Marlin固件中Delta机型使用MicroProbe V2探针的校准问题解析
2025-05-13 07:58:14作者:胡易黎Nicole
问题背景
在使用Marlin固件的Delta型3D打印机上,当采用BIQU MicroProbe V2探针时,用户遇到了自动校准和床面调平失败的问题。该问题表现为探针在校准过程中随机失败,有时会在探测单点多次后突然Z轴大幅移动导致失败,有时会直接撞击打印床。
技术分析
探针信号问题
MicroProbe V2探针对信号有特殊要求:
- 触发信号需要强上拉电阻
- SKR 1.4 Turbo主板只有3个限位开关接口,且Delta机型已全部占用
- 专用探针接口P0_10没有上拉电阻
解决方案:
- 改用E1 Det端口(P1_25),该端口有外部上拉电阻
- 修改固件配置:
#define Z_MIN_PROBE_USES_Z_MIN_ENDSTOP_PIN #define Z_MIN_ENDSTOP_HIT_STATE LOW #define Z_MIN_PROBE_ENDSTOP_HIT_STATE LOW #define BIQU_MICROPROBE_V2 #define PROBE_ENABLE_DISABLE
探测深度设置
当探针未能充分接触床面时,可能出现探测失败:
Z_PROBE_LOW_POINT参数控制探测最低点- 默认值-2mm可能不足,可尝试增大至-3mm或更低
- 但设置过低可能导致撞床风险
电磁干扰问题
MicroProbe V2体积小,对信号干扰敏感:
- 建议在信号线上添加磁环
- 磁环位置不影响效果,可安装在探针端或主板端
床面调平算法差异
测试发现不同调平算法表现不同:
- 三点调平(AUTO_BED_LEVELING_3POINT)工作正常
- 双线性调平(AUTO_BED_LEVELING_BILINEAR)和统一调平(AUTO_BED_LEVELING_UBL)会失败
- 可能原因是Delta机型运动学特性与探针偏移量计算的兼容性问题
深入探讨
Delta机型与笛卡尔机型在探针使用上有本质区别:
- Delta机型探针时喷嘴位于中心,探针偏移量计算方式不同
- 探针边界(
PROBING_MARGIN)设置可能影响探测范围 - 建议检查
NOZZLE_TO_PROBE_OFFSET参数是否准确反映物理偏移
最佳实践建议
-
硬件连接:
- 优先使用带外部上拉的端口
- 确保信号线屏蔽良好
- 考虑双端口连接方案(如同时连接探针端口和Z限位端口)
-
固件配置:
// 探针类型设置 #define BIQU_MICROPROBE_V2 // 调试选项 #define DEBUG_LEVELING_FEATURE #define M114_DETAIL // 探测参数 #define Z_PROBE_LOW_POINT -3 // 根据实际需要调整 #define PROBING_MARGIN 0 // 测试时暂时禁用边界限制 -
调试步骤:
- 启用详细日志(
M111 S247) - 记录G28(回零)和G29(床面调平)的输出
- 比较成功和失败时的坐标数据
- 启用详细日志(
-
替代方案:
- 如问题持续,可考虑三点调平作为临时解决方案
- 长期建议等待固件更新或考虑其他兼容性更好的探针
总结
MicroProbe V2在Delta机型上的兼容性问题主要源于信号质量和运动学计算的特殊性。通过优化硬件连接、调整固件参数和选择合适的调平算法,大多数用户应该能够解决这一问题。Marlin开发团队也在持续改进对各类探针的支持,建议关注后续固件更新。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
321
2.74 K
仓颉编译器源码及 cjdb 调试工具。
C++
124
851
Ascend Extension for PyTorch
Python
157
178
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++
640
249
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
244
86
暂无简介
Dart
608
136
React Native鸿蒙化仓库
JavaScript
239
311
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
470
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
364
3.03 K