From coupon to system : a deep learning and transfer learning framework for RUL prediction in multi-component structures
| datacite.contributor.RelatedPerson | Χρυσοχοΐδης, Νικόλαος | |
| datacite.contributor.RelatedPerson | Γκόρτσας, Θεόδωρος | |
| datacite.contributor.Supervisor | Λούτας, Θεόδωρος | |
| dc.contributor.author | Βλαχοπούλου, Ευαγγελία | |
| dc.contributor.other | Vlachopoulou, Evangelia | |
| dc.date.accessioned | 2026-06-26T10:13:14Z | |
| dc.date.available | 2026-06-26T10:13:14Z | |
| dc.date.issued | 2026-06-26 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Prognostics health management (PHM) of metallic structures relies increasingly on data-driven methods for Remaining Useful Life (RUL) prediction yet the transition from coupon-level to system-level prognostics remains an open challenge, particularly under limited system-level data availability. Existing approaches typically address single-component degradation, yet a methodological gap remains in methods that can effectively leverage coupon-level knowledge to perform uncertainty-aware RUL prediction for interconnected multi-component systems. This paper proposes a transfer learning framework for system-level RUL prediction and uncertainty quantification of a three-coupon aluminum system, validated on experimental fatigue data comprising five coupons and six triplet specimens. A Genetic Algorithm (GA) is first employed to construct a health indicator from strain sensor measurements, providing a monotonic and informative input representation for the prognostic model. A Long Short-Term Memory (LSTM) network is then pre-trained on single-coupon fatigue data and subsequently adapted to the system level via Low-Rank Adaptation (LoRA), enabling parameter-efficient knowledge transfer under scarce system-level training data. System-level RUL (SRUL) prediction is evaluated under two failure criteria: first-coupon failure, representing a conservative operational limit, and last-coupon failure corresponding to total system collapse. Uncertainty quantification is performed through a dual decomposition strategy, separating epistemic and aleatoric uncertainty. The proposed framework is evaluated against two baselines: a Zero-Shot Baseline, which estimates system RUL as the minimum (or maximum) of coupon-level RULs at each time step without any system-level training, and a Standard Transfer Learning model that uses the pretrained LSTM on system-level data without LoRA adaptation. The LoRA-enhanced framework consistently outperforms both baselines, demonstrating that LoRA-based transfer learning from coupon- to system-level prognostics is an effective and data-efficient strategy for structural PHM, offering a principled path toward uncertainty-aware life prediction in interconnected structural systems. | |
| dc.description.translatedabstract | Η διαχείριση προγνωστικής υγείας (PHM) μεταλλικών κατασκευών βασίζεται ολοένα και περισσότερο σε μεθόδους μηχανικής μάθησης για την πρόβλεψη της Εναπομένουσας Ωφέλιμης Ζωής (RUL) --- ωστόσο η μετάβαση από την πρόβλεψη σε επίπεδο δοκιμίου προς την πρόβλεψη σε επίπεδο συστήματος παραμένει ανοιχτή πρόκληση, ιδιαίτερα υπό περιορισμένη διαθεσιμότητα δεδομένων συστήματος. Οι υπάρχουσες προσεγγίσεις αντιμετωπίζουν συνήθως την υποβάθμιση μεμονωμένων συνιστωσών, αφήνοντας κενό στις μεθόδους που μπορούν να αξιοποιήσουν αποτελεσματικά τη γνώση επιπέδου δοκιμίου για την πρόβλεψη RUL με ποσοτικοποίηση αβεβαιότητας σε διασυνδεδεμένα πολυσυνιστωσιακά συστήματα. Η παρούσα εργασία προτείνει ένα πλαίσιο μεταφοράς γνώσης για την πρόβλεψη RUL σε επίπεδο συστήματος και την ποσοτικοποίηση αβεβαιότητας σε σύστημα τριών αλουμινένιων δοκιμίων, επικυρωμένο σε πειραματικά δεδομένα κόπωσης που περιλαμβάνουν πέντε μεμονωμένα δοκίμια και έξι τριπλέτες. Αρχικά εφαρμόζεται Γενετικός Αλγόριθμος (GA) για την κατασκευή δείκτη υγείας από μετρήσεις αισθητήρων παραμόρφωσης, παρέχοντας μια μονότονη και πληροφοριακή αναπαράσταση εισόδου για το προγνωστικό μοντέλο. Στη συνέχεια, ένα δίκτυο μνήμης μακράς βραχυπρόθεσμης κατάστασης (LSTM) εκπαιδεύεται εκ των προτέρων σε δεδομένα κόπωσης μεμονωμένων δοκιμίων και στη συνέχεια προσαρμόζεται στο επίπεδο συστήματος μέσω Προσαρμογής Χαμηλής Τάξης (LoRA), επιτρέποντας αποδοτική μεταφορά γνώσης υπό σπάνια δεδομένα συστήματος. Η πρόβλεψη SRUL αξιολογείται υπό δύο κριτήρια αστοχίας: αστοχία πρώτου δοκιμίου, που αντιπροσωπεύει ένα συντηρητικό λειτουργικό όριο, και αστοχία τελευταίου δοκιμίου που αντιστοιχεί στην ολική κατάρρευση του συστήματος. Η ποσοτικοποίηση αβεβαιότητας πραγματοποιείται μέσω στρατηγικής διπλής αποσύνθεσης, διαχωρίζοντας επιστημική και αλεατορική αβεβαιότητα. Το προτεινόμενο πλαίσιο αξιολογείται έναντι δύο μοντέλων αναφοράς: ενός μοντέλου Μηδενικής Εκπαίδευσης, το οποίο εκτιμά το RUL συστήματος ως το ελάχιστο ή μέγιστο των RUL των δοκιμίων χωρίς καμία εκπαίδευση σε επίπεδο συστήματος, και ενός τυπικού μοντέλου Μεταφοράς Γνώσης χωρίς προσαρμογή LoRA. Το πλαίσιο με LoRA υπερτερεί σταθερά έναντι και των δύο μοντέλων αναφοράς, αποδεικνύοντας ότι η μεταφορά γνώσης βασισμένη σε LoRA από το επίπεδο δοκιμίου στο επίπεδο συστήματος αποτελεί αποτελεσματική και αποδοτική ως προς τα δεδομένα στρατηγική για την PHM κατασκευών. | |
| dc.identifier.uri | https://hdl.handle.net/10889/32085 | |
| dc.language.iso | en | |
| dc.subject | Remaining useful life | |
| dc.subject | Transfer learning | |
| dc.subject | Prognostics health management | |
| dc.subject.alternative | Εναπομένουσα ωφέλιμη ζωή | |
| dc.subject.alternative | Μεταφορά γνώσης | |
| dc.subject.alternative | Διαχείριση προγνωστικής υγείας | |
| dc.title | From coupon to system : a deep learning and transfer learning framework for RUL prediction in multi-component structures | |
| dc.title.alternative | Από το δοκίμιο στο σύστημα : ένα πλαίσιο βαθιάς μάθησης και μεταφοράς γνώσης για την πρόβλεψη της εναπομένουσας ωφέλιμης ζωής σε δομές πολλαπλών στοιχείων |