人舔人人爱| 色人妻五月| 玖玖九九9999在线观看视频精品| 能看的AV| 《诡秘之主》在线观看| 免费观看全黄做爰的视频| 五月天婷婷成人网| 日日操,夜夜撸| 影音先锋男人av资源站| WWW免费视频碰碰碰碰| 国产综合色婷婷精品久久| 99re热在线视频| 四色综合网| 日日影院 | 激情五月婷婷综合色播小说| 91狠狠色丁香| 深爱五月天| 另类视频丁香五月| 婷婷精品在线| 五月天操逼激情| 五月丁香六月婷婷开心网| 丁香五月综合无码趴趴| 免费黄色片子| 99热97| 超碰成人免费| 日日操无码| 黄色成人网站在线播放| 五月婷婷啪啪啪啪| 成人AV免费观看| 五月丁香拍拍激情综合| 亚洲有码在线视频| 成人无码髙潮喷水A片| 精品成人无码A片观看香草视频| 丁香青青五月天| 色色色999| 五月天婷婷色小说| 99成人网一区| 99精品久久久久久久久| 玖玖在线视频| 97在线碰| 26UUU精品一区二区| 婷婷丁香熟妇综合网| 亚洲第一成人无码A片| 无码色色色| 一區四區歐美日韓| 九九色婷婷| 百度一下国产精品A| 久久9视频| 欧美色色色| 日本久热| 韩国19 主播内部福利vip免费播放| 99操视频| 在线99热| 丁香五婷婷| 色噜综| 玖玖视频福利| 超碰电影在线播放| 欧美婷婷丁香五月| 5月丁香美女影院| 狠狠爱综合网| 婷婷五月天网址| 很很干五月天| 五月丁香啪啪拍| 超碰二区| 国产免费av在线| www.超碰97| 欧洲亚洲精品| 97色碰| 六月丁香激情| AAAA网站| xxx.色婷婷| 婷婷丁香亚洲五月天| 天天干,天天舔| 激情亚洲婷婷| 日本久久性| 亚洲黄色av网站| 日韩久久系列| 婷婷五月色播天| 国产SUV精品一区二区6| 亚洲成av人影院| 可以看的av| 久操大香蕉| 香蕉操亚洲| 五月婷婷综合在线| 操操自拍| 超碰成人免费| 亚洲综合另类| 丁香五月成人| 日本三级成人秘书精品片| 亚洲视频在线观看| 99热在线观看| 丁香婷婷激情四射五月| 香蕉中文在线| 婷婷激情四射网| 五月丁香综合影院| 色综合久久综合中文综合网| 丁香五月激情啪啪| 韩国情人在线电视剧免费观看高清版全集| 另类五月婷婷| 亚洲九九在线| 人妻久久久久久久| 4399在线日本A片| 婷婷五月综合社区| 日本va欧美va国产激情| 中文毛片无遮挡高潮免费| 国产美女无遮挡裸体毛片A片| 丁香五月社区| 琪琪色网址| 91日综合欧美| 久久婷婷综| 热99国产精品| 婷婷六月天亚州| 99在线观看视频| 九九在线精品| 五月丁香六月在线| 思思久久99热只有频精品66| 精品九九久久| 超碰成人电影| 天天干肏夜夜| 97超碰在线免费观看| 久久99综合| 麻豆AV一区二区三区| 99亚洲精品综合在线| 69人人操人人爽| 欧洲一区二区| 99re这里有精品手机在线| 视频色色色色色色| 亚洲激情在线| 99在线资源视频| 我去色色网五雨天| 婷婷的五月天另类视频| 丁香美女五月天婷婷| 亚洲激情av| 亚洲成人AV电影在线| 色色色色色综合| 色丁香五月天射婷婷爱婷婷| 中文字幕色色| 99热在线观看| 91九色欧美| 这里只精品| 五月天最新网| 欧美性猛交99久久久久99按摩 | 亚洲性图一区二区| 超碰在线视屏| 九月停停| 丁香五月 综合| 26uuu最新地址| 婷婷天堂站| 激情国产五月| 激情婷婷丁香五月天小说| 天天干天天色天天干| 五月丁香福利| 