可视化大屏系列(5):设备状态面板与数据分析仪表盘

Vue实战篇二十六:创建动态仪表盘 上一期的实战,我们借助ECharts开源可视化图表库实现一个疫情折线图。 本期我们将引入计数器,结合上期实现的折线图,创建一个动态仪表盘。 阅读详情
AI摘要

本文围绕智慧工地系统中设备状态可视化与数据仪表盘分析,介绍基于Vue3 + ECharts打造数据展示面板的方法。涵盖设备状态数据采集与接口设计、仪表盘组件封装、工况统计图表实现、告警与预警机制集成,还提及视觉表现优化与交互细节,最后给出总结与后续优化方向。

可视化大屏系列(5):设备状态面板与数据分析仪表盘

在这里插入图片描述

文章目录:

  • 一、项目背景与功能概述
  • 二、设备状态数据采集与接口设计
  • 三、仪表盘组件封装与调用
  • 四、工况统计图表设计与实现
  • 五、告警与预警机制集成
  • 六、视觉表现优化与交互细节
  • 七、总结与后续优化方向

一、项目背景与功能概述

在智慧工地系统中,设备状态监测与工况统计是确保施工效率与安全的关键环节。本篇将围绕“设备状态可视化”与“数据仪表盘分析”,介绍如何基于 Vue3 + ECharts 打造高性能、易维护的数据展示面板,提升数据洞察与现场响应能力。

1. 项目代码结构

为了保持项目的整洁与可维护性,我们的代码结构应该符合常见的 Vue 3 项目规范,下面是完整的代码仓库结构示例:

├── src
│   ├── assets               # 项目静态资源(图片、图标等)
│   ├── components           # 可复用组件
│   │   ├── Dashboard
│   │   │   ├── EChartGauge.vue    # 仪表盘组件
│   │   ├── DevicePanel.vue       # 设备面板
│   ├── api                   # 请求接口封装
│   │   └── device.ts           # 设备接口
│   ├── views                  # 页面组件
│   │   └── Dashboard.vue       # 仪表盘展示页面
│   ├── utils                  # 工具类(如请求、格式化等)
│   │   └── request.ts          # 请求封装
│   ├── App.vue                # 根组件
│   └── main.ts                # 入口文件
└── public
    └── index.html             # HTML入口文件
代码说明:
  • src/components/Dashboard/EChartGauge.vue:封装的仪表盘组件。
  • src/api/device.ts:设备接口模块,负责设备状态数据的获取。
  • src/views/Dashboard.vue:仪表盘页面,展示设备状态的多个图表组件。
  • src/utils/request.ts:用于封装请求方法,简化接口调用。
  • src/main.ts:项目的入口文件,初始化 Vue 实例。

二、设备状态数据采集与接口设计

设备状态通常通过物联网采集网关(如 PLC、RTU、传感器集线器)上传,经过边缘网关汇总后推送至后端系统,前端通过定时轮询或 WebSocket 获取。

1. 数据结构定义

后端应设计清晰、可拓展的设备数据结构,例如:

// 接口返回示例(单设备)
{
   
   
  deviceId: "DZ-001",
  name: "塔吊 01",
  status: "运行中", // 停止/故障/维修/离线...
  voltage: 220,
  temperature: 36.5,
  runningTime: 315, // 单位分钟
  lastUpdate: "2025-04-21 14:03:00"
}

2. 后端接口设计规范

推荐使用 RESTful 风格,接口统一前缀 /api/device:

方法 接口地址 描述
GET /api/device/status/list 获取设备状态列表
GET /api/device/status/:id 获取指定设备状态
GET /api/device/stats/runtime 获取运行时长统计数据
GET /api/device/stats/alarm 获取告警数据统计

3. 前端接口封装(/src/api/device.ts)

为了便于调用和维护,封装成模块化接口:

// src/api/device.ts
import request from '@/utils/request'

