KINGSTON-115/llm-pid-tuner

解决的问题

PID 调参通常是一个繁琐的试错过程，尤其对于缺乏控制理论经验的人来说更是如此。该工具利用大语言模型（LLM）分析系统响应，并建议最优的 PID 参数，从而减少手动调参所需的时间，并降低系统不稳定的风险。

工作原理

该工具与被控系统形成闭环反馈循环：

1. 数据采集：通过串口从硬件（如 Arduino/ESP32）或通过仿真（Python 基础的热系统或 MATLAB/Simulink）读取实时性能数据（时间戳、设定值、当前值、PWM、误差）。
2. 分析与建议：数据通过 API 发送到 LLM，LLM 分析响应质量（超调量、稳态误差、响应时间），并建议新的 PID 参数。
3. 执行与安全：工具将新参数应用到系统中。包含安全防护机制，如参数限制、回退策略，以及在性能下降时自动回滚到已知最稳定的参数。
4. 收敛：该过程重复进行，直到系统满足预设的稳定性和误差阈值。

适用人群

• 硬件开发者：从事恒温控制（加热板、烤箱）或电机/执行器闭环调节的人。
• 控制工程师：希望利用 AI 快速缩小 PID 参数搜索空间的用户。
• 学生/爱好者：缺乏成熟调参经验，需要实用工具来稳定其硬件的人。

主要亮点

• 多模式支持：支持通过串口连接真实硬件、内置 Python 热仿真器，以及 MATLAB/Simulink 模型。
• AI 驱动调参：利用 LLM 解读系统行为，并根据自然语言偏好（如“更激进一些”或“无超调”）提出调整建议。
• 安全优先：内置参数限制、自动回滚至稳定版本、环境诊断功能。
• 广泛 LLM 兼容：支持 OpenAI、Claude、DeepSeek、Ollama 和 LM Studio 等通过 OpenAI 兼容 API 的模型。
• 轻松部署：提供独立的 Windows .exe 文件，无需配置 Python 环境即可使用。