新手案例-基于卷积神经网络和连续小波变换的滚动轴承智能诊断研究

最新推荐文章于 2024-06-15 11:35:22 发布
最新推荐文章于 2024-06-15 11:35:22 发布
阅读量967 收藏 29
点赞数 32
文章标签： cnn 人工智能 matlab 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ynn4818172/article/details/138194602
版权

 1、文章概括

本文利用凯斯西储大学轴承中心数据，采用了连续小波变换（Continue Wavelet Transform，CWT）提取振动信号的时频特征，并将其时频图整理，作为卷积神经网络的输入。然后，划分训练集和测试集，搭建卷积神经网络（Convolutional Neural Network,CNN），学习不同失效模式下的时频图。最后，根据测试集，通过TSNE可视化和混淆矩阵，分析CNN神经网络的智能诊断效果。

1.1 技术路线

1.2 结果展示

上述结果分别为测试集的混淆矩阵和训练集的TSNE可视化结果。

从混淆矩阵中能发现，CNN网络对滚动轴承不同故障的识别精度达到了100%。

从TSNE可视化结果也能发现，经过CNN网络的特征提取和映射，不同故障类别的特征得到了有效的区分。

以上这些结果表明了卷积神经网络在特征提取和映射方面的卓越性能。

代码采用了Matlab 2023a进行运行，欢迎大家测试和提出问题！

2、基于CNN和CWT的滚动轴承智能诊断方法

第一步：利用连续小波变换方法（CWT）,分析不同故障模式信号的时频域波形，观察信号的频率分布差异情况。

第二步：设置样本长度，并依次保存不同故障模式的时频图像，用作后续卷积神经网络的输入。

第三步：搭建卷积神经网络模型，设置网络参数，并划分样本为训练集和测试集（比例为8：2）。利用训练集训练CNN模型。

第四步：利用测试集，借助TSNE可视化和混淆矩阵，评估CNN模型的故障识别效果。

2.1 连续小波变换理论

连续小波变换（Continuous Wavelet Transform，CWT）是一种用于信号分析的数学工具，它通过将一个信号与不同尺度和位置的小波函数进行卷积，来获取信号的时频信息。

连续小波变换的核心思想是使用可变尺寸的窗口来适应信号的不同频率成分，从而实现信号的局部化分析。

关于连续小波变换的科普文章，挺多的，这里就不再介绍，后期可能会推出其相关的代码案例。

在Matlab中有连续小波变换的函数：cwt.m,它较老版本有些修改，不需要提供尺度向量，能自适应地生成时频图像。、

值得注意是，采用新版本的cwt获得小波时频图像，在设置频率纵轴时，需要转换为对数坐标，即以下代码：

      set(gca,'yscale','log');

否则，cwt画出的时频图像有误。

2.2 卷积神经网络

卷积神经网络（Convolutional Neural Networks，CNNs）是一种深度学习模型，它在图像处理、语音识别、自然语言处理等多个领域都有着广泛的应用。

CNNs的设计灵感来源于人类视觉系统的工作原理，它特别适合处理具有网格状拓扑结构的数据，如图像。著名的卷积神经网络模型有AlexNet、InceptionNet、VGGNet和ResNet等。

