Time synchronization is indispensable for convenient network management, device monitoring, security and other fundamental operations in industrial wireless sensor networks (IWSNs). Over the past few decades, a wide variety of highly accurate clock synchronization protocols have been investigated by employing powerful statistical signal processing techniques. However, most two-way exchange estimation schemes do not readjust the node's local clock upon every resynchronization before the clock parameters are estimated. And it may not be appropriate in IWSNs where time synchronization is consistently required. Based on the two-way message exchange mechanism, this paper investigates the clock synchronization schemes of active node and overhearing node with immediate clock readjustment. The maximum-likelihood estimators (MLEs) of the clock skew and the corresponding Cramer-Rao lower bounds (CRLBs) are derived assuming Gaussian delays. Simulation and experimental results validate the performance of the proposed estimators.

The clock synchronization problem for wireless sensor networks (WSNs) is inherently related to parameter estimation. Nowadays, extensive studies on time synchronization have been conducted by adopting statistical signal processing methods. However, most estimation schemes do not readjust clock offset during the process of synchronization parameter estimation, and it would lead to unsatisfactory clock accuracy during synchronization. Thus, the applications of these methods are greatly limited in WSNs. This paper analyzes time synchronization of sensor nodes with immediate clock adjustment at every cycle under multihop scenario, and presents an estimator of clock skew under the Gaussian linear delay model and the corresponding algorithms for finding the estimator in detail. Simulation results verify that the proposed estimator is efficient.

Time synchronization is extremely important for Wireless Sensor Networks (WSNs). For large-scale WSNs, hierarchical clock synchronization, which can effectively save energy by reducing communication overhead, has become an attractive approach in practical networks. Based on the hierarchical network, in this paper, we present a global clock skew estimation scheme with immediate clock adjustment. The Maximum Likelihood Estimator (MLE) and corresponding Cramer-Rao Lower Bound (CRLB) of the clock skew are derived under the Gaussian delay model, and the simulation results verify that the proposed method is efficient.

This paper proposes a unified reliability analysis framework for mechanical and structural systems equipped with Tuned Mass Dampers (TMDs), encompassing single-degree-of-freedom (1-DOF), two-degrees-of-freedom (2-DOF), and ten-degrees-of-freedom (10-DOF) configurations. The methodology integrates four main components: (i) probabilistic uncertainty modeling for mass, damping, and stiffness, (ii) Latin Hypercube Sampling (LHS) to efficiently explore parameter variations, (iii) Monte Carlo simulation (MCS) for estimating failure probabilities under stochastic excitations, and (iv) machine learning models, including Random Forest (RF), Gradient Boosting (GB), Extreme Gradient Boosting (XGBoost), and Neural Networks (NNs), to predict structural responses and failure probabilities. The results demonstrate that ensemble methods, such as RF and XGBoost, provide high accuracy and can effectively identify important features. Neural Networks perform well for capturing nonlinear behavior, although careful tuning is required to prevent overfitting. The framework is further extended to a 10-DOF structure, and the simulation results confirm that machine learning-based models are highly effective for large-scale reliability analysis. These findings highlight the synergy between simulation methods and data-driven models in enhancing the reliability of TMD systems under uncertain inputs.

This paper proposes a unified reliability analysis framework for mechanical and structural systems equipped with Tuned Mass Dampers (TMDs), encompassing single-degree-of-freedom (1-DOF), two-degree-of-freedom (2-DOF), and ten-degree-of-freedom (10-DOF) configurations. The methodology combines four main components: (i) probabilistic uncertainty modeling for mass, damping, and stiffness, (ii) Latin Hypercube Sampling (LHS) to efficiently explore parameter variations, (iii) Monte Carlo Simulation (MCS) for estimating failure probabilities under stochastic excitations, and (iv) machine lSome ML models, such as Random Forest (RF), Gradient Boosting (GB), Extreme Gradient Boosting (XGBoost), and Neural Networks (NN) are used to predict structural responses and failure probabilities. The results show that ensemble methods, such as RF and XGBoost, are accurate. They can highlight important features as well. Neural Networks work well for nonlinear behavior, however, careful tuning is necessary to prevent overfitting. We also extended to a 10-DOF structure. These simulation results show that ML-based models are useful for large-scale reliability analysis. These findings also show how simulation methods and data-driven models work together to improve the reliability of TMD systems under uncertain inputs.

Un cadre de substitution unifié pour des informations sur la fiabilité des systèmes mécaniques basées sur les données: Les structures d'ingénierie modernes, des systèmes simples à un seul degré de liberté (SDOF) aux configurations complexes continues ou à plusieurs degrés de liberté (MDOF) et enfin aux systèmes continus, sont confrontées à des incertitudes dimensionnelles élevées en raison des charges variables, des propriétés des matériaux et des conditions environnementales. Les approches traditionnelles, telles que la simulation de Monte Carlo, peuvent devenir extrêmement coûteuses lors de la simulation d'un grand espace de paramètres ou de la modélisation d'un comportement structurel complexe. Dans ce travail, nous résolvons ces problèmes en utilisant des méthodes probabilistes avec des modèles d'apprentissage automatique. Ces modèles incluent Random Forests, Gradient Boosting, XGBoost et Neural Networks. Ils peuvent prédire les réponses structurelles avec moins de calcul. Par conséquent, il est plus facile d'étudier l'incertitude et la sensibilité.Cet article décrit un cadre d'étude de la dynamique et de la fiabilité des structures. Il combine la modélisation théorique des systèmes continus avec des tests expérimentaux sur des cadres en acier. Une structure de type poutre avec des degrés de liberté infinis est analysée à l'aide de la méthode Rayleigh-Ritz. Des équations aux dérivées partielles sont utilisées pour tenir compte de la masse, de la rigidité et de l'amortissement. Des amortisseurs de masse accordés (TMD) sont ajoutés pour réduire les vibrations résonnantes. Des méthodes d'échantillonnage telles que l'échantillonnage par hypercube latin et la simulation de Monte Carlo sont utilisées pour évaluer la fiabilité sous des charges incertaines. Des modèles d'apprentissage automatique tels que Random Forest et Neural Networks sont formés comme substituts pour prédire les probabilités de défaillance. Ces modèles montrent comment les paramètres du système interagissent de manière non linéaire. La structure est testée sur une charpente en acier à deux étages dans un laboratoire. Un vibrateur mécanique applique des forces dynamiques avec différentes caractéristiques, telles que l'aplatissement, la moyenne quadratique (RMS), l'asymétrie et le facteur de crête. Les mesures de force et d'accélération enregistrent les réponses de la structure. Des modèles d'apprentissage automatique, notamment Random Forest, Gradient Boosting, XGBoost et Neural Networks, sont formés sur ces caractéristiques. Les résultats des tests ont démontré que : 1) Les amortisseurs de masse accordés améliorent les performances structurelles et réduisent le risque de défaillance sous des charges dynamiques. 2) Les modèles d'apprentissage automatique avec extraction de caractéristiques statistiques surpassent les méthodes traditionnelles et offrent des avantages pratiques.