滚轮滚针轴承(bearing)参数(parameter)估计与非参数估计的特点：

参数估计可以清晰、准确评估数据特征，在数据静态评估方面有很大的优越性。常用的参数估计主要
有矩估计和极大似然估计。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。然而，参数估计要求数据无污染数据，也就是没有离散值。如果出现离散值，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。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。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。矩估计评估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（data)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)。
非参数估计是近代统计学中重要的分析方法之一， 适用于小样本、分布未知样本、污染样本、混杂
样本，在数据（data)评估中占有很重要的位置。常用的非参数(parameter)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。虽然非参数估计对数据（data)要求不高，但其评估结果很模糊、粗糙，且数据本身的特点难以体
现。
结合参数估计与非参数估计的特点可以看出，在参数估计与非参数评估方法中，仅采用其中任何一种
评估方法，都很难对数据（data)做出有效、正确的评估。从数据评估的角度（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（data)方差值是数据与平均值差的平方，是数据二次方线性组合，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(parameter)估计把每个数据对总体的影响看作是一样的，可以弱化离散数据对评估结果的影响。为此
本书提出融合参数估计与非参数估计优点的参数与非参数融合方法对数据（data)进行分析(Analyse)，以挖掘（excavate)更多的数据信
息，实施更有效的数据评估。