Se propone un nuevo enfoque de detección e identificación de fallas. Se aplica primero el análisis de componentes principales del núcleo (KPCA) a los datos para reducir la dimensionalidad, y la ocurrencia de fallas se determina mediante dos índices estadísticos, y . Luego se adopta el algoritmo de agrupamiento K-means para analizar los datos y realizar el agrupamiento, de acuerdo al tipo de falla. Finalmente, el tipo de falla se determina utilizando una red neuronal de memoria a corto y largo plazo (LSTM). El rendimiento de la técnica propuesta se compara con el método de análisis de componentes principales (PCA) en la detección temprana de fallas en un sistema de reactor de tanque agitado continuo (CSTR). Se consideran hasta 10 fallas de sensores y otras condiciones de degradación del sistema. El rendimiento de la red neuronal LSTM se compara con otras tres técnicas de aprendizaje automático, a saber, la máquina de vectores de soporte (SVM), el algoritmo de vecinos más cercanos (KNN) y árboles de decisión, en la determinación del tipo de falla. Los resultados indican el rendimiento superior de la metodología sugerida tanto en la detección temprana de fallas como en la identificación de fallas.