As industrial control technology continues to develop, modern industrial control is undergoing a transformation from manual control to automatic control. In this paper, we show how to evaluate and build machine learning models to predict the flow rate of the gas pipeline accurately. Compared with traditional practice by experts or rules, machine learning models rely little on the expertise of special fields and extensive physical mechanism analysis. Specifically, we devised a method that can automate the process of choosing suitable machine learning algorithms and their hyperparameters by automatically testing different machine learning algorithms on given data. Our proposed methods are used in choosing the appropriate learning algorithm and hyperparameters to build the model of the flow rate of the gas pipeline. Based on this, the model can be further used for control of the gas pipeline system. The experiments conducted on real industrial data show the feasibility of building accurate models with machine learning algorithms. The merits of our approach include (1) little dependence on the expertise of special fields and domain knowledge-based analysis; (2) easy to implement than physical models; (3) more robust to environment changes; (4) requiring much fewer computation resources when it is compared with physical models that call for complex equation solving. Moreover, our experiments also show that some simple yet powerful learning algorithms may outperform industrial control problems than those complex algorithms.

中文翻译：

---

采用机器学习方法预测燃气管道流量的实证研究

随着工业控制技术的不断发展，现代工业控制正在经历从手动控制到自动控制的转变。在本文中，我们展示了如何评估和建立机器学习模型以准确预测天然气管道的流量。与专家或规则的传统实践相比，机器学习模型很少依赖于特定领域的专业知识和广泛的物理机制分析。具体来说，我们设计了一种方法，该方法可以通过在给定数据上自动测试不同的机器学习算法来自动选择合适的机器学习算法及其超参数的过程。我们提出的方法用于选择合适的学习算法和超参数来建立天然气管道流量模型。基于此，该模型可以进一步用于天然气管道系统的控制。在真实的工业数据上进行的实验表明，使用机器学习算法构建准确模型的可行性。我们的方法的优点包括：（1）很少依赖特定领域的专业知识和基于领域知识的分析；（2）比物理模型易于实现；（3）对环境变化更健壮；（4）与需要复杂方程求解的物理模型相比，所需的计算资源要少得多。此外，我们的实验还表明，一些简单但功能强大的学习算法可能比那些复杂的算法要胜过工业控制问题。在真实的工业数据上进行的实验表明，使用机器学习算法构建准确模型的可行性。我们的方法的优点包括：（1）很少依赖特定领域的专业知识和基于领域知识的分析；（2）比物理模型易于实现；（3）对环境变化更健壮；（4）与需要复杂方程求解的物理模型相比，所需的计算资源要少得多。此外，我们的实验还表明，一些简单但功能强大的学习算法可能比那些复杂的算法要胜过工业控制问题。在真实的工业数据上进行的实验表明，使用机器学习算法构建准确模型的可行性。我们方法的优点包括：（1）很少依赖特定领域的专业知识和基于领域知识的分析；（2）比物理模型易于实现；（3）对环境变化更健壮；（4）与需要复杂方程求解的物理模型相比，所需的计算资源要少得多。此外，我们的实验还表明，一些简单但功能强大的学习算法可能比那些复杂的算法要胜过工业控制问题。（3）对环境变化更健壮；（4）与需要复杂方程求解的物理模型相比，需要的计算资源要少得多。此外，我们的实验还表明，一些简单但功能强大的学习算法可能比那些复杂的算法要胜过工业控制问题。（3）对环境变化更健壮；（4）与需要复杂方程求解的物理模型相比，所需的计算资源要少得多。此外，我们的实验还表明，一些简单但功能强大的学习算法可能比那些复杂的算法要胜过工业控制问题。