核心功能为实现待工艺与已工艺硅片花篮的分流传输、精准定位与AGV对接，由AGV小车对接道、花篮传送道及花篮升降道组成，设两条独立通道避免交叉干扰。采用交流电机驱动传输皮带，伺服电机控制升降行程，夹缸实现花篮夹紧定位，当出花篮对接到累积10个花篮时，系统自动召唤AGV小车对接转运。花篮传送道如图2所示：

Figure 2.Flower basket conveyor belt

图2. 花篮传送道

核心功能为硅片传输、缺陷检测与缓存矫正，由硅片传输皮带组件、AOI检测系统、硅片剔除组件、Buffer缓存组件、硅片矫正组件及硅片变截距组件构成，两条独立通道分别负责待工艺与已工艺硅片传输。步进电机驱动皮带运行，矫正组件保障硅片定位一致性，Buffer组件避免传输停滞，AOI检测系统实时检测硅片缺陷并反馈至控制系统，不合格硅片回收至NG花篮。图3为硅片传送道。

Figure 3. Silicon wafer conveyor belt

图3. 硅片传送道

核心执行部件，负责硅片与石墨舟之间的精准转运，选用六轴工业机器人，搭载高精度吸盘抓手，实现待工艺硅片从变截距组件到石墨舟、已工艺硅片从石墨舟到变截距组件的转运，核心保障转运精度与速度，规避奇异点卡顿问题。图4为搬运机器人和石墨舟载体。

Figure 4. Handling robot, graphite boat carrier

图4. 搬运机器人、石墨舟载体

核心功能为石墨舟的定位、传输与工艺机台对接，由舟定位机构、舟传输机构及工艺机接驳台机构组成，采用TCP/IP通讯协议与工艺机台实现数据交互，保障石墨舟精准传输与稳定对接，支撑镀膜工艺连续推进。如图5所示。

Figure 5. Graphite boat and boat transfer assembly

图5. 石墨舟和传舟组件

核心控制部件选用禾川HCQ5-1500-A，该型号PLC属于禾川HCQ5系列高端总线型运动控制器，具备集逻辑控制、运动控制、高速通讯于一体的综合性能，可充分适配设备多单元协同控制需求。支持64轴运动控制，可满足多轴搬运机器人与多传输单元的同步控制需求；搭载高速EtherCAT通讯接口，同时兼容Modbus TCP、CANOpen、OPC UA、EtherNet/IP等多种工业总线通讯协议，保障与AOI检测系统、工艺机台、AGV系统等设备的稳定数据交互；支持远程I/O模块，扩展灵活性强，可根据设备功能扩展需求灵活增减接口；具备较强的抗干扰能力与稳定的运算性能，可适应光伏生产车间复杂工业环境，保障设备长期稳定运行。控制架构如图6。

本控制系统程序设计具备多重亮点：

1. 状态智能判断与干预功能：程序可实时记录硅片、花篮来源信息，自动判断运行流程；同时支持人工修改状态位，实现流程干预，提升系统灵活性。

2. 可视化监控功能：HMI界面搭载设备对应监控图，直观呈现各单元运行状态，方便操作人员进行设备监控和参数修改，界面效果如图7。

Figure 6. Device control architecture

图6. 设备控制架构

Figure 7. Equipment operation monitoring

图7. 设备运行监控

3. 全流程操作追溯功能：可记录轴、气缸、工艺参数等修改前后的信息及按钮操作记录，并同步记录时间，实现全流程可追溯，为问题排查提供依据。

4. 故障统计与诊断功能：详细记录花篮传输卡篮、硅片传输卡片等设备故障点，统计故障发生次数，方便维护人员对症维护，提升维护效率。

5.1.1. 难点分析

石墨舟在长期使用过程中，受镀膜工艺高温(400℃~600℃)、硅片装拆磨损等因素影响，易出现舟体变形(最大变形量可达0.08~0.12 mm)，导致石墨舟定位基准偏移，影响硅片装片精度(要求装片偏差 ≤ ±0.02 mm)，进而引发硅片破损、镀膜不均匀等问题，严重影响设备运行稳定性与产品质量[2]。

