与10年前相比，采用砂浆的切片技术在单根晶棒上可以实现1000片的，今天，采用金刚线的切片技术可以使得这个数字发展到高达3500片，这意味着，仅在这个环节，单晶硅晶片的成本就达到了大幅度的下降，然而，这意味着更高的控制需求。

图1-多线切割基本原理图

通过放卷张力控制、经过多个辊（双或三主辊）的排线、棒料的进给、收卷，并且通过金刚线的往复实现切割，以提高金刚线的利用率。整个金刚线切片系统要达到非常高精度、稳定的张力控制，机器才能确保切割的稳定，高效，达到高品质的生产，并较之以往的浆料切片更高的产出。

为了降低成本，大尺寸、薄片是未来的发展方向，对于金刚线的切割而言，更细的金刚线才能切出更多的片，并降低表面粗糙度，进而更好的成片质量，而对于线速度而言，则意味着更大产能带来的成本下降，但这都对控制系统包括恒张力控制、高精度排线、高精度进给等提出了更高的要求。

图2-贝加莱光伏切片系统解决方案硬件架构

图2是贝加莱为多线切割系统提供的解决方案，ACOPOSmulti提供了共直流母线驱动技术，通过POWERLINK实时以太网提供百微秒级的高精度同步。

切片系统的功能性设计

在晶棒拉制后，经过切方，进入多线切割，这是至关重要的一环，每个晶棒都价值不菲，如果不能高品质的生产出产品，那就会成为“成本”的构成，随着金刚线变得更细，这也使得对于切片的过程控制更为“精细”的要求，切片过程必须能够控制非常精准，且同步精度高，才能确保晶片裁切过程的高品质，整体的方差最小。

图3-多线切割系统的功能需求

张力控制技术

卷径与张力是贝加莱控制系统的基本工艺控制模块，借助于在印刷、塑料、包装众多领域数十年的积累，对于各种张力场景的张力控制贝加莱均可应对自如，自动排线、平台控制、掉电停车功能是多线切割行业所特殊的需求，贝加莱为此专门进行了大量的测试验证，成熟的技术确保了拿来即用。

图4-基本的张力控制模型

图5-贝加莱张力控制的特点

对于贝加莱的张力控制来说，可以实现扭矩前馈，这确保了在加减速阶段也可以实现稳定的张力控制，不仅对于光伏金刚线，对于其它材料的张力控制同样如此，因为，这可以大幅降低开机浪费，通常在生产中被认为是必然的。另外张力的自适应、多组张力的解耦等，都是贝加莱张力控制领先的技术特性。

自动排线

由于金刚线经过主和从辊必须要排线，而辊子是加工辊、主/从辊的排列使得在整个排线过程中，特别是在加减速过程和排线换向过程中，其张力处于一种变化的状态，因此，需要高精度电子凸轮曲线轮廓，高阶曲线来实现更高的精度控制，这对于机器来说，只有如此，才能确保排线精度高，切片的单片均方差最小。

主辊控制

切割室主辊，在绕线和切割过程时，可以在线实现电流环和位置环模式切换，电流同步可以保证两个主辊出力同步，有效的保证切割区内的金刚线张力稳定，同时也能很好的保证切割线弓最小，切割力最大，以获得更高的切片质量。

审计追踪

mappAudit是贝加莱系统中的mapp功能组件，它为系统提供了审计追踪能力，从生产的可追溯性角度，生产需要了解谁在什么时间做了什么，并对其进行记录，以不可篡改的形式保存数据，这样就确保质量、工艺的可追溯性，以为生产工艺人员的质量调整与优化带来数据依据。                 

图6-审计追踪原理

对于光伏晶片制造商而言，审计追踪是提升其工艺质量管控水平的关键，系统具有该项功能，将会使得这一实现变得简单，来自于在制药领域的mappAudit功能，贝加莱同样将其可用于光伏晶片生产的追溯。

图7-通过mapp模块组合实现审计追踪与数据应用

在审计追踪的管理中，机器的各种参数以mappData模块进行收集应用，并通过mappUser的用户管理，以及mappAudit的审计追踪模块对其进行记录，通过mappCom来实现软件之间的连接。

掉电停车功能

对于光伏切片而言，无论是突发的急停开关被按下或者突然的掉电情况下，同步停车都是必要的，否则，对于生产的浪费是巨大的，除了晶棒材料的损失，再恢复机器所需的成本也是高昂的，因此，掉电停车功能对于光伏切片是必选项。

图8-基于ACOPOSmulti的掉电停车功能

采用ACOPOSmulti共直流母线驱动技术，当系统主轴在制动时产生的电流通过再生线圈回到直流母线，并经过DC/AC转换，提供给其它轴的同步停车。

数据驱动的预测性维护技术

将硅棒切割成厚薄均匀、切壁光滑的硅片，依赖于多线切割机的稳定运行。但在实际的生产中，难免会有设备出现故障的情况。在切割状态下，设备的突发故障导致的突然停机，对于昂贵的硅棒会造成不可修复的损伤，导致直接报废。这样的突发停机带来的材料损失及停机检修的停产损失等是巨大的。所以，如何能够在故障发生之前就进行预警，使得工程师们能够在工作间隙对设备进行及时的干预、维修，就成为了避免经济损失、保障生产的关键。

图9-基于聚类分析的预测性维护

如图9所示，基于多年积累的行业专家知识，首先对多台设备的数据进行恰当的特征提取，以提炼出数据中与设备健康状况最相关的信息。之后，使用人工智能算法对数据进行自动聚类，使得特征相似的数据聚成一簇，而不相似的数据聚类成不同的簇。可以很自然的推断，在多台相似类型的设备中，大部分设备是健康的，数据特征是类似的。所以，聚类结果中有着大量样本点的簇可以视为健康簇。而那些游离于健康簇之外的样本、少量点组成的小簇，则指征着设备的异常工作状态。