FOC - 反Park变换

Clark变换和Park变换仿真验证 FOC控制,Clark变换,Park变换 阅读详情


【全文大纲】 : https://blog.youkuaiyun.com/Engineer_LU/article/details/135149485


1 . 前言

FOC变换涉及了 Clarke变换,Park变换,反Park变换,SVPWM变换,这里专门描述反Park变换

2 . 变换理解

对于电机来说 :

  • 定子为静止轴 α α α, β β β.
  • 转子为动态轴 d d d, q q q
  • 最终我们是控制线圈绕组的电流产生磁场来驱动转子,因此我们要控制的是静止轴 U α Uα Uα, U β Uβ Uβ,所以要要把 U d Ud Ud, U q Uq Uq变换回 U α Uα Uα, U β Uβ Uβ

在这里插入图片描述


2.1  U α Uα Uα 变换

U α = c o s θ ∗ U d − s i n θ ∗ U q Uα = cosθ*Ud - sinθ*Uq Uα=cosθ∗Ud−sinθ∗Uq


2.2  U β Uβ Uβ 变换

U β = c o s θ ∗ U q + s i n θ ∗ U d Uβ = cosθ*Uq + sinθ*Ud Uβ=cosθ∗Uq+sinθ∗Ud


3 . 小结

得到 U α Uα Uα与 U β Uβ Uβ后,我们就可以用 U α Uα Uα与 U β Uβ Uβ去给到SVPWM输出控制电机了

技术交流QQ群 : 745662457
群内专注 - 问题答疑,项目外包,技术研究

< 图片资源本人在网上下载,若有侵权行为,请告知,本人会立刻删除对应图片资源 >

PARK变换与反PARK变换:FOC电机控制的坐标变换原理与调试要点 在电机控制领域,坐标变换是交流电机矢量控制的基础。PARK变换作为从静止坐标系到旋转坐标系的核心数学工具,能将三相交流量转化为直流分量,使电流环PI调节器能够像控制直流电机一样控制永磁同步电机。理解CLARKE变换与PARK变换的矩阵系数、等幅值与等功率区别以及D轴对齐方式,是实现磁场定向控制(FOC)的关键。实际工程中,电角度换算、三角函数实现和正反变换的角度一致性直接影响调速系统的稳定性。坐标变换参数配置错误往往导致电流波形畸变、力矩波动和电机发热。本文系统梳理了PARK变换与反PARK变换的物理意义、 阅读详情

相关推荐

Park变换与反Park变换的建模原理及STM32G4代码实现

Park变换与反Park变换是电机矢量控制(FOC)中实现abc-dq坐标系转换的核心数学工具,其本质是通过旋转变换将时变三相交流量解耦为直流量,从而简化转矩与磁链的独立调节。该过程依赖精确的电角度同步与实时三角函数计算,技术价值在于提升控制带宽、抑制耦合扰动并保障系统稳定性。典型应用场景涵盖永磁同步电机(PMSM)、无刷直流电机(BLDC)的高性能驱动,尤其在STM32G4等集成CORDIC协处理器的MCU平台上,可借助硬件加速实现微秒级低延迟运算。本文围绕Park变换、反Park变换的物理意义、Simu

weixin_30978239的博客 353

电机控制反Park变换和反Clarke变换公式推导

正的Park变换和Clarke变换的变换对象是电流,而反Park变换和反Clarke变换的变换对象是电压。

tiange1996的博客 1万+

7.2 Park变换与反变换

摘要:Park变换与反变换优化实现 Park变换及其逆变换是FOC算法的核心数学工具,用于旋转坐标系与静止坐标系之间的转换。在Cortex-M0平台上实现面临两大挑战:实时三角函数计算和角度归一化处理。针对三角函数计算,推荐采用256点第一象限正弦表配合线性插值的方法,通过象限压缩和快速索引计算实现高效近似。角度处理方面,建议使用32位累加器存储电角度,并通过取模运算实现归一化。这些优化方法在保证控制精度的同时,显著提升了M0平台的实时计算性能。表7-2-1对比了不同实现方案的性能特点,为工程应用提供了选择

