La seguridad del proceso juega un papel vital en la industria moderna de procesos. Para prevenir accidentes no deseados causados por malfunciones u otras perturbaciones en procesos industriales complejos, se ha prestado considerable atención a las técnicas de detección de fallas basadas en datos. Para explorar la estructura subyacente del conjunto de datos, se han utilizado métodos de aprendizaje de variedades que incluyen mapas de Laplaciano, incrustación lineal local y mapas de Hessian en la detección de fallas basada en datos. Sin embargo, solo se extrae información parcial de la estructura local de los métodos mencionados anteriormente. Este documento propone el aprendizaje de variedades locales fusionadas (FLML), que sintetiza los métodos típicos de aprendizaje de variedades para encontrar la estructura subyacente del conjunto de datos desde diferentes ángulos. Se descubre una estructura local más completa bajo un marco unificado mediante la construcción de una función de optimización de objeto para la reducción de la dimensión de los datos del proceso. El método propuesto aprovecha diferentes métodos de aprendizaje de variedades. Basándose en el método propuesto de