與10年前相比，采用砂漿的切片技術在單根晶棒上可以實現1000片的，今天，采用金剛線的切片技術可以使得這個數字發展到高達3500片，這意味著，僅在這個環節，單晶硅晶片的成本就達到了大幅度的下降，然而，這意味著更高的控制需求。
圖1-多線切割基本原理圖
通過放卷張力控制、經過多個輥（雙或三主輥）的排線、棒料的進給、收卷，并且通過金剛線的往復實現切割，以提高金剛線的利用率。整個金剛線切片系統要達到非常高精度、穩定的張力控制，機器才能確保切割的穩定，高效，達到高品質的生產，并較之以往的漿料切片更高的產出。
為了降低成本，大尺寸、薄片是未來的發展方向，對于金剛線的切割而言，更細的金剛線才能切出更多的片，并降低表面粗糙度，進而更好的成片質量，而對于線速度而言，則意味著更大產能帶來的成本下降，但這都對控制系統包括恒張力控制、高精度排線、高精度進給等提出了更高的要求。
圖2-貝加萊光伏切片系統解決方案硬件架構
圖2是貝加萊為多線切割系統提供的解決方案，ACOPOSmulti提供了共直流母線驅動技術，通過POWERLINK實時以太網提供百微秒級的高精度同步。
切片系統的功能性設計
在晶棒拉制后，經過切方，進入多線切割，這是至關重要的一環，每個晶棒都價值不菲，如果不能高品質的生產出產品，那就會成為“成本”的構成，隨著金剛線變得更細，這也使得對于切片的過程控制更為“精細”的要求，切片過程必須能夠控制非常精準，且同步精度高，才能確保晶片裁切過程的高品質，整體的方差最小。
圖3-多線切割系統的功能需求
張力控制技術
卷徑與張力是貝加萊控制系統的基本工藝控制模塊，借助于在印刷、塑料、包裝眾多領域數十年的積累，對于各種張力場景的張力控制貝加萊均可應對自如，自動排線、平臺控制、掉電停車功能是多線切割行業所特殊的需求，貝加萊為此專門進行了大量的測試驗證，成熟的技術確保了拿來即用。
圖4-基本的張力控制模型
圖5-貝加萊張力控制的特點
對于貝加萊的張力控制來說，可以實現扭矩前饋，這確保了在加減速階段也可以實現穩定的張力控制，不僅對于光伏金剛線，對于其它材料的張力控制同樣如此，因為，這可以大幅降低開機浪費，通常在生產中被認為是必然的。另外張力的自適應、多組張力的解耦等，都是貝加萊張力控制領先的技術特性。
自動排線
由于金剛線經過主和從輥必須要排線，而輥子是加工輥、主/從輥的排列使得在整個排線過程中，特別是在加減速過程和排線換向過程中，其張力處于一種變化的狀態，因此，需要高精度電子凸輪曲線輪廓，高階曲線來實現更高的精度控制，這對于機器來說，只有如此，才能確保排線精度高，切片的單片均方差最小。
主輥控制
切割室主輥，在繞線和切割過程時，可以在線實現電流環和位置環模式切換，電流同步可以保證兩個主輥出力同步，有效的保證切割區內的金剛線張力穩定，同時也能很好的保證切割線弓最小，切割力最大，以獲得更高的切片質量。
審計追蹤
mappAudit是貝加萊系統中的mapp功能組件，它為系統提供了審計追蹤能力，從生產的可追溯性角度，生產需要了解誰在什么時間做了什么，并對其進行記錄，以不可篡改的形式保存數據，這樣就確保質量、工藝的可追溯性，以為生產工藝人員的質量調整與優化帶來數據依據。
圖6-審計追蹤原理
對于光伏晶片制造商而言，審計追蹤是提升其工藝質量管控水平的關鍵，系統具有該項功能，將會使得這一實現變得簡單，來自于在制藥領域的mappAudit功能，貝加萊同樣將其可用于光伏晶片生產的追溯。
圖7-通過mapp模塊組合實現審計追蹤與數據應用
在審計追蹤的管理中，機器的各種參數以mappData模塊進行收集應用，并通過mappUser的用戶管理，以及mappAudit的審計追蹤模塊對其進行記錄，通過mappCom來實現軟件之間的連接。
掉電停車功能
對于光伏切片而言，無論是突發的急停開關被按下或者突然的掉電情況下，同步停車都是必要的，否則，對于生產的浪費是巨大的，除了晶棒材料的損失，再恢復機器所需的成本也是高昂的，因此，掉電停車功能對于光伏切片是必選項。
圖8-基于ACOPOSmulti的掉電停車功能
采用ACOPOSmulti共直流母線驅動技術，當系統主軸在制動時產生的電流通過再生線圈回到直流母線，并經過DC/AC轉換，提供給其它軸的同步停車。
數據驅動的預測性維護技術
將硅棒切割成厚薄均勻、切壁光滑的硅片，依賴于多線切割機的穩定運行。但在實際的生產中，難免會有設備出現故障的情況。在切割狀態下，設備的突發故障導致的突然停機，對于昂貴的硅棒會造成不可修復的損傷，導致直接報廢。這樣的突發停機帶來的材料損失及停機檢修的停產損失等是巨大的。所以，如何能夠在故障發生之前就進行預警，使得工程師們能夠在工作間隙對設備進行及時的干預、維修，就成為了避免經濟損失、保障生產的關鍵。
圖9-基于聚類分析的預測性維護
如圖9所示，基于多年積累的行業專家知識，首先對多臺設備的數據進行恰當的特征提取，以提煉出數據中與設備健康狀況最相關的信息。之后，使用人工智能算法對數據進行自動聚類，使得特征相似的數據聚成一簇，而不相似的數據聚類成不同的簇。可以很自然的推斷，在多臺相似類型的設備中，大部分設備是健康的，數據特征是類似的。所以，聚類結果中有著大量樣本點的簇可以視為健康簇。而那些游離于健康簇之外的樣本、少量點組成的小簇，則指征著設備的異常工作狀態。
