2026年5月26日至29日，AMI课题组胡中旭教授、刘颉教授和博士研究生杨晔赴法国马赛参加第16届Prognostics and System Health Management Conference（PHM 2026，预测与系统健康管理国际会议）。PHM国际会议是设备预测与健康管理、智能维护、可靠性工程、故障诊断与工业人工智能领域具有重要影响力的国际学术会议之一，长期聚焦复杂工程系统的健康状态评估、故障预测、剩余寿命估计、维护决策优化以及智能运维技术应用。本届会议汇聚了来自欧洲、亚洲、北美等地区高校、科研机构和工业界的专家学者，围绕PHM理论方法、人工智能赋能预测性维护、工业系统健康管理、故障诊断与失效预测等前沿问题开展深入交流。

图1 PHM2026会议现场

PHM2026会议围绕预测性维护、故障诊断、剩余寿命预测、智能感知、工业人工智能、知识增强推理、数字孪生和安全控制等主题设置了大会报告、专题论坛、论文报告、学术讨论和交流活动。会议报告指出，PHM研究正在从传统的状态监测和故障预测，逐步向多源数据融合、知识增强建模、可信人工智能和面向实际工业场景的智能维护决策转变。特别是在复杂装备系统中，设备运行状态往往受到工况变化、环境条件、维护历史、部件耦合关系和人为操作行为等多重因素影响，单一黑箱模型难以完全满足工程现场对诊断可靠性、推理可解释性和决策可追溯性的要求。因此，如何融合领域知识、历史运维数据、物理机理模型和人工智能方法，构建可信、可解释、可复用的PHM技术体系，成为本届会议重点讨论的方向之一。

图2 主题报告介绍全球范围内PHM研究机构分布与发展态势

会议期间，AMI课题组重点关注了PHM领域的国际发展趋势和关键技术挑战。在大会报告和专题交流中，专家学者系统介绍了PHM研究在全球范围内的发展布局，并展示了法国在预测性维护、故障诊断、健康评估和工业人工智能方面的研究网络。相关报告指出，PHM技术已广泛应用于旋转机械、智能制造、轨道交通、航空航天、能源装备、水质监测等多个领域，其核心目标是通过对设备状态和退化过程的持续感知、建模与预测，为维护决策提供科学依据，从而提升系统可靠性、安全性和可用性，降低运维成本。

在PHM与维护关系的专题报告中，报告人从维护活动的基本分类出发，阐释了故障后维修、预防性维护、状态维护和预测性维护之间的逻辑关系。报告指出，传统维护方式往往依赖固定周期或故障发生后的人工处理，而预测性维护则依托状态监测与故障预测，在故障发生前识别退化趋势并辅助制定维修策略。这一思路与AMI课题组长期面向复杂装备开展智能诊断、健康评估和维护决策优化的研究方向高度一致。

在论文报告交流环节，AMI课题组博士研究生杨晔作题为“Interpretable Diagnostic Chain Reconstruction and Graph-Constrained LLM Reasoning for Hydropower Maintenance Logs”的学术报告。该论文聚焦水电站运行维护场景，面向长期积累的维护日志数据，针对日志文本表达不规范、诊断过程隐含、故障因果关系不完整以及大语言模型直接推理易产生不一致或幻觉等问题，提出了一种可解释诊断链重构与图约束大语言模型推理方法。研究旨在将水电站维护日志中的经验性记录转化为可复用、可解释、可约束的诊断知识，为水电装备智能运维、故障原因分析和维修策略辅助决策提供方法支撑。

图3 博士杨晔进行专题汇报并与参会专家进行互动交流

报告结束后，课题组成员与参会专家围绕维护日志知识抽取、复杂故障诊断链构建、图约束推理、大语言模型在工程诊断场景中的可靠性以及水电装备智能维护应用等问题进行了交流。相关讨论表明，在能源装备运维领域，面向实际工程任务的大语言模型应用不能仅依赖通用语言生成能力，而应进一步结合领域知识、历史案例、设备结构关系和专家规则，构建可解释、可追溯、可验证的智能诊断框架。这与AMI课题组后续推进“数据—知识—模型—决策”融合的智能运维研究思路具有高度一致性。

图4 刘颉教授担任“故障检测与失效预测”分会场主席并主持会议

本次参会进一步拓宽了AMI课题组的国际学术视野，促进了课题组与国际PHM研究领域的交流互鉴。一方面，会议帮助课题组系统了解了PHM领域在人工智能、数字孪生、物理信息建模、知识增强推理和安全控制等方向的最新进展；另一方面，也进一步验证了课题组围绕设备维护日志知识化、诊断链重构和图约束大语言模型推理开展研究的前沿价值和工程意义。未来，AMI课题组将继续面向重大装备智能运维与复杂装备健康管理需求，围绕多源运维数据治理、故障诊断知识图谱构建、可信大语言模型推理和可解释维护策略生成等方向开展深入研究，推动智能运维理论方法与工程应用场景的深度融合。

图5 AMI课题组参会师生合影