DTU 控制 Modbus 继电器定时延迟反转

银尔达 DTU测试异常解决方法FAQ 4、确认SIM卡是银尔达的还是自己的,如果是自己的找运营商确认卡是否是定向卡,如果是定向卡需要添加dtu.yinerda.com到SIM卡运营商白名单,或者换个手机卡试试。如果是客户服务连不上,先使用电脑客户端连接客户服务器,看电脑客户端是否能连上,如果能连上,核查DTU参数是否正确。3、使用USB转串口工具,直接连接DTU,验证DTU本身的串口硬件是否正常,发config命令有应答,表示正常。注意只有DTU固件支持WEB配置,AT固件不支持,卡插好,天线接好,并且保存参数后,需要设备重启才能更新参数。 阅读详情

ThingsEdge DTU 内置了开关量延迟反转功能,例如:控制一个继电器闭合,并在10秒后自动断开。

这需要下发一个命令消息给 DTU,命令的标识符为 switch_relay,命令参数示例如下:

{
    "attribute": "relay1",
    "state": true,
    "delay_reverse": 10
}
  • attribute 表示开关量属性名称,这里用了继电器#1
  • state 表示更新状态,true 表示闭合,false 表示断开
  • delay_reverse 代表延迟反转的时间,单位是秒

下发命令后,观察设备消息,DTU 收到命令后,闭合继电器并上报通知云平台,接着 10 秒后断开继电器并上报通知云平台。

深入理解Modbus通信中的延迟机制 在工业自动化领域摸爬滚打多年,我发现很多工程师在使用Modbus通信时经常遇到一个令人困惑的问题:为什么有时候通信会不稳定?数据丢失?设备无响应?其实,这些问题往往都与"延迟"这个看似简单却内涵丰富的概念有关。今天,我想从实战角度出发,和大家聊聊Modbus通信中的延迟机制,希望能帮助大家写出更稳定、更高效的工业通信程序。Modbus通信中的延迟,看似简单的一个"等待",实际上涉及硬件特性、协议规范、设备性能、网络环境等多个层面。理解这些延迟的本质和机理,是写出稳定可靠工业通信程序的关键。 阅读详情

相关推荐

C#物联网数据配置与采集(RS485,Modbus,DTU).zip

1,窗体程序一部分是485配置页面,另一部分是DTU数据采集; 2,485配置部分是针对RS485传感器modbus通讯所开发的,如果报文格式不同,请自行修改保温部分; 3,DTU数据采集部分,支持多个DTU,而且每个DTU下支持多个RS485传感器,多个传感器的情况下,需要使用485配置部分的功能对每个传感器的地址进行配置; 4,DTU数采部分,本程序为TCPServer,开启之后等待DTU连接,连接之后轮询传感器数据; 5,本程序测试采用的DTU为有人科技的RS485串口服务器 TCP232-304型号; 6,本程序测试采用的传感器为MODBUD-RTU协议温度变送器,

[C++/ROS]通过socket控制科星WIFI继电器

最近到手一款科星的2路网络继电器,官方有提供上位机方便调试,但是要运用在具体项目中就需要自己编写程序,本文基于ROS平台通过C++编写程序控制该继电器。

weixin_48702107的博客 1161

Oracle 19c RAC安装踩坑实录:OpenSSH 8.x版本与OUI的“兼容性战争”及一劳永逸的解决思路

本文深入解析Oracle 19c RAC在Linux8环境中部署时遇到的OpenSSH 8.x版本兼容性问题,特别是[INS-06006]错误的根源与解决方案。从协议层分析冲突本质,提供SCP包装器技术、官方补丁应用指南及现代化部署体系构建三种解决方案,帮助企业高效完成RAC安装并规避类似问题。

weixin_42648844的博客 459

「干货」物联网实操,有人串口服务器透传控制485继电器

简单为大家介绍了如何通过串口服务器控制硬件

智云说的博客 1830

react-window 大数据列表和表格数据渲染组件之虚拟滚动

ReactWindow是一个高性能的React虚拟滚动组件库,专门用于高效渲染大型列表和表格数据。它通过“窗口化”技术,仅渲染用户可见区域的内容,大幅提升性能并减少内存消耗。主要特点包括:支持固定/可变大小列表项、多种布局类型(垂直/水平/网格)、轻量级设计(不足5KB)以及平滑的滚动体验。相比传统渲染方式,它能轻松处理成千上万条数据,并提供自动滚动、自适应容器大小等高级功能。与同类库相比,ReactWindow具有更简洁的API和更优的性能表现,是处理大数据量渲染场景的理想选择。