// 获取所有设备当前状态
export const getDeviceStatusList = () => {
   
   
  return request.get('/api/device/status/list')
}

// 获取单个设备状态详情
export const getDeviceStatusById = (id: string) => {
   
   
  return request.get(`/api/device/status/${
     
     id}`)
}

// 获取设备运行时长统计数据
export const getDeviceRuntimeStats = () => {
   
   
  return request.get('/api/device/stats/runtime')
}

4. 示例:获取设备状态列表并绑定图表组件

// src/views/dashboard/DevicePanel.vue
import {
   
    getDeviceStatusList } from '@/api/device'
import {
   
    ref, onMounted } from 'vue'

const deviceList = ref([])

const fetchDeviceStatus = async () => {
   
   
  try {
   
   
    const res = await getDeviceStatusList()
    deviceList.value = res.data
  } catch (error) {
   
   
    console.error('设备状态获取失败:', error)
  }
}

onMounted(() => {
   
   
  fetchDeviceStatus()
})

5. 实时数据更新方案(定时轮询 + WebSocket)

✅ 方案 A:定时轮询刷新设备状态(适合中低频设备)
onMounted(() => {
   
   
  fetchDeviceStatus()
  setInterval(fetchDeviceStatus, 10000) // 每10秒刷新一次
})
✅ 方案 B:WebSocket 实时推送(适合状态变更频繁场景)
let ws = new WebSocket('wss://example.com/ws/device/status')

ws.onmessage = (msg) => {
   
   
  const newStatus = JSON.parse(msg.data)
  const index = deviceList.value.findIndex(d => d.deviceId === newStatus.deviceId)
  if (index > -1) {
   
   
    deviceList.value[index] = newStatus
  } else {
   
   
    deviceList.value.push(newStatus)
  }
}

6. 异常状态字段说明与 UI 标识

设备的运行状态不仅是“运行/停止”,还可能包括异常、预警、维护中等状态,可定义状态枚举与颜色提示:

const statusMap = {
   
   
  '运行中': 'success',
  '停止': 'info',
  '故障': 'danger',
  '预警': 'warning',
  '离线': 'gray'
}

配合 UI 展示:

<el-tag :type="statusMap[item.status]">{
  
  { item.status }}</el-tag>

7. 最佳实践建议

  • 每条设备数据应包含时间戳字段 lastUpdate,用于判断是否超时或离线;
  • 为每种设备类型设置不同的图表模板与颜色;
  • WebSocket 仅用于状态变更通知,详细数据仍可通过接口拉取;
  • 可引入缓存策略减少频繁请求(如 Vue Query/SWR)。

好的,继续写 “三、仪表盘组件封装与调用”,并配合完整的代码仓库结构说明。


三、仪表盘组件封装与调用

1. 仪表盘组件封装

1.1 仪表盘组件设计

我们将使用 uView UI 和 ECharts 来实现一个通用的仪表盘组件。uView UI 提供了常用的 UI 控件,ECharts 可以帮助我们更好地呈现图表数据。

<!-- src/components/Dashboard/EChartGauge.vue -->
<template>
  <div class="dashboard-container">
    <div ref="chart" class="dashboard-chart"></div>
  </div>
</template>

<script>
import * as echarts from 'echarts'

export default {
   
   
  name: 'EChartGauge',
  props: {
   
   
    value: {
   
   
      type: Number,
      required: true
    },
    minValue: {
   
   
      type: Number,
      default: 0
    },
    maxValue: {
   
   
      type: Number,
      default: 100
    },
    title: {
   
   
      type: String,
      default: '设备状态'
    }
  },
  mounted() {
   
   
    this.renderChart()
  },
  watch: {
   
   
    value() {
   
   
      this.renderChart()
    }
  },
  methods: {
   
   
    renderChart() {
   
   
      const chart = echarts.init(this.$refs.chart)
      const option =<
Echarts案例:整一个炫酷一点的仪表盘 故事发生在几天前 公司要求做个仪表盘,大致UI是这样的 这不是为难我胖虎嘛,于是找遍整个全网也没找到相似的,只能自己手写一个。 然而,最开始是准备用极坐标写的 折腾了一上午发现极坐标做出的效果两头是360度的圆环,这使UI给的标注无法实现,于是我又开始研究仪表盘,官方给的实例倒是挺炫酷 当我感觉快找到希望时,却无法实现两端圆角 以及将刻度显示在数字外,在网上找资料发现也有同学... 阅读详情

