1.一种热轧带钢边部线状缺陷在线预报方法，其特征在于，其包括以下步骤：S1、收集热轧带钢生产数据作为样本数据并对样本数据预处理:

S11、收集现场实际生产数据并建立原始数据集，所述生产数据包括入炉温度Tf、预热段温度Tp、一加温度T1、二加温度T2、三加温度T3、出炉温度To、R2反馈温度TR、预热时间SR、一加时间S1、二加时间S2、三加时间S3、均热时间Sa、钢种m及其对应的线状缺陷发生情况O，选取数量为n组，得到原始数据集dataset为：{(Tf,Tp,T1,T2,T3,To,TR,SR,S1,S2,S3,Sa,m)|O}i(i＝1，2，3···n)；

S12、对原始数据集dataset预处理，经线状缺陷数据分布不均处理和异常数据剔除处理后得到数量为n′组的数据集dataset1为：{(Tf,Tp,T1,T2,T3,To,TR,SR,S1,S2,S3,Sa,m)|O}j(j＝1,2,3···n′)；

S13、对数据集dataset1中非数字类型的钢种m进行One‑Hot独热编码处理，使其转换成数字类型；

S14、将数据集dataset1划分为训练样本和测试集，随机抽取86％的数据作为训练样本的数据集dataset2，剩余的作为测试集testset；

S2、根据GA‑DNN神经网络建立热轧带钢边部线状缺陷在线预报模型：S21、确定DNN神经网络结构，具体包括以下步骤：

S211、首先确定神经网络的输入层变量有入炉温度Tf、预热段温度Tp、一加温度T1、二加温度T2、三加温度T3、出炉温度To、R2反馈温度TR、预热时间SR、一加时间S1、二加时间S2、三加时间S3、均热时间Sa以及钢种m，所以输入层的神经元节点数为A1＝13；

S212、神经网络的输出为带钢线状缺陷发生情况O，所以神经网络的输出层节点数为Ak＝1；

S213、确定隐藏层的层数以及各层节点个数A2,A3…Ak‑1；

S214、选取各层的激活函数activation、误差损失函数loss、优化器optimizer和矩阵函数；

S215、设置学习率lr；

S216、确定小批量训练样本batch和训练步数Epoch；

S22、设定GA算法参数，所述GA算法参数包括初始化种群规模Q、最大迭代次数N、交叉概率p1和变异概率p2；

S3、训练热轧带钢边部线状缺陷在线预报模型：

S31、将训练样本的数据集dataset2划分为训练集与验证集，随机选取数据集dataset2中的80％作为GA‑DNN神经网络的训练集trainset，剩余的20％作为验证集validationset；

S32、训练GA‑DNN神经网络，当网络模型达到训练步数时，停止训练；

S33、模型训练结束后，做出训练集trainset与验证集validationset的误差损失图和精度图，判断网络模型的平均损失误差是否小于0.5，以及精度是否能达到85％的生产要求；

S34、利用完成训练的GA‑DNN神经网络，根据训练集trainset和测试集testset中的参数Tf,Tp,T1,T2,T3,To,TR,SR,S1,S2,S3,Sa,m预测的线状缺陷发生情况数据值，与训练集和测试集中真实线状缺陷发生情况的数据值进行比较并做差值，差值为0表示预测是正确的，差值为±1表示预测是错误的，以此得到训练集与测试集实际误差分布图，判断是否满足85％的精度生产要求；

S35、判断模型是否符合精度要求，若同时满足S33和S34的条件要求，则保存GA‑DNN网络模型作为热轧带钢边部线状缺陷在线预报模型M，打印模型各层的权值阈值系数值；若S33和S34中有一者不满足时，则返回S2中调整网络结构及优化参数，重新训练网络；

S4、热轧带钢边部线状缺陷智能在线预报与分析：

S41、首先加载步骤S35中所保存的热轧带钢边部线状缺陷在线预报模型M，将其嵌入热轧带钢生产现场的控制系统中；

S42、在生产过程中，针对当前轧制钢种，根据系统自动反馈的入炉温度、预热段温度、一加温度、二加温度、三加温度、出炉温度、R2反馈温度、预热时间、一加时间、二加时间、三加时间、均热时间的数值，实时预报当前带钢的线状缺陷发生情况；

S43、根据热轧带钢边部线状缺陷在线预报模型M，分析不同钢种各因素诱发其产生线状缺陷的数值区间，以此为依据优化工艺，指导实际生产。

2.根据权利要求1所述的热轧带钢边部线状缺陷在线预报方法，其特征在于，步骤S12中对数据集dataset预处理具体包括以下步骤：S121、采用自动筛选方法，将采集到的原始数据集dataset按线状缺陷发生与线状缺陷发生未发生分开处理；

S122、按1:1的比例随机抽取发生线状缺陷数据与未发生线状缺陷数据；将二者进行乱序合并处理；

S123、剔除含有缺失项的数据，整理后得到新的可用数据集dataset1。

3.根据权利要求1所述的热轧带钢边部线状缺陷在线预报方法，其特征在于，步骤S35中对GA‑DNN神经网络结构以及参数进行优化调整具体包括以下步骤：S351、调整神经网络隐藏层个数，以及各个隐藏层的神经网络节点个数；

S352、调整各层神经网络层输出层的激活函数activation；

S353、调整网络训练优化器optimizer；

S354、调整小批量训练样本batch以及训练步数Epoch；

S355、向GA‑DNN神经网络各隐含层引入regularization正则化处理；

S356、对GA‑DNN神经网络的输入层进行dropout处理。