Prusa-Firmware中实现打印区域网格床调平的技术解析
2025-07-05 15:11:42作者:蔡丛锟
概述
在3D打印过程中,网格床调平(Mesh Bed Leveling, MBL)是一项关键技术,用于补偿打印床表面的不平整。Prusa-Firmware 3.14.0版本引入了打印区域网格床调平功能,可以仅针对实际打印区域进行调平,显著提高了打印效率。本文将详细介绍如何正确配置和使用这一功能。
功能原理
打印区域网格床调平通过分析G代码中的打印区域信息,智能地选择需要调平的网格点。相比传统的全床调平,这一功能具有以下优势:
- 减少调平时间:仅测量打印区域内的点
- 提高精度:在关键区域使用更密集的测量点
- 延长设备寿命:减少不必要的探头动作
配置步骤
固件设置
- 进入打印机主菜单
- 选择"设置"→"网格床调平"
- 将网格密度设置为7x7(必须选择7x7才能启用区域调平功能)
- 执行Z轴校准(重要步骤,确保探头工作正常)
PrusaSlicer配置
- 确保使用最新版PrusaSlicer 2.8.0或更高版本
- 在打印机设置→自定义G代码→起始G代码中检查以下内容:
G80 X{first_layer_print_min[0]} Y{first_layer_print_min[1]} W{(first_layer_print_max[0]) - (first_layer_print_min[0])} H{(first_layer_print_max[1]) - (first_layer_print_min[1])} ; mesh bed levelling - 如果使用自定义配置文件,需要手动更新起始G代码
验证方法
-
切片后检查G代码文件,应包含类似以下内容:
G80 X109.746 Y89.7458 W30.5083 H30.5083其中:
- X/Y值为打印区域左下角坐标
- W/H值为打印区域的宽度和高度
-
观察打印机执行调平时,探头应仅在打印区域内移动
常见问题解决
-
全床调平问题:
- 检查是否启用了7x7网格
- 确认起始G代码正确
- 打印大型零件时,系统会自动测量全部49个点
-
Z轴校准提示:
- 在3.14.1版本中,启用7x7网格时会自动提示进行Z校准
- 当前版本需手动执行校准
-
配置文件更新:
- 系统预设更新后,自定义预设需要手动同步修改
技术建议
- 对于小型打印件,区域调平可节省约50%的调平时间
- 定期检查探头状态,确保测量精度
- 打印前观察调平过程,确认功能正常工作
- 不同版本固件可能有细微差异,建议保持固件最新
通过合理配置和使用打印区域网格床调平功能,可以显著提升打印效率,同时保证打印质量。这一功能特别适合频繁打印小型物件的用户,是Prusa-Firmware 3.14.0版本的重要改进之一。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust075- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00
项目优选
收起
暂无描述
Dockerfile
690
4.46 K
Ascend Extension for PyTorch
Python
547
671
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++
955
930
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
427
75
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
407
326
昇腾LLM分布式训练框架
Python
146
172
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
650
232
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
1.08 K
564
🎉 (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
1.59 K
925
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
642
292