3、实验分析

实验数据采用凯斯西楚大学（CWRU）的轴承数据，相关数据说明可参考如下软文：

            CWRU(凯斯西储大学)轴承数据

本文选择了97.mat（正常）、105.mat(内圈)、118.mat（滚动体）、130.mat（外圈）四组数据，该信号的采样频率为12000Hz。

第一步：利用连续小波变换方法（CWT），分析不同故障模式信号的时域波形。同时，将图片自动保存，生成以故障类别为名称、图片编号为名字的png格式图片。代码如下

%% 基于卷积神经网络的滚动轴承智能诊断方法
%% 作者：冷漠
%% 时间：2024年4月16日
%% 关注公众号 ："故障诊断与寿命预测工具箱",每天进步一点点
%% 第一个主程序  读取信号并开展连续小波变换分析，保存时频图用于后续作卷积神经网络的输入
clc
clear all
close all
%%  提取特征并保存图片
file_path =  ['D:\我的文档\硕士\信息\副业\公众号\公众号\' ...
    '20240416基于卷积神经网络的滚动轴承智能诊断方法' ...
    '\20240416基于卷积神经网络的滚动轴承智能诊断方法\data\'];% 文件夹路径
mat_acc_path_list = dir(strcat(file_path,'*.mat'));%获取该文件夹中所有csv格式的文件
mat_order_name= sort_nat({mat_acc_path_list.name}); 
mat_acc_num = length(mat_acc_path_list);%获取文件总数量
feature_all=cell(mat_acc_num,2);   %所有特征
Fs=12*10^3;           %采样频率
sample_length=2048;   %单个样本的长度
count=150;            %每种故障类型的样本总量
for i = 1:mat_acc_num
    variable=load(strcat(file_path,mat_order_name{1,i}));
    names = fieldnames(variable); % 获取mat中所有变量的名字
    sub_index = find(contains(names,'time'));     %每种mat内数据变量的索引
    sub_l=count/length(sub_index)*sample_length;  %要求每个变量采集的数据的长度
    photo_number=1;
    for j=1:length(sub_index)
        data = variable.(names{sub_index(j)}); % 取出第一个变量
        data = data(1:sub_l,1);
        data = reshape(data,sample_length,[]);
        %连续小波变换
        for jj=1:size(data,2)
            sub_data=data(:,jj);
            [w,fre]=cwt(sub_data,'morse',Fs);
            t=0:1/Fs:(length(sub_data)-1)/Fs;
            figure;imagesc(t,fre,abs(w));axis tight;axis xy; %  连续小波图像
            set(gca,'yscale','log');
            xlabel('Time (s)');ylabel('Frequency (Hz)');colormap('jet'); 
            axis off;
            set(gcf,'Position',[100 200 150 100]);
            set(gca,'looseInset',[0 0 0.08 0.08]);
            F=getframe(gcf);
            if ~exist(['data\',num2str(i)], 'dir')   %创建子文件夹
                mkdir(['data\',num2str(i)]);
            end
            imwrite(F.cdata,['data\',num2str(i),'\',num2str(photo_number),'.png']);
            fprintf('已生成 %s数据的第 %d图片，该图片属于 %s数据的 %s变量\n', ...
                mat_order_name{1,i},photo_number,mat_order_name{1,i},names{sub_index(j)});
            photo_number= photo_number+1;
            close all
        end
    end
end

参数设置和注意：

1、单个连续小波变换样本长度为2048；

2、每种故障类型样本总量为150个，四种即600个；

3、代码自动拾取每个mat文件中含有time的变量个数，并且平均从中抽取等量等样本，以97.mat文件为例，含有变量X097_DE_time和X097_FE_time两个变量，所以每个变量分别提取150/2=75个样本。值得注意是，需要预先根据不同mat内数据情况，选择合适的count值，在105.mat、118.mat、130.mat中分别含有3个带time的变量，这导致count的数量需要为3的整倍数，同时也是要2的整倍数（97.mat的缘故），请各位读者理解一下哈！

4、如果想看每一步的连续小波图像，可以在38行（axis off;）设置断点。

5、如果运行测试，请一定注意修改路径，即file_path变量。

上图为97.mat的X097_DE_time的一个样本的连续小波变换的图像。从图像中能发现，在1000Hz出有周期性的频率成分出现。

为了加速后续CNN的训练过程，降低CNN网络参数的规模，方便大家快速地理解这个流程。我将CWT的图像进行了缩放，上图为缩小后的图片。虽然丢失了一些信息，但图片从原先560*420*3变为了150*100*3，大小缩小了94%，这个能简省大量时间，我也是在调试代码时发现了。而且从后续智能诊断结果看出，压缩后的信息依然能用于区分不同故障模式。

