CN117010666B - 一种汽修工具生产工作站智能管理方法及系统 - Google Patents

Abstract

本发明涉及生产工作站管理方法技术领域，特别是一种汽修工具生产工作站智能管理方法及系统，根据预加工图像信息构建工件的预加工三维模型图；将所述预加工三维模型图与标准三维模型图进行比较，得到加工偏差模型图，并获取所述加工偏差模型图的权重向量信息；根据所述加工偏差模型图的权重向量信息对目标生产车间中对应的生产工作站进行故障预测，得到生产工作站发生对应故障类型的预估维修时间；获取工件订单信息，基于生产工作站发生对应故障类型的预估维修时间与工件订单信息生成最终排班计划，并将所述最终排班计划输出。通过本方法能够使得生产车间中各生产工作站的生产规划更加合理，提高经济效益。

Description

一种汽修工具生产工作站智能管理方法及系统

技术领域

本发明涉及生产工作站管理方法技术领域，特别是一种汽修工具生产工作站智能管理方法及系统。

背景技术

汽车行业的发展日益迅速，汽车维修市场也在不断扩大。在汽车维修过程中，各种汽修工具的使用变得越来越重要。在将坯件加工成汽修工具成品时，坯件经过锻造生产工作站进行锻造加工是必经的步骤，在生产车间中会存在大量的锻造生产工作站，每个工作站时间能够独立加工生产。为了提高汽修工具的生产效率和管理水平，减少人工操作的错误和损失，需要一种智能化的方法来管理生产车间中数目众多的汽修工具锻造生产工作站。传统的汽修工具锻造生产工作站管理方法存在着加工效率低下、产品报废率高以及需依赖于人工排班等问题，需要引入新的技术手段来改进。

发明内容

本发明克服了现有技术的不足，提供了一种汽修工具生产工作站智能管理方法及系统。

为达到上述目的本发明采用的技术方案为：

本发明第一方面公开了一种汽修工具生产工作站智能管理方法，包括以下步骤：

S102：对目标生产车间中的各生产工作站进行预加工，并获取各生产工作站在预加工后工件的预加工图像信息，根据所述预加工图像信息构建工件的预加工三维模型图；

S104：将所述预加工三维模型图与标准三维模型图进行比较，得到加工偏差模型图，并获取所述加工偏差模型图的权重向量信息；

S106：根据所述加工偏差模型图的权重向量信息对目标生产车间中对应的生产工作站进行故障预测，得到生产工作站发生对应故障类型的预估维修时间；

S108：获取工件订单信息，基于生产工作站发生对应故障类型的预估维修时间与工件订单信息生成最终排班计划，并将所述最终排班计划输出。

进一步地，本发明的一个较佳实施例中，获取各生产工作站在预加工后工件的预加工图像信息，根据所述预加工图像信息构建工件的预加工三维模型图，具体为：

通过摄像机构获取各生产工作站在预加工后工件的预加工图像信息，并对所述预加工图像信息进行降噪与中值滤波处理，得到处理后的预加工图像信息；

通过ORB算法对所述处理后的预加工图像信息进行匹配处理，得到若干特征点；并通过孤立森林算法计算各特征点的孤立得分，将孤立得分大于预设孤立得分的特征点剔除，得到若干疏散特征点；

构建三维坐标系，并将若干所述疏散特征点导入所述三维坐标系值，得到各疏散特征点的三维坐标值；根据所述三维坐标值计算出各疏散特征点之间的切比雪夫距离，根据所述切比雪夫距离对各疏散特征点进行匹配处理，得到若干对疏散特征点对；

将每一对疏散特征点对进行连线处理，得到若干条特征线，并将若干条特征线进行离散处理，得到若干个离散特征点；基于所述疏散特征点与离散特征点得到密集特征点；

将各密集特征点视为图的节点，通过连接相邻的点来构建图，然后使用图论算法进行曲面重建，生成若干个曲面模型，并将若干个所述曲面模型进行组合，得到一个完整的曲面模型图；

获取各密集特征点的点云数据，并将所述点云数据映射到所述曲面模型图中，以赋予所述曲面模型图纹理与色彩，从而重构得到工件的预加工三维模型图。

进一步地，本发明的一个较佳实施例中，将所述预加工三维模型图与标准三维模型图进行比较，得到加工偏差模型图，并获取所述加工偏差模型图的权重向量信息，具体为：

预制工件在预加工后的标准三维模型图，构建网格空间坐标系，将所述标准三维模型图整合所述网格空间坐标系中；

获取各生产工作站在预加工后工件的预加工三维模型图，将所述预加工三维模型图导入所述网格空间坐标系中，并使得所述标准三维模型图与预加工三维模型图的加工基准面相重合，以将所述标准三维模型图与预加工三维模型图进行配准；

配准完毕后，将所述预加工三维模型图与标准三维模型图在网格空间坐标系中相重合的模型部分剔除，并保留不相重合的模型部分，得到加工偏差模型图；

通过Harris角点检测算法获取所述加工偏差模型图的角点，对于每个检测到的角点，定义一个局部区域，该局部区域包括角点及其预设范围内的邻居点；对于每个局部区域，获取一组特征组合来表示角点的几何属性；其中，所述特征组合为角度特征、曲率特征、法线变化以及角点密度组合；

对于每个角点，将获取得到的特征组合成一个特征向量，并将所有特征向量汇集，得到特征向量集；将所述特征向量集进行加权处理，得到加工偏差模型图的权重向量信息。

进一步地，本发明的一个较佳实施例中，根据所述加工偏差模型图的权重向量信息对目标生产车间中对应的生产工作站进行故障预测，得到生产工作站发生对应故障类型的预估维修时间，具体为：

S202：构建贝叶斯网络，并将贝叶斯网络中的节点定义为与生产工作站状态相关的变量；将所述权重向量信息导入所述贝叶斯网络中，根据所述权重向量信息获取每个节点的条件概率分布；

