BQ4050开发进阶(二):Protections参数优化策略与实战解析

BQ4050开发学习(一):Protections参数的设置 BQ4050开发学习(一) 2.2电池欠压保护:CUV 如果电池电压低于CUV一段时间,BQ4050将会关断mos避免进一步破坏电池:第一个参数为欠压保护电压,第二个参数为保护延迟时间,第三个参数为欠压保护后恢复电压。 2.3电池过压保护COV 电池在超过COV后并持续Delay的时间后会触发过压保护,直到恢复到设置好的恢复电压才会重新打开MOS 2.4充电过流保护OCC 充电过流保护有两个OCC参数,当充电电流超过OCC1时,会发出警告但不会做出动作,当超过OCC2并超过Delay时间后,会关断MOS 阅读详情

1. 从“能用”到“好用”:为什么Protections参数需要优化?

上次我们聊了BQ4050里那些密密麻麻的保护参数都是干嘛的,相信你已经能把它们一个个填进EV2400或者上位机软件里,让电池组“跑起来”了。但不知道你有没有遇到过这种情况:设备在实验室里测得好好的,一到用户手里,不是动不动就“罢工”断电,就是明明还有电却提前报警,用户体验一塌糊涂。或者更糟,在某个极端工况下,保护没及时触发,电池真的出了安全问题。

这就是“参数设置”和“参数优化”的本质区别。设置,是把芯片手册上的默认值或者理论值填进去,让系统具备基础的保护功能,保证“不出事”。而优化,则是基于你手上这块具体的电池、这个具体的产品、以及它未来会面对的真实使用场景,去精细地调整每一个阈值和延时,在“绝对安全”和“极致好用”之间找到一个完美的平衡点。

我刚开始做BMS的时候也踩过不少坑。有一次,我们给一款户外储能电源用的电池包,直接套用了另一款消费电子产品的保护参数。结果在北方冬天,用户一用大功率设备,电池就因为“低温放电保护”频繁切断,用户投诉说产品“怕冷”。还有一次,为了追求极致的循环寿命,我们把过压保护(COV)的阈值设得非常保守,接近电芯的上限,结果在充电末段,由于电芯一致性轻微差异和采样误差,经常误触发保护,导致电池永远充不满。

所以,Protections参数的优化,本质上是一个系统工程。它不再是孤立地看某个电压或电流值,而是要综合考虑:

  • 电芯特性:是磷酸铁锂还是三元锂?它的安全窗口(电压、温度)到底有多宽?
  • 负载特性:你的产品是无人机(瞬间大电流脉冲),还是扫地机器人(持续中等负载),或是储能基站(长期浮充)?
  • 环境特性:产品会在-20℃的冰天雪地还是50℃的车内暴晒?
  • 用户习惯:用户是会浅充浅放,还是经常用到自动关机再充电?

接下来的内容,我就结合这些年在电池管理系统和储能设备上的实战经验,跟你深入聊聊,如何像老中医“辨证施治”一样,为你的BQ4050项目量身定制一套“保护参数优化策略”。我们会把保护功能分成几个大类,逐个击破。

2. 电压保护双雄:CUV与COV的精细打磨

欠压保护(CUV)和过压保护(COV)是锂离子电池的“生命红线”,设置不当,要么损伤电池,要么让设备“早衰”。优化它们,关键在于理解电芯的放电曲线和充电末端的特性。

2.1 欠压保护(CUV):防止“过劳死”,更要避免“假性猝死”

欠压保护的目的是防止电池因过度放电导致内部结构损坏,出现“过放”现象。但设置得太高,会浪费电池容量;设置得太低,则风险巨大。

优化策略实战:

  1. 确定理论底线:首先,严格遵循电芯规格书。比如,一颗三元锂电芯的放电截止电压通常是2.8V或3.0V。你的CUV电压必须高于这个值,我一般会留出50-100mV的余量。例如,电芯截止电压3.0V,CUV可以设为3.05V或3.1V。这个值是安全的起点。
  2. 引入负载补偿:这是新手最容易忽略的一点!电池在大电流放电时,由于内阻的存在,其端电压会被“拉低”,这个现象叫“IR Drop”。如果你在3.1V触发保护,而此刻电池正在以2C倍率放电,内阻压降可能高达100mV,那么电芯的真实电压可能还有3.2V,保护属于“误动作”,白白浪费了容量。
    • 怎么办? 你需要分析产品最大持续放电电流下的内阻压降。公式很简单:压降 = 放电电流 × 电池内阻。假设内阻是30mΩ,最大持续电流10A,压降就是0.3V。那么,你的CUV阈值就应该在理论值(如3.1V)基础上,加上这个压降,设为3.4V。这样,当电压跌到3.4V时,芯片动作,切断电流,电压回升,电芯的真实电压刚好回到3.1V左右的安全线。
  3. 延时(Delay)的艺术:延时是为了抗干扰,避免因电压瞬间跌落(比如电机启动)而误触发。对于消费电子产品,延时可以设短一些,比如1-2秒。但对于电动工具、无人机这种有瞬间大脉冲负载的设备,延时需要加长,可能需要3-5秒,甚至配合硬件滤波电路。你需要用示波器抓取产品最恶劣工况下的电压跌落波形,来确定这个延时。
  4. 恢复电压(Recovery)的设定:恢复电压一定要高于CUV触发电压,否则一恢复又触发,会陷入“打嗝”模式。通常,恢复电压比CUV高50-200mV。例如,CUV设为3.4V,恢复电压可以设为3.5V或3.6V。这样,保护触发后,负载移除,电压回升到3.5V以上,系统才允许再次放电,给了电池一个缓冲恢复的时间。

