Marlin固件中Z轴归位时双倍抬升问题的分析与解决
问题背景
在Marlin固件(bugfix-2.1.x版本)中,用户报告了一个关于Z轴归位行为的异常现象。当打印机完成启动后首次执行G28归位命令时,Z轴会执行两次抬升动作,这可能导致Z轴超出预设的安全范围,特别是在床型打印机(bed-slinger)上可能造成打印头与顶部结构的碰撞。
问题现象详细描述
在标准归位流程中,打印头会按以下顺序执行动作:
- 首先向上移动一定高度(预期为Z_CLEARANCE_FOR_HOMING设置值)
- 归位X轴和Y轴
- 再次向上移动
- 最后归位Z轴
用户发现,即使未在Configuration.h中显式定义Z_CLEARANCE_FOR_HOMING(保持默认注释状态),系统仍会执行两次Z轴抬升动作,且总抬升高度超过了用户预留的安全空间。
技术分析
通过分析Marlin源代码,我们可以理解这一行为的实现机制:
-
第一次Z轴抬升发生在G28.cpp中的初始安全检查阶段,目的是确保打印头不会刮擦可能不平整的打印床或碰撞夹具
-
在完成X/Y轴归位后,系统调用home_z_safely函数,该函数会再次确保Z轴处于安全高度
-
关键参数包括:
- Z_CLEARANCE_FOR_HOMING:归位时的最小Z轴安全高度
- Z_CLEARANCE_DEPLOY_PROBE:探头部署/收回时的Z轴安全高度
- HOMING_BUMP_MM:归位时的碰撞回退距离
问题根源
经过深入调查,发现问题主要由以下因素导致:
-
参数不一致:用户设置了不同的Z_CLEARANCE_FOR_HOMING(5mm)和Z_CLEARANCE_DEPLOY_PROBE(10mm)值,这导致了额外的Z轴移动
-
默认行为:即使未显式定义Z_CLEARANCE_FOR_HOMING,系统仍会使用默认值(通常为4mm)执行安全抬升
-
归位流程设计:系统设计上确实需要两次Z轴安全检查,一次在开始归位前,一次在Z轴归位前
解决方案
针对这一问题,建议采取以下解决方案:
- 统一安全高度参数:
#define Z_CLEARANCE_FOR_HOMING 5
#define Z_CLEARANCE_DEPLOY_PROBE 5
-
合理设置物理限制:
- 确保MAX_POS与物理结构之间有足够的安全距离
- 考虑床型打印机的特殊需求,预留更多Z轴空间
-
调整归位碰撞回退距离:
#define HOMING_BUMP_MM { 3, 3, 1 } // X,Y,Z轴的归位碰撞回退距离
安全建议
对于所有Marlin用户,特别是使用床型打印机的用户,应当注意:
-
在Configuration.h中明确定义所有Z轴相关安全参数
-
确保MAX_POS设置考虑了所有安全抬升的总高度
-
首次使用新固件时,建议手动监控归位过程,确认各轴运动范围
-
对于空间受限的打印机,可以适当减小安全高度,但必须确保不会发生碰撞
总结
Marlin固件中的Z轴归位行为设计考虑了多种安全因素,但需要用户根据具体打印机配置进行适当调整。通过合理设置相关参数,可以避免双倍抬升导致的问题,同时确保打印过程的安全性和可靠性。这一问题也提醒我们,在固件配置时需要全面考虑各参数间的相互关系及其对打印机行为的影响。
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