随着现代流程工业技术不断发展,工业自动化系统逐渐趋向复杂化、信息化和智能化。新一代的信息技术将和传统制造业进行深度融合,把人员、机器、产品、数据连接起来,形成工业全生命周期的融合会聚。智能制造的升级能够加快我国工业制造业迈向高端、建设我国成为制造强国、在新的国际竞争中拔得头筹。而其中的数据整合分析与使用是实现智能制造的关键。随着传感器技术的发展,工业现场收集了大量数据。这些数据的来源不尽相同,数据代表的生产环节、模态也不相同。同时,由于数据类型的多种多样,数据的测量尺度也存在差别。同时这些多尺度数据同样具有自相关性、存在离群点、存在噪声污染等复杂数据特性。如何利用好这些多种来源、具有复杂数据特性的数据成为了数据驱动的过程监测领域需要解决的问题。将这些不同来源、不同测量尺度的数据整合在统一模型中也符合数据驱动模型未来的发展方向。本文针对多尺度数据特点,研究基于概率框架的多尺度数据建模与工程故障检测方法,可有效提高模型的鲁棒性、模型对非线性过程和复杂耦合过程的适应性,主要研究工作包括:（1）针对多尺度模型在实际工业过程建模时受到离群点影响的问题,提出了一种多尺度鲁棒概率主成分分析模型。通过构造一种基于样本距离的鲁棒加权参数,将原始样本转化为加权样本,与正常样本距离更远的离群点的鲁棒加权参数低于正常样本。离群点在参数训练时被赋予更低的贡献度,因此能够有效抑制离群点的影响,得到更准确的控制限,提升了故障检测的准确率。（2）针对多尺度流程工业数据存在的非线性问题,进一步提出了一种基于多尺度概率核主成分分析的建模方法。通过将每个尺度下的变量分别投影到线性高维空间,以解释原始样本的非线性关系。并通过引入核方法,建立起不同尺度样本高维投影的内积表示。对多源数据显著存在的非线性关系进行有效的提取,以达到对非线性多尺度过程有更强解释性的目的。因此,所提出的方法极大地提升了模型在非线性过程数据上的故障检测表现。（3）针对多尺度数据天然带有的复杂耦合特性问题,将线性高斯状态空间模型拓展到多尺度形式,构建多尺度线性高斯状态空间模型,所有尺度下变量共享同一动态隐变量。同时,对每个尺度下的噪声空间再做因子分析,设计出每个尺度下独有的稳态隐变量状态空间以及噪声空间。多尺度复杂数据可以分解为三类状态空间以降低数据复杂度。同时,基于提出的多尺度全结构线性高斯状态空间模型设计的故障检测算法同样分别设计动态空间、稳态空间以及残差空间下的统计指标,对复杂系统从多方位多角度监测数据波动。在复杂的工业过程上有着更优秀的故障检测表现。