第二步：搭建神经网络模型，并训练CNN网络。并划分样本为训练集和测试集（比例为8：2）

%% 基于卷积神经网络的滚动轴承智能诊断方法
%% 作者：冷漠
%% 时间：2024年4月16日
%% 关注公众号 ："故障诊断与寿命预测工具箱",每天进步一点点
%% 第二个主程序  利用已时频图，搭建卷积神经网络，识别滚动轴承的失效模式
clc
clear all
close all
%% 读取数据
digitDatasetPath = ['D:\我的文档\硕士\信息\副业\公众号\公众号\' ...
    '20240416基于卷积神经网络的滚动轴承智能诊断方法\' ...
    '20240416基于卷积神经网络的滚动轴承智能诊断方法\data'];   %不同失效模式的根文件夹路径
imds = imageDatastore(digitDatasetPath,'IncludeSubfolders',true,'LabelSource','foldernames');
%% 展示一些图片
figure;
perm = randperm(600,20);
for i = 1:20
    subplot(4,5,i);
    imshow(imds.Files{perm(i)});
end
% 计算每个类别的图像数量
labelCount = countEachLabel(imds)
% 计算每个图片的大小
img = readimage(imds,1);
size(img)
% 划分数据集为训练集和测试集
[imdsTrain,imdsTest] = splitEachLabel(imds,0.8,'randomized');  %训练集和测试集按照8：2的方式随机划分 随机抽取
​
%% 卷积神经网络
inputSize = size(img);   %根据size(img)的打印结果确定
numOutput = size(labelCount,1);
​
layers = [
    imageInputLayer(inputSize,'Normalization','zscore','Name','input')
    
    convolution2dLayer([3,3],32,'Padding','same','Name','conv1')
    batchNormalizationLayer('Name','BN1')
    reluLayer('Name','relu1')
    
    maxPooling2dLayer(2,'Stride',2,'Name','maxpool1')
    
    convolution2dLayer([3,3],64,'Padding','same','Name','conv2')
    batchNormalizationLayer('Name','BN2')
    reluLayer('Name','relu2')
    
    maxPooling2dLayer(2,'Stride',2,'Name','maxpool2')
    
    convolution2dLayer([3,3],128,'Padding','same','Name','conv3')
    batchNormalizationLayer('Name','BN3')
    reluLayer('Name','relu3')
    maxPooling2dLayer(2,'Stride',2,'Name','maxpool3')
​
    fullyConnectedLayer(128,'Name','fc1')
    fullyConnectedLayer(64,'Name','fc2')
    fullyConnectedLayer(numOutput,'Name','output')
    softmaxLayer('Name','softmaxLayer')
    classificationLayer];
​
maxEpochs = 20;
miniBatchSize_test = 1;
MiniBatchSize= 32;
figure
plot(layerGraph(layers));  %网络结构
​
options = trainingOptions('adam', ...
    'InitialLearnRate',0.01, ...
    'MaxEpochs',maxEpochs, ...
    'MiniBatchSize',MiniBatchSize,...
    'Shuffle','every-epoch', ...
    'ValidationData',imdsTest, ...           %我这里没有划分验证集，直接用测试集，时刻关注识别结果
    'ValidationFrequency',20, ...
    'Verbose',false, ...
    'Plots','training-progress');
​
net = trainNetwork(imdsTrain,layers,options);

​CNN网络的训练过程：

上图为展示的一些图片样本。下图为CNN神经网络的结构：

具体为：图片输入层input→卷积层conv1→批量归一化层BN1→激活层relu1→最大池化层maxpool1→卷积层conv2→批量归一化层BN2→激活层relu2→最大池化层maxpool2→卷积层conv3→批量归一化层BN3→激活层relu3→最大池化层maxpool3→全连接层fc1→全连接层fc2→全连接层output→softmax层→分类层。

第三步：利用测试集，分析已训练CNN网络的分类效果。代码如下：

​%% 测试
YPred = classify(net,imdsTest);
YTest = imdsTest.Labels;
​
accuracy = sum(YPred == YTest)/numel(YTest);  %识别准确率
figure
confusionchart(YTest,YPred,'ColumnSummary','column-normalized', ...
    'RowSummary','row-normalized')  %混淆矩阵

​从图中能所搭建的CNN网络的分类效果达到了100%。其中，根据第一步中的mat_order_name变量可知，1、2、3、4分别对应着97.mat、105.mat、118.mat、130.mat，即正常、内圈故障、滚动体故障、外圈。