前端开发-前端技术分享 1138

UE5网络模块实战:属性复制、RPC与联机开发踩坑指南

多人联机开发中,网络同步是核心难题。UE5网络模块以服务器权威为基础,通过Actor复制、RPC和所有权机制实现多端状态一致。理解属性复制与OnRep回调、区分Server/Client/Multicast RPC的适用场景,是构建稳定联机架构的关键。本文结合数字孪生与多端协作场景,探讨如何将渲染与逻辑分离,并针对打包后网络失效、端口防火墙、崩溃排查等工程实践问题给出解决方案。通过蓝图接口解耦表现层,利用C++创建StaticMesh组件实现服务器逻辑与客户端表现分离,同时注意专用服务器不加载渲染依赖(如D

weixin_29010003的博客 274

DTU 使用 Modbus 透传接入 ThingsCloud 云平台 —— 读取传感器数据和控制继电器

Modbus RTU 串口透传功能几乎是所有 DTU 产品的标配,我们在教程中也介绍了一些厂商的 DTU 接入示例。

thingscloud的博客 4718

032、准谐振反激变换器(QR-Flyback)原理

文章摘要: 本文以65W PD快充炸管案例切入,解析准谐振反激变换器(QR-Flyback)原理。通过主动利用漏感与MOS结电容的谐振,在Vds波谷开通实现近似ZVS,显著降低开关损耗与电压应力。对比传统反激,QR模式轻载效率提升8%,Vds尖峰减少23%。关键设计要点包括:变压器漏感需<3%、谷底检测电路需抗干扰、启动阶段需防过冲。推荐NCP1340等专用控制芯片,并强调VCC电容优选低ESR陶瓷材质。QR适用于30W-150W场景,其核心优势在于轻载效率优化,但需平衡漏感控制与可靠性。作者结合实测数据与

Jack010169的博客 121

物联网的边缘计算利器:Thingboard Edge

ThingsBoard Edge是一个基于ThingsBoard平台的边缘计算网关。它可以作为一个数据采集、处理和转发的中间件,帮助用户轻松地将物联网设备接入到ThingsBoard平台。通过这个网关,用户可以在边缘设备上进行数据的处理和分析,减轻中心服务器的压力,并提高数据处理的效率。

AIGC搞起 2762

OMAPL138使用UPP读写测试

UPP测试代码 #include "hw_types.h" // 宏命令 #include "hw_syscfg0_OMAPL138.h" // 系统配置模块寄存器 #include "soc_OMAPL138.h" // DSP C6748 外设寄存器 #include "psc.h" // 电源与睡眠控制宏及设备抽象层函数声明 #include "interrupt.h" // DSP C6748 中断相关应用程序接...

wangjie36的博客 1194

利用 AI 自动生成 BDD(行为驱动开发)格式的 Gherkin 测试用例

文章摘要 当前BDD测试领域正经历AI驱动的变革浪潮。传统Gherkin用例编写面临四大痛点:语法负担重、场景发现成本高、一致性差和维护困难。2025-2026年,AI生成Gherkin的工具生态快速成熟,主要分为五类:测试管理平台内置AI(如TestRail 10.2)、Jira插件(如AssertThat BDD)、独立AI平台(如PrimeCompass)、CLI工具和研究原型。其中,TestRail实现生成-执行闭环,AssertThat采用多阶段Agent工作流提升质量,PrimeCompass则

ZXSXJ的博客 206

ThingsBoard Edge 安装部署

ThingsBoard Edge 安装部署,centos 7.8 安装 tb-edge-3.5.1,PostgreSQL 12。

IoTHub - 物联网开源技术社区 1825

YOLOv11改进 | Conv篇 | 图像去雾卷积DEConv助力yolov11有效涨点(部署零额外开销)

本文介绍了一种最新改进机制用于低层视觉任务的细节增强卷积(DEConv)机制。DEConv在训练阶段采用"普通卷积+差分卷积"的多分支并联结构,增强网络对边缘、纹理等细节特征的学习能力;在推理阶段可折叠为标准3×3卷积,保持与普通卷积相同的计算效率。文中详细阐述了DEConv的工作原理、实现方法以及在YOLOv11中的应用步骤,包括核心代码解析、模型修改方法和训练配置。实验表明,该机制在去雾、去噪、超分等强调细节重建的任务中具有显著优势。文章还提供了完整的代码实现和训练指导.

Snu77的博客 2441

远程串口透传方案:零修改实现RS232/RS485跨网通信

串口通信是工业设备最基础、最广泛的数据交互方式,其核心在于遵循标准电气规范(如RS232/RS485)与协议时序(如Modbus RTU)。传统远程化常依赖协议转换或虚拟串口桥接,易引入延迟、丢帧与时序错乱,难以满足伺服控制、继电器反馈等实时场景。真正的远程透传,需在字节级保真前提下,实现端到端的无感转发——即原始数据流毫秒级原样抵达远端RX引脚。这要求硬件具备隔离设计与大容量FIFO、固件支持自适应波特率与断线续传、云服务提供NAT穿透与高可用中继。霜蝉方案正是围绕这一技术本质构建,让不具备网络能力的老设

weixin_34302561的博客 583

orangepi香橙派用户名及密码修改和VNC远程登陆

1、修改 /etc/passwd用户信息文件 vim /etc/passwd #admin❌503:501::/home/admin:/bin/bash #把用户名admin改成rest #test❌503:501::/home/test:/bin/bash 2、修改 /etc/shadow用户密码文件 vim /etc/shadow #admin:Dnakfw28zf38w:8764:0:168:7::: #由于密码加密方式存放,只修改用户名即可(密码不变) #test:Dnakfw28zf38w:876

weixin_40227845的博客 5665

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")