99ri视频在线观看| 天天色五月| 久99综合婷婷| 天天射色五月天| 久久五月天激情婷婷| 五月婷婷丁香婷婷| 日韩AV免费看| 日本的α片xxxwww| 另类图片天天影视在线观看| 久久青青日本视频| 国精产品一区二区三区| 99色色网| 噜一噜免费视频| 五月天另类激情在线| 少妇高潮呻吟A片免费看软件| 女操碰| 欧美色爱五月天| 另类少妇人与禽zOZZ0性伦| 日韩成人电影在线播放| 日日夜夜天天综合| 五月丁香亭亭电影久久| 色五月天综合| 一本大道嫩草AV无码专区| 一起草Av| 日本不卡中文字幕| 五月婷婷色播| 91视频五月丁香| 日本熟女啪啪| www.亚洲激情| 婷婷五月综合中文字幕| 色播丁香婷婷五月激情| 超碰免费成人网站| 91婷婷五月天综合视频| 嫩草AV久久伊人妇女超级A| 激情文学 综合 色| 狠狠色噜噜狠狠狠狠综合| 久久99久久99精品免观看粉嫩| 天天色噜| 久久99精品久久久久久三级| 99热这里有精品| 97超碰在线观看免费| 久久这里只有欧美| ZpRSw| 欧美综合五月丁香六月婷| 国产毛片精品一区二区色欲黄A片| 久久久18| 337p大胆噜噜噜噜噜91Av| 国产成人网址| 亚洲AV免费在线| 狠狠色五月激情| 亚洲综合婷婷| 天天模,夜夜模夜夜爽| 极品少妇XXXX精品少妇偷拍| 国产热精品| 婷婷婷狠狠| 五月丁香六月香综合激情| 久久探花91swag| 久久aaaa片一区二区| 五月婷婷激情在线| 五月丁香综合影院| 激情婷婷丁香五月天小说| 国产精品美女| 欧美丁香五月天| 色九九九综合| www.maotanji.com| 热99国产精品| 亚洲V国产V欧美V久久久久久 | 五月天成人免费视频| 97黑人精品区| 婷婷亚洲综合| 久久精品视频9| 丁香五月婷婷欧美成人色图| 婷婷永久在线| 99aese| 精品无码片| 9久热在线视频精品| jiujiu热在线视频| 伊人高清无码| 丁香五月区| 色激情综合狠狠婷婷| 男人的天堂婷婷色五月| 色欲久久久久久综合网综合网| 91精品婷婷国产综合久久| 色999亚洲人成色| 色噜噜婷婷| www.91婷婷| www.99视频| 亚洲欧美一区二区三区四区爱爱动图| 九九热视频99| 男人大jjc女人免费视频| 婷婷社区五月天| 久久综合婷婷| 五月婷综合| 俺去也五月| www久热com| 五月色色网| 日本熟妇乱妇熟色A片蜜桃| 婷婷天天婷婷天天澡| 色久婷婷五月| 伊人狠狠色婷婷综合丁香一区| 久久综合激情| 中文久久婷婷| 艾小青av| 久久久久久xxxxx| 伊人激情网| 色五月激情五月开心五月| 九九热精品6| a色色色色色| 五月天综合色| 疯狂做受XXXX高潮A片| 色婷婷五月色| 天天日本夜夜谢| 开心五月丁香综合久久| 粉嫩av懂色av蜜臀av熟妇| www91色网站| 久久伊人大香蕉| 91凹凸在线| 日韩欧美一级大黄网站| 久久香蕉婷婷五月天| 久9视频| 蜜臀99久久精品久久久久| 成熟妇人A片免费看网站| 五月婷婷六月天| 久狠日av| 五月婷六月天| 好吊丝aV| 99这里只有精品国产| 狠狠第四色| 日本色色影院| 人人综合色| 日韩人妻白浆视频系列| 亚洲亚洲人成综合网络| 狠狠综合久久| 天天综合网在线| 俺也去婷婷五月天第五色| 91综合在线| 五月丁香六月色婷| 99这里有精品视频| 有码人妻久久| 丁香五月天操B| 婷婷激情六月中文| 99久久婷婷国产综合精品草原| 丁香五月婷久久| 