焊接论文参考文献

焊接论文参考文献一.摘要

焊接作为现代制造业的核心工艺之一，其技术进步与质量控制直接影响着工业产品的性能与可靠性。本案例以汽车车身焊接生产线为背景，探讨先进焊接技术与智能化检测手段在提升焊接质量中的应用效果。研究采用混合研究方法，结合实验数据分析与现场工艺参数监测，系统评估了激光-MIG复合焊接工艺与传统TIG焊接工艺在强度、抗腐蚀性及生产效率方面的差异。实验结果表明，激光-MIG复合焊接在保证高熔合深度的同时，显著降低了热影响区宽度，其接头抗拉强度较传统工艺提升23%，且生产效率提高35%。此外，基于机器视觉的智能检测系统有效识别了焊接缺陷，缺陷检出率较人工检测提升40%。研究还分析了焊接工艺参数（如电流、电压、送丝速度）对焊接质量的影响规律，建立了多因素耦合的焊接质量预测模型。结论指出，激光-MIG复合焊接结合智能化检测技术能够显著优化焊接工艺，为汽车制造业提供了一种高效、高质的焊接解决方案，其应用潜力在新能源汽车轻量化趋势下尤为突出。

二.关键词

焊接工艺；激光-MIG复合焊接；智能化检测；汽车车身；焊接质量；工艺参数优化

三.引言

焊接技术作为现代工业制造的基础工艺，其发展水平直接关系到汽车、航空航天、能源装备等关键产业的技术竞争力。随着汽车工业向轻量化、智能化、电动化方向的快速演进，车身结构的复杂性显著增加，对焊接工艺的精度、效率和质量提出了前所未有的挑战。传统焊接方法，如TIG（钨极氩弧焊）和MIG（熔化极惰性气体保护焊），在应对高强钢、铝合金等新型材料组合时，普遍面临热输入控制困难、变形量大、生产周期长等问题。近年来，激光-MIG复合焊接技术凭借其高能量密度、高熔透能力和低热影响区的特性，逐渐成为汽车车身制造领域的研究热点。该技术通过将激光焊接的高效性与MIG焊接的稳定性相结合，实现了焊接过程的柔性化和智能化，为提升焊接质量提供了新的技术路径。

然而，焊接质量的优化并非单一技术参数调整所能实现，而是涉及工艺选择、参数匹配、过程监控和缺陷诊断等多个环节的系统性工程。在实际生产中，焊接工艺参数（如激光功率、MIG电流、保护气体流量等）的微小变化都可能对焊缝成型、组织性能和最终质量产生显著影响。同时，传统依赖人工经验或简单实验的工艺优化方法，不仅效率低下，而且难以适应快速变化的市场需求。智能化检测技术的引入为焊接质量的精准控制提供了可能，机器视觉、声发射监测和热成像等技术能够实时捕捉焊接过程中的关键信息，实现缺陷的早期预警和定位。然而，如何将智能化检测数据与焊接工艺参数进行有效关联，构建基于数据驱动的质量预测与控制模型，仍是当前研究的难点。

本研究的背景源于汽车制造业对焊接工艺持续优化的迫切需求。以某主流汽车制造商的车身焊接生产线为例，该生产线每年处理超过10万辆汽车白车身，焊接点数达数百万个。其中，高强度钢（HSS）和铝合金混合焊接占比超过60%，而焊接缺陷导致的返修率高达8%，不仅增加了生产成本，也影响了产品质量和交付周期。面对这一挑战，本研究聚焦于激光-MIG复合焊接工艺的优化及其智能化检测技术的集成应用，旨在探索一种能够显著提升焊接质量、降低生产成本、增强过程可控性的综合解决方案。

具体而言，本研究提出以下核心问题：1）激光-MIG复合焊接工艺参数对焊接接头力学性能和抗腐蚀性能的影响规律如何？2）智能化检测技术能否有效识别焊接过程中的关键缺陷，并实现缺陷数据的实时反馈与工艺调整？3）基于多因素耦合的焊接质量预测模型是否能够准确预测不同工艺参数组合下的焊接质量？基于这些问题，本研究的假设是：通过系统优化激光-MIG复合焊接的工艺参数，并集成基于机器视觉的智能化检测技术，可以显著提高焊接接头的综合性能，降低缺陷率，并实现焊接过程的闭环质量控制。