S204：基于每个节点的条件概率分布确定出预加工三维模型图与对应生产工作站之间的状态转移概率，根据所述状态转移概率确定出对应生产工作站的故障概率；

S206：将所述生产工作站的故障概率与预设故障概率进行比较；若所述生产工作站的故障概率大于预设故障概率，则获取所述生产工作站的故障类型；

S208：根据所述故障类型生成检索标签，基于所述检索标签对大数据网络进行检索，以检索到所述生产工作站发生对应故障类型的预估维修时间。

进一步地，本发明的一个较佳实施例中，获取工件订单信息，基于生产工作站发生对应故障类型的预估维修时间与工件订单信息生成最终排班计划，并将所述最终排班计划输出，具体为：

根据各生产工作站发生对应故障类型的预估维修时间获取在预设时间段内各生产工作站在实际生产加工时的有效加工时间；

构建排序表，并将生产工作站在实际生产加工时的有效加工时间导入所述排序表中进行排序，排序完成后，得到有效加工时间由大到小排序的排序结果；根据所述排序结果确定出目标生产车间中的各生产工作站的初始排班计划；

根据所述初始排班计划确定出需要进行加工生产的生产工作站，并获取初始排班计划中需要进行加工生产的生产工作站的极限制造精度；

获取工件订单信息，根据所述工件订单信息获取得到加工当前批次工件所需的最小制造精度；将所述初始排班计划中需要进行加工生产的生产工作站的极限制造精度与加工当前批次工件所需的最小制造精度进行比较；

若初始排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度，则将所述初始排班计划作为最终排班计划输出。

进一步地，本发明的一个较佳实施例中，还包括以下步骤：

S302：若初始排班计划中需要进行加工生产的生产工作站的极限制造精度存在不大于加工当前批次工件所需的最小制造精度的情况，则提取出初始排班计划中极限制造精度不大于最小制造精度的生产工作站；

S304：根据所述排序结果在目标生产车间中检索出处于空闲状态的生产工作站，并将初始排班计划中极限制造精度不大于最小制造精度的生产工作站替换为处于空闲状态的生产工作站后，更新初始排班计划，得到二次排班计划；

S306：根据所述二次排班计划确定出需要进行加工生产的生产工作站，并获取二次排班计划中需要进行加工生产的生产工作站的极限制造精度；将二次排班计划中需要进行加工生产的生产工作站的极限制造精度与加工当前批次工件所需的最小制造精度进行比较；

S308：若二次排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度，则将所述二次排班计划作为最终排班计划输出；

S310：若二次排班计划中需要进行加工生产的生产工作站的极限制造精度存在不大于加工当前批次工件所需的最小制造精度的情况，则重复S304-308步骤，直至当二次排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度后，则将所述二次排班计划作为最终排班计划输出。

本发明第二方面公开了一种汽修工具生产工作站智能管理系统，所述汽修工具生产工作站智能管理系统包括存储器与处理器，所述存储器中存储有汽修工具生产工作站智能管理方法程序，当所述汽修工具生产工作站智能管理方法程序被所述处理器执行时，实现如下步骤：

对目标生产车间中的各生产工作站进行预加工，并获取各生产工作站在预加工后工件的预加工图像信息，根据所述预加工图像信息构建工件的预加工三维模型图；

将所述预加工三维模型图与标准三维模型图进行比较，得到加工偏差模型图，并获取所述加工偏差模型图的权重向量信息；

根据所述加工偏差模型图的权重向量信息对目标生产车间中对应的生产工作站进行故障预测，得到生产工作站发生对应故障类型的预估维修时间；

获取工件订单信息，基于生产工作站发生对应故障类型的预估维修时间与工件订单信息生成最终排班计划，并将所述最终排班计划输出。

进一步地，本发明的一个较佳实施例中，根据所述加工偏差模型图的权重向量信息对目标生产车间中对应的生产工作站进行故障预测，得到生产工作站发生对应故障类型的预估维修时间，具体为：

构建贝叶斯网络，并将贝叶斯网络中的节点定义为与生产工作站状态相关的变量；将所述权重向量信息导入所述贝叶斯网络中，根据所述权重向量信息获取每个节点的条件概率分布；

基于每个节点的条件概率分布确定出预加工三维模型图与对应生产工作站之间的状态转移概率，根据所述状态转移概率确定出对应生产工作站的故障概率；

将所述生产工作站的故障概率与预设故障概率进行比较；若所述生产工作站的故障概率大于预设故障概率，则获取所述生产工作站的故障类型；

根据所述故障类型生成检索标签，基于所述检索标签对大数据网络进行检索，以检索到所述生产工作站发生对应故障类型的预估维修时间。

进一步地，本发明的一个较佳实施例中，获取工件订单信息，基于生产工作站发生对应故障类型的预估维修时间与工件订单信息生成最终排班计划，并将所述最终排班计划输出，具体为：

根据各生产工作站发生对应故障类型的预估维修时间获取在预设时间段内各生产工作站在实际生产加工时的有效加工时间；

构建排序表，并将生产工作站在实际生产加工时的有效加工时间导入所述排序表中进行排序，排序完成后，得到有效加工时间由大到小排序的排序结果；根据所述排序结果确定出目标生产车间中的各生产工作站的初始排班计划；

根据所述初始排班计划确定出需要进行加工生产的生产工作站，并获取初始排班计划中需要进行加工生产的生产工作站的极限制造精度；

获取工件订单信息，根据所述工件订单信息获取得到加工当前批次工件所需的最小制造精度；将所述初始排班计划中需要进行加工生产的生产工作站的极限制造精度与加工当前批次工件所需的最小制造精度进行比较；

