参数估计可以清晰、准确地评估数据（data)特征，在数据静态评估方面有很大的优越性。滚轮轴承外圈采用外圈壁较厚的满装圆柱滚子轴承，滚轮的外径面有圆柱形和弧形，可根据使用场合设计来与滚道面配合。利用这种外圈，滚轮可以直接在滚道上滚动，并可以承受较重负荷和冲击负荷。常用的参数估计主要有矩估计和极大似然估计，是近代统计学中重要的数据分析(Analyse)方法。然而，参数估计要求数据中无污染数据，也就是没有离散值。
如果有离散值出现，即使很少，参数(parameter)估计的效果也会大大降低（reduce)，甚至出现错误。矩估计需要知道数据分布类型.原点矩或者中心矩收敛，但有些情况下,数据的矩是不存在的:极大似然法要求数据分布类型已知并求出极小值，但在一些情况下无法直接求出极小值，需要借助其他方法，增加计算的难度（difficulty)。
非参教估计是近代统计学中重要的分析(Analyse)方法之一，适用于小样本、无分布样本、污染样本、混杂样本，在数据评估中占有很重要的位置（position )。常用的非参数估计主要有符号估计、秩估计、柯尔莫哥洛夫估计和斯米尔诺夫估计等。
例如，符号估计法可以估计两个总体的差异性与一个总体的时序差异性等问题;秩估计法可以估计两个总体的位置（position )分布，以反映总体差异的特点;柯尔莫哥洛夫估计法可以分析(Analyse)一个总体数据与标准分布的差异性;斯米尔诺夫估计法可以反映两个总体是不属于相同分布的问题。
虽然非参数(parameter)估计对数据要求不高，但其评估结果很模糊、粗糙，且数据本身的特点没有体现。结合参数估计和非参数估计的特点可以看出，在参数估计与非参数估计方法中，单独采用任何一种评估方法， 都很难对数据做出有效、正确的评估。
从数据（data)评估的角度（angle)看，参数(parameter)估计无论是矩估计还是极大似然估计，每个数据对评估结果贡献大小不同，大数据(Data Mining)对评估结果影响较大，小数据对评估结果影响较小。例如，在矩估计中，数据平均值（The average value)是数据线性组合，可以看出离散数据比其他数据对评估结果的影响要大得多;数据方差值是数据与平均值差的平方组合，可以看出离散值比其他数据对评估结果的影响更大。
而非参数估计把每个数据（data)对总体的影响同等对待，可以弱化离散数据对评估结果的影响。复合滚轮轴承作为复合滚轮和机器设备连接的部分，通常轴头头部设计为倒角，方便安装，可直接将轴头接焊接在设备上，也可将轴头焊接在带有圆孔的连接板上再将连接板和设备组装。为此，本书融合参数估计与非参数估计的优点，提出参数与非参数融合方法对数据进行分析，以挖掘（excavate)更多的数据信息，更有效地对数据进行评估。
根据参数(parameter)估计中矩估计的特点，以稳健数据作为评估对象，将平均值及标准差作为数据的工作性能及灵敏性能，二者属于评估数据基本特征的性能指标（target aim);使用符号法分析样本容量相同的两个样本总体的差异，二者的差异反映两个样本总体的时序特征;使用秩和法分析两个样本总体的位置（position )分布，体现两个样本的状态特征;用基本特征、时序特征、状态特征构建参数与非参数融合评估体系，可以从小批量产品中选出综合性能优的产品。复合滚轮轴承当中主要的承载体，主要承受垂直方向的载荷和冲击负荷，具有很强的耐冲击性、耐磨性及抗腐蚀性。由于主滚轮为满装滚子轴承，亦可作为单向轴承单独使用。