99自拍视频网站| 天堂久久婷婷| 超碰成人在线观看| 超碰人人色| 99久re热视频精品98| AV在线免费播放| 国产激情av| 91无码视频| 色婷婷久久综合| 婷婷色九月| 亚洲成人综合在线| 思思热这里只有精品| 日日夜夜狠狠| 国产国产乱老熟女视频网站97| 少妇真实被内射视频三四区| 在线区区区| 激情欧美婷婷| 三区激情四射av| 五月天婷婷久久综合| 台湾佬天天日丁香婷婷五月天| 色婷婷九月综合| 九九精品网| 色色婷婷丁香五月天| 色婷| 久久丁香五月天| 性按摩玩人妻HD中文字幕| 色婷婷很很丝袜| Caoporn公开| 黑人熟妇一区二区三区| 99久久亚洲精品视频| 伊人五月婷婷| 这里只有精彩视| 五月天.com| 日本久久综合| 国产熟妇乱子伦hd| 久久天堂色| 婷婷激情综合| 2025天天爽天天摸| 月婷婷婷婷五月| 五月婷婷与六月丁香图片激情| 久久九九热视频| 99久久国产宗和精品1上映| 丁香五月色激情| 99黄色在线视频精品熟女| 久久五月天激情婷婷| 五月天色婷婷基地| 玖玖99免费视频| 丰满少妇乱A片无码| 九九99一区| 激情五月丁香社区| 五月婷婷啪啪| 久久婷五月影院| 97香蕉久久超级碰碰高清版 | 五月情综合| 精品久久这里热66| 五月天婷婷成人网| 成人视频在线免费播放| 五月色情婷婷开心五月色情| 激情五月婷婷在线观看| 天天做天天爱| 婷婷五月激情的图片| 另类小说五月天综合| 天天干天天拍| 亚洲乱码日产精品BD| 黄色激情久久| 久久这里只有欧美| 五月丁香色综合| 色九九一二| 99热思思在线观看| 91婷婷色 | 久久99久久久| 99热这里有精品2| 婷婷免费无马| 嫩草AV久久伊人妇女超级a| 大香蕉久久| 六月婷婷AV| 26UUU欧美激情一区二区| 婷婷性爱影院| 超碰高清在线| 久久色五月天综合网| 26uuu欧美| 毛片新网地| 久久偷拍综合五月天| 嫩BBB槡BBBB搡BBBB| 99综合一区| 99色性爰网络| 久热精品免费视频4| 99热在线爱| 99热在线中文字幕| Www.狠狠| 精品色| 欧美久久九九| 97色伦另类图片小说视频 | av在线不卡播放| 综合综合网| 亚洲日韩乱码一区二区三区四区| 99精品在线观看| 少妇搡BBBB搡BBB搡毛茸茸 | 人人草碰| 涩涩涩五月天| 日本情色一区二区| 婷婷开心激情五月激情网| 九九亚洲天堂| 青青草婷婷综合五月| 亚洲无AV在线中文字幕| 激情美女五月天| 99热思思| 五月丁香久久网| 婷婷五月色播| 五月情丁香色| 五月婷婷六月天| 狠狠艹狠狠艹| av九九| 六月婷婷狠狠| 色婷婷成人做爰A片免费看网站 | 97中文在线| 丁香婷婷久久 | 97干视频在线| 婷婷四色五月| 精品久久99码| 激情五月综合六月丁香婷婷狠狠干| 99综合| 99热这是里只有精品| 99色视频| 丁香婷婷啪啪啪| 伊人婷婷福利网| www.丁香五月| 久久嘟嘟丁香| 欧美日朝成人| 激情99热| 狠狠色噜噜狠狠狠777奇米| 欧美VA在线| 狠狠色婷婷7777久综合| 婷婷综合精品| 精品久久婷婷五月天| 欧美人与性动交CCOO| 色色色色色色97| 欧美成综合在线观看| 天天日日夜夜| 天天日天天做天天舔| 五月色综合| 色婷婷六月天在线| 噜噜噜噜综合在线| 无码橾| 激情综合网五月天| 亚洲另类婷婷五月综合| 欧美色偷偷大香| 五月色婷婷中文字幕| 操操操av| 人人操碰| 久久这里都是精品| 五月丁香久久激情网| 久久99精品久久久| 国产免费一区二区在线A片视频| 五月婷久久| 九九综合图片网| 99久久极情精品一区| 9999热这里只有精品| 五月色亚洲| 欧美成人精品A片免费一区99| 五月丁香六月婷婷在线播放| 无码动漫av| 九九热超碰| 五月在线| 激情99。