伺服电机:原点设置、原点、零点、参考点的理解

伺服电机:原点设置、原点、零点、参考点的理解

伺服电机的零点

伺服电机的零点是指电机在运动过程中相对于某个参考点的位置。这个参考点可以是机械结构上的固定点,也可以是编码器读数的位置。

在伺服控制系统中,零点是用来进行定位、加减速控制、位置修正等运动控制的重要参数。

伺服电机的零点位置一般由工程师根据具体的应用环境和电机的特性进行设置,可以通过编码器反馈或者机械开关等方式来实现。

伺服电机的原点

伺服电机的原点是指电机在控制系统中设定的参考位置。在伺服控制系统中,原点一般是通过计算,或者手动设置得到的。

原点的作用是在进行复杂的控制时,将物理量转化为数字量,方便计算机进行处理和控制。伺服电机的原点也可以是机械结构上的固定点,而且往往都被设置在零点的位置。

零点与原点的区别

伺服电机的零点是指相对于某个参考点的位置,而原点是控制系统中的参考位置。

零点是实际物理位置,原点是虚拟位置。

对于同一台电机而言,零点一般是不变的,而原点可以根据应用进行更改。

伺服电机的零点和原点在应用中有不同的作用。伺服电机的零点主要用于控制电机的位置、方向和速度,具体能用于机器人的位置控制、电子数控刀床的自动加工等。

而电机的原点主要用于物理量和数字量的转换,方便计算机进行复杂的控制和计算,比如通过编码器读数得到

什么是原点设置

伺服系统的原点设置,就是确定电机运动起始点的位置,控制系统走多远的位置,或者旋转多少圈、多少角度,都是以这个点作为参考点的。

为什么要设置原点

原点设置是伺服系统调试与运行的基础,它直接影响这运动控制系统的定位精度和准确性。

原点与零点的区别

有人说零点信号和原点信号是同一个东西,都是伺服进行绝对定位的基准点,这总理解是错误的。

零点,就是电机的初始位置,可以理解为初始零位(归零位置),其作用是将电机的位置归零,将电机的实际位置与运动系统的参考位置对齐。

原点,不是电机的原点,而是伺服系统的原点,是伺服系统中设定的一个特殊位置,一般情况下,原点相对于伺服电机的零点有一个固定的偏移量,用于确定电机的起始位置。

伺服系统要进行绝对定位,就必须进行回零操作。

如果伺服系统使用的是绝对值编码器,只需要进行一次回零就可以,但是要保证伺服电机的轴和编码器的轴之间没有发生相对转动。

如果伺服系统使用的是相对值编码器,就需要进行多次回零?

怎么设置原点

首先,在伺服电机正常工作的前提下,设置伺服电机的零点;

然后,再来设置伺服系统的原点。

DOG信号

DOG信号,也叫近点狗信号,与原点参考点是同一个东西吗?是寻找原点的辅助信号,比如下图所示,伺服的初始位置在蓝色方框出,启动回原点动作后,就高速运行。红色圆圈就是DOG信号,当碰到这个信号后,就说明伺服离原点很近了,此时应减速运行。

有人问这个DOG信号不要行不行?回原点的时候,直接一步到位,走到原点位置就停止不是更好?

其实理论上是可以这么做的,回原点的时候总是希望能快点到原点,那速度就得快,那么问题来了,速度比较快的时候,检测到原点信号,电机是否能马上停下来。在实际工程应用中,是很难检测到原点信号后就能立即停下的,总归回多走几个脉冲。这很好理解,就好比高速上高速行驶,在接近目的地的时候,车速就要慢慢降下来,才能精确的停在某个位置上,如果是等到了位置点才减速停车,那车子还要往前冲一段位置,就是这么个道理。

如果有的人觉得他的运动系统,就不需要这个DOG信号也能运行,那只能说,这个运动系统就不需要高精度,用伺服纯属浪费。

Read more

读李宁老师的《AIGC 自动化编程 -- 基于 ChatGPT和 GitHub Copilot》

对“李宁”这个名字,最有印象的,除了体操王子,就是一位计算机图书领域的作者了。前几年就买过一本他写的 python(《Python从菜鸟到高手》)的书,感觉深入浅出,理解深刻,行文易懂。所以对作者怀有敬意和好感。 这几天翻阅他的这本 2023/10月出版的《AIGC 自动化编程 -- 基于 ChatGPT和 GitHub Copilot》这本书,虽然时光荏苒,技术进步飞速,书中有些内容已经过时,但是看到其中核心思想 -- 解决复杂问题,通用的做法就是先分解后合并,还是颇有裨益,于我心戚戚耶。遗憾没有早几年接触到这本书。 从2024 年初的 ChatGPT 大火,然后 2025年初DeepSeek 的横空出世(对普罗大众而言),到 2025 年底,Google Genimi 3的发布,LLM