第四步：利用TSNE可可视化分析方法，分析训练集的聚类聚类效果。一般情况下，看测试集的聚类效果，这个大家根据自己的理解，修改代码就行。具体代码如下

%% 网络聚类结果可视化
rng default
LayerName1 = "maxpool1";
LayerName2 = "maxpool2";
LayerName3 = "maxpool3";
LayerName4 = "softmaxLayer";
LayerActivations1 = activations(net,imdsTrain,LayerName1,"OutputAs","rows");
LayerActivations2 = activations(net,imdsTrain,LayerName2,"OutputAs","rows");
LayerActivations3 = activations(net,imdsTrain,LayerName3,"OutputAs","rows");
LayerActivations4 = activations(net,imdsTrain,LayerName4,"OutputAs","rows");
layer_tsne1 = tsne(LayerActivations1,'Distance','euclidean');
layer_tsne2 = tsne(LayerActivations2,'Distance','euclidean');
layer_tsne3 = tsne(LayerActivations3,'Distance','euclidean');
layer_tsne4 = tsne(LayerActivations4,'Distance','euclidean');
​
​
markerSize = 7;
figure(Position=[100 100 900 600]);
​
subplot(2,2,1);
gscatter(layer_tsne1(:,1),layer_tsne1(:,2),imdsTrain.Labels, [],'.',markerSize);
title("maxpool1 layer");
legend('Location','eastoutside');
​
subplot(2,2,2);
gscatter(layer_tsne2(:,1),layer_tsne2(:,2),imdsTrain.Labels, [],'.',markerSize);
title("maxpool2 layer");
legend('Location','eastoutside');
​
subplot(2,2,3);
gscatter(layer_tsne3(:,1),layer_tsne3(:,2),imdsTrain.Labels, [],'.',markerSize);
title("maxpool3 layer");
legend('Location','eastoutside');
​
subplot(2,2,4);
gscatter(layer_tsne4(:,1),layer_tsne4(:,2),imdsTrain.Labels, [],'.',markerSize);
title("softmax layer");
legend('Location','eastoutside');

​

上图分别展示了已训练的网络，分别在maxpool1层、maxpool2层、maxpool3层和softmaxLayer层的TSNE可视化结果。从图中能发现，随着网络的不断加深，不同类别的特征之间距离变大，同类别特征之间距离减小，这表明了CNN网络分类的可行性。

（有兴趣的效果伙伴可以试一试直接用CNN网络进行端（采集端，不进行信号处理和分析）到端（诊断端）的智能诊断，后续根据大家情况写一期。）

总结

上述是一个基于连续小波变换和卷积神经网络的滚动轴承智能诊断方法例子。首先，采用连续小波变换，获取信号的时频图。然后，利用这些时频图，训练神经网络。最后，利用测试集，借助混淆矩阵和TSNE可视化，分析神经网络的分类效果。

代码和参考文献

附件

源码及其数据文件

b3rt

1、上述源码及其数据文件

     ①97.mat、105.mat、118.mat、130.mat

     ②代码文件：maintf.m(读取mat数据，进行连续小波分析，自动保存图片)；network_CNN.m（读取时频图像，并训练神经网络，评价分类效果）；sort_nat.m（排序函数，用于maintf.m，可忽略）

    ③数据文件：data文件夹，它为maintf.m的运行结果。

2、相关参考

    ①https://ww2.mathworks.cn/help/deeplearning/ug/create-simple-deep-learning-network-for-classification.html （Mathwork的一个深度学习例子）

   ②https://ww2.mathworks.cn/help/wavelet/ref/cwt.html?searchHighlight=cwt&s_tid=srchtitle_support_results_1_cwt（Mathwork的cwt函数）

    ③https://ww2.mathworks.cn/help/deeplearning/ug/view-network-behavior-using-tsne.html?searchHighlight=tsne&s_tid=srchtitle_support_results_4_tsne（Mathwork的TSNE例子,不同版本的matlab好像tsne可视化函数有差异，最好看看自己的版本matlab的例子）

