We present the first X-ray spectropolarimetric results for Cygnus X-1 in its soft state from a campaign of five IXPE observations conducted during 2023 May-June. Companion multiwavelength data during the campaign are likewise shown. The 2-8 keV X-rays exhibit a net polarization degree PD=1.99%+/-0.13% (68% confidence). The polarization signal is found to increase with energy across IXPE's 2-8 keV bandpass. The polarized X-rays exhibit an energy-independent polarization angle of PA=-25.7+/-1.8 deg. East of North (68% confidence). This is consistent with being aligned to Cyg X-1's AU-scale compact radio jet and its pc-scale radio lobes. In comparison to earlier hard-state observations, the soft state exhibits a factor of 2 lower polarization degree, but a similar trend with energy and a similar (also energy-independent) position angle. When scaling by the natural unit of the disk temperature, we find the appearance of a consistent trendline in the polarization degree between soft and hard states. Our favored polarimetric model indicates Cyg X-1's spin is likely high (a* above ~0.96). The substantial X-ray polarization in Cyg X-1's soft state is most readily explained as resulting from a large portion of X-rays emitted from the disk returning and reflecting off the disk surface, generating a high polarization degree and a polarization direction parallel to the black hole spin axis and radio jet. In IXPE's bandpass, the polarization signal is dominated by the returning reflection emission. This constitutes polarimetric evidence for strong gravitational lensing of X-rays close to the black hole.

Abstract An improved 3 σ method and dung beetle algorithm optimization hybrid kernel extreme learning machine-based (DBO-HKELM) approach for predicting the remaining useful life (RUL) of rolling bearings was suggested in order to increase prediction accuracy. Firstly, multi-dimensional degradation feature data is extracted from bearing vibration data. Considering the influence of noise signal on the prediction accuracy, an improved kernel principal component analysis method is proposed to reduce the noise of degraded features. Then, an improved 3 σ method is proposed to determine the starting point of bearing degradation by combining bearing vibration signal data. Lastly, a DBO-HKELM life prediction model was put forth. The parameters of hybrid kernel extreme learning machine were optimized by dung beetle algorithm, and appropriate kernel parameters and regularization coefficient were selected. The feature set of degradation indicators is input into the trained model to output the bearing RUL prediction results starting from the determined degradation starting point. Multiple data sets were used to verify that the new RUL prediction method significantly improves the prediction accuracy.