TMC5130/TMC5160步进电机驱动芯片深度解析与工程实践

【STM32+CUBEMX】TMC5160电机驱动简要配置 发送到 TMC5160 的每个数据报由一个地址字节和四个数据字节组成。这方便对 TMC5160 的寄存器组直接进行 32 位数据字通信。每个寄存器有 32 位数据, 即使少于 32 位。结合寄存机表格总结下:一次发送40位数据 先发送8位寄存器地址,32位数据位。1.2.2 时钟和SPI引脚。1.2.3 驱动使能引脚。1.2.1 模式选择引脚。配置完成后,可参照数据手册验证硬件连接。主函数调用时,自行添加 0X80。2.SPI发送数据结构。鱼翻藻鉴,鹭点烟汀。 阅读详情

1. TMC51X0系列驱动芯片技术解析:从寄存器级控制到工程化应用实践

TMC5130与TMC5160是Trinamic公司推出的高性能集成式步进电机控制器+驱动器(Controller+Driver)单芯片解决方案。二者并非简单地将控制器逻辑与功率驱动电路物理堆叠,而是通过深度协同的硬件架构设计,实现了运动控制算法与电流驱动特性的闭环耦合。这种“片上系统级运动控制”(SoC Motion Control)范式,显著区别于传统“控制器(如TMC429)+驱动器(如TMC2209)”分离架构,在降低BOM成本、减小PCB面积的同时,更关键的是赋予了芯片在动态工况下自主优化驱动参数的能力——例如根据实时检测的堵转风险自动降速,或依据电机反电动势变化自适应调节PWM占空比。本文将基于Janelia实验室开源的TMC51X0库(v3.0.0,BSD许可),结合STM32 HAL库与FreeRTOS实时操作系统,系统性剖析其底层寄存器操作逻辑、多模式驱动策略及工业级工程实现要点。

1.1 硬件架构与核心能力边界

TMC5130与TMC5160在寄存器映射层面高度兼容,仅存在少数关键差异,这使得同一套驱动软件可无缝适配两种芯片,极大提升了开发复用性。其核心能力边界由物理器件结构决定:

特性 TMC5130 TMC5160 工程意义
集成MOSFET 内置双H桥,R DS(on) ≈ 280mΩ 无内置MOSFET,需外接分立器件 TMC5130适用于≤1.64A RMS/相的中小功率场景(如精密仪器云台、3D打印挤出机);TMC5160面向≥10A/相的高扭矩应用(如CNC主轴、工业机器人关节)
供电电压范围 4.75V–46V 5V–60V(取决于外接MOSFET耐压) TMC5160可直接接入工业现场常见的48V直流母线,省去DC-DC转换环节
全局电流缩放 不支持 GLOBAL_SCALER 寄存器(地址0x70) TMC5160可通过该寄存器对所有电流设定值进行粗调(0–100%),避免因电机参数微小偏差导致反复烧录固件调试

二者共有的关键特性构成其技术价值基石:

  • 256微步分辨率 :通过内部细分引擎实现,无需外部细分电路,位置控制精度达1/256步距角;
  • 双编码器接口 :支持ABZ正交编码器与SSI绝对式编码器,为闭环控制提供硬件基础;
  • 双限位开关输入 :硬件级急停响应,中断延迟<1μs;
  • 双通信接口 :SPI(最高10MHz)与UART(最高115.2kbps)可同时启用,SPI用于高速参数配置,UART用于低速状态监控。

工程警示 :TMC5130的46V上限是芯片本身耐压极限,实际设计中必须预留20%余量。若系统存在感性负载关断产生的电压尖峰(如继电器线圈),需在V MOT 引脚并联TVS二极管(如SMAJ40A),否则易触发过压保护锁死。

1.2 通信协议栈:SPI寄存器读写时序精解

TMC51X0采用4线SPI(SCK, MOSI, MISO, CSN)进行寄存器访问,其协议本质是 带地址的16位移位寄存器 。每次传输包含2个字节:首字节为地址+读写标志位,次字节为数据(读操作时次字节被忽略)。关键时序约束如下:

// STM32 HAL SPI写寄存器示例(以TMC5130为例)
HAL_StatusTypeDef TMC51X0_WriteRegister(SPI_HandleTypeDef *hspi, 
                             
TMC5160步进电机驱动芯片,简析 TMC5160,一款优秀的步进电机驱动芯片,支持6点曲线运动,带静音模式、平滑模式等 阅读详情

相关推荐

TMC5130/5160 实战调试:从SPI通信到运动曲线优化的全流程解析

本文详细解析TMC5130/5160步进电机驱动芯片的实战调试全流程,从SPI通信配置、硬件连接到运动曲线优化。重点介绍了寄存器设置、电流参数调整及运动控制模式调试,帮助工程师解决实际应用中的振动、丢步等问题,提升系统性能与可靠性。

pea55的博客 1126

04_TMC5160驱动两相步进电机(STM32芯片)

TMC5160.h #ifndef _TMC5160_h_ #define _TMC5160_h_ #include "main.h" #define configModeSTEP 0//定义5160步进模式对应配置值 #define configModeLocation 1//定义5160步进模式对应配置值 #define configmaxCurrent 4.7 //定义芯片的最大电流 #define configDirLeft1 ...

Tmac_huang的博客 6036

电机驱动 TMC5160 详解

一、介绍 TMC5160 是带步进/方向接口和串行通信接口(SPI)的高功率步进电机控制驱动芯片,将实现自动目标定位的灵活斜坡发生器和业界最先进的步进电机驱动器结合在一起。通过外置外部晶体管,实现高动态、高扭矩电机驱动。 两相双极性步进电机的高电压通用控制器/驱动器。 stealthChop™控制电机安静运行。 外加 MOSFET 实现高达 20A 的电机线圈电流控制。 TMC5160 和 TMC2160 可以 PIN 对 PIN 替换,TMC5160 自己带有梯形曲线加速功能,这是它与 TMC21.

EchoHeim 1万+

TMC5130A-TA-T芯片使用说明

ADI公司的TMC5130A-TA电机控制器和驱动器IC是一款高性能控制器/驱动器,适用于具有串行通信接口的两相双极步进电机。TMC5130A-TA 电机控制器和驱动器 IC 集成了专有的 MicroPlyer™、CoolStep™、SpreadCycle™、StallGuard2™ 和 StealthChop2™ 技术,可提供高集成度、高能效和高性价比的解决方案。典型应用包括 3D 打印机、办公自动化、工厂和实验室自动化、纺织缝纫机、医疗、闭路电视、安防、自动取款机、液体处理、定日镜控制器和包装机。

Summit__的博客 2311

【嵌入式硬件】TMC5160说明书

1)线圈电流最大20A(外部MOSFET);2)带SixPoint斜坡 的运动控制;3)带有 微步插值MicroPlyer 的步进/方向 接口;4)电压范围8-60V DC;5)SPI和单线UART;6)编码器接口 、2个参考开关输入;7)最高分辨率 256微步/全步;8)提供安静的操作和平稳的运动;9)中频谐振的谐振阻尼;10)高动态电机控制斩波器;11)负载相关速度控制;12)高精度无传感器电机负载检测;13)电流控制可实现高达75%的节能;14)被动制动和自由滑行模式;

qq_39200110的博客 9755

【调试】TMC5160问题,插上步进电机、步进电机一转或步进电机带负载转瞬间,TMC5160就无输出

分三种情况,但结果都一样的。 1、在不插步进电机的情况下,测量TMC5160电路的各个点都正常,接电机的接口上是高低高低一直在跑的电平。关电,插上步进电机,开电,接电机的接口就变成了与电源电压一样的电平,不再高低变化。 2、在插步进电机的情况下,测量TMC5160电路的各个点都正常,接电机的接口上是高低高低一直在跑的电平。发送指令控制电机开始动,瞬间接电机的接口就变成了与电源电压一样的电平,不再高低变化。 3、在步进电机空载的情况下,测量TMC5160电路的各个点都正常,接电机的接口上是高低高低一直在跑的电

