Klipper3D微步漂移问题分析与解决方案
2025-05-23 08:35:29作者:乔或婵
问题概述
在Klipper3D固件的Z轴探测操作中,发现了一个长期存在的微步漂移问题。该问题会导致在连续探测过程中,触发位置与停止位置之间存在微步级别的差异,这种差异会随着探测次数的增加而累积,最终影响打印质量,特别是床面网格补偿的准确性。
问题表现
当使用高分辨率Z轴(如TR8*4导螺杆,步进角1.8度,64微步)和较快的探测速度(如3mm/s)时,每次探测操作都会产生1个微步的漂移。这种漂移会不断累积,导致:
- 床面网格补偿数据出现系统性误差
- 第一层打印高度不一致
- 打印几何形状失真
- 多轴校准结果不准确
技术背景
Klipper3D的探测机制包含两个关键参数:
- ENDSTOP_SAMPLE_TIME:端停止采样时间
- ENDSTOP_SAMPLE_COUNT:端停止采样次数
这些参数原本是为了解决老式打印机端停止信号噪声问题而设计的,采样机制会在触发后继续运行(ENDSTOP_SAMPLE_COUNT - 1)次采样,以确保触发信号的可靠性。
问题根源
经过深入分析,发现问题出在MCU_endstop.home_wait()函数的实现上。该函数返回触发时间,但没有考虑端停止过采样带来的延迟。具体表现为:
- 触发位置(trig_pos)来自压缩步数
- 停止位置(halt_pos)来自迭代求解器(使用stepper.get_mcu_position())
- 两者之间的差异被错误地添加到stepper.get_commanded_position()
这种实现导致了每次探测都会产生微步级别的误差积累。
解决方案
核心开发者提出了修正方案,主要修改点在klippy/mcu.py文件中:
- 添加_oversample_ticks变量来跟踪过采样时间
- 在_build_config方法中计算并存储sample_ticks
- 修改home_wait方法,在返回时间时考虑过采样延迟
该修正确保:
- 单MCU探测中,trig_pos和halt_pos保持一致
- 多MCU探测中,仍能正确反映通信延迟带来的"过步"
影响范围
该问题影响所有使用以下配置的用户:
- 高分辨率Z轴(小导程螺杆或高微步设置)
- 较快探测速度
- ENDSTOP_SAMPLE_COUNT大于1(默认值为4)
特别影响依赖精确Z轴定位的功能,如:
- 床面网格补偿
- Z轴校准
- 第一层高度控制
- 多轴同步校准
验证结果
经过社区成员测试验证:
- 修正后微步漂移现象完全消失
- 床面网格补偿准确性显著提高
- 多轴校准结果更加稳定可靠
技术建议
对于暂时无法升级固件的用户,可采取以下临时解决方案:
- 降低微步设置(如从64降至16)
- 减小探测速度
- 设置ENDSTOP_SAMPLE_COUNT=1(牺牲噪声过滤)
但建议尽快应用官方修正,以获得最佳打印效果。
总结
这个长期存在的微步漂移问题的发现和解决,体现了开源社区协作的力量。它不仅解决了困扰用户多年的打印精度问题,也为Klipper3D的持续改进提供了宝贵经验。建议所有受影响用户及时更新固件,以获得更稳定、更精确的打印体验。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.88 K
暂无简介
Dart
671
156
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
React Native鸿蒙化仓库
JavaScript
260
322
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
661
311
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
654
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
15
1