Bayesian网络的构建是一个相对复杂的任务，这需要领域专家和知识工程师的参与，在实际情况中可能需要反复交叉得以不断完善。面向设备故障诊断应用的Bayesian网络的构建所需要的信息来自多种渠道，如设备手册，生产过程，测试过程，维修资料以及专家经验等。首先将设备故障区分为不同的具有能够辨别界限的故障类别，这些类别完全包含并且相互独立，再分别构造适合各个故障类别的Bayesian网络模型，值得一提的是需要注意的是对设备正常状态建模是不必要的，因为只有在故障时才启动诊断模型。一般是由一个或多个因素导致设备故障，而一个或多个更低层次的因素导致了这些造因素。网络的节点关系搭建成功后，就可以进行概率估计。具体操作如下，首先假设故障的原因确定为某一类别，然后对该故障原因的所有节点进行估计条件概率，这种方法称为局部化概率估计，能够明显地提高工作效率。

使用Bayesian网络必须知道各个状态之间相关的概率。得到这些参数的过程叫做训练。和训练马尔可夫模型一样，训练Bayesian网络要用一些已知的数据。比如在训练上面的网络，需要知道一些心血管疾病和吸烟、家族病史等有关的情况。相比马尔可夫链，Bayesian网络的训练比较复杂，从理论上讲，它是一个NP-complete问题，也就是说，现阶段没有可以在多项式时间内完成的算法。但是，对于某些应用，这个训练过程可以简化，并在计算上高效实现。来.自/优尔论|文-网www.youerw.com/

下面介绍Bayesian网络的一些特性：

1) Bayesian网络能够对多源信息有效地进行表达与融合。故障诊断与维修决策有关的所有信息都将被纳入到Bayesian网络结构中，统一按节点的方式进行处理，能够按照信息的相关性有效地进行融合。

2)Bayesian网络对不确定性问题具有强大的处理能力。条件概率表是Bayesian网络用来表达各信息要素之间相互关系的工具，学习和推理能够在不确定的，不完整的，有限的信息条件下进行。

3) Bayesian网络是一种不确定性因果关联模型。在这个模型中，Bayesian网络将多源知识图解并可视化，然后对概率知识进行表达与推理，这就是Bayesian网络不同于其他决策模型之处，它更加精确地表达了网络中节点变量之间的条件相关关系和因果关系。

目前许多近似推理算法被提出用于Bayesian网络推理研究，这些算法主要分为两类：基于搜索的方法和基于仿真的方法。对于故障诊断领域里的一个实例水电仿真而言，通常采用基于搜索的推理算法，因为其故障的概率很小。对于给定的实例，首先要分析哪种模型的算法适合它：

1) 若给定的实例画出的节点信念网络结构中节点数目较多且图形结构复杂，这种情况下一般采用近似推理算法，具体实现时最好先对庞大复杂的网络进行简化，再结合精确推理来考虑；