| 六月婷婷香蕉| 无人区码一码二码三码医生系列| 狠狠色综合网| 激情综合网,婷婷| 97碰成超视频免费视频| 免费视频无码| 色婷婷超碰| 五月天自拍视频| 超碰电影在线播放| 涩丁香| 99日本精品视频热| 婷婷五月天欧美图片在线播放电驴| 五月综合激情| 99久久婷婷国产综合精品电影| 日韩亚洲视频| 欧美人人草| WWW、日本色丁香co m| 99热欧美精品| 色色色色丁香| 综合激情视频| 久久激情天堂| 色五月首页| 1024亚洲| 久婷婷五月丁香在线观看| 成人在线99| 91九色无码内射| 丁香五月天色综合| 66色在线日韩| 九九九九毛片| 成人片黄网站色大片免费毛片| 色婷久久| 91超级碰在线| 久久五月天激情| 激情小说五月天中文字幕| 久久久久久久97| 99ri视频在线观看| 超碰免费成人网站| 99热99成人| 国产AV不卡福利| 色婷婷亚洲综合天堂| 疯狂做受XXXX高潮A片动画| 久久婷婷热| 色欲婷婷五月天丁香| 婷婷色情五月| 色综合网综合| 午夜丁香六月婷| 六月婷婷成人| 色播丁香| 精品久热| 69精品人人人人| 日本啪啪天堂| 久久东京热婷婷五月| 超碰在线94| 性爱激情久久| 激情五月婷婷色综合| 国产精品A成V人在线播放| 色色五月丁香| 五月丁香啪啪啪| 欧洲色| 伊人婷婷五月天| 尔尔AV一区| 五月丁香影视| 六月丁香啪啪啪| www.夜夜操| 日韩免费视频| 99视频综合| 一区二区乱视频码| 99热 在线播放| 97碰人人操| 97久久人人操| 久久婷婷五月国产色综合激情| sS丁香五月婷婷| 桃色伊人在线| 99热99热| 亚洲婷婷激情综合激情999精品| www.婷婷,com| 综合色色色| 99国产精品久久久久久久久久久| 草草女人亚洲| 狠狠综合久久综合| 五月天综合久久丁香91| 亚洲成人影视在线观看| 婷婷丁香六月五月天| 春色激情第四色| 亚洲色激情| 超碰男人色| 婷婷丁香六月天| 中文字幕丰满孑伦无码专区| 婷婷色网址| 欧洲亚洲午夜| 亚洲精品网站色视频| 五月婷综合性中心| 十一月婷婷激情四射| 精品久久99码| 一二线视频 另类| 天天色综| 国产伊人五月天| 深爱五月最新网址| 久9久9热久热| 成人中文网| 丁香五月综合首页| 国产精品久久99| 丁香五月五婷| 色色五月天激情| 亚洲中文字幕AV在线| 亚洲AV无码影院| 久久五月天合网| 五月婷婷丁香社区| 六月丁香婷| 九九99精品免费播放| 欧美人久久| 婷婷五月俺要去| 国产精品爽爽久久久久久| 国产67194| 激情骚五月| 丁香五月花婷婷开心| 精品A√| 天天干,天天日| 天堂在线婷婷| 五月婷免费视频久久久| 欧美激情综合色综合啪啪五月| 五月色网| 久操97| 六月丁香婷婷开心综合基地| 91干视频| 亚洲一区二区色图-亚洲精品国产精品乱码-成人AV | 六月丁香深深爱| 激情性爱五月| 91人妻人人操| 99色色爰| 五月天成人在线播放| 国产精产国品一二三在观看| 成人av中文字幕| 日日夜夜爽| 国产人妻人伦精品一区二区| 中文字幕九九九九| 另类小说激情五月天| 