Klipper固件中Z轴探测微步漂移问题的技术分析与解决方案
2025-05-23 19:23:00作者:乔或婵
问题概述
在Klipper固件中,当使用Z轴进行探测操作时,存在一个微步级别的位置漂移问题。这个问题会导致每次探测操作后,Z轴的实际位置与理论位置之间产生微小的差异,随着多次探测操作的累积,最终会显著影响打印质量,特别是床面网格校准的准确性。
问题表现
- 微步级漂移:每次探测操作后,Z轴位置会出现1个微步的偏移(使用64微步设置时)
- 累积效应:多次探测后,偏移量会不断累加
- 影响因素:
- 微步设置越高,问题越明显
- 探测速度越快,偏移越大
- ENDSTOP_SAMPLE_COUNT值越大,问题越严重
技术背景
Klipper固件在探测操作中使用了"触发位置"和"停止位置"两个概念。触发位置是探测开关首次被触发时的位置,而停止位置是固件实际停止运动的位置。在理想情况下,这两个位置应该相同,但实际运行中却出现了差异。
问题根源
经过深入分析,发现问题出在固件的MCU_endstop类中。当进行探测操作时:
- 固件会发送home_wait命令来等待探测触发
- 该命令返回的是触发时间,但没有考虑采样过程中的时间延迟
- 由于存在ENDSTOP_SAMPLE_COUNT设置(用于抗干扰滤波),实际触发和停止之间存在时间差
- 这段时间差导致步进电机多走了几个微步
解决方案
核心解决思路是在计算触发时间时,加入对采样延迟的补偿。具体修改包括:
- 在MCU_endstop类中新增_oversample_ticks变量来记录采样延迟
- 在构建配置时计算并存储采样延迟时间
- 在查询触发时间时,将采样延迟时间纳入计算
验证结果
经过实际测试验证:
- 使用64微步设置,3mm/s探测速度时,微步漂移完全消失
- 床面网格校准结果更加准确
- 多次重复探测不再产生位置累积误差
影响范围
该问题会影响所有使用以下配置的用户:
- 高分辨率Z轴(如TR8*4丝杠)
- 高微步设置(如64微步)
- 较快探测速度(如3mm/s及以上)
- 使用多次探测的操作(如床面网格校准)
用户建议
对于暂时无法升级固件的用户,可以采取以下临时解决方案:
- 降低微步设置(如改为16微步)
- 减小ENDSTOP_SAMPLE_COUNT值(如设为1)
- 降低探测速度
- 在关键操作前重新归位Z轴
技术意义
这个问题的发现和解决不仅修正了一个长期存在的精度问题,更重要的是:
- 揭示了固件中运动控制与探测时序的微妙关系
- 为未来类似问题的排查提供了参考
- 提高了Klipper在高精度应用中的可靠性
建议所有使用高精度Z轴配置的用户关注此问题的修复进展,并及时更新固件以获得最佳打印体验。
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
Ascend Extension for PyTorch
Python
223
245
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
暂无简介
Dart
672
157
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++
662
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥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
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218