Técnicas de emissão acústica para a caracterização e monitoramento do processo de corte por fio diamantado contínuo

Abstract

Desde sua primeira introdução em 1984, o processo de corte por fio diamantado de lingotes de silício em wafers tem impactado significativamente a usinagem de materiais frágeis, particularmente no processamento de silício cristalino. O uso de silício em células fotovoltaicas (FV) tem recebido atenção considerável devido às suas propriedades semicondutoras dentro da indústria fotovoltaica, servindo como uma alternativa eficiente para conversão de energia solar em energia elétrica, à medida em que a demanda por fontes renováveis aumenta. Tanto a transição na indústria de semicondutores, em que estima-se que as células FV detém cerca de 90% do mercado de silício convencional, quanto as tendências de redução de preços do substrato de silício, retratam uma tendência de viabilidade crescente para a implementação da energia solar, o que impulsiona ainda mais a inovação tecnológica no setor fotovoltaico. Nesse contexto, o desenvolvimento de técnicas avançadas de manufatura, como monitoramento e controle de processos, torna-se um ponto de partida crítico para otimização da eficiência da cadeia produtiva. Para esse fim, sistemas de emissão acústica (EA) têm sido amplamente aplicados no campo da manufatura devido à alta faixa de frequência e sensibilidade. Essa abordagem é particularmente eficaz no processo de retificação, servindo como um método eficaz para caracterização topográfica, dinâmica in-process e monitoramento do desgaste de rebolo. Apesar de sua extensa aplicação, não foram empregadas técnicas de EA em pesquisas sobre corte por fio diamantado para monitoramento de processos, destacando uma lacuna na literatura disponível. Sob essa perspectiva, o presente trabalho propõe uma abordagem inovadora para a implementação sistemática de instrumentação EA para caracterização do processo de corte por fio diamantado, dividida em três aspectos principais: 1) caracterização dinâmica e cinemática; 2) detecção de contato entre ferramenta e peça; 3) acompanhamento do desgaste da ferramenta. Sinais EARAW e EARMS foram adquiridos do processo de corte para extração de características, considerando as diferentes abordagens propostas. Dentre as ferramentas de processamento de sinais, análises no domínio do tempo, análise de Fourier, espectro de potência e análises no plano tempo-frequência, com ênfase na transformada de wavelet discreta, foram empregadas para extração de características do sinal. Técnicas de análise de processamento de sinais avançadas foram implementadas em linguagem de programação Python, em conjunto com o desenvolvimento de um algoritmo integrado à aquisição de dados para estabelecer um banco de dados estruturado que permite uma análise de dados eficiente e organizada. Os resultados mostraram um aumento na potência do sinal para velocidades de corte mais altas, enquanto mudanças na velocidade de avanço não produziram alterações significativas. O conteúdo de frequência exibiu pouca influência sob diferentes condições de corte. O estabelecimento de um limite dinâmico forneceu informações úteis para detecção de contato, em que janelas móveis de maior duração demonstraram ser mais sensíveis. Além disso, a transição de contato do fio foi fortemente influenciada pela constante de integração de tempo nos sinais EARMS, em que velocidades de avanço mais baixas resultaram em uma resposta mais estável. A análise de desgaste de ferramenta baseada em tempo de corte e condição revelou um deslocamento de frequência, no qual tanto o espectro de potência quanto a extração de coeficientes de wavelet indicaram um aumento de energia no conteúdo de baixa frequência de ferramentas desgastadas.

Since its introduction in 1984, wire sawing process of silicon ingots into wafers has significantly impacted the machining of hard-brittle materials, particularly in crystalline silicon processing. Employment of silicon in photovoltaic (PV) cells has drawn considerable attention due to its semiconductor properties within the photovoltaic industry as an efficient method for converting solar energy into electrical energy, as the renewable sources demand increases. Both transition in the semiconductor industry, whereas PV cells are estimated to account up for 90% of the mainstream silicon market, and decreasing price trends over silicon substrate, suggest increasing feasibility for solar technology manufacturing which further drives technological innovation in the PV sector. In light of these trends, developing advanced manufacturing techniques such as process monitoring and control comes in as a critical starting point for optimizing production efficiency. For this purpose, acoustic emission (AE) systems have been widely applied in the manufacturing field due to its high frequency range and sensitivity. This approach is particularly effective in grinding process, serving as a reliable method for dynamic in-process characterization and wheel wear monitoring. Despite its extensive application, no research on wire sawing has employed AE techniques for process monitoring, highlighting a clear gap in the considered literature. Within this framework, the present work proposes an innovative approach to implementing AE tools for diamond wire sawing process characterization, divided into three key aspects: 1) dynamic and kinematic characterization; 2) workpiece-tool contact detection; 3) tool wear monitoring. Both AERAW and AERMS signals were acquired from the cutting process for feature extraction, considering different approaches. Among digital signal processing tools, time domain, Fourier analysis, power spectrum and time-frequency domain, with emphasis on the discrete wavelet transform were employed for signal feature extraction. In-depth signal processing analysis techniques were implemented within the Python environment, along the development of an integrated data acquisition algorithm for establishing a structured database for comprehensive data analysis handling. Results showed an increasing signal power for higher cutting speeds whilst changes in feed rate did not produce significant changes. Surprisingly, frequency content exhibited little to no influence under different cutting conditions. The designation of a dynamic threshold provided useful information for effective contact detection, with greater rolling time windows becoming more sensitive. Also, wire contact transition was heavily influenced by the time integration constant in EARMS signals, wherein lower feed rates resulted in a more stable response. Condition-based tool wear analysis revealed a frequency shift, in which both power spectrum and wavelet coefficient extraction indicated increased energy in the low frequency content of worn tools.