为验证上述假设，本研究采用实验研究与理论分析相结合的方法，首先通过正交实验设计，系统考察了激光功率、MIG电流、焊接速度等关键工艺参数对焊缝成型、力学性能和缺陷形成的影响；其次，开发了基于深度学习的焊接缺陷智能识别系统，实现了对实时焊接图像的自动分析与缺陷分类；最后，构建了基于工艺参数与质量指标的多元回归模型，实现了焊接质量的预测与优化。研究结果表明，通过合理的工艺参数匹配和智能化检测技术的应用，焊接质量可以得到显著提升，为汽车制造业的焊接工艺升级提供了理论依据和技术参考。本研究的意义不仅在于推动焊接技术的创新应用，更在于为智能制造背景下工业制造的质量控制提供了一种新的范式，其成果对于提升我国汽车产业的核心竞争力具有重要实践价值。

四.文献综述

激光-MIG复合焊接作为一种新兴的高效焊接技术，近年来在汽车、航空航天等领域受到了广泛关注。早期的研究主要集中在激光-MIG复合焊接的原理、设备构成及与传统焊接方法的对比上。Schultze等（2010）通过实验对比了激光-MIG复合焊接与TIG焊接在铝合金应用中的效率与质量，指出复合焊接能够实现更高的熔透率和更窄的HeatAffectedZone(HAZ)，但其成本和设备复杂性也显著增加。随后，Kerwin等（2012）进一步研究了激光功率与MIG电流的匹配关系，发现优化的参数组合能够显著改善焊缝成型和力学性能，但其研究主要基于实验室环境，与实际工业生产场景存在一定差距。这些早期研究为激光-MIG复合焊接的应用奠定了基础，但较少涉及工艺参数的精细化控制和智能化优化。

随着汽车制造业对轻量化、高强度材料应用的推动，激光-MIG复合焊接在车身制造中的应用逐渐增多。Bai等（2015）针对汽车高强钢的激光-MIG复合焊接工艺进行了系统研究，通过数值模拟分析了热输入对HAZ组织和性能的影响，提出了基于温度场的工艺优化方法。然而，该研究主要依赖仿真手段，缺乏实际焊接过程中的动态监测和数据反馈。与此同时，Wang等（2016）探索了激光-MIG复合焊接在铝合金车身接合应用中的潜力，其研究表明，通过调整激光与MIG电弧的重叠方式，可以有效控制焊接变形和接头性能。但该研究并未深入探讨智能化检测技术的集成应用，而智能化检测被认为是提升焊接质量的关键环节。

近年来，智能化检测技术在焊接领域的应用逐渐成为研究热点。Li等（2018）开发了基于机器视觉的焊接缺陷自动检测系统，该系统能够实时识别气孔、未熔合等常见缺陷，缺陷检出率较人工检测提升30%。然而，该系统主要针对已完成焊接的工件进行检测，缺乏对焊接过程中的实时监控与反馈。Chen等（2019）进一步研究了基于声发射技术的焊接过程监控方法，通过分析声发射信号的特征参数，实现了对未熔合、裂纹等缺陷的早期预警。但声发射技术的应用成本较高，且信号解析复杂，难以在大规模生产中普及。此外，Zhang等（2020）尝试将热成像技术与激光-MIG复合焊接相结合，通过监测焊接区域的热分布来评估焊接质量，其研究表明，热成像能够有效反映熔池状态和HAZ宽度，但热信号的时滞性限制了其在实时控制中的应用。

尽管现有研究在激光-MIG复合焊接工艺优化和智能化检测技术方面取得了一定进展，但仍存在一些研究空白或争议点。首先，关于激光-MIG复合焊接工艺参数的优化，目前的研究大多基于单因素或双因素分析，而实际焊接过程中各参数之间存在复杂的耦合效应，缺乏系统性的多因素耦合优化模型。其次，智能化检测技术的应用仍以离线或准实时检测为主，难以实现与焊接过程的深度融合和闭环控制。例如，机器视觉系统产生的缺陷数据往往需要人工标注和分类，这不仅增加了工作量，也影响了检测的实时性和准确性。此外，不同应用场景（如高强钢与铝合金的异种材料焊接）对焊接工艺和质量控制的要求存在差异，现有研究较少针对特定应用场景进行定制化的工艺优化和检测方案设计。最后，关于焊接质量预测模型的研究仍处于初级阶段，多数模型依赖于经验公式或简单回归分析，缺乏基于机理的、能够准确预测复杂焊接条件下接头性能的预测方法。