若初始排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度，则将所述初始排班计划作为最终排班计划输出。

进一步地，本发明的一个较佳实施例中，还包括以下步骤：

若初始排班计划中需要进行加工生产的生产工作站的极限制造精度存在不大于加工当前批次工件所需的最小制造精度的情况，则提取出初始排班计划中极限制造精度不大于最小制造精度的生产工作站；

根据所述排序结果在目标生产车间中检索出处于空闲状态的生产工作站，并将初始排班计划中极限制造精度不大于最小制造精度的生产工作站替换为处于空闲状态的生产工作站后，更新初始排班计划，得到二次排班计划；

根据所述二次排班计划确定出需要进行加工生产的生产工作站，并获取二次排班计划中需要进行加工生产的生产工作站的极限制造精度；将二次排班计划中需要进行加工生产的生产工作站的极限制造精度与加工当前批次工件所需的最小制造精度进行比较；

若二次排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度，则将所述二次排班计划作为最终排班计划输出；

若二次排班计划中需要进行加工生产的生产工作站的极限制造精度存在不大于加工当前批次工件所需的最小制造精度的情况，则重复S304-308步骤，直至当二次排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度后，则将所述二次排班计划作为最终排班计划输出。

本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：通过本方法能够确保通过各生产工作站中所加工出来的工件满足目标订单的制造精度要求，降低报废率；还能够使得加工目标订单的工件所需的加工生产时间最短化，从而进一步提高加工效率；并且还能使得加工目标订单批次的工件所需的生产工作站数量最少化，能够节省出更多的空闲生产工作站，以使得这些空闲生产工作站能够加工其余订单的工件，能够有效节约加工成本；使得生产车间中各生产工作站的生产规划更加合理，提高经济效益。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。

图1为一种汽修工具生产工作站智能管理方法的第一方法流程图；

图2为一种汽修工具生产工作站智能管理方法的第二方法流程图；

图3为一种汽修工具生产工作站智能管理方法的第三方法流程图；

图4为一种汽修工具生产工作站智能管理系统的系统框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

如图1所示，本发明第一方面公开了一种汽修工具生产工作站智能管理方法，包括以下步骤：

S102：对目标生产车间中的各生产工作站进行预加工，并获取各生产工作站在预加工后工件的预加工图像信息，根据所述预加工图像信息构建工件的预加工三维模型图；

S104：将所述预加工三维模型图与标准三维模型图进行比较，得到加工偏差模型图，并获取所述加工偏差模型图的权重向量信息；

S106：根据所述加工偏差模型图的权重向量信息对目标生产车间中对应的生产工作站进行故障预测，得到生产工作站发生对应故障类型的预估维修时间；

S108：获取工件订单信息，基于生产工作站发生对应故障类型的预估维修时间与工件订单信息生成最终排班计划，并将所述最终排班计划输出。

需要说明的是，预加工指的是投入一定数量（如1件、3件或5件等）的坯件通过生产工作站进行锻造预加工，目的是通过锻造工件成品的实际情况推算出对应工作站在进行大批量生产时的故障状态与故障概率。

进一步地，本发明的一个较佳实施例中，获取各生产工作站在预加工后工件的预加工图像信息，根据所述预加工图像信息构建工件的预加工三维模型图，具体为：

通过摄像机构获取各生产工作站在预加工后工件的预加工图像信息，并对所述预加工图像信息进行降噪与中值滤波处理，得到处理后的预加工图像信息；

通过ORB算法对所述处理后的预加工图像信息进行匹配处理，得到若干特征点；并通过孤立森林算法计算各特征点的孤立得分，将孤立得分大于预设孤立得分的特征点剔除，得到若干疏散特征点；

构建三维坐标系，并将若干所述疏散特征点导入所述三维坐标系值，得到各疏散特征点的三维坐标值；根据所述三维坐标值计算出各疏散特征点之间的切比雪夫距离，根据所述切比雪夫距离对各疏散特征点进行匹配处理，得到若干对疏散特征点对；

将每一对疏散特征点对进行连线处理，得到若干条特征线，并将若干条特征线进行离散处理，得到若干个离散特征点；基于所述疏散特征点与离散特征点得到密集特征点；

将各密集特征点视为图的节点，通过连接相邻的点来构建图，然后使用图论算法进行曲面重建，生成若干个曲面模型，并将若干个所述曲面模型进行组合，得到一个完整的曲面模型图；

获取各密集特征点的点云数据，并将所述点云数据映射到所述曲面模型图中，以赋予所述曲面模型图纹理与色彩，从而重构得到工件的预加工三维模型图。

需要说明的是，通过搭载在生产工作站上的工业摄像机等获取在预加工后工件的预加工图像信息，然后通过图像预处理技术对预加工图像信息进行预处理，得到处理后的预加工图像信息。当通过ORB算法匹配得到若干特征点后，在若干特征点中会存在漂移与移位等异常的特征点，此为离群点，因此为了消除这些离群点对建模精度的影响，需要将这些离群点检测出来并剔除。并且当将离群的特征点剔除后，所剩的特征点的数量往往不多，为疏散特征点，此时若直接根据疏散特征点重构预加工三维模型图，得到的预加工三维模型图会存在局部缺失的异常现象，模型精度较低，因此需要进一步获取更多的特征点，从而得到密集特征点，然后再根据密集特征点并基于点云重构的方式重构得到预加工三维模型图。通过本步骤能够根据图像信息重构得到精度高、完整度高的预加工三维模型图，能够进一步提高后续模型的分析精度，提高各生产工作站排班计划的可靠性。

需要说明的是，ORB（Oriented FAST and Rotated BRIEF）是一种计算机视觉中常用的特征点检测和描述算法，其优点是其速度快，适用于实时应用和计算资源有限的设备。孤立森林算法是一种基于树结构的异常检测方法，它采用一种高效的随机分割策略，通过构建多棵孤立树来检测数据中的异常点，孤立森林算法的主要思想是：异常点在数据集中的分布较为稀疏，因此可以通过较少的随机分割将异常点与其他正常点分离。