原生多时空计算机系统架构

作者:一切皆是因缘际会第1章:总纲1.0 架构定位全景本架构定义的是一台完整的多时空计算机系统,而非局限于芯片微架构设计。芯片是本系统的物理载体,系统是它的完整灵魂。本架构由 物理骨架层(芯片) + 逻辑灵魂层(运行时) + 云端投影层(协同) 三层构成。三层实时协同、互为因果,形成“物理芯片↔云端投影”的完整进化闭环。架构八层级完整能力覆盖表层级对应能力核心机制文档章节感知接入层传感器信号直驱硬件、物理→逻辑原子映射P-R量化分级、状态E匹配、原子R生成、P-R闭环验证第1.2节、第3.1.5节物理芯片层

2602_95606446的博客 957

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

ThingsBoard Edge 设备控制

ThingsBoard Edge 设备控制,单向 RPC、双向 RPC、客户端 RPC。

IoTHub - 物联网开源技术社区 2292

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

Modbus 超时时间设置

原文链接:https://blog.youkuaiyun.com/sunxboy/java/article/details/84499791 Modbus通讯时,需要连续读取多个现场设备的数据,虽然也编写了Modbus轮询的程序,但是有时还是无法正常通讯。有时虽然能够保证通讯,但是所有现场设备的轮询周期很长。 本文将从MBUS_CTRL的超时...

weixin_40397257的博客 8666

云平台远程控制继电器应用与实例

云平台远程控制继电器

m0_59762754的博客 814

MQTT实现串口数据的下发和接收(DTU透传)

MQTT实现串口数据的下发和接收(DTU透传)

chenyan0715的博客 4395

【工具使用】Modbus Slave软件使用详解

Modbus Slave是一个模拟Modbus协议从机的上位机软件,主要用于模拟测试跟其他主机设备通信的过程。与之成套存在的另一个软件--Modbus Poll,则是模拟Modbus协议主机的上位机软件。该软件内部封装标准Modbus协议栈,通过图形化界面使得操作更为简便。目前软件支持01、02、03、04、05、06、15、16功能码,异常报文检测,原始报文查看,数据记录等功能,是调试Modbus协议栈的好帮手。.....................

知识噬元兽的博客 9万+

初出茅庐的小李第59篇博客之测试Modbus协议的继电器

1, Modbus RTU指令详解 发送: FF 05 00 00 FF 00 99 E4 字段 含义 注释 FF 设备地址 范围1-255,默认255 05 功能码 写单个线圈 00 00 继电器地址 0x0000–0x0007分别代表#1继电器–#8继电器 FF 00 开/关命令 0x0000为关,0xFF00为开 99 E4 CRC16 CRC-16/MODBUS校验码 原样返回:FF 05 00 00 FF 00 99 E4 字段 含义 注释 FF 设备地址 范围1-255,默认255 05

初出茅庐的小李 3000

关于MODBUS通信心得之一:滞后性问题

MODBUS通信对于硬件要求不高,适用设备多,因此,广受欢迎。但是,其缺点也是很明显的,其一就是滞后性问题。最简单的MODBUS通信电缆只有一根两芯线,考究一点的,再加点屏蔽,干扰肯定是有的了。再加上很多是半双工的串行通信,因此,其通信速度是快不起来的。关于滞后性,有网友提到:“我用CM1241挂15个Modbus设备(8台英威腾的CHE100变频器,7台欧姆龙的E5CZ温控器),每台从站设备有三...

chengjl8的博客 2万+

java通过dtu通讯进行modbus数据交换

java通过dtu通讯进行modbus数据交换

leveretz的博客 1448

Air202学习 四 (模块mqtt通信控制继电器)

1. 板子air202控制继电器原理图: 2. air202模块设置连接mqtt服务器通信 操作步骤: (1) air202模块创建mqtt客户端 (2)获取设备IMEI检测分配的ip(设备是否连接上网络) (3) 订阅主题 / 发布主题 (4) 处理断线重连问题 (5) 处理接收的数据 require"misc" require"mqtt"...

dianzishi123的博客 7244

LTU、TTU、DTU、FTU、RTU在电路中的安装位置,功能,区别

LTU、TTU、DTU、FTU、RTU在电路中的安装位置,功能,区别LTU介绍TTU介绍DTU介绍FTU介绍RTU介绍 LTU介绍 LTU(Line Terminal Unit): 中文叫法:线路终端单元;智能低压故障传感器;分路监测单元;智能低压分录监测单元。 安装位置:按相别安装于低压配电网箱式变电站,小区配电室,柱上变压器等处的400V分支线路上,实现400V分支线路运行状态的监测以及线路...

hetiedan123的博客 5万+
上一篇: 移远 EC200x/EC600x/EG912Y 4G 系列模组 AT 命令 MQTT 接入 ThingsCloud 云平台
下一篇: DTU 使用 Modbus 透传接入 ThingsCloud 云平台 —— 读取传感器数据和控制继电器
物联网小T
博客等级 码龄5年 29粉丝 5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
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