工业“大数据”时代的到来为机械装备健康监测带来了新机遇.然而,由于运行环境异常、人为因素干扰以及采集设备故障等,机械装备健康监测大数据中往往混杂大量与健康状态无关的异常值或缺失值数据,从而造成数据质量下降.监测数据中掺杂的劣质数据容易造成对机械装备健康状态的误判,进而导致运维策略制定不当.为保障数据质量,提出一种机械装备健康监测振动数据恢复的张量分解方法.针对机械装备不同转速的振动数据,构建以转速、时窗、小波尺度和时间为维度的四阶张量,利用Tucker分解从中挖掘蕴含的机械健康状态信息,并通过张量填充对缺失值数据进行恢复.分别采用仿真数据和试验台数据验证了提出方法的有效性,结果表明,与传统数据恢复方法相比,提出方法恢复的数据与真实数据的拟合度更高.将提出方法应用于风电装备监测数据恢复,保障了监测数据的质量.