滚动轴承(bearing)的数据（data)稳健（prudent)化处理思路：

根据上述分析，在极小极大化准则下，Huber M估计和中位数估计是两种稳健（prudent)性能*优的估计; Huber M估计可以反映统计量特点，且具有连续（Continuity)、非递减、有界、以零为中心、奇函数特点，在实际数据处理中很难实现;中位数估计可以反映位置（position )特征,但不能反映总体数据特点。因此，融合两种估计特点，结合L估计思想，本章提出新的稳健化处理方法，以实现更好性能的实验（experiment)数据稳健化处理。
依据近代统计学稳健化统计理论，数据（data)的中位数是稳健的。由于受离散数据的影响，数据的平均值是不稳健的。而平均值越接近中位数，数据就越稳健。因此，平均值与中位数的接近程度可以反映数据的稳健程度。利用HuberM估计原理，当数据超过一定范围即认为是离散值，这些数据用数据范围的临界值代替。数据范围的确定方法是以样本的次序统计量为依据，中位数为数据中心，*大值和*小值假设为离散值。
在数据（data)稳健化处理过程中，离散值的处理方法有三种类型，即替换型、添加型、简单替换型。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。其中，简单替换型是简单有效的离散值处理方法。这种方法是先将*大值与*小值分别用其相邻数据代替而得到新数据;再计算新数据的平均值。如果新数据的平均值比原数据平均值接近中位数，就说明新数据比原数据稳健，依次使用该方法得到新数据，直到新数据的平均值与中位数*接近为止。这表明该数据是*稳健数据。- 般来说，在数据稳健化处理过程中，有显著性水平要求。
基于上述数据稳健（prudent)化处理思路，采用L估计的次序统计，对数据进行排序。这些数据中含有离散数据，因此次序统计量不能识别离散数据，无法对数据进行稳健化处理。但是，离散数据对数据的平均值（The average value)有很大影响，使平均值不稳健。而中位数稳健，可以作为平均值是否稳健的标准。平均值越接近中位数，数据越稳健;否则，数据越不稳健。为防止减小样本容量，离散数据的处理方法采用Huber M方法。首先用相邻数据逐次代替*小值与*大值，得到改进数据;然后分析改进数据平均值与中位数的关系;在给定的显著性水平下，得到改进数据平均值*接近中位数的数据列:*后得到以中位数为中心、单调不减、有界的稳健数据列。这样就实现了数据的稳健化处理。
例如，通过实验（experiment)获得某直升机部件的寿命(lifetime)数据（data)(单位: h):
156.5, 213.4, 265.7, 337.7, 337.7, 406.3, 573.5, 573.5, 644.6, 744.8, 774.8, 1023.6数据（data)列是按照从小到大的顺序进行排列的，数据的中位数为573.5, 平均值为486.0。
数据列中的*大值为1023.6, *小值为156.5。螺栓滚轮轴承侧滚轮为一套复合滚轮当中第二承载体，主要承受水平方向载荷，同样具有很强的耐冲击性、耐磨性及抗腐蚀性。侧滚轮为无内圈满滚针设计，由一根芯轴代替内圈和轴头衔接承载。 用774.8代替1023.6,用213.4代替156.5。
数据（data)代替后，得到第1组稳健（prudent)化处理数据:
213.4, 213.4, 265.7, 37.77 3.7406.3, 573.5, 573.5, 644.6, 744.8, 774.8, 774.8
第1组稳健（prudent)化处理数据（data)的中位数为573.5,平均值为471.2,二者之间的绝对差大于原始（Original)数据的绝对差，说明原始数据比第1组稳健化处理数据更稳健。螺栓滚轮轴承方式不当也可以造成滚轮轴承发热。通过润滑可以减少零件运动中的磨损，保证压力机精度，降低能量消耗。润滑分稀油润滑、浓油润滑等。