进一步地，本发明的一个较佳实施例中，将所述预加工三维模型图与标准三维模型图进行比较，得到加工偏差模型图，并获取所述加工偏差模型图的权重向量信息，具体为：

预制工件在预加工后的标准三维模型图，构建网格空间坐标系，将所述标准三维模型图整合所述网格空间坐标系中；

获取各生产工作站在预加工后工件的预加工三维模型图，将所述预加工三维模型图导入所述网格空间坐标系中，并使得所述标准三维模型图与预加工三维模型图的加工基准面相重合，以将所述标准三维模型图与预加工三维模型图进行配准；

配准完毕后，将所述预加工三维模型图与标准三维模型图在网格空间坐标系中相重合的模型部分剔除，并保留不相重合的模型部分，得到加工偏差模型图；

通过Harris角点检测算法获取所述加工偏差模型图的角点，对于每个检测到的角点，定义一个局部区域，该局部区域包括角点及其预设范围内的邻居点；对于每个局部区域，获取一组特征组合来表示角点的几何属性；其中，所述特征组合为角度特征、曲率特征、法线变化以及角点密度组合；

对于每个角点，将获取得到的特征组合成一个特征向量，并将所有特征向量汇集，得到特征向量集；将所述特征向量集进行加权处理，得到加工偏差模型图的权重向量信息。

需要说明的是，工件在预加工后的标准三维模型图通过三维建模软件获取得到，标准三维模型图为坯件在经过生产工作站锻造加工后尺寸参数、纹理参数等的标准规范模型。Harris角点检测算法（哈里斯角点检测算法）主要思想是通过在图像中的不同位置应用小窗口的方式，检测出在角点附近的像素点，角点通常是图像中明显的变化区域，相比之下，平坦区域和边缘通常变化不大，算法通过计算像素点在不同方向上的灰度变化，来判断其是否位于角点位置。特征向量的构建方法可以因任务而异，根据具体需求，可能需要调整特征的选择、计算方式和归一化方法，特征向量的质量和有效性取决于所选择的特征和其在不同场景下的表现。预加工三维模型图与标准三维模型图的拟合效果通过权重向量信息来量化，权重向量信息越小，预加工三维模型图与标准三维模型图之间的重合度越高，说明预加工三维模型图的质量越高。

如图2所示，进一步地，本发明的一个较佳实施例中，根据所述加工偏差模型图的权重向量信息对目标生产车间中对应的生产工作站进行故障预测，得到生产工作站发生对应故障类型的预估维修时间，具体为：

S202：构建贝叶斯网络，并将贝叶斯网络中的节点定义为与生产工作站状态相关的变量；将所述权重向量信息导入所述贝叶斯网络中，根据所述权重向量信息获取每个节点的条件概率分布；

S204：基于每个节点的条件概率分布确定出预加工三维模型图与对应生产工作站之间的状态转移概率，根据所述状态转移概率确定出对应生产工作站的故障概率；

S206：将所述生产工作站的故障概率与预设故障概率进行比较；若所述生产工作站的故障概率大于预设故障概率，则获取所述生产工作站的故障类型；

S208：根据所述故障类型生成检索标签，基于所述检索标签对大数据网络进行检索，以检索到所述生产工作站发生对应故障类型的预估维修时间。

需要说明的是，生产工作站工作运行的过程中，当生产工作站中多个子设备的累积误差或性能退化状态到达一定的节点后，生产工作站便会表现出相应的故障状态，而各子设备的累积误差或性能退化状态能够通过其所加工出来的工件的质量通过贝叶斯网络反演出来，举例来说，当进行连续长时间锻造加工后，生产工作站中的传动齿轮、传动轴等传动零件便会磨损，并且形成一定的累积误差，当零件磨损到一定程度或累积误差大于一定阈值后，零件磨损程度越大，所加工出来的工件的尺寸质量也会越低，并且当到达一定的加工节点后，这些传动零件也会发生故障，所加工出来的零件也会不达标，此时生产工作站便处于故障状态。贝叶斯网络是一种用于建模和表示随机变量之间依赖关系的图形模型，通过贝叶斯网络推演设备故障概率的过程涉及概率推断和条件概率的计算，贝叶斯网络可以用于建模设备故障的原因和效应之间的关系，从而基于观测到的数据或信息，推断出不同故障状态的概率，根据最高概率的故障状态，可以推演出各子设备可能出现的故障，还可以预测在未来时间范围内出现特定故障的概率。通过本步骤能够根据量化后的权重向量信息推演出对应的生产工作站在预设时间段内是否会发生故障，以及发生故障的故障类型，并且能够进一步根据故障类型在大数据网络检索出对应故障类型的预估维修时间。

进一步地，本发明的一个较佳实施例中，获取工件订单信息，基于生产工作站发生对应故障类型的预估维修时间与工件订单信息生成最终排班计划，并将所述最终排班计划输出，具体为：

根据各生产工作站发生对应故障类型的预估维修时间获取在预设时间段内各生产工作站在实际生产加工时的有效加工时间；

构建排序表，并将生产工作站在实际生产加工时的有效加工时间导入所述排序表中进行排序，排序完成后，得到有效加工时间由大到小排序的排序结果；根据所述排序结果确定出目标生产车间中的各生产工作站的初始排班计划；

根据所述初始排班计划确定出需要进行加工生产的生产工作站，并获取初始排班计划中需要进行加工生产的生产工作站的极限制造精度；

获取工件订单信息，根据所述工件订单信息获取得到加工当前批次工件所需的最小制造精度；将所述初始排班计划中需要进行加工生产的生产工作站的极限制造精度与加工当前批次工件所需的最小制造精度进行比较；

