參數估計可以清晰、準確地評估數據（data)特征，在數據靜態(tài)評估方面有很大的優(yōu)越性。滾輪軸承外圈采用外圈壁較厚的滿裝圓柱滾子軸承，滾輪的外徑面有圓柱形和弧形，可根據使用場合設計來與滾道面配合。利用這種外圈，滾輪可以直接在滾道上滾動，并可以承受較重負荷和沖擊負荷。常用的參數估計主要有矩估計和極大似然估計，是近代統(tǒng)計學中重要的數據分析(Analyse)方法。然而，參數估計要求數據中無污染數據，也就是沒有離散值。
如果有離散值出現，即使很少，參數(parameter)估計的效果也會大大降低（reduce)，甚至出現錯誤。矩估計需要知道數據分布類型.原點矩或者中心矩收斂，但有些情況下,數據的矩是不存在的:極大似然法要求數據分布類型已知并求出極小值，但在一些情況下無法直接求出極小值，需要借助其他方法，增加計算的難度（difficulty)。
非參教估計是近代統(tǒng)計學中重要的分析(Analyse)方法之一，適用于小樣本、無分布樣本、污染樣本、混雜樣本，在數據評估中占有很重要的位置（position )。常用的非參數估計主要有符號估計、秩估計、柯爾莫哥洛夫估計和斯米爾諾夫估計等。
例如，符號估計法可以估計兩個總體的差異性與一個總體的時序差異性等問題;秩估計法可以估計兩個總體的位置（position )分布，以反映總體差異的特點;柯爾莫哥洛夫估計法可以分析(Analyse)一個總體數據與標準分布的差異性;斯米爾諾夫估計法可以反映兩個總體是不屬于相同分布的問題。
雖然非參數(parameter)估計對數據要求不高，但其評估結果很模糊、粗糙，且數據本身的特點沒有體現。結合參數估計和非參數估計的特點可以看出，在參數估計與非參數估計方法中，單獨采用任何一種評估方法， 都很難對數據做出有效、正確的評估。
從數據（data)評估的角度（angle)看，參數(parameter)估計無論是矩估計還是極大似然估計，每個數據對評估結果貢獻大小不同，大數據(Data Mining)對評估結果影響較大，小數據對評估結果影響較小。例如，在矩估計中，數據平均值（The average value)是數據線性組合，可以看出離散數據比其他數據對評估結果的影響要大得多;數據方差值是數據與平均值差的平方組合，可以看出離散值比其他數據對評估結果的影響更大。
而非參數估計把每個數據（data)對總體的影響同等對待，可以弱化離散數據對評估結果的影響。復合滾輪軸承作為復合滾輪和機器設備連接的部分，通常軸頭頭部設計為倒角，方便安裝，可直接將軸頭接焊接在設備上，也可將軸頭焊接在帶有圓孔的連接板上再將連接板和設備組裝。為此，本書融合參數估計與非參數估計的優(yōu)點，提出參數與非參數融合方法對數據進行分析，以挖掘（excavate)更多的數據信息，更有效地對數據進行評估。
根據參數(parameter)估計中矩估計的特點，以穩(wěn)健數據作為評估對象，將平均值及標準差作為數據的工作性能及靈敏性能，二者屬于評估數據基本特征的性能指標（target aim);使用符號法分析樣本容量相同的兩個樣本總體的差異，二者的差異反映兩個樣本總體的時序特征;使用秩和法分析兩個樣本總體的位置（position )分布，體現兩個樣本的狀態(tài)特征;用基本特征、時序特征、狀態(tài)特征構建參數與非參數融合評估體系，可以從小批量產品中選出綜合性能優(yōu)的產品。復合滾輪軸承當中主要的承載體，主要承受垂直方向的載荷和沖擊負荷，具有很強的耐沖擊性、耐磨性及抗腐蝕性。由于主滾輪為滿裝滾子軸承，亦可作為單向軸承單獨使用。