BQ4050电池管理芯片IIC通信数据读取实战指南 本文提供了BQ4050电池管理芯片通过IIC通信协议读取电池数据的完整实战指南。详细解析了硬件连接、SMBus协议指令集,并附带了从底层时序模拟到上层数据解析的C语言驱动代码,帮助开发者快速实现电压、电流、电量等关键参数的稳定读取,解决实际应用中的通信问题。 阅读详情

相关推荐

BQ4050保护参数优化实战:电压、电流、温度配置与避坑指南

从电池管理系统(BMS)的核心功能谈起,电池保护是确保锂离子电池安全可靠运行的关键。保护参数的设计直接影响充电过压、放电欠压、过流和温度异常等场景的响应。以TI BQ4050电量计为例,其Protections配置需兼顾电芯规格与系统工况,COV/CUV阈值、OCC/OCD/SCD延时、OTC/OTD温度门限均需精确计算。实际项目中,热敏电阻(NTC)参数与TS引脚配置不匹配会导致温度采样偏差,引发误保护;SCD延时单位混淆可能造成短路保护失效。科学设定阈值并经过故障注入验证,能有效避免误保护与漏保护,提升

weixin_42629671的博客 302

BQ4050电量计Protections保护参数:从配置原理到实战调试

电池管理系统(BMS)是新能源设备安全运行的核心,其中电量计的保护参数配置直接决定了过压、欠压、过流、短路等故障场景下的响应逻辑。合理的保护阈值与延迟时间设置,既要避免正常工况下的误动作,又要在极端情况下可靠切断充放电回路,保护电芯与整机安全。本文聚焦TI BQ4050电量计,从Protections保护参数的四大家族框架出发,讲解电压、电流、温度等保护阈值从电池规格书到寄存器配置的换算方法,并结合实际工程案例,分享SCD短路保护、OCD过流保护、低温拒充、锁存恢复等典型问题的调试经验,为BMS设计工程师提

weixin_31858171的博客 130

chrome-win64-159.0.8145.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8145.0 win64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 64 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

chrome-headless-shell-win64-157.0.8103.38(Stable).zip

Chrome for Testing 官方指定版本的 Chrome 浏览器、ChromeDriver 与 Headless Shell 压缩包,适用于 Selenium、Playwright 等自动化测试环境搭建,覆盖 Windows、macOS、Linux 多平台,解压即可使用,无需额外安装或配置。

chrome-win32-159.0.8150.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8150.0 win32 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 32 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

chromedriver-win32-160.0.8164.0(Canary).zip

chromedriver-win32-160.0.8164.0(Canary).zip

chrome-headless-shell-mac-x64-160.0.8164.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome-headless-shell 160.0.8164.0 mac-x64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:macOS Intel 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①无头浏览器内核(Playwright/Puppeteer/Selenium 无界面自动化与爬虫);②服务器/容器离线内置;③版本精准匹配(chromedriver 与 Chrome 需同大版本)。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

化工MES-石化盈科信息技术有限责任公司.pptx

化工MES-石化盈科信息技术有限责任公司.pptx

健康管理服务运营方案.pptx

健康管理服务运营方案.pptx

钢铁行业工业互联网安全解决方案.pptx

钢铁行业工业互联网安全解决方案.pptx

集团S&OP供应链计划管理蓝图规划方案(供应链二).pptx

集团S&OP供应链计划管理蓝图规划方案(供应链二).pptx

互联网 医联体信息化建设和实施解决方案.pptx

互联网 医联体信息化建设和实施解决方案.pptx

集团企业采购职能管控模式规划方法论采购职能管控方案、采购职能管理模式、组织与职责设计.pptx

集团企业采购职能管控模式规划方法论采购职能管控方案、采购职能管理模式、组织与职责设计.pptx

TVJ1120资源及合并指令

内容概要:本文提供了TVJ1120.apk拆分文件的下载链接及合并方法,包含两个分卷文件(part1和part2)的CSDN下载地址,并给出在Windows系统下使用copy命令将两个分卷合并为完整APK文件的具体指令。同时提供使用certutil工具对合并后的TVJ1120.apk进行SHA256哈希值校验的命令,以确保文件完整性与安全性。; 适合人群:具备基本计算机操作能力,熟悉命令行工具使用的开发者或技术人员;需要下载并验证安卓应用文件完整性的用户。; 使用场景及目标:①用于从分卷压缩或拆分的APK文件中恢复完整的安装包;②通过哈希校验确保下载的APK文件未被篡改或损坏,保障应用安全性和可用性;③适用于软件分发、移动应用测试、逆向分析等技术场景。; 阅读建议:在操作前确认已下载全部分卷文件,并在相同目录下执行合并命令;建议严格比对生成的SHA256值与官方提供的校验值,防止运行不安全的应用程序。

详细了解sklearn中的CountVectorizer

CountVectorizer 是 scikit-learn(一个流行的 Python 机器学习库)中的一个文本特征提取类,其核心功能是将一系列原始文本(如句子、文档)转换为基于词频(word count)的数值矩阵。它基于词袋模型(Bag of Words, BoW)思想,忽略文本的语法结构和词序,仅关注词汇在文本中出现的频率,从而将文本转化为机器可理解的数字形式。文本 1:"I love machine learning"

2302_76568160的博客 1120

rk3568 android 11.0 userdata 改为ext4格式

功能:解决设备在恢复出厂设置进行擦除数据的时候卡住问题。 1.修改userdata分区为ext4格式 diff --git a/device/rockchip/common/scripts/fstab_tools/fstab.in b/device/rockchip/common/scripts/fstab_tools/fstab.in index 583e75579d..036336835d 100755 --- a/device/rockchip/common/scripts/fstab_tools/

chgh1306的专栏 2580

在Ubuntu系统中安装和使用wxPython进行Python图形用户界面(GUI)开发

在本文中,我将向您展示如何在Ubuntu系统上安装和使用wxPython,并提供一些示例代码来帮助您开始使用这个强大的工具。在MyFrame的构造函数中,我们创建了一个wx.Panel和一个按钮,并将按钮的点击事件绑定到一个自定义的方法on_button_click上。最后,我们创建了一个wx.App的实例,创建了一个MyFrame对象并显示它,最后通过调用app.MainLoop()启动应用程序的主事件循环。这只是一个简单的示例,但它演示了如何使用wxPython创建一个基本的GUI应用程序。

qq_37934722的博客 1040

《低功耗方法学》翻译——前言

前言

记录所学,分享知识,结识挚友 1210

Android15车载系统开机冷启动流程源码解析

本文主要介绍Android15车机系统开机冷启动的流程,暂不包含bootloader,仅从kernel开始直至Launcher首页展示。

jidapenglin28的专栏 258

深度解读 ABAP CDS View 中的 @Analytics.dataCategory: #FACT 注解

注解在 ABAP CDS View 中具有重要意义。它不仅定义了当前视图在数据模型中的角色,还为后续的分析和报告奠定了基础。在实际开发中,通过合理使用这一注解,可以显著提升数据模型的可用性和系统性能。无论是简单的 KPI 展示还是复杂的多维分析,这一注解都能发挥关键作用。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 793

Vue.js + Element UI 实现会员管理系统:完整源码与详细教程|新手必看:用 Vue.js 和 Element UI 打造会员管理系统,完整代码解析|从零开始|后台管理系统|大学生期末大

总之,学习前端开发需要耐心和毅力,要保持对技术的热情和兴趣,不断学习和提升自己。通过实践项目、学习工具和框架、关注前端趋势等方式,你可以逐渐成为一名优秀的前端开发者。

南北极之间 1082

24. SAP UI5 应用如何使用 OData 数据模型

本教程之前的二十三个步骤,使用的数据模型都是 JSON 模型。从本步骤开始,我们要学习另一种非常重要的数据模型:OData 数据模型。 OData 数据模型也是 SAP 产品里广泛使用的数据模型,比如 SAP S/4HANA,SAP CRM Fiori 应用等等,都使用的是 OData 数据模型而不是 JSON 数据模型。 使用 OData 数据模型的典型场景就是,通过 OData 模型提供的 Read API,将远端服务器上存储的数据通过 OData 协议读取到客户端,并显示在 SAP UI5 应用里。.

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 5805

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。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

上一篇: 解决Docker镜像拉取失败:Get https://registry-1.docker.io/v2/错误的实战指南
下一篇: OpenAI Whisper模型全版本下载指南:从tiny到large-v3的完整资源整理
rgv234567
博客等级 码龄1天 0粉丝 1475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  | 博主筛选后可见
 
 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
⌂ 换网址