若初始排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度，则将所述初始排班计划作为最终排班计划输出。

需要说明的是，若生产工作站的故障概率不大于预设故障概率，则说明生产工作站发生故障的概率极低，此时该生产工作站的预估维修时间为零。

如图3所示，进一步地，本发明的一个较佳实施例中，还包括以下步骤：

S302：若初始排班计划中需要进行加工生产的生产工作站的极限制造精度存在不大于加工当前批次工件所需的最小制造精度的情况，则提取出初始排班计划中极限制造精度不大于最小制造精度的生产工作站；

S304：根据所述排序结果在目标生产车间中检索出处于空闲状态的生产工作站，并将初始排班计划中极限制造精度不大于最小制造精度的生产工作站替换为处于空闲状态的生产工作站后，更新初始排班计划，得到二次排班计划；

S306：根据所述二次排班计划确定出需要进行加工生产的生产工作站，并获取二次排班计划中需要进行加工生产的生产工作站的极限制造精度；将二次排班计划中需要进行加工生产的生产工作站的极限制造精度与加工当前批次工件所需的最小制造精度进行比较；

S308：若二次排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度，则将所述二次排班计划作为最终排班计划输出；

S310：若二次排班计划中需要进行加工生产的生产工作站的极限制造精度存在不大于加工当前批次工件所需的最小制造精度的情况，则重复S304-308步骤，直至当二次排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度后，则将所述二次排班计划作为最终排班计划输出。

需要说明的是，通过以上步骤能够根据目标生产车间中各生产工作站的有效加工时间规划出既满足工件订单要求又能够使得生产时间最短化的排班计划。即能够确保通过各生产工作站中所加工出来的工件满足目标订单的制造精度要求，降低报废率；还能够使得加工目标订单的工件所需的加工生产时间最短化，从而进一步提高加工效率；并且还能使得加工目标订单批次的工件所需的生产工作站数量最少化，能够节省出更多的空闲生产工作站，以使得这些空闲生产工作站能够加工其余订单的工件，能够有效节约加工成本；使得生产车间中各生产工作站的生产规划更加合理，提高经济效益，适用于大型自动化生产车间中。

此外，所述一种汽修工具生产工作站智能管理方法还包括以下步骤：

获取最终排班计划，根据所述最终排班计划确定出加工目标订单工件的生产工作站；

控制加工目标订单工件的生产工作站对坯件进行加工生产，并获取工件的实时工件图像信息，根据所述实时加工图像信息构建实时工件模型图；

通过大数据网络获取在不同加工环境组合条件之下生产工作站所加工完毕工件的预设工件模型图，构建数据库，并将在不同加工环境组合条件之下生产工作站所加工完毕工件的预设工件模型图导入所述数据库中；

获取加工目标订单工件的生产工作站在加工时的实时加工环境，并将所述实时加工环境导入所述数据库中，得到在实时加工环境条件之下的预设工件模型图；

通过欧几里德距离算法计算所述实时工件模型图与预设工件模型图的相似度；将所述相似度与预设相似度进行比较；

若所述相似度不大于预设相似度，则将所述实时工件模型图与预设工件模型图导入所述网格空间坐标系进行配对比较，得到工件偏差模型图；

根据所述工件偏差模型图对大数据网络进行检索，检索得到纠正该工件偏差模型图的最佳加工参数；

将所述最佳加工参数与生产工作站的预设加工参数进行比较，得到加工参数偏差，基于所述加工参数偏差对生产工作站的预设加工参数进行调整。

需要说明的是，当得到加工目标订单的最终排班计划，根据最终排班计划分配相应的生产工作站对工件进行加工生产，并且在生产工作站加工生产过程中，获取各生产工作站的实时工件模型图。由于加工环境（如温度、湿度、粉尘度等）对工件的加工尺寸形状有一定的影响，如温度过高时，工件的尺寸会偏大，因此获取在不同加工环境组合条件之下的预设工件模型图，以消除环境对检测结果的影响。若所述相似度不大于预设相似度，则说明工件的尺寸形状与理想尺寸形状偏差较大，此时需要调整该生产工作站的加工参数，以降低工件的报废率，降低生产成本，实现了智能加工检测与调节的功能。

此外，所述一种汽修工具生产工作站智能管理方法还包括以下步骤：

获取生产工作站中各子设备在不同加工环境组合条件的历史运行数据；构建预测模型，并将各子设备在不同加工环境组合条件的历史运行数据导入所述预测模型中进行训练，得到训练好的预测模型；

获取生产工作站在加工时的实时加工环境，将所述实时加工环境导入所述训练好的预测模型中，得到生产工作站中各子设备在实时加工环境条件之下的预设运行数据；

获取生产工作站中各子设备在预设时间段内的实际运行数据；通过哈希算法计算所述实际运行数据与预设运行数据之间的哈希值；将所述哈希值与预设哈希值进行比较；

若所述哈希值不大于预设哈希值，则将哈希值不大于预设哈希值对应的子设备标记为故障设备。

需要说明的是，通过将生产工作站中各子设备的历史运行数据与其实际运行数据进行比较，从而分析出相应生产工作站中的子设备是否发生了故障，实现了故障自动监测与自动溯源功能。

如图4所示，本发明第二方面公开了一种汽修工具生产工作站智能管理系统，所述汽修工具生产工作站智能管理系统包括存储器78与处理器79，所述存储器78中存储有汽修工具生产工作站智能管理方法程序，当所述汽修工具生产工作站智能管理方法程序被所述处理器79执行时，实现如下步骤：