Face3D.ai Pro惊艳效果:4K UV贴图支持Alpha通道,完美处理发丝与胡须

Face3D.ai Pro惊艳效果:4K UV贴图支持Alpha通道,完美处理发丝与胡须 1. 效果展示:发丝与胡须的完美呈现 Face3D.ai Pro在4K UV贴图生成方面达到了令人惊艳的专业级水准,特别是在处理传统3D重建中最为棘手的发丝和胡须细节方面表现突出。 1.1 发丝细节的精准捕捉 传统3D人脸重建往往将头发处理为模糊的色块,而Face3D.ai Pro能够精确识别并重建每一缕发丝的走向和透明度。通过Alpha通道的支持,生成的UV贴图完美保留了发丝的透明渐变效果,从发根到发梢的细微变化都能清晰呈现。 在实际测试中,即使是复杂的卷发或飘逸的长发,系统也能准确重建发丝的层次感和空间关系,为后续的3D渲染提供了高质量的纹理基础。 1.2 胡须的真实还原 男性面部的胡须处理一直是3D重建的技术难点。Face3D.ai Pro通过深度学习算法,能够区分胡须区域与皮肤区域,并生成带有透明度的胡须纹理。 从测试结果看,系统不仅能够重建胡须的整体形状,还能捕捉到胡须的密度变化和生长方向。即使是短短的胡茬,也能在4K贴图中得到清晰表现,避免了传统方法中胡须看起来像"贴

Ascend Whisper 高效部署实战:从模型优化到生产环境避坑指南

快速体验 在开始今天关于 Ascend Whisper 高效部署实战:从模型优化到生产环境避坑指南 的探讨之前,我想先分享一个最近让我觉得很有意思的全栈技术挑战。 我们常说 AI 是未来,但作为开发者,如何将大模型(LLM)真正落地为一个低延迟、可交互的实时系统,而不仅仅是调个 API? 这里有一个非常硬核的动手实验:基于火山引擎豆包大模型,从零搭建一个实时语音通话应用。它不是简单的问答,而是需要你亲手打通 ASR(语音识别)→ LLM(大脑思考)→ TTS(语音合成)的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说,这是个绝佳的练手项目。 从0到1构建生产级别应用,脱离Demo,点击打开 从0打造个人豆包实时通话AI动手实验 Ascend Whisper 高效部署实战:从模型优化到生产环境避坑指南 背景痛点分析 语音识别模型在昇腾硬件上的部署常常面临几个关键挑战: * 计算图优化不足:原生PyTorch模型直接转换后,存在大量冗余计算节点,影响NPU执行效率

收藏级|小白也能上手!用魔搭+LLaMA Factory手把手实操大模型微调全流程

收藏级|小白也能上手!用魔搭+LLaMA Factory手把手实操大模型微调全流程

本文用「教育孩子」类比「训练AI」的通俗方式,拆解大模型微调的完整流程,全程基于魔搭平台和LLaMA Factory工具,从环境搭建、模型下载、数据准备,到模型训练、本地测试、模型导出,每一步都附具体操作和代码,无多余冗余。无论是零基础小白,还是刚接触大模型的程序员,都能跟着步骤一步步实操,轻松吃透预训练、微调和RLHF三大核心阶段,成功训练出属于自己的第一个大模型,建议收藏备用,实操时直接对照步骤走! 1、先搞懂:什么是大模型「微调」? 在动手实操前,我们先花2分钟搞懂核心概念——微调。常规大语言模型的训练,就像培养一个孩子,整体分为3个关键阶段,一张图就能看明白: 用「养娃」做类比,小白也能秒懂三个阶段的区别,建议记好这个类比,后续理解流程更轻松: 1. 预训练(对应孩子的「通识教育」) * 模型层面:通过自监督学习,读取海量文本数据,掌握基础的语言规则、词汇逻辑,