久久99国产综合精品免费| 91大神操美女| 这里只有精品在线观看视频| 中字幕视频在线永久在线观看免费| 丁香婷婷色色| 五月婷婷激情久久| XX色综合| 丁香五月天欧美成人| 99热资源在线| 五月婷婷色| 婷婷五月丁香花综合| 99亚洲无码| 四川BBB搡BBB爽爽视频| 久久在这里99| 97碰碰视频| 亚洲AVwwwwwww| 夜夜天天久久婷婷| 99视频只有精品| 婷婷五月激情图片| 欧美激情综合色综合| 日本4399天堂中出| 99热国产这里只有| 亚洲AV成人在线| 丁香五月婷婷激情尤物| 婷婷五月天伊人网| 色综合视频在线| 婷婷五月丁香激情色情| 操久久网| 视频一二区| 殴美日韩成人| 久久丁香九| 26UUU欧美| 日本nghangse中文字幕| 日日干干天天干| 亚洲妇女熟BBW| 婷婷丁香五月天色区| 久久久精品人妻| 丁香五月天无码AV| 丁香六月激情| 天搞天天天天天| 第五色婷婷| 亚洲精品网站色视频| 在线播放中文字幕| av九九| 99久久99九九99九九九| 99在线精品观看99| 久久五月天综合| 人人爽在线视频综合网| 激情五月久久| 亚洲99激情| 久操无码| WWW久久久| 97精品综合久久| 欧美激情五月综合| 亚洲亚洲人成综合网络| 精品一区二区三区木瓜| 五月丁香婷婷伊人| 丁香五月电影| 色婷婷色情| 中文字幕av在线| 色天天综合天天综合频道。| 亚洲精品又粗又大又爽A片| 南京搡BBBB搡BBBB| 精品热青草| 婷婷五月天国产在线播放| 97碰在线免费观看| 国产成人网址| 天天日人人| 九九综合影音先锋| 丁香六月情| 日韩人妻在线观看| 无码任你操| 婷婷色色播五月天| 九九久久免费视频44| 精品女人九九九| 综合婷婷六月| 久久久9久| 天天爽天天爽| 人人草成人视频| 无码碰碰| 日韩在线五月天婷婷| 色天堂A| 五月天婷婷色色| 色吧五月婷婷六月丁香| 婷婷五月综合免费在线| 狠狠香蕉| 热的无码综合视频| 成人AV网站在线| 另类小说五月天| 婷婷色5月激情网| 色色五月婷婷久久| 成人综合网站| 五月天淫乱视频| 丁香五月天激情网址| 91国产精品视频播放| 啪啪激情网| 精品综合久久久久久五月天| 五月婷婷综合影院| 欧美S码亚洲码精品M码| 五月天婷婷婷| 丁香六月婷婷开心| 五月婷婷亚洲色图| 激情综合网五月天| 婷婷激情五月综合| 久久这里这里有精品免费视频| 丁香狠狠干| 91碰碰碰| 五月天综合视频网| 天天噜天天插| 久久全色| 香蕉久久国产AV一区二区| 免费啪啪亚州视频| 涩涩五| 久久婷婷色| www. 五月. com| 99热99色| 国产精品久久..4399| 久热视频这里只有精品| 婷婷她六月天| 三级毛片7979| 9l久久久视频| 极品少妇高潮啪啪AV无码| 五月丁香六月在线| 色色亚卅| 色激情综合狠狠婷婷| 99少妇精品| 狠狠色色色| 婷婷五月天激情四射| 色在线99| 久久久精品色| 天天干天天玩天天夜天天射天天操天天日蜜臀少妇 | 99在线精品免费视频| 婷婷久久五月天亚洲欧美国产日韩在线观看 | 色婷婷成人做爰A片免费看网站| 99精品久久久| 成人va视频| www.五月天。com| 天天综合亚洲综合网天天αⅴ| 91免费看片| 丁香9月婷婷| www.