相关推荐

[开源]基于Vue+ElementUI+G2Plot+Echarts的仪表盘设计器

基于SpringBoot、MyBatisPlus、ElementUI、G2Plot、Echarts等技术栈的仪表盘设计器,具备仪表盘目录管理、仪表盘设计、仪表盘预览能力,支持MySQL、Oracle、PostgreSQL、MSSQL、JSON等数据集接入,对于复杂数据处理还可以使用Groovy脚本数据集,使用简单,完全免费,代码开源。基于Vue+ElementUI+G2Plot+Echarts的仪表盘设计器,使用简单,完全免费,代码开源。使用Apache-2.0开源协议。

欧菲丽的博客 2297

大屏数据可视化专项提示词指南,涵盖布局设计、图表集成、动态效果和数据处理等核心场景

通过以上提示词,可快速生成专业级数据可视化大屏项目,建议结合实际业务需求组合不同技术方案,并优先考虑性能优化策略。

weixin_61382400的博客 1551

用PyQt5给Matplotlib图表做个‘动态仪表盘’:从静态展示到实时监控数据的完整实现

本文详细介绍了如何使用PyQt5和Matplotlib构建工业级动态数据仪表盘,实现从静态图表到实时监控的完整解决方案。通过多线程数据采集、双缓冲绘图技术和交互式控制面板设计,开发者可以创建高性能的实时数据可视化应用,适用于工厂监控、金融分析等多种场景。文章特别强调了实时刷新和动画优化技术,提升用户体验和系统性能。

weixin_28730353的博客 255

大数据可视化大屏模板:从选型到落地的全流程实践指南

数据可视化是当前企业与高校项目中高频出现的交付需求,大屏作为数据展示的核心载体,其开发效率与稳定性往往取决于前期选型与工程化思路。面对行业、场景与技术栈的差异,如何快速定位合适的看板模板,并确保缩放适配、实时刷新与数据接入顺畅,是开发者普遍关注的痛点。本文从可视化大屏模板的组织逻辑入手,拆解了按行业维度区分电商、政务、物流、制造类看板的核心指标差异,按场景区分监控、分析与汇报型页面的交互侧重点,以及纯HTML与前端框架两种技术栈的适用边界。进一步以电商总览模板为例,讲解echart图表配置、地图组件本地化、

weixin_29031057的博客 169

SMT产线监控管理可视化:Python数据采集与ECharts大屏实战

在工业数字化转型中,数据可视化与数据分析是打通设备数据与生产决策的关键技术。其原理是通过统一采集网关将多协议设备数据归一化,再经清洗与异常标记后,由前端图表库实时呈现。技术价值在于消除信息孤岛,让管理者直观掌握产线状态。典型应用场景包括SMT贴片、回流焊等电子制造车间,通过可视化大屏实时展示设备状态、OEE与质量趋势。ECharts数据可视化与Python数据分析与可视化在此过程中承担核心角色,实现从数据采集到产线语言的高效转化。

weixin_34292402的博客 419

xctf攻防世界 MISC高手进阶区 low

1. 进入环境,下载附件 给出的一张bmp图片,没有其他信息 2. 问题分析 扔进binwalk中,没有发现有用信息 使用zsteg,没有有用信息 塞入StegSolve中,发现有点猫腻,如图: 有点二维码的感觉,emmm,需要像素处理,但不知道如何下手,参考网上的wp,发现是让使用lsb隐写,copy代码: from PIL import Image img = Image.open('./pic/low.bmp') img_tmp = img.copy() pix = img_tmp.load()