云轩阁 1万+

TRINAMIC旗下的TMC5130和TMC5130步进电机测试deom

摘要:本文介绍了TRINAMIC TMC5130步进电机驱动芯片的SPI通信配置要点。重点包括:1) SPI时钟需限制在4MHz/8MHz以内;2) 40位数据帧结构(8位地址+32位数据)的传输实现;3) 关键寄存器配置参数说明(CHOPCONF等);4) STM32硬件SPI的初始化方法及数据收发函数实现。通过SPI总线发送特定指令序列可实现对步进电机的精确控制,文中提供了完整的寄存器配置示例和SPI通信代码实现。

weixin_41226265的博客 4678

STM32F4驱动TMC5130步进电机的实测工程包(含硬件板图、SPI配置与温控应用记录)

这个资源包聚焦STM32F4微控制器与TMC5130步进电机驱动芯片的实际协同开发,提供可直接复用的硬件驱动板(DriverBoard)设计文件、基于SPI通信的寄存器初始化流程、微步细分设置、静音运行(SpreadCycle)和电流精准调节方法。所有配置均经过真实环境验证,配套文档涵盖TCA9555 I²C扩展芯片的地址分配与IO控制说明、TMC5130各功能寄存器的逐项解释、常见通信异常响应逻辑及故障排查要点。还包含TMC5160对比参考,方便在更高电流或单芯片集成需求下做方案迁移。恒温箱光耦对照表和S

kkk56的博客 286

TMC5160、TMC5130高性能步进电机驱动代码 代码都已长时间验证,稳定可靠运行 图里资料就是到

调用简单,移植方便,适用于不同的应用场景。在本文中,我们详细介绍了TMC5160和TMC5130的特点和优势,并提供了原理图和代码注释,方便读者理解和使用。我们相信,通过使用TMC5160和TMC5130,开发者能够更好地实现对步进电机的控制,为各个领域的应用带来更好的效果和体验。TMC5160是一款具有高性能特点的步进电机驱动代码,它支持多个TMC5160级联,调用简单,移植方便。图2为TMC5130的原理图,从图中可以清晰地看出各个部件之间的连接关系,有利于读者对整个驱动的工作原理有一个更深入的理解。

FxsjVTPzSfK的博客 1035

TMC5160步进电机驱动板ALTIUM硬件原理图+PCB+STM32单片机TMC5160驱动源代码.zip

TMC5160步进电机驱动板ALTIUM硬件原理图+PCB+STM32单片机TMC5160驱动源代码,硬件采用2层板设计,大小为53*56 mm,包括完整的原理图PCB及STM32软件驱动代码。 //TMC5160 SET sendData(0xEC,0x000100C3); //PAGE43:CHOPCONF: TOFF=3, HSTRT=4, HEND=1, TBL=2, CHM=0 (spreadcycle) sendData(0x90,0x00061F0A); //PAGE33:IHOLD_IRUN: IHOLD=10, IRUN=31 (max.current), IHOLDDELAY=6 sendData(0x91,0x0000000A); //PAGE33:TPOWERDOWN=10:电机静止到电流减小之间的延时 sendData(0x80,0x00000004); //PAGE27:EN_PWM_MODE=1 sendData(0x93,0x000001F4); //PAGE33:TPWM_THRS=500,对应切换速

Monocle2拟时轨迹基因模块的GO富集解析

本文详细解析了如何对Monocle2拟时分析中得到的基因表达模块进行GO富集分析。通过从热图对象中提取聚类模块,并利用clusterProfiler等工具进行功能注释,将抽象的基因表达时序模式转化为可解释的生物学功能主题,如免疫应答、细胞外基质组织等,从而深入理解细胞命运转变的驱动机制。

gpt4scribbler的博客 504

Zuken E3.series schematic/cable/Formboard 连载(1)

