La detección efectiva de fallos en procesos químicos es de suma importancia para garantizar la seguridad operativa, minimizar el impacto ambiental y optimizar la eficiencia de producción. Para mejorar el monitoreo de procesos químicos en condiciones ruidosas, se ha introducido un enfoque estadístico innovador en este estudio. El enfoque propuesto, llamado Análisis de Componentes Principales Multiescala (PCA), combina las capacidades de reducción de dimensionalidad del PCA con las capacidades de reducción de ruido del filtrado basado en wavelets. El enfoque integrado se centra en extraer características de la representación multiescala, equilibrando la necesidad de retener información importante del proceso mientras se minimiza el impacto del ruido. Para la detección de fallos, se emplea un esquema de monitoreo impulsado por la distancia de Kantorovich (KD) basado en características extraídas del PCA multiescala para detectar eficientemente anomalías en datos multivariantes. Además, se emplea un umbral de decisión no paramétrico a través de la estimación de densidad de kernel para mejorar la flexibilidad del enfoque propuesto. El rendimiento de detección del enfoque propuesto se investiga utilizando datos recopilados de columnas de destilación y reactores de tanque agitado continuamente (CSTR) bajo diversas condiciones ruidosas. Se consideran diferentes tipos de fallos, incluidos fallos de sesgo, intermitentes y de deriva. Los resultados revelan el rendimiento superior del enfoque propuesto basado en PCA-KD multiescala en comparación con los métodos de monitoreo convencionales basados en PCA y PCA multiescala.