技术工作者 865

Park变换及Park逆变换

Park变换 由于PID控制器对直流参考信号的跟踪效果更好,因此在Clark变换之后需要将静止的α,β坐标系转换为旋转的d,q坐标系(Park变换也称2s/2r变换)。 SVPWM算法的实现用的是静止的坐标系α,β,因此得到id,iq进行完PID运算后需要进行Park逆变换再转换到α,β坐标系。 从数学意义上讲,park变换没有什么,只是一个坐标...

Wolf的专栏 8万+

FOC之反park变化推导笔记

至于为什么PID出来就是电压值,因为Ud和Uq的公式中有id和iq,两者之间有关系,具体的我给出两个链接。而这个反park那就是对电压的变换,最终得到Ualpha和Ubeta,Vd和Vq是Id和Iq电流经过PID控制器后得到的电压值。然后给到SVPWM进行三路PWM的占空比计算。之前的clark和park都是对电流的变化。

pvmsmfchcs的博客 954

park变换与park反变换

park变换与park反变换,增加输入部分,可直接运行查看波形。

FOC学习记录(2):Clarke、Park、反 Clarke 和逆 Park 变换

Clarke 变换是将三相静止坐标系中的电流(或电压)转换到两相静止坐标系(αβ坐标系),这种转换可以将三相系统的复杂性降低。

Bin_Watson的博客 1591

手把手教你解决Windows 10网络驱动器无法访问问题(附详细排查步骤)

本文详细指导Windows 10用户解决网络驱动器无法访问的常见问题。通过从现象快速定位到系统排查,提供了从检查网络连通性、修复凭据权限到调整高级设置的完整步骤,特别是针对“找不到网络路径”等错误,帮助用户高效恢复对共享资源的访问。

weixin_29233857的博客 520

Park变换与反Park变换:从数学推导到FOC工程实现全解析

坐标变换是电机矢量控制中的基础环节,它将三相交流量转换为旋转坐标系下的直流量,从而让PI调节器能够精准跟踪电流。本文从三相电流时变特性出发,解释Clarke变换和Park变换的物理意义,并给出dq轴数学推导及单片机C代码实现,结合实际调试中遇到的零点对齐、等幅值/等功率选择等问题,帮助读者理解FOC控制链路的完整逻辑。

weixin_29168153的博客 230

告别切换烦恼!用Parallels Desktop的Host-Only网卡,在macOS上直接访问虚拟机里的公司内网

本文详细介绍了如何在macOS上使用Parallels Desktop的Host-Only网卡直接访问虚拟机内的公司内网,告别频繁切换操作系统的烦恼。通过配置Host-Only网络模式,实现主机与虚拟机的安全高效通信,特别适合需要频繁访问内网资源的IT从业者。文章包含分步指南、自动化脚本和常见问题解决方案,帮助用户优化工作流程。

weixin_28739079的博客 364

企业微信群机器人Webhook配置全攻略:从创建到发送消息的完整流程

本文详细介绍了企业微信群机器人Webhook的配置流程,从创建机器人到获取Webhook地址,再到发送各类消息的完整步骤。通过Python代码示例展示了文本、Markdown等消息类型的发送方法,并提供了性能优化建议和常见问题排查技巧,帮助企业高效实现自动化消息推送。

weixin_29208327的博客 6889

【FOC-MBD】(19)反 Park 坐标变换链路

本文介绍了基于STM32的Park反变换(Inv Park)验证实验,重点研究了dq坐标系到αβ静止坐标系的变换链路。实验通过Simulink模型生成软件输入的dq信号,利用STM32硬件平台实现事件驱动调度,并通过DAC输出观测变换结果。主要内容包括: 实验方案设计:构建了"ADC完成事件→软件生成dq信号→Park反变换→DAC输出"的验证链路,保持与前期实验一致的事件驱动架构。

youcans的博客 704

【WorkBuddy专栏】完结篇暨付费专栏总目录(内容继续更新中)