关注公众号“故障诊断与寿命预测工具箱”，每天进步一点点。

在职研究僧
关注
  • 32
    点赞
  • 踩
  • 29
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
小波分析在滚动轴承故障检测中的应用研究
06-30
滚动轴承是现代工业机械广泛应用的精密部件,研究其故障检测具有重要意义。分别对滚动轴承外圈和内圈2种故障状态下的检测信号进行了频域和提升小波分析。结果表明,提升小波对提取以上2种故障特征有效。
基于小波时频图和2D-CNN的滚动轴承故障检测
suyu87098的博客
02-28 5282
轴承故障诊断 附python和matlab代码
基于短时傅里叶变换和卷积神经网络的轴承故障诊断研究
故障诊断与健康管理
03-04 959
基于凯斯西储大学的轴承数据，首先利用短时傅里叶变换，将一维的训练样本转换为二维图像。然后，将处理好的样本进行样本分割为训练集、测试集，输入到卷积神经网络训练。
深度学习-CNN-卷积神经网络-算法实现-CNN卷积神经网络Matlab实现
05-23
卷积神经网络（CNN）是深度学习中用于图像和视频分析的强大工具，完整的Matlab代码：提供了使用Matlab编写的完整卷积神经网络模型代码，包括前向传播、反向传播以及网络训练的各个步骤。 详细的代码注释：每段代码都...
基于训练卷积神经网络的人脸识别设计_matlab
04-17
资源名：基于训练卷积神经网络的人脸识别设计_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手...
CNN-KDE卷积神经网络结合核密度估计多置信区间多变量回归区间预测（Matlab完整源码和数据）
05-20
1.Matlab实现CNN-KDE卷积神经网络结合核密度估计多置信区间多变量回归区间预测； 2.多变量单输出，包括点预测+概率预测曲线+核密度估计曲线，MatlabR2021a及以上版本运行，提供多种置信区间！评价指标包括R2、MAE、...
卷积神经网络CNN进行图像分类_matlab
04-10
资源名：卷积神经网络CNN进行图像分类_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定...
MATLAB神经网络---regressionLayer回归输出层
qq_45452617的博客
06-12 979
回归层计算回归任务的半均方误差损失。Matlab中的regressionLayer函数是一个深度学习工具箱中的函数,用于定义回归问题的损失函数层。它可用于神经网络模型的最后一层，将预测值与目标值进行比较,并计算出损失值。
从GAN到WGAN（02/2）
gongdiwudu的专栏
06-14 1216
生成对抗网络 （GAN） 在许多生成任务中显示出巨大的效果，以复制现实世界的丰富内容，如图像、人类语言和音乐。它的灵感来自博弈论：两个模型，一个生成器和一个批评家，在相互竞争的同时使彼此更强大。然而，训练GAN模型是相当具有挑战性的，因为人们面临着训练不稳定或收敛失败等问题。在这里，我想解释一下生成对抗网络框架背后的数学原理，为什么很难训练，最后介绍一个旨在解决训练难点的GAN修改版本。
景芯SoC A72的时钟树分析
u011075954的专栏
06-13 842
innovus的ctslog中的Clock DAG信息可以报出来CTS主要运行步骤的关键信息，比如clustering，balancing做完后的clock tree的长度，clock tree上所用的buffer、inverter，icg cell数量，clock skew等信息。可以看到cell、sink的counts，也可以看到BUF、ICG的数量，接下来我们来看看景芯SoC A72 TOP的CLOCK ID和BUF个数的变化吧。先看下景芯SoC A72项目的cts latency变化过程。
人脸识别系统---人脸对比
2303_77278243的博客
06-14 796
def select_image(): #定义选择图片的函数#指明label_var不是一个局部变量也不是全局变量，而是外部函数s1的参数。这样，select_image函数就可以修改s1函数的参数#弹出选择文件的对话框，以及被选择文件的类型file_path = filedialog.askopenfilename(title="选择图片",filetypes=(("图片文件", "*.png;*.jpg;*.jpeg;*.bmp"),("所有文件", "*.*")))#如果选择了文件。
yolov10主要特点
yzf060109的专栏
