本文针对高速动车组车轮磨耗轮廓预测及限值评估问题，提出一种物理信息引导的贝叶斯残差神经网络（PG-BRNN），并将其与车辆-轨道动力学仿真相结合，构建了面向车轮磨耗退化预测、廓形使用限值评估与可靠性分析的一体化框架。首先，基于多体动力学模型、轮轨接触模型和Archard磨耗模型，建立车轮磨耗机理预测模型；随后，利用现场实测轮廓数据拟合仿真结果与真实磨耗之间的残差，以同步修正机理模型的系统偏差并表征磨耗演化过程中的随机不确定性。在此基础上，采用高速动车组实测数据开展案例分析。结果表明，PG-BRNN在均方根误差（RMSE）、Fréchet距离和动态时间规整（DTW）等评价指标上均优于单一机理模型，显著降低了预测结果与现场测量结果之间的偏差。进一步分析表明，机理仿真结果总体偏保守，实际服役条件下车轮磨耗分布范围更宽，尤其在横向坐标-20~-10 mm区间偏差较为显著；同时，左右车轮磨耗表现出较强的反对称性相关性。结合车辆动力学性能评估发现，较小车轮直径会加速等效锥度增长，并增加临界速度降低及运行平稳性指标超限的风险。因此，在检修周期制定和状态维修决策中应充分考虑轮径变化的影响。综上，PG-BRNN实现了物理机理模型与数据驱动模型的有效融合，不仅提高了高速动车组车轮磨耗轮廓预测精度，而且为基于可靠性的轮对预测性维修提供了一种具有可解释性且能够量化不确定性的技术途径。

动车组,车轮磨耗,贝叶斯方法,深度神经网络