【WorkBuddy专栏】完结篇和付费内容总目录

AI人人懂 923

第 4 章 Park 变换与反 Park 变换:FOC 真正的 “灵魂”,把交流变直流

摘要: Park变换是FOC(磁场定向控制)的核心,将αβ静止坐标系下的交流电流转换为dq旋转坐标系下的直流量(Id、Iq),实现类似直流电机的控制效果。d轴(直轴)对齐转子磁场,q轴(交轴)控制转矩,通过电角度θ同步旋转坐标系。关键点包括: 功能:交流→直流,解耦控制; 公式:基于θ的旋转矩阵,含正/反变换; 实现:提供浮点/定点代码,适配不同硬件; 工程坑点:θ方向错误、单位混淆、dq定义反、延迟补偿等; 控制策略:Id=0(弱磁除外),Iq直接调转矩。 Park变换使FOC具备高精度、低噪声、高效能,

u011697185的专栏 593

[SC]SystemC在CPU/GPU验证中的应用(六)

本文提供了一个SystemC学习路线图,包含50个由浅入深的编程实例,涵盖从基础模块到复杂SoC建模的全过程。示例包括:基础模块(时钟、计数器)、通道(FIFO、握手)、TLM2.0接口、总线模型(AXI-Lite)、CPU/GPU内核实现、功耗分析、断言验证等。重点展示了SystemC在硬件验证中的关键应用:VCD波形生成、UVM-SystemC框架、Verilog DPI协同仿真、Python集成、NoC路由器和完整SoC建模(CPU+Cache+DRAM+互连)。每个示例提供完整代码和详细注释,建议分

元直的博客 1496

基于 Simulink 的单相 PWM 整流器(四象限变流器)在高铁辅助电源系统中的建模与仿真实战教程

这是一份基于 Simulink 的实战教程。在高铁牵引供电与辅助电源系统中,单相 PWM 整流器(又称四象限变流器,4QC)是极其核心的“绿色电源”枢纽。传统的二极管整流器虽然结构简单,但会导致严重的输入电流畸变和低功率因数,对电网造成极大的谐波污染。而 PWM 整流器通过高频主动控制,不仅能将单相交流电转换为平稳的直流电,还能实现输入电流正弦化、单位功率因数(PF=1)运行,并支持能量双向流动(如列车再生制动时的能量回馈)。本教程将带你从数学模型出发,搭建一套高性能的电压电流双闭环控制系统。

amy_mhd的博客 47

FOC中的反PARK变换_TI和ST电机控制库的源码实现

FOC中的Clarke变换_TI和ST电机控制库的源码实现 FOC中的PARK变换_TI和ST电机控制库的源码实现 PARK的反变换 此变换将正交旋转坐标系中的矢量投影到两相正交固定框架。 ①经过clarke变换将三相电流变换为了固定的“alpha-beta”直角坐标系下。 ②因转子是旋转的,又经过PARK变换将固定的直角坐标系下的“alpha-beta”轴,变换为旋转坐标系“D-Q”轴。 ③将三相相差120度的正弦信号变换为了线性的ID,IQ信号。 ④但是我们得到反馈,计算完后。要将信号变换回去,输出对应

wei 3767

【AI大模型应用开发】【LlamaIndex教程】2. 存储模块:如何在 LlamaIndex 中使用自定义的向量数据库?(附代码)

前面文章两行代码就实现了文档的切分和向量化存储以及持久化存储。如果我们想用自定义的向量化数据库呢?

