水泥回转窑完成水泥生产中最重要的煅烧环节，它的工作状态直接影响着水泥产品的质量和产量。水泥回转窑系统复杂，故障存在模糊性和多样性，且由于设备本身的限制，人工方法已经不能满足故障准确诊断的要求。基于此，本课题根据水泥回转窑系统的工作原理，设计了基于贝叶斯网络的水泥回转窑故障诊断模型，并介绍了水泥回转窑故障诊断系统的组成。该诊断系统包括数据模块，网络学习模块和网络推理模块。通过对诊断模型的学习和推理，实现了对水泥回转窑系统的故障诊断。建模过程中，首先研究了水泥回转窑的工作原理和反应机制，分析了变量的属性与变量间的相互影响关系。充分收集了数据，并根据工艺的要求对数据进行了筛选和量化处理，建立了可供贝叶斯网络学习、诊断推理直接应用的量化数据集。其次，为了解决水泥回转窑建模这一难题，提出了两种改进的贝叶斯网络结构学习方法——Dataset Speed Correct算法与Simplified Greedy算法。仿真实验证明Dataset Speed Correct算法这一完全基于数据集的改进算法更高的准确度，更快的执行速度。因此，本文选用Dataset Speed Correct算法来学习水泥回转窑故障诊断模型的贝叶斯网络结构，并根据Dataset Speed Correct算法详细介绍了诊断模型建立的过程。最后，详细介绍了利用最大似然估计算法和变量消元法进行参数学习和诊断推理的过程。根据数据实验得到的准确率曲线可以看出该诊断模型较高的诊断准确率。