金莲av| 高潮毛片又色又爽免费| 久久五月婷| 51XX午夜影福利| 色婷婷五月天久久| 丁香六月天色婷婷| 六月激情婷婷色| 草综合网| site:hcxsz888.com| 九九大香视频| 天天肏高清在线| 香蕉大综综综合久久| 综合色视频| 狠狠狠狠狠狠草| 狠狠色噜噜狠狠狠狠狠色综合久久| 无码成人AAAAA毛片AI换脸| 色激情五月| 五月丁香婷婷色色| 色婷婷19| 婷婷五月电影院| 超碰成人av| 欧美精品啪啪| 色色色99| 99久在线视频| 成人丁香五月天| 综合久久99| 国产亚洲99久久精品| 丁香五月成人社区| 99热九九在线| 丁香六月婷婷色播| 在线不卡中文字幕| 东京热人妻一区二区三区在线| wuyuedingxiang| 色色综合院| 色欲影香| 九九re精品视频在线观看 | 久久视频婷婷视频| 亚洲性图一区二区三区| 五月丁香六月婷婷不卡免费无码| 99热这里精| 激情五月天色婷婷| 色婷婷视频综合| 婷婷丁香五月亚洲17cao| 99免费在线视频| 九九热婷婷| 精品久热| 99免费视频| 婷婷丁香久久网| 丁香青青五月天| 大香蕉天堂| 天天日天天干天天爱| 欧美综合在线五月天色婷婷| 丁香五月天啪啪激情综合网| 天天五月天综合网址| 久久停停超碰| 激情开心五月天| 青草青草视频2免费观看| 久久婷五月影院| 99riAv1国产在线观看| 久久婷婷啪啪视频| 97激情五月天| 天天婷婷| 丁香婷婷五月| 无遮挡国产高潮视频免费观看| 男人的天堂在线婷婷| 欧美三日本三级少妇三99| 99er国产| 大陆肏屄视频| 久久资源网五月婷| 色色无码| 亚洲六月综合激情久久下卡| 97国产精品女人碰碰| 在线99热| 日韩欧美一级大黄网站| 99热这里只有精品99| 色色网站| 丁香五月天啪啪| 丁香五月狠狠在线观看| 青青草婷婷久久| 色五月天天在线观看资源站| VfJxEwPH| 激情婷婷五月天| 亚洲正能量欧美| 日本va欧美va欧美va精品| 婷婷五月天免费视频在线观看| 丁香色五月 97干| 无码激情AAAAA片-区区| 99热丁香| 大香蕉院线| 五月天激情四射| 九月婷婷在线视频| 日韩操人| 日韩无码色色| 国产精品99久久久久久久女警| 五他月天啪啪啪| 婷婷大美在线| 国产9色在线/日韩| 色综合99无码 | 夜夜谢天天干| 草榴视频网| 五月丁香色婷婷伊人| 五月天六月色| 俺也去五月婷婷丁| 性一交一乱一交A片久久四色| 婷婷五月色情天| 99久久婷婷| 人伦30P| 热久久99热欧美国产亚洲| 无码少妇高潮喷水A片免费 | 色色色热热热| www,婷婷,com| 久久婷婷伊人| 激情网婷婷五月天| 综合福利网| 色色色色色级无码| 日本九九热| 国产精品国产成人国产三级| 免费黄色视频网址| 99色| 九九偷拍网| 五月丁香六月激情综合在线| 婷婷中文在线| 亚洲av午夜精品一区二区| 深爱激情av| 香蕉人妻AV久久久久天天| 天天弄天天爽| 日韩 中文 欧美| 殴美日韩成人| 五月丁香婷婷六月| 九月丁香婷婷网| 五月丁香婷婷网网网网| 99九九玖玖| 婷婷五月天精品| 婷婷亚洲欧美丁香五月| 婷婷亚洲在线| 婷婷激情五月天色| 少妇做爰免费视看片| 丁香五月天色| 久久九九99| 色热久资源| 99色在线视频| 久久丁香五月婷婷| 九九色婷婷| 久久婷婷五月天懂色| 91免费看片| 人妻久热| 人人摸人人操人人爽| 人妻激情综合| 国产激情综合| 91九色熟女| 91狠狠综合久久| 五月婷婷六月丁香| 亚洲精品成人| 天天色·欧美| 亚洲日韩一页精品发布| 思思99热这里只有精品6|