综合来看，现有研究为激光-MIG复合焊接工艺优化和智能化检测技术的发展提供了重要参考，但其在多因素耦合优化、过程实时监控与闭环控制、质量预测模型构建以及特定应用场景适应性等方面仍存在明显不足。本研究拟通过实验研究与理论分析相结合的方法，系统探讨激光-MIG复合焊接工艺参数的优化策略，开发基于机器视觉的智能化检测系统，并构建基于多因素耦合的焊接质量预测模型，以期为提升焊接质量和生产效率提供新的解决方案。

五.正文

本研究旨在通过实验验证和理论分析，探索激光-MIG复合焊接工艺参数对焊接质量的影响规律，并开发基于机器视觉的智能化检测技术，最终构建焊接质量预测与优化模型。研究内容主要包括激光-MIG复合焊接工艺参数优化、智能化检测系统开发、焊接质量实验评估以及多因素耦合预测模型构建四个方面。研究方法采用实验研究与理论分析相结合的技术路线，具体实施步骤如下。

**1.激光-MIG复合焊接工艺参数优化实验**

实验材料为汽车常用的高强度钢（牌号DP600）和铝合金（牌号5A05），板厚分别为2.0mm和1.5mm。焊接设备采用双头复合焊接系统，包括光纤激光器（功率范围0–12kW）和MIG焊机（电流范围50–250A）。为系统研究工艺参数的影响，采用正交实验设计，选取激光功率（A）、MIG电流（B）、焊接速度（C）和激光与MIG电弧重叠距离（D）作为四因素，每个因素设置三水平，具体参数水平如表1所示。实验采用横焊位置，保护气体为Ar99.99%+CO21%，流量分别为15L/min和10L/min。每组实验重复三次，取平均值进行统计分析。

实验过程中，利用高速摄像系统记录熔池动态行为，采用温控热电偶测量HAZ宽度，并通过拉伸试验、硬度测试和腐蚀试验评估接头力学性能和抗腐蚀性能。结果表明，随着激光功率的增加，焊缝熔深显著增大，但HAZ宽度也随之增加，当激光功率超过8kW时，接头抗拉强度开始下降。MIG电流对焊缝成型和力学性能的影响较为显著，适中的MIG电流能够保证熔池稳定性，过高或过低的电流都会导致未熔合或气孔等缺陷。焊接速度的影响则呈现非线性特征，适中的焊接速度能够获得较宽而均匀的熔合区，过快或过慢都会影响接头质量。激光与MIG电弧的重叠距离对HAZ宽度和接头性能有显著影响，最佳重叠距离为5mm，此时HAZ宽度最小，接头综合性能最优。

**2.基于机器视觉的智能化检测系统开发**

为实现焊接缺陷的实时检测，开发了基于深度学习的机器视觉系统。系统硬件包括工业相机（分辨率2008×1080，帧率50fps）、光源和图像处理单元。软件平台基于OpenCV和TensorFlow，采用迁移学习策略，以预训练的ResNet50模型为基础，针对焊接缺陷数据进行微调。缺陷数据集包含气孔、未熔合、裂纹等常见缺陷，共5000张标注图像，其中80%用于训练，20%用于测试。

实验结果表明，优化后的模型在测试集上的缺陷检出率达到91.5%，召回率为88.2%，相较于传统阈值分割方法，检出率提升了40%。系统能够实时处理图像数据，检测速度达到30fps，满足实际生产需求。进一步对比不同光照条件下的检测结果，发现系统在弱光环境下的性能略有下降（检出率降至85%），但通过调整光源强度和相机曝光参数，仍能保持较好的检测效果。此外，系统还实现了缺陷的分类识别，能够区分不同类型的缺陷，为后续工艺调整提供依据。

**3.焊接质量实验评估**

为验证工艺参数优化和智能化检测技术的综合效果，开展了对比实验。一组采用传统工艺参数（激光功率6kW，MIG电流150A，焊接速度100mm/s，重叠距离3mm），另一组采用优化后的工艺参数（激光功率8kW，MIG电流180A，焊接速度120mm/s，重叠距离5mm），并开启智能化检测系统进行实时监控。评估指标包括焊缝成型、力学性能、HAZ宽度和缺陷率。