对目标生产车间中的各生产工作站进行预加工，并获取各生产工作站在预加工后工件的预加工图像信息，根据所述预加工图像信息构建工件的预加工三维模型图；

将所述预加工三维模型图与标准三维模型图进行比较，得到加工偏差模型图，并获取所述加工偏差模型图的权重向量信息；

根据所述加工偏差模型图的权重向量信息对目标生产车间中对应的生产工作站进行故障预测，得到生产工作站发生对应故障类型的预估维修时间；

获取工件订单信息，基于生产工作站发生对应故障类型的预估维修时间与工件订单信息生成最终排班计划，并将所述最终排班计划输出。

进一步地，本发明的一个较佳实施例中，根据所述加工偏差模型图的权重向量信息对目标生产车间中对应的生产工作站进行故障预测，得到生产工作站发生对应故障类型的预估维修时间，具体为：

构建贝叶斯网络，并将贝叶斯网络中的节点定义为与生产工作站状态相关的变量；将所述权重向量信息导入所述贝叶斯网络中，根据所述权重向量信息获取每个节点的条件概率分布；

基于每个节点的条件概率分布确定出预加工三维模型图与对应生产工作站之间的状态转移概率，根据所述状态转移概率确定出对应生产工作站的故障概率；

将所述生产工作站的故障概率与预设故障概率进行比较；若所述生产工作站的故障概率大于预设故障概率，则获取所述生产工作站的故障类型；

根据所述故障类型生成检索标签，基于所述检索标签对大数据网络进行检索，以检索到所述生产工作站发生对应故障类型的预估维修时间。

进一步地，本发明的一个较佳实施例中，获取工件订单信息，基于生产工作站发生对应故障类型的预估维修时间与工件订单信息生成最终排班计划，并将所述最终排班计划输出，具体为：

根据各生产工作站发生对应故障类型的预估维修时间获取在预设时间段内各生产工作站在实际生产加工时的有效加工时间；

构建排序表，并将生产工作站在实际生产加工时的有效加工时间导入所述排序表中进行排序，排序完成后，得到有效加工时间由大到小排序的排序结果；根据所述排序结果确定出目标生产车间中的各生产工作站的初始排班计划；

根据所述初始排班计划确定出需要进行加工生产的生产工作站，并获取初始排班计划中需要进行加工生产的生产工作站的极限制造精度；

获取工件订单信息，根据所述工件订单信息获取得到加工当前批次工件所需的最小制造精度；将所述初始排班计划中需要进行加工生产的生产工作站的极限制造精度与加工当前批次工件所需的最小制造精度进行比较；

若初始排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度，则将所述初始排班计划作为最终排班计划输出。

进一步地，本发明的一个较佳实施例中，还包括以下步骤：

若初始排班计划中需要进行加工生产的生产工作站的极限制造精度存在不大于加工当前批次工件所需的最小制造精度的情况，则提取出初始排班计划中极限制造精度不大于最小制造精度的生产工作站；

根据所述排序结果在目标生产车间中检索出处于空闲状态的生产工作站，并将初始排班计划中极限制造精度不大于最小制造精度的生产工作站替换为处于空闲状态的生产工作站后，更新初始排班计划，得到二次排班计划；

根据所述二次排班计划确定出需要进行加工生产的生产工作站，并获取二次排班计划中需要进行加工生产的生产工作站的极限制造精度；将二次排班计划中需要进行加工生产的生产工作站的极限制造精度与加工当前批次工件所需的最小制造精度进行比较；

若二次排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度，则将所述二次排班计划作为最终排班计划输出；

若二次排班计划中需要进行加工生产的生产工作站的极限制造精度存在不大于加工当前批次工件所需的最小制造精度的情况，则重复S304-308步骤，直至当二次排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度后，则将所述二次排班计划作为最终排班计划输出。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种汽修工具生产工作站智能管理方法，其特征在于，包括以下步骤：

S102：对目标生产车间中的各生产工作站进行预加工，并获取各生产工作站在预加工后工件的预加工图像信息，根据所述预加工图像信息构建工件的预加工三维模型图；

S104：将所述预加工三维模型图与标准三维模型图进行比较，得到加工偏差模型图，并获取所述加工偏差模型图的权重向量信息；

S106：根据所述加工偏差模型图的权重向量信息对目标生产车间中对应的生产工作站进行故障预测，得到生产工作站发生对应故障类型的预估维修时间；

S108：获取工件订单信息，基于生产工作站发生对应故障类型的预估维修时间与工件订单信息生成最终排班计划，并将所述最终排班计划输出；

其中，获取各生产工作站在预加工后工件的预加工图像信息，根据所述预加工图像信息构建工件的预加工三维模型图，具体为：

通过摄像机构获取各生产工作站在预加工后工件的预加工图像信息，并对所述预加工图像信息进行降噪与中值滤波处理，得到处理后的预加工图像信息；

通过ORB算法对所述处理后的预加工图像信息进行匹配处理，得到若干特征点；并通过孤立森林算法计算各特征点的孤立得分，将孤立得分大于预设孤立得分的特征点剔除，得到若干疏散特征点；

构建三维坐标系，并将若干所述疏散特征点导入所述三维坐标系值，得到各疏散特征点的三维坐标值；根据所述三维坐标值计算出各疏散特征点之间的切比雪夫距离，根据所述切比雪夫距离对各疏散特征点进行匹配处理，得到若干对疏散特征点对；

将每一对疏散特征点对进行连线处理，得到若干条特征线，并将若干条特征线进行离散处理，得到若干个离散特征点；基于所述疏散特征点与离散特征点得到密集特征点；

将各密集特征点视为图的节点，通过连接相邻的点来构建图，然后使用图论算法进行曲面重建，生成若干个曲面模型，并将若干个所述曲面模型进行组合，得到一个完整的曲面模型图；

