10余年前，采用砂漿的切片技術在單根晶棒上可以切出1000片左右，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4000-5000片，并且，一根晶棒的切割時間也從過去的十幾個小時縮短到90分鐘，這一切都意味著，僅在切片這一環節，光伏組件的成本就獲得了大幅度的下降。然而，這種效率的大幅提升同時也意味著控制系統更高精度與相應能力要求。
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，突然掉電情況下的同步停車是非常必要的，否則，對于生產的浪費是巨大的，除了金剛線晶棒材料的損失，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。對于機器高速運行而言，其主輥和線輥的軸承承受較大的考驗，并且也是對機器影響最大的關鍵部件，因此，如何能夠在故障發生之前就對其健康狀態進行預警，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。