A Weighted LSTM for Long-Term Failure Prediction Using Limited Warranty Data

다국어 초록 (Multilingual Abstract)

Warranty services are essential for managing product reliability but impose substantial financial burdens due to failures during the warranty period. Traditional lifetime distribution-based methods, such as Weibull and log-normal models, have been widely used for field reliability prediction, however, their accuracy has been reported to deteriorate when only limited early warranty data are available.
This study proposes a Weighted Long Short-Term Memory (WLSTM) model for long-term failure prediction. The model integrates sequential inputs with periodic auxiliary variables, and employs a weighted loss function with failure-occurrence and time-dependent weights to mitigate the effects of data sparsity and imbalance. Furthermore, to capture heterogeneous failure-rate patterns, clustering is applied, enabling group-specific learning that enhances prediction performance.
Through this methodology, monthly failure counts are forecasted and subsequently converted into the cumulative failure probability , which serves as the primary reliability measure. Empirical validation on large-scale warranty data from twelve categories of home appliances demonstrates that the proposed model achieves superior performance compared with conventional statistical distributions and advanced deep learning methods across multiple clusters. These findings confirm that the proposed approach enables accurate and stable long-term failure prediction, even when only limited early data are available.

국문 초록 (Abstract)

제품 신뢰성 관리를 위해 보증 서비스는 필수적이지만, 보증 기간 내 발생하는 고장으로 인해 제조사는 상당한 재무적 부담을 가진다. 기존의 Weibull 및 로그정규 모델과 같은 수명분포 기반 예측 기법은 필드 신뢰성 예측에 널리 활용되어 왔으나, 초기 보증 데이터가 제한적인 경우 장기 구간에서 예측 정확도가 급격히 저하되는 한계가 보고되고 있다. 본 연구에서는 장기 고장 예측을 위해 가중 손실 함수 기반 장단기기억모형(Weighted Long Short-Term Memory, WLSTM)을 제안한다. 제안 모델은 시계열 입력과 주기적 보조 변수를 통합하고, 고장 발생 여부 및 시간 경과에 따른 가중치를 반영한 손실 함수를 적용하여 데이터 희소성과 불균형 문제를 완화하였다. 또한 제품별 상이한 고장률 패턴을 반영하기 위해 군집화를 수행함으로써 군집 특성에 최적화된 학습을 가능하게 하였다. 이를 통해 월별 고장 건수를 예측하고, 이를 보증 관련 의사결정에서의 주요 신뢰성 지표인 누적 고장 확률 로 변환하였다. 12개 가전제품 대규모 보증 데이터를 활용한 실증 분석 결과, 제안된 WLSTM 모델은 기존 수명분포 기반 통계기법 및 최신 딥러닝 모델 대비 대부분의 군집에서 우수한 예측 성능을 달성하였다. 이러한 결과는 초기 데이터가 제한된 상황에서도 제안 기법이 정확하고 안정적인 장기 고장 예측을 가능하게 함을 입증한다.

목차 (Table of Contents)

• Ⅰ. Introduction 1
• 1.1 Research Background and Significance 1
• 1.2 Purpose and Contributions 2
• Ⅱ. Literature Review 4
• 2.1 Traditional Parametric Reliability Prediction Methods 4
• 2.2 Regression and Machine Learning-based Reliability Prediction Methods 5
• 2.3 Summary of Existing Methods 6
• Ⅲ. Methodology 9
• 3.1 Warranty Data Formulation 10
• 3.2 Data Preprocessing and Input Variables 11
• 3.3 Model Formulation 12
• 3.3.1 Long Short-Term Memory 13
• 3.3.2 Generation of Training Samples using a Sliding Window 15
• 3.3.3 Overall Model Architecture 16
• 3.4 Weighted Loss Function 17
• 3.5 Clustering 18
• Ⅳ. Experiments and Results 21
• 4.1 Data Description 21
• 4.2 Experimental Setup 22
• 4.3 Benchmark Models 25
• 4.3.1 Lifetime Distribution 25
• 4.3.2 Deep Learning 26
• 4.4 Evaluation Metrics 27
• 4.4.1 Global Metrics 27
• 4.4.2 Horizon-Specific Metrics 28
• 4.4.3 Evaluation Protocol 28
• 4.5 Clustering Results 29
• 4.6 Comparison of Results 31
• 4.6.1 General Model 32
• 4.6.2 Issue Model 37
• Ⅴ. Conclusion and Future Work 42
• References 43
• Abstract in Korean(국문요지) 48