l8947943的博客 1万+

NPU、CPU和GPU

NPU、CPU和GPU是三种不同类型的处理器,它们各自有不同的设计特点和应用场景。NPU(Neural Processing Unit,神经网络处理单元)是一种专门为加速神经网络计算而设计的处理器。

m0_60697583的博客 1764

深入解析YT8521S千兆以太网PHY芯片的设计与调试要点

本文深入解析了YT8521S千兆以太网PHY芯片的设计与调试要点。重点剖析了硬件设计中的电源方案、RGMII接口电平配置(尤其是1.8V电平方案)以及PCB布局布线等关键细节,并提供了从硬件检查、驱动配置到性能测试的完整调试流程,帮助工程师规避常见陷阱,实现稳定可靠的千兆网络连接。

weixin_29190573的博客 692

5分钟搞定!用ZLMediaKit+GB28181搭建低成本外网视频监控(含避坑指南)

本文详细介绍了如何利用开源ZLMediaKit流媒体服务器与国标GB28181协议,快速搭建低成本、可外网访问的企业级视频监控系统。文章提供了从服务端部署、设备配置到外网访问优化的完整实战指南,并重点分享了网络配置、性能调优及常见问题的避坑方案,帮助用户实现高清视频流的稳定推送与多格式播放。

bush的博客 334

TI DSP的 FFT与IFFT库函数的使用测试

/** * Copyright (C) 2013 Guangzhou Tronlong Electronic Technology Co., Ltd. - www.tronlong.com * * @file dsplib_fft.c * * @brief Example application main file. * This application will run FFT performance test. * * @author Tronlong <support@tron.

ToneChip的专栏,一个传统的嵌入式码农,裸机编程 2679

用Blender给ArduPilot无人船编队设计灯光秀:从建模到飞行的保姆级教程

本文详细介绍了如何利用Blender和ArduPilot为无人船编队设计灯光秀的全流程技术方案。从3D动画设计、坐标转换、数据导出到ArduPilot飞控配置和灯光控制,提供了一套完整的保姆级教程,帮助开发者实现水面灯光编队表演。

weixin_29213525的博客 389

linux系统宝塔服务器temp文件夹里总是被上传病毒php脚本

服务器时不时的会发送短信说你服务器有病毒,找到了这个tmp文件,删除了之后又有了。确实是有很多人就这么无聊,每天都攻击你的服务器。找了很久的原因,网上也提供了一大堆方法,但都是很简陋的答案,具体怎么操作并没有说。没办法只能自己去排查这个问题。从两个角度来考虑,第一是服务器系统问题,比如宝塔的漏洞。但一时半会看不出问题来。只能去排查自己的项目代码。最后了解到代码确实是存在漏洞的。但代码中也确实了很多的校验,为什么会存在漏洞了?这就不得不从上传的过程开始说起。

guiplan 1498

Qt 调用YOLO模型(代码)

本文介绍了如何在 Qt C++ 环境中集成 YOLO 模型进行目标检测,包括模型封装、界面设计和实时处理等关键步骤。通过这种方法,你可以快速开发出具有目标检测功能的 Qt 应用程序,应用于监控系统、机器人视觉、图像分析等多个领域。

轩宇的博客 262

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

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")

上一篇: 可视化大屏系列(4):高德地图集成与动态热区渲染
下一篇: 可视化大屏系列(6):多端适配-实现智慧工地 PC 端与大屏端的统一设计与适配策略
全栈探索者chen
全栈探索者chen 新星创作者: 前端开发技术领域 新星创作者: 前端开发技术领域
博客等级 码龄10年 9415粉丝 1027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

全栈探索者chen

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
⌂ 换网址