06-14 820
以下是YOLOv10与其他模型的快速对比：YOLOv10-S：46.3 AP，2.49毫秒延迟YOLOv10-M：51.1 AP，4.74毫秒延迟YOLOv10-L：53.2 AP，7.28毫秒延迟YOLOv10-X：54.4 AP，10.70毫秒延迟这些改进使YOLOv10成为实时目标检测任务的首选，从自动驾驶到智能监控。与YOLOv9-C相比，YOLOv10-B（一个平衡的变体）延迟减少了46%，参数量减少了25%，同时保持了相同的性能水平。一对多分配：在训练过程中使用，以提供丰富的监督信号。
YesPMP探索Python在生活中的应用，助力提升开发效率
YesPMP20的博客
06-13 941
Python是一种简单易学、高效强大的编程语言，正变成越来越多人选择的热门技能。学习Python不仅可以提供更多就业机会，还能让自己在职场更加有竞争力，那可以去哪里拓展自己的技能呢？
Windows10下安装GPU环境Cuda和Pytorch教程图解
weixin_40547993的博客
06-12 1431
在深度学习和高性能计算领域，利用GPU进行计算已经成为提升效率的关键手段。CUDA是NVIDIA推出的并行计算平台和编程模型，它使得开发者能够利用NVIDIA GPU的强大计算能力。同时，PyTorch作为一个广泛使用的深度学习框架，以其易用性和灵活的动态计算图受到了研究人员和开发者的青睐。为了在Windows10系统上充分利用GPU进行深度学习训练，需要正确安装和配置CUDA和PyTorch。
集成算法实验(Bagging策略)
weixin_50917576的博客
06-12 1095
Bagging：训练多个分类器取平均fx1/M∑m1M​fm​x全称： bootstrap aggregation（说白了就是训练一堆分类器）最典型的代表就是随机森林，现在Bagging模型基本上也是随机森林。随机：数据采样随机，；数据有多个特征(属性)组成，。随机是为了使得每个分类器拥有明显差异性。森林：很多个决策树并行放在一起如何对所有树选择最终结果？分类的话可以采取少数服从多数，回归的话可以采用取平均值。
NVIDIA Triton系列01-应用概论
最新发布
dejahu的博客
06-15 764
NVIDIA 的 Triton 推理服务器是一款开源软件，对于所有推理模式都可以简化在任一框架中以及任何 GPU 或 CPU 上的运行方式，从而在生产环境中使用推理计算，并且支持多模型 ensemble，以及 TensorFlow、PyTorch、ONNX 等多种深度学习模型框架，可以很好的支持多模型联合推理的场景，构建起视频、图片、语音、文本整个推理服务过程，大大降低多个模型服务的开发和维护成本。大大提高了用户的体验，并且服务器的数量减少了多达 78%，极大降低了服务的成本。
知识图谱的应用---新零售
weixin_43961909的博客
06-11 813
新零售，即个人、企业以互联网为依托，通过运用大数据、人工智能等先进技术手段并运用心理学知识，对商品的生产、流通与销售过程进行升级改造，进而重塑业态结构与生态圈，并对线上服务、线下体验以及现代物流进行深度融合的零售新模式 以阿里巴巴为例，立足于当下的电商场景从认知用户的需求出发，充分利用知识图谱技术，构建起了一个全新的电商知识图谱：新零售电商认知图谱。认知图谱在电商推荐也得到了广泛应用。其他的应用包括：1）在搜索结果页中插入和搜索词相关的主题形式的卡片，猜测真正的用户需求，这里的主题即为认知图谱的电商概念。
小波变换加CNN处理分类问题
07-27
小波变换结合卷积神经网络(CNN)可以用于处理分类问题。小波变换是一种对信号进行时频分析的技术，可以帮助提取信号的局部特征和时间频率信息。而CNN是一种强大的深度学习模型，可以自动学习和提取特征。 在将小波变换和CNN结合起来处理分类问题时，一种常见的方法是将小波变换作为CNN的输入。首先，将输入信号进行小波变换，得到不同尺度和频率的小波系数。然后，将小波系数作为输入特征图传递给CNN模型进行训练和分类。 这种结合方法可以帮助CNN更好地捕捉信号的局部特征和时间频率信息，从而提高分类准确性。同时，通过使用CNN的深层结构，可以进一步提取更高级别的特征，从而更好地区分不同类别的信号。 需要注意的是，具体如何设计和组合小波变换和CNN模型取决于具体的应用场景和数据特征。在实际应用中，可以根据需求进行适当的调整和优化。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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