La fiabilidad y la rentabilidad de la conversión de energía en sistemas de turbinas de gas dependen en gran medida de un diagnóstico preciso de posibles anomalías en los procesos y sensores. Dado que los datos recopilados de un sistema de turbina de gas para diagnóstico son inherentemente inciertos debido al ruido de medición y errores, los métodos probabilísticos ofrecen una herramienta prometedora para este problema. En particular, las redes bayesianas dinámicas presentan numerosas ventajas. En este trabajo, se desarrollaron dos redes bayesianas para el diagnóstico de ensuciamiento de compresores y erosión de turbinas. Se compararon diferentes distribuciones de probabilidad a priori para determinar los beneficios de un modelo jerárquico de Markov dinámico de primer orden sobre una probabilidad a priori estática y una que depende solo del tiempo. Se analizó la influencia de la incertidumbre y dispersión de los datos probando los modelos de diagnóstico en datos simulados de flota. Se demostró que el modelo jerárquico basado en condiciones resultó en la mejor precisión, y el beneficio fue más significativo para datos con mayor superposición entre estados (es decir, para el ensuciamiento de compresores). La mejora con la red bayesiana dinámica propuesta fue de 8 puntos porcentuales (en precisión de clasificación) para el ensuciamiento de compresores y 5 puntos para la erosión de turbinas en comparación con la red estática.