As a key component of the industrial equipment, the failure of rolling bearings could cause equipment to malfunction, resulting in serious losses. However, the bearing fault information is often disturbed by the operation of other parts in the industrial equipment. A key issue is the recognition of weak information in the fault diagnosis of rolling bearings. The amplitude modulation bispectrum proposed in this paper is a rolling bearing fault diagnosis method for weak modulation feature extraction. Aiming at the problem that the bearing fault information is weak and difficult to extract, the method reconfigures the amplitude of the signal in the frequency domain to adjust the proportions of different components in the signal effectively and highlight the fault characteristic information. Based on the use of advanced demodulation tool to deal with the complex modulation components in the signal, an index, named bispectrum signal-to-noise ratio, to evaluate the fault information quantitatively for two-dimensional data is also proposed. The index helps to optimize the bispectrum demodulation results and make the valid information clearer. The effectiveness of this method in rolling bearing fault diagnosis is confirmed using simulation and experimental signals, and comparison with other methods has demonstrated the superiority of this method.

Abstract Deep learning-based methods have shown promising results in fault diagnosis, but research on interpretability and noise robustness still needs to be done. A multi-channel wide-kernel wavelet convolutional neural network is proposed to address these issues. Firstly, a first layer of multi-channel wide-kernel convolution is designed to fuse different weight information and suppress high-frequency noise. Secondly, a discrete wavelet transform block is designed to retain the low-frequency components of the discrete wavelet transform for signal denoising and feature dimension reduction. At the same time, Improved Balance Dynamic Adaptive Threshold is used to enhance the robustness of the model’s noise and the sparsity of features, making the model easier to optimize. Lastly, a power spectrum and normalized class activation mapping are designed to validate the post-hoc explanations of the model. The effectiveness and reliability of the Multi-Channel Wide Kernel Wavelet Convolutional Neural Network are verified through two gearbox datasets.

Abstract Objectives To characterize the clinical features and to identify the predictors of recurrence of histiocytic necrotizing lymphadenitis (HNL) in Chinese children. Study design This study retrospectively analyzed the clinical characteristics, laboratory and pathological findings, and recurrence status of children diagnosed with HNL at a single center in China from January 2018 to May 2023. Logistic regression analysis was employed to identify predictors of HNL recurrence. Results 181 Chinese children with histopathologically confirmed HNL were enrolled (121 males and 60 females). The mean age was 9.3 ± 2.9 years. The most prominent clinical features were fever (98.9%) and cervical lymphadenopathy (98.3%). Aseptic meningitis was the most frequent complication (38.5%), while hemophagocytic lymphohistiocytosis and autoimmune disease were rare (1.7% and 1.2%, respectively). Recurrence occurred in 12.7% of patients. Erythrocyte sedimentation rate (> 30 mm/h) was the significant predictors of HNL recurrence, with odds ratios of 6.107, respectively. Conclusion Our study demonstrates that fever and cervical lymphadenopathy are the most frequent clinical manifestations of HNL in Chinese children, which often coexist with aseptic meningitis. HNL patients with risk factors require follow-up for recurrence.

Timely intervention for Acute coronary syndrome (ACS) could effectively reduce the mortality rate of ACS patients. This study aimed to investigate the clinical significance of miR-30c-5p for ACS and to provide a convenient biomarker for diagnosing of ACS. Baseline information was collected from a total of 173 subjects (98 ACS subjects and 65 healthy subjects). The miR-30c-5p expression was evaluated by the Polymerase chain reaction (PCR). The predictive value of miR-30c-5p for ACS was assessed by Receiver Operating Characteristic (ROC) curve and multivariate logistic regression analysis. The relationship between miR-30c-5p expression and ACS severity was assessed by correlation analysis. Furthermore, the prognostic value of miR-30c-5p on Major Adverse Cardiovascular Events (MACE) occurrence was assessed by the Kaplan-Meier (K-M) curve to evaluate its prognostic significance. Downregulation of miR-30c-5p was observed in ACS subjects and its diagnostic value on ACS was confirmed by the ROC curve. MiR-30c-5p could also discriminate acute myocardial infarction (AMI) from unstable angina pectoris (UAP) subjects in ACS. The expression of miR-30c-5p was negatively correlated with the cardiac troponin I (cTnI) levels and the Gensini score. A lower miR-30c-5p expression was observed in ACS subjects who developed MACE (P = 0.020), and the K-M curve further confirmed the close correlation between miR-30c-5p expression and MACE occurrence in ACS. MiR-30c-5p was also identified as an independent prognostic factor for MACE in ACS. Serum miR-30c-5p expression was correlated with the severity of ACS, and downregulated miR-30c-5p expression showed a diagnostic and prognostic value in ACS.

Envelope analysis is one of the most commonly used methods in rolling bearing fault diagnosis. However, when a signal contains heavy noise, even if an appropriate frequency band is selected, the fault information can still be overwhelmed. Unlike traditional use of spectral amplitude modulation, a novel SAMgram is proposed in this article for the enhancement and extraction of weak bearing fault characteristics in a signal, where local spectral amplitude modulation (LSAM) is performed to highlight bearing fault components and improve the proportion of fault information. Meanwhile, a targeted indicator called normalized harmonic kurtosis is proposed to select an optimal modified filtered signal automatically by quantifying repetitive transient characteristics. To extend LSAM to practical applications, two spectrum segmentation strategies are provided based on scanning spectrum and trend component, named the scanning SAMgram and adaptive SAMgram, respectively, which aim at determining the optimal modified filtered signal for demodulation by searching for the combinations of frequency bands and magnitude orders. A simulated signal of bearing compound faults and experimental signals of bearing outer ring and inner ring faults indicate that the proposed method can not only select a frequency band related to bearing defect to eliminate interference of invalid components but also highlight fault characteristics in the selected frequency band and weaken the disturbance of noise, which is superior over traditional envelope analysis-based methods and more applicable for fault diagnosis of rolling bearings under complex environments.