2026年10月16日至18日IEEE全球可靠性、故障预测与健康管理会议在中国济南召开。该会议面向可靠性、故障预测与健康管理（PHM）相关领域的专家学者、工程技术人员和青年科研人员，旨在搭建高水平国际学术交流平台，促进学术界、工程界和管理领域之间的协同交流与合作。本次会议聚焦可靠性分析、退化建模、状态维护、故障检测与诊断、寿命周期资产管理、人工智能与机器学习、数字孪生、电池健康管理、结构健康监测、能源系统、石油化工系统、旋转机械等方向，鼓励围绕PHM理论方法、关键技术与工程应用开展深入交流。我院2023级博士生王杭在会议期间完成了口头学术汇报，报告题目为《Degradation modeling and life prediction using an incremental physics-informed neural network for high-speed train shafts》。
高速列车轮轴过盈配合界面在旋转弯曲载荷下易发生微动疲劳失效，具有渐进性与隐蔽性。传统方法多采用磨损疲劳解耦策略，忽略磨损诱导的接触应力重分布，导致裂纹萌生位置与寿命预测偏差显著。汇报提出涵盖磨损演化、裂纹萌生及裂纹扩展的全链路退化建模与小样本寿命预测框架。
基于Archard-Holm磨损定律和ALE自适应网格建立三维有限元模型，揭示磨损驱动的接触应力峰值由几何边缘向内侧缺口区迁移的机制；结合Ince-Glinka修正SWT参数与临界距离理论，实现裂纹萌生位置和寿命的高精度预测。在此基础上，构建增量学习物理信息神经网络I-PINN，通过初始点-增量样本构造扩展稀疏裂纹扩展数据，并以Paris定律作为物理约束实现材料参数自适应反演与退化轨迹双向外推。在仅使用稳定扩展段约40%数据训练的条件下，I-PINN对裂纹萌生寿命和断裂寿命的预测相对误差分别为6.5%和4.2%，推理耗时降至毫秒量级。所构建框架在保留物理一致性的同时，实现了稀疏检测条件下的退化轨迹重构与剩余寿命快速预测，可为高速列车轮轴的预测性健康管理与视情维修提供技术支撑。
王杭，机械工程2023级博士研究生，主要研究方向为疲劳损伤机理与智能检测运维研究，导师为张立军教授。