5.1.2. 解决方案

设计兼容舟体微小变形与批次差异的自适应定位结构，通过柔性定位与刚性限位结合的方式，将定位误差控制在±0.015 mm以内，保障装片精度[3]。

5.2.1. 难点分析

硅片缺陷检测是保证产品质量的关键环节，面临三大核心难点：一是缺陷类型多样化，包括崩边、缺角、污染、色差、翘曲变形等；二是检测精度要求高，对于微小崩边(尺寸 ≤ 0.1 mm)、轻微污染等缺陷需准确识别，漏检率、误检率需控制在0.03%以内；三是实时检测需求，设备产能 ≥ 5000片/小时，单片硅片检测时间需 ≤ 0.72 s，要求检测算法具备高速运算能力。

5.2.2. 解决方案

采用2D + 3D双相机组合检测方案，结合深度学习模型，实现硅片缺陷的高精度、实时检测与自动分类。

1. 硬件配置：2D工业相机(1200万像素，60 fps)负责检测崩边、缺角等平面缺陷；3D激光轮廓仪(精度±0.005 mm)负责扫描厚度分布和翘曲变形。

2. 深度学习算法设计：构建基于YOLOv8的缺陷检测模型，输入为2D图像与3D轮廓数据的融合特征。算法逻辑包括图像预处理、特征提取、缺陷识别与分类、结果反馈四个步骤。通过大量样本(≥10 万张)训练，模型兼顾了检测速度与精度，确保在高产能下的检测可靠性[4]。

5.3.1. 难点分析

六轴机器人在硅片转运过程中易出现奇异点问题，此时雅可比矩阵奇异，导致关节角度趋于极限，运动卡顿、速度骤降，不仅影响效率，还会因抖动增加硅片碎片风险。

5.3.2. 解决方案：运动学建模与轨迹优化算法

通过建立六轴机器人运动学模型，在轨迹规划阶段进行路径优化，避开奇异点区域，同时采用S曲线加减速算法实现轨迹平滑。

采用D-H参数法建立机器人运动学模型，求解各关节角度。在轨迹规划阶段，选用B样条曲线进行插值，通过调整起点、终点间的中间控制点坐标，主动避开奇异点区域(雅可比矩阵条件数κ (J) < 1000)。优化后的轨迹既满足了作业精度要求，又保证了运动的平稳性，彻底解决了卡顿问题[5]。

6.1.1. 实验环境

测试环境：与光伏企业实际生产环境一致；测试设备：本研发设备(实验组)、现有主流国产自动化上下料设备(对照组)；测试样本：M10规格硅片100万片(A类片，无本身缺陷)，石墨舟500个(含不同变形程度的旧舟，变形量0~0.12 mm)。

6.1.2. 测试指标

核心测试指标包括：石墨舟定位精度、硅片碎片率、设备产能、AOI检测性能(漏检率、误检率)及设备运行率。

6.2.1. 石墨舟定位精度测试结果

连续运行30天，记录实验组与对照组的硅片碎片数量、实际产能，计算碎片率(碎片率 = 碎片数量/总测试数量 × 100%)与平均产能，结果如表1所示。

Table 1. Comparison of silicon wafer scrap rate and equipment capacity

表1.硅片碎片率与设备产能对比

测试结果显示：实验组碎片率为0.0486%，不仅低于0.05%的设计要求，且远低于对照组的0.162%；实验组平均产能为5230片/小时，高于设计要求(≥5000片/小时)及对照组水平。

数据证明，本设备的定位优化与机器人轨迹平滑设计，有效降低了硅片破损风险，并通过消除机器人卡顿提升了整体生产节拍。

6.2.2. AOI检测性能测试结果

选取10000片含各类缺陷的硅片(崩边、缺角、污染等，每种缺陷1000片)，测试实验组与对照组的AOI检测性能，绘制混淆矩阵(表2、表3)，计算漏检率与误检率(漏检率 = 漏检缺陷数/总缺陷数 × 100%；误检率 = 误检缺陷数/总检测数 × 100%)。

Table 2.Confusion matrix of AOI detection in the experimental group (unit: slice)

表2.实验组AOI检测混淆矩阵(单位：片)

Table 3.Confusion matrix of AOI detection in the control group (unit: slice)

表3.对照组AOI检测混淆矩阵(单位：片)

经计算，实验组漏检率为0.02%，误检率为0.01%；而对照组的漏检率与误检率分别为0.24%和0.23%。

实验结果表明，采用2D + 3D双相机融合的检测方案，结合深度学习算法，显著提升了缺陷识别的准确率，有效避免了不良品流入下道工序，保障了产品质量。