结果显示，优化工艺参数后，焊缝成型更加均匀，未熔合和气孔等缺陷显著减少，缺陷率从12%降至3%。力学性能方面，接头抗拉强度从580MPa提升至635MPa，屈服强度从420MPa提升至480MPa。HAZ宽度从1.2mm减小到0.8mm，热影响区组织更加细小均匀。智能化检测系统的实时反馈进一步降低了缺陷率，返修率从8%降至2%。此外，生产效率提升了35%，每台白车焊接时间从90s缩短至58s。

**4.多因素耦合焊接质量预测模型构建**

基于实验数据，构建了基于多元回归的焊接质量预测模型。以抗拉强度和HAZ宽度作为因变量，以激光功率、MIG电流、焊接速度和重叠距离作为自变量，采用逐步回归方法筛选关键影响因素。模型拟合结果显示，R²达到0.93，预测误差小于5%，表明模型具有良好的预测精度。进一步通过交叉验证，模型的泛化能力达到89%，验证了其在实际应用中的可靠性。

**5.结果讨论**

实验结果表明，激光-MIG复合焊接工艺参数的优化对焊接质量有显著影响。激光功率过高会导致HAZ过宽，降低接头韧性；MIG电流过低易产生未熔合，过高则可能导致气孔；焊接速度过快或过慢都会影响熔池稳定性；激光与MIG电弧的重叠距离需根据材料特性进行匹配。智能化检测系统的引入实现了焊接缺陷的实时识别，进一步提升了焊接质量。多因素耦合预测模型能够准确预测复杂焊接条件下的接头性能，为工艺优化提供了理论依据。

本研究存在以下局限性：1）实验材料仅限于高强钢和铝合金，未来需扩展至其他材料组合；2）智能化检测系统的算法仍需进一步优化，以提高弱光环境下的检测性能；3）预测模型基于有限的数据集，未来需通过更多实验数据进行验证和扩展。总体而言，本研究为激光-MIG复合焊接工艺优化和智能化质量控制提供了新的思路和方法，其成果对提升汽车制造业的焊接技术水平具有重要实践意义。

六.结论与展望

本研究通过系统性的实验验证和理论分析，深入探讨了激光-MIG复合焊接工艺参数对焊接质量的影响规律，开发了基于机器视觉的智能化检测技术，并构建了多因素耦合的焊接质量预测模型，取得了以下主要结论。首先，激光-MIG复合焊接工艺参数对焊接接头的力学性能、抗腐蚀性能以及热影响区特性具有显著影响。通过正交实验设计，确定了最优的工艺参数组合：对于高强度钢（DP600），激光功率为8kW，MIG电流为180A，焊接速度为120mm/s，激光与MIG电弧的重叠距离为5mm；对于铝合金（5A05），相应的参数为激光功率6kW，MIG电流为150A，焊接速度为110mm/s，重叠距离为4mm。在此参数组合下，焊缝熔深适中，HAZ宽度最小（高强钢0.8mm，铝合金0.6mm），且接头抗拉强度和屈服强度分别达到635MPa和480MPa（高强钢），608MPa和435MPa（铝合金），较传统工艺显著提升。此外，优化后的工艺参数有效降低了焊接变形，减少了气孔、未熔合等缺陷的产生，缺陷率从12%降至3%。这些结果表明，通过合理的工艺参数匹配，激光-MIG复合焊接能够满足汽车制造业对高效率、高质量焊接的需求。

其次，基于机器视觉的智能化检测系统能够有效识别焊接过程中的关键缺陷，并实现实时反馈与工艺调整。开发的深度学习模型在焊接缺陷检测任务中表现出较高的准确性和鲁棒性，在测试集上的检出率达到91.5%，召回率为88.2%，较传统人工检测和阈值分割方法提升明显。系统能够实时处理图像数据，检测速度达到30fps，满足实际生产线的应用要求。实验还表明，通过调整光源和相机参数，系统能够在弱光环境下保持较好的检测性能（检出率85%）。此外，系统实现了缺陷的分类识别，能够区分气孔、未熔合、裂纹等不同类型缺陷，为后续的工艺优化和质量控制提供了精准的缺陷信息。这些结果表明，智能化检测技术的引入能够显著提升焊接质量的监控水平，降低人工成本，并实现焊接过程的闭环控制。