同学小张的博客 2121

PMSM FOC控制 Matlab/Simulink仿真之反Park变换

1.Park变换的原理 在经过电流PID之后输出的是Ud,Uq是2相旋转坐标系,是不能直接控制电机的,要经过反Park变换 ,即2r->2s变换,原理还是投影定理。 2.Park变换的计算过程 根据投影原理 Uα=cosθ*Ud-sin*Uq Uβ=sinθ*Ud+cosθ*Uq 这里注意一下坐标轴中用的是Id、Iq、Iα、Iβ 手误,不想更改了,原理是一样的 3.Park仿真模型搭建 模型输入:Uq、Ud、转子角度θ(即Id和Iα的轴夹角) 输出:Uα、Uβ .

yuyan7045的博客 4179

扣子Coze触发器使用指南:实现工作流定时执行的完整教程

Coze平台触发器功能详解:定时触发器配置指南 摘要:Coze平台的触发器是实现自动化任务的核心组件,其中定时触发器能够按预设时间自动执行工作流。本指南介绍了定时触发器的配置方法,包括每日、每周、每月及Cron表达式等多种时间设置方式,以及如何关联工作流执行具体任务。文章还提供了健身提醒等实用案例,并涵盖了触发器调试、发布及常见问题解决方案。通过合理配置定时触发器,用户可以轻松实现各类自动化任务,如定时发送消息、数据采集等,大幅提升工作效率。

互联网架构师笔记 1929

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

电机FOC算法的解释

一、开始说FOC之前,我们先来弄清楚电机是怎么动起来的,电机的q轴、d轴是什么,FOC存在的意义是什么。 这里有一篇知乎的文章,作者w浩森说的太好了,推荐大家去看一看。我这里总结几条本文章后面需要用到的观点: 1、电机的本质,扭矩的本质 上左图是电机等效模型,现在转子和定子都是完全重合在一起的,不会有扭矩的存在。 上右图,把外面的定子磁场扭转一定角度,根据磁铁异性相吸的原理,内部的转子...

qlexcel的专栏 6万+

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

【FOC】【003】反Park变换--- 2024.11.21

不进来看你会后悔哦~~~

Enoch-dj 863

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

FOC - 反Clarke变换

FOC中的反Clarke变换过程

嵌入式技术 1817

PARK变换与反PARK变换

本文介绍了Park变换及其逆变换在电机控制中的应用。这些变换本质是坐标投影工具,不区分电流或电压信号类型,只是根据FOC控制流程需求交替使用反馈电流和控制电压,共同实现电机的高精度闭环控制。

debug_like的博客 1318

九、FOC原理详解

想要磁场旋转就需要线电流做着正弦变化,而 3 组线圈绕组的角度差,就使得三相电流需要时刻做相位差为 120 度的正弦变化,这时可使定子构造最合适的旋转磁场,显然简单的 6 步换向无法控制三相电流做正弦变化,转矩在一定程度上会有跳变,这样无法输出稳定转矩,因此需要 FOC 来保持转子的扭矩时刻连续稳定可调。电流环、速度环、位置环都会经历完成了FOC流程,并在PID控制模块进行偏差计算,对前一个系统(外环)的输出进行偏差的计算,计算结果作为后一个系统(内环)的输入。将位置环的输出,作为速度环的输入;

weixin_59334478的博客 6481

【电机控制】PMSM无感FOC控制(一)FOC入门

前段时间做了一个永磁同步电机1.FOC控制算法、坐标变换2.PID控制器3.SVPWM4.过调制5.相电流检测及重构(单电阻、双电阻及三电阻采样)6.转子位置及速度提取(滑膜观测器、低通滤波器、锁相环)7.PMSM无感控制的启动计划写完上述内容后再开始写一些别的控制算法(MTPA、弱磁控制、电流前馈补偿、高频注入等)FOC 是一种电机控制技术,全称为 Field Oriented Control(磁场定向控制),也称作矢量控制。

Mrsgflmx的博客 3402
上一篇: FOC - Park变换
下一篇: FOC - SVPWM扇区判断
极客 - L U
博客等级 码龄7年 9646粉丝 78原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

极客 - L U

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值