获取各密集特征点的点云数据，并将所述点云数据映射到所述曲面模型图中，以赋予所述曲面模型图纹理与色彩，从而重构得到工件的预加工三维模型图；

其中，将所述预加工三维模型图与标准三维模型图进行比较，得到加工偏差模型图，并获取所述加工偏差模型图的权重向量信息，具体为：

预制工件在预加工后的标准三维模型图，构建网格空间坐标系，将所述标准三维模型图整合所述网格空间坐标系中；

获取各生产工作站在预加工后工件的预加工三维模型图，将所述预加工三维模型图导入所述网格空间坐标系中，并使得所述标准三维模型图与预加工三维模型图的加工基准面相重合，以将所述标准三维模型图与预加工三维模型图进行配准；

配准完毕后，将所述预加工三维模型图与标准三维模型图在网格空间坐标系中相重合的模型部分剔除，并保留不相重合的模型部分，得到加工偏差模型图；

通过Harris角点检测算法获取所述加工偏差模型图的角点，对于每个检测到的角点，定义一个局部区域，该局部区域包括角点及其预设范围内的邻居点；对于每个局部区域，获取一组特征组合来表示角点的几何属性；其中，所述特征组合为角度特征、曲率特征、法线变化以及角点密度组合；

对于每个角点，将获取得到的特征组合成一个特征向量，并将所有特征向量汇集，得到特征向量集；将所述特征向量集进行加权处理，得到加工偏差模型图的权重向量信息。

2.根据权利要求1所述的一种汽修工具生产工作站智能管理方法，其特征在于，根据所述加工偏差模型图的权重向量信息对目标生产车间中对应的生产工作站进行故障预测，得到生产工作站发生对应故障类型的预估维修时间，具体为：

S202：构建贝叶斯网络，并将贝叶斯网络中的节点定义为与生产工作站状态相关的变量；将所述权重向量信息导入所述贝叶斯网络中，根据所述权重向量信息获取每个节点的条件概率分布；

S204：基于每个节点的条件概率分布确定出预加工三维模型图与对应生产工作站之间的状态转移概率，根据所述状态转移概率确定出对应生产工作站的故障概率；

S206：将所述生产工作站的故障概率与预设故障概率进行比较；若所述生产工作站的故障概率大于预设故障概率，则获取所述生产工作站的故障类型；

S208：根据所述故障类型生成检索标签，基于所述检索标签对大数据网络进行检索，以检索到所述生产工作站发生对应故障类型的预估维修时间。

3.根据权利要求1所述的一种汽修工具生产工作站智能管理方法，其特征在于，获取工件订单信息，基于生产工作站发生对应故障类型的预估维修时间与工件订单信息生成最终排班计划，并将所述最终排班计划输出，具体为：

根据各生产工作站发生对应故障类型的预估维修时间获取在预设时间段内各生产工作站在实际生产加工时的有效加工时间；

构建排序表，并将生产工作站在实际生产加工时的有效加工时间导入所述排序表中进行排序，排序完成后，得到有效加工时间由大到小排序的排序结果；根据所述排序结果确定出目标生产车间中的各生产工作站的初始排班计划；

根据所述初始排班计划确定出需要进行加工生产的生产工作站，并获取初始排班计划中需要进行加工生产的生产工作站的极限制造精度；

获取工件订单信息，根据所述工件订单信息获取得到加工当前批次工件所需的最小制造精度；将所述初始排班计划中需要进行加工生产的生产工作站的极限制造精度与加工当前批次工件所需的最小制造精度进行比较；

若初始排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度，则将所述初始排班计划作为最终排班计划输出。

4.根据权利要求3所述的一种汽修工具生产工作站智能管理方法，其特征在于，还包括以下步骤：

S302：若初始排班计划中需要进行加工生产的生产工作站的极限制造精度存在不大于加工当前批次工件所需的最小制造精度的情况，则提取出初始排班计划中极限制造精度不大于最小制造精度的生产工作站；

S304：根据所述排序结果在目标生产车间中检索出处于空闲状态的生产工作站，并将初始排班计划中极限制造精度不大于最小制造精度的生产工作站替换为处于空闲状态的生产工作站后，更新初始排班计划，得到二次排班计划；

S306：根据所述二次排班计划确定出需要进行加工生产的生产工作站，并获取二次排班计划中需要进行加工生产的生产工作站的极限制造精度；将二次排班计划中需要进行加工生产的生产工作站的极限制造精度与加工当前批次工件所需的最小制造精度进行比较；

S308：若二次排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度，则将所述二次排班计划作为最终排班计划输出；

S310：若二次排班计划中需要进行加工生产的生产工作站的极限制造精度存在不大于加工当前批次工件所需的最小制造精度的情况，则重复S304-308步骤，直至当二次排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度后，则将所述二次排班计划作为最终排班计划输出。

5.一种汽修工具生产工作站智能管理系统，其特征在于，所述汽修工具生产工作站智能管理系统包括存储器与处理器，所述存储器中存储有汽修工具生产工作站智能管理方法程序，当所述汽修工具生产工作站智能管理方法程序被所述处理器执行时，实现如下步骤：

对目标生产车间中的各生产工作站进行预加工，并获取各生产工作站在预加工后工件的预加工图像信息，根据所述预加工图像信息构建工件的预加工三维模型图；

将所述预加工三维模型图与标准三维模型图进行比较，得到加工偏差模型图，并获取所述加工偏差模型图的权重向量信息；

根据所述加工偏差模型图的权重向量信息对目标生产车间中对应的生产工作站进行故障预测，得到生产工作站发生对应故障类型的预估维修时间；

获取工件订单信息，基于生产工作站发生对应故障类型的预估维修时间与工件订单信息生成最终排班计划，并将所述最终排班计划输出；

其中，获取各生产工作站在预加工后工件的预加工图像信息，根据所述预加工图像信息构建工件的预加工三维模型图，具体为：

通过摄像机构获取各生产工作站在预加工后工件的预加工图像信息，并对所述预加工图像信息进行降噪与中值滤波处理，得到处理后的预加工图像信息；

通过ORB算法对所述处理后的预加工图像信息进行匹配处理，得到若干特征点；并通过孤立森林算法计算各特征点的孤立得分，将孤立得分大于预设孤立得分的特征点剔除，得到若干疏散特征点；