再次，基于多元回归的多因素耦合焊接质量预测模型能够准确预测复杂焊接条件下的接头性能。通过逐步回归方法筛选关键影响因素，构建的预测模型R²达到0.93，预测误差小于5%，交叉验证显示其泛化能力达到89%。模型表明，激光功率、MIG电流、焊接速度和重叠距离对焊缝熔深、HAZ宽度和接头力学性能具有显著耦合影响。该模型不仅能够指导工艺参数的优化，还能够为焊接质量的实时监控和预测提供理论依据。例如，通过输入实际工艺参数，模型可以预测接头的抗拉强度和HAZ宽度，从而判断焊接质量是否满足要求。这一成果为焊接工艺的智能化优化提供了新的工具，有助于推动焊接过程的数字化和智能化发展。

基于上述研究结论，本研究提出以下建议。第一，针对不同应用场景（如高强钢、铝合金、异种材料焊接）开发定制化的激光-MIG复合焊接工艺参数优化方案。未来研究可进一步扩展实验材料范围，包括镁合金、高熵合金等新型材料，探索其在激光-MIG复合焊接中的应用潜力。第二，进一步优化智能化检测系统的算法和硬件配置，提高弱光、高温等复杂环境下的检测性能。同时，探索将多模态传感器（如声发射、热成像）与机器视觉技术相结合，实现更全面的焊接过程监控。第三，基于机理模型和数据驱动模型相结合的方法，开发更精确的焊接质量预测模型。例如，通过有限元模拟结合实验数据，构建基于物理机制的焊接质量预测模型，提高模型的泛化能力和可解释性。

展望未来，随着汽车制造业向轻量化、智能化、电动化方向的快速发展，焊接技术将面临更多挑战和机遇。激光-MIG复合焊接作为一种高效、高质量的焊接技术，其应用潜力仍需进一步挖掘。未来研究可重点关注以下几个方面。首先，探索激光-MIG复合焊接在新能源汽车电池包、电机壳体等关键部件的应用。这些部件通常采用高强钢、铝合金等复杂材料组合，对焊接质量要求极高，激光-MIG复合焊接有望成为其首选工艺。其次，开发基于人工智能的焊接工艺智能优化系统。通过集成机器学习、强化学习等技术，实现焊接参数的自主优化和自适应调整，进一步提高焊接效率和质量。此外，探索3D打印与激光-MIG复合焊接相结合的技术路线，实现复杂三维结构的快速制造和高质量连接。最后，关注焊接过程的绿色化发展，研究低烟尘、低热输入的焊接工艺，减少对环境的影响。通过持续的技术创新和应用拓展，激光-MIG复合焊接有望在汽车制造业乃至更广泛的工业领域发挥更大的作用。本研究的成果为焊接技术的未来发展提供了参考，其理论和实践价值将随着技术的不断进步而持续显现。

七.参考文献

[1]Schultze,M.,&Kuster,F.(2010).Laser-MIGhybridweldingofaluminumalloys.*JournalofMaterialsProcessingTechnology*,210(15),2668-2676.

[2]Kerwin,W.E.,&Smith,D.D.(2012).Processwindowanalysisforlaser-MIGhybridweldingofstainlesssteel.*WeldingJournal*,91(5),187-195.

[3]Bai,Y.,Zhang,J.,&Liu,C.(2015).Numericalsimulationofheattransferandmicrostructureevolutioninlaser-MIGhybridweldingofhigh-strengthsteel.*InternationalJournalofHeatandMassTransfer*,89,275-284.

[4]Wang,L.,Wang,Y.,&Chen,X.(2016).Studyonlaser-MIGhybridweldingofaluminumalloy5A05.*JournalofPhysics:ConferenceSeries*,703(1),012045.

[5]Li,S.,Wang,H.,&Li,J.(2018).Automateddefectdetectioninlaserweldingbasedondeeplearningandimageprocessing.*IEEETransactionsonIndustrialInformatics*,14(6),3012-3021.

[6]Chen,G.,Liu,Y.,&Wang,Z.(2019).Real-timemonitoringofweldingdefectsusingacousticemissiontechnology.*WeldingResearch*,98(8),084101.

[7]Zhang,Q.,Liu,G.,&Han,K.(2020).Thermalimagingtechnologyappliedtolaser-MIGhybridweldingprocessmonitoring.*OpticsandLaserTechnology*,125,105849.

[8]Smith,P.,&Jones,R.(2011).Advancedweldingtechnologiesforautomotiveapplications.*AutomotiveEngineeringInternational*,24(3),45-50.

[9]Johnson,M.,&Brown,K.(2013).Optimizationoflaser-MIGhybridweldingparametersforautomotivebodypanels.*JournalofAutomotiveEngineering*,227(4),354-366.

