现代化工业系统结构复杂、集成度高,对设备的安全性、可靠性提出了更高的要求,状态监测技术愈发受到重视。随着信息化的深入,信息系统数据仓库中大数据的存在为基于数据驱动的状态监测方法提供了良好的平台。论文研究了一类复杂多尺度系统的状态监测问题,其状态参数随时间的流逝缓慢变化并在主导尺度上具有单调增的特性,针对这类系统提出了一种状态监测方法—以大数据为基础,运用多尺度分析方法,构建状态监测参数反映设备的状态。论文主要研究内容和研究成果包括：1.分析了现代工业生产过程大数据的特点。随着检测技术的进步,生产过程产生的数据己不仅仅具有海量性这一传统认知特征,声音、图像等非结构化数据的引入使数据内涵更加丰富。此外以小波变换为代表的时频分析技术的成熟,数据多尺度特性日益受到重视,对大数据进行多尺度分析能够更好的提取数据关联规则、寻找变量间联系、克服传统数据处理无法兼顾整体趋势分析及局部波动相似性分析的不足。2.提出了尺度熵与尺度(?)的概念,利用尺度熵与尺度(?)反映变量的多尺度特性,探索变量在不同尺度上的分布及其随时间变化的规律,并以此为基础描述了研究对象的数学特性,限定了论文提出算法的适用范围。3.提出了一种基于大数据的多尺度状态监测方法。由于现代化工业系统具有结构复杂、设备众多的特点,采用传统方法难以达到复杂系统状态监测的要求。因此论文将多种算法有机结合,提出了一种适用于状态参数随时间的流逝变化、主导尺度上具有单调增特性的复杂多尺度系统的状态监测方法。算法在传统的基于模型的状态监测方法基础上,改进了以下环节：(1)将系统运行过程分为动态工况与稳态工况,分别建立动态工况基准模型与稳态工况基准模型,而后将基准模型的预测值与实际值比较构成动态残差与稳态残差,并对二者进行信息融合获得残差的最优估计,在一定程度上克服了系统动态过程建模精度低对状态监测结果的影响；(2)针对大数据的海量性,引入信息粒化将残差的串行处理转化为信息粒的并行处理,极大提高了计算效率,降低了计算时间；(3)利用对象的多尺度特性对融合残差进行多尺度分析,从不同尺度提取信息并构造状态监测函数,滤除未建模因素等噪声干扰,反映对象运行状态。4.以电厂磨煤机磨辊磨损程度的状态监测以及超超临界机组辐射受热面灰污程度的状态监测为例,介绍了基于大数据的多尺度状态监测算法应用过程。通过对为期两年的65万组数据分析,构建了磨煤机磨辊磨损指数,较好的反映了其磨损状况。辐射受热面灰污指数的构建为吹灰优化提供了依据。仿真验证表明论文提出的算法能够有效构造状态监测参数,并为控制优化、设备预知维修等提供技术依据。