构建三维坐标系，并将若干所述疏散特征点导入所述三维坐标系值，得到各疏散特征点的三维坐标值；根据所述三维坐标值计算出各疏散特征点之间的切比雪夫距离，根据所述切比雪夫距离对各疏散特征点进行匹配处理，得到若干对疏散特征点对；

将每一对疏散特征点对进行连线处理，得到若干条特征线，并将若干条特征线进行离散处理，得到若干个离散特征点；基于所述疏散特征点与离散特征点得到密集特征点；

将各密集特征点视为图的节点，通过连接相邻的点来构建图，然后使用图论算法进行曲面重建，生成若干个曲面模型，并将若干个所述曲面模型进行组合，得到一个完整的曲面模型图；

获取各密集特征点的点云数据，并将所述点云数据映射到所述曲面模型图中，以赋予所述曲面模型图纹理与色彩，从而重构得到工件的预加工三维模型图；

其中，将所述预加工三维模型图与标准三维模型图进行比较，得到加工偏差模型图，并获取所述加工偏差模型图的权重向量信息，具体为：

预制工件在预加工后的标准三维模型图，构建网格空间坐标系，将所述标准三维模型图整合所述网格空间坐标系中；

获取各生产工作站在预加工后工件的预加工三维模型图，将所述预加工三维模型图导入所述网格空间坐标系中，并使得所述标准三维模型图与预加工三维模型图的加工基准面相重合，以将所述标准三维模型图与预加工三维模型图进行配准；

配准完毕后，将所述预加工三维模型图与标准三维模型图在网格空间坐标系中相重合的模型部分剔除，并保留不相重合的模型部分，得到加工偏差模型图；

通过Harris角点检测算法获取所述加工偏差模型图的角点，对于每个检测到的角点，定义一个局部区域，该局部区域包括角点及其预设范围内的邻居点；对于每个局部区域，获取一组特征组合来表示角点的几何属性；其中，所述特征组合为角度特征、曲率特征、法线变化以及角点密度组合；

对于每个角点，将获取得到的特征组合成一个特征向量，并将所有特征向量汇集，得到特征向量集；将所述特征向量集进行加权处理，得到加工偏差模型图的权重向量信息。

6.根据权利要求5所述的一种汽修工具生产工作站智能管理系统，其特征在于，根据所述加工偏差模型图的权重向量信息对目标生产车间中对应的生产工作站进行故障预测，得到生产工作站发生对应故障类型的预估维修时间，具体为：

构建贝叶斯网络，并将贝叶斯网络中的节点定义为与生产工作站状态相关的变量；将所述权重向量信息导入所述贝叶斯网络中，根据所述权重向量信息获取每个节点的条件概率分布；

基于每个节点的条件概率分布确定出预加工三维模型图与对应生产工作站之间的状态转移概率，根据所述状态转移概率确定出对应生产工作站的故障概率；

将所述生产工作站的故障概率与预设故障概率进行比较；若所述生产工作站的故障概率大于预设故障概率，则获取所述生产工作站的故障类型；

根据所述故障类型生成检索标签，基于所述检索标签对大数据网络进行检索，以检索到所述生产工作站发生对应故障类型的预估维修时间。

7.根据权利要求5所述的一种汽修工具生产工作站智能管理系统，其特征在于，获取工件订单信息，基于生产工作站发生对应故障类型的预估维修时间与工件订单信息生成最终排班计划，并将所述最终排班计划输出，具体为：

根据各生产工作站发生对应故障类型的预估维修时间获取在预设时间段内各生产工作站在实际生产加工时的有效加工时间；

构建排序表，并将生产工作站在实际生产加工时的有效加工时间导入所述排序表中进行排序，排序完成后，得到有效加工时间由大到小排序的排序结果；根据所述排序结果确定出目标生产车间中的各生产工作站的初始排班计划；

根据所述初始排班计划确定出需要进行加工生产的生产工作站，并获取初始排班计划中需要进行加工生产的生产工作站的极限制造精度；

获取工件订单信息，根据所述工件订单信息获取得到加工当前批次工件所需的最小制造精度；将所述初始排班计划中需要进行加工生产的生产工作站的极限制造精度与加工当前批次工件所需的最小制造精度进行比较；

若初始排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度，则将所述初始排班计划作为最终排班计划输出。

8.根据权利要求7所述的一种汽修工具生产工作站智能管理系统，其特征在于，还包括以下步骤：

若初始排班计划中需要进行加工生产的生产工作站的极限制造精度存在不大于加工当前批次工件所需的最小制造精度的情况，则提取出初始排班计划中极限制造精度不大于最小制造精度的生产工作站；

根据所述排序结果在目标生产车间中检索出处于空闲状态的生产工作站，并将初始排班计划中极限制造精度不大于最小制造精度的生产工作站替换为处于空闲状态的生产工作站后，更新初始排班计划，得到二次排班计划；

根据所述二次排班计划确定出需要进行加工生产的生产工作站，并获取二次排班计划中需要进行加工生产的生产工作站的极限制造精度；将二次排班计划中需要进行加工生产的生产工作站的极限制造精度与加工当前批次工件所需的最小制造精度进行比较；

若二次排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度，则将所述二次排班计划作为最终排班计划输出；

若二次排班计划中需要进行加工生产的生产工作站的极限制造精度存在不大于加工当前批次工件所需的最小制造精度的情况，则重复S304-308步骤，直至当二次排班计划中需要进行加工生产的生产工作站的极限制造精度均大于加工当前批次工件所需的最小制造精度后，则将所述二次排班计划作为最终排班计划输出。