​ 1987-2001年,CIM-Team公司(德国)推出基于MS-DOS环境下运行的CAD软件DDS-schematic 2002年,在此基础上,推出基于windows环境下运行,应用于电气工程领域的E3.Series 2002-2006年,CIM-Team公司成为Zuken公司(日本)的一家分公司,实现电子电气系统的完整设计平台 覆盖电子、电气原理设计,三维机柜设备布局与配线设计,线缆线束设计及其各类生产报表文档生成的完整设计流程

u010930036的博客 2511

研一脑电小白日记 之 EEGLAB预处理实战指南

本文为脑电研究新手提供了一份详尽的EEGLAB预处理实战指南。从MATLAB与EEGLAB环境搭建、使用NeuracleEEGFileReader插件导入BDF格式数据开始,逐步讲解了电极定位、滤波、降采样、ICA去伪迹等核心步骤,旨在帮助初学者高效完成脑电数据预处理,为后续分析奠定坚实基础。

weixin_29230649的博客 569

Modelica建模,Modelica语言的学习,技术调研工作

Modelica是由Modelica协会维护、免费开放的物理系统面向对象的统一建模语言规范,为机、电、液、控等多领域复杂工程系统提供了统一的物理建模语言规范。 Modelica作为多学科统一建模仿真的国际标准,被仿真界广泛采用,系统多领域统一建模仿真,已成为世界公认的MBSE和CPS的核心关键支持技术。 Modelica 语法、函数、包、连接器、组件、子系统

xzb5566的专栏 4646

STM32巡线小车PID调参实战:从五路灰度传感器数据到稳定运行的避坑指南

本文详细介绍了STM32巡线小车的PID调参实战,从五路灰度传感器数据处理到PID参数优化,提供了系统化的调试方法和常见问题解决方案。通过加权平均法计算偏移量,逐步调整比例、积分、微分参数,实现小车稳定巡线。文章还涵盖了定时器配置、控制周期优化及高级调试技巧,帮助开发者避开常见陷阱,提升巡线性能。

weixin_42570484的博客 195

uni-app开发-第6篇:uni-app 样式与主题

在 uni-app 开发中,样式与主题的管理是关键部分。样式分为全局样式和局部样式,全局样式在 App.vue 中定义,适用于整个应用,而局部样式在单个 .vue 文件中定义,仅对当前页面生效。局部样式优先级高于全局样式,内联样式优先级最高。样式属性如 font-family 和 color 可被子元素继承。要覆盖全局样式,可在局部样式中重新定义相同规则。主题切换通过 CSS 变量和类名实现,动态切换主题可通过修改元素的类名来完成。例如,定义浅色和深色主题,并通过按钮点击切换主题样式。这些方法帮助开发者灵活

无 372

国社科“选题设计论证”部分不再难!用AI快速梳理五大核心板块,轻松撰写出高质量的基金申报书(附AI提示词)

七哥给大家推荐的高校都在用的AI平台——高级学术版专业应用平台,集成了ChatGPT、Claude、Gemini、Grok等Al大模型的PLUS版本平台,包括 ChatGPT-5、4o、o3、4.1、4.5、Gemini 2.5 Pro、Claude 3.7、Claude 4、DeepSeek 满血版、Grok 3 、Grok 4等原生线路,还有国际主流的GPTs学术应用,可以辅助大家高效完成科研和学术写作任务,当然撰写硕博论文,课题、职称论文、国社科、国自然基金本子也是手拿把掐。

智能AI让学术科研更容易 938

【kubernetes】kubernetes kubeadm init 错误了 怎么回退?

因为虚拟机设置问题首先报错:然后我根据文章修改了核数。重启后,查看VIP运行所在机器,发现机器没有变化然后重新执行初始化后面报错了根据提供的信息,问题主要集中在 kubelet 未能成功启动控制平面组件,导致初始化过程超时。以下是可能的原因及相应的排查步骤:原因 1:kubelet 未运行或运行状态异常正如错误提示所指出,kubelet 可能未运行或处于不健康状态。请按照提示执行以下命令检查 kubelet 的状态和服务日志:根据输出结果,判断 kubelet 是否正常运行。后续一大堆错误。

九师兄 122

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

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")

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

上一篇: Qwen3-14B开源可部署指南:自主掌控模型权重、API接口与数据流向
下一篇: Deneyap Relay I²C继电器库深度解析与工程实践
月小烟
博客等级 码龄8年 2533粉丝 3593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