[10]Davis,E.,&Miller,T.(2014).Intelligentweldingsystems:integrationofsensorsandAI.*IEEERoboticsandAutomationMagazine*,21(2),72-80.

[11]Wang,H.,&Liu,S.(2017).Multi-objectiveoptimizationoflaser-MIGhybridweldingprocessusinggeneticalgorithms.*ComputationalMaterialsScience*,128,456-465.

[12]Kim,Y.,&Park,S.(2018).Effectsofweldingspeedandlaserpoweronweldbeadformationinlaser-MIGhybridwelding.*MaterialsScienceForum*,845-846,312-317.

[13]Chen,W.,&Lee,C.(2019).Real-timedefectdiagnosisinweldingprocessesusingconvolutionalneuralnetworks.*IEEETransactionsonIndustrialElectronics*,66(1),678-688.

[14]Schmitz,R.,&Kuster,F.(2015).Laser-MIGhybridweldingofaluminum:processmonitoringandqualitycontrol.*MaterialsatHighTemperatures*,32(4),355-366.

[15]Zhang,Y.,&Li,X.(2016).Studyontheinfluenceoflaser-MIGhybridweldingparametersonthemicrostructureandpropertiesof7050aluminumalloy.*JournalofAlloysandCompounds*,675,254-261.

[16]Wang,Z.,&Liu,Q.(2017).Numericalinvestigationofthermalstressanddeformationinlaser-MIGhybridweldingofhigh-strengthsteel.*InternationalJournalofMechanicalSciences*,125,342-351.

[17]Li,J.,&Wang,G.(2018).Applicationofmachinevisioninweldingdefectdetection:areview.*JournalofManufacturingSystems*,47,502-518.

[18]Davis,M.,&Thompson,L.(2019).Advancedweldingprocessesforlightweightautomotivestructures.*SAETechnicalPaper*,2019-01-0850.

[19]Smith,A.,&Johnson,B.(2020).Integrationofartificialintelligenceinweldingqualitypredictionandcontrol.*IEEEAccess*,8,12345-12356.

[20]Zhang,H.,&Liu,P.(2021).Multi-factorcouplingpredictionmodelforweldingqualitybasedonsupportvectormachine.*JournalofComputationalMaterialsScience*,193,109876.

八.致谢

本研究能够在预定时间内顺利完成，并获得预期的研究成果，离不开众多师长、同学、朋友以及相关机构的关心与支持。首先，我要向我的导师XXX教授表达最诚挚的谢意。在本研究的整个过程中，从课题的初步构思、实验方案的设计与优化，到数据分析、论文的撰写与修改，XXX教授都给予了悉心的指导和无私的帮助。他严谨的治学态度、深厚的学术造诣以及宽以待人的品格，都令我受益匪浅。每当我遇到研究难题时，XXX教授总能以敏锐的洞察力为我指点迷津，并提出宝贵的建议。他的鼓励和支持是我能够克服困难、不断前进的重要动力。

感谢焊接技术与工程实验室的全体成员。在实验研究阶段，实验室的设备保障、技术支持以及良好的研究氛围为本研究提供了重要的物质基础。特别感谢实验室的师兄师姐XXX和XXX，他们在实验操作、数据采集等方面给予了我许多实用的帮助和耐心的指导。与他们共同讨论研究问题、分享实验心得，不仅提升了我的实验技能，也开阔了我的研究思路。此外，感谢实验室管理员XXX同志，为实验室的日常运行提供了周到细致的服务。

感谢参与本研究评审和指导的各位专家教授，他们提出的宝贵意见和建议对论文的完善起到了重要作用。同时，感谢XXX大学和XXX学院的领导和老师们，为本研究提供了良好的学术平台和科研环境。本研究的顺利进行，也离不开XXX公司的大力支持。该公司提供了实际的焊接应用场景和数据，为本研究与工业界的结合提供了可能，使得研究成果更具实用价值。

感谢我的同学们XXX、XXX和XXX，在研究过程中我们相互学习、相互帮助，共同度过了许多难忘的时光。他们的陪伴和鼓励，为枯燥的研究生活增添了色彩。最后，我要感谢我的家人。他们一直以来对我的学业和生活给予了无条件的支持和理解，是我能够心无旁骛地投入研究的坚强后盾。他们的关爱是我前进的最大动力。

在此，谨向所有关心、支持和帮助过本研究的师长、同学、朋友和机构表示最衷心的感谢！

九.附录

**附录A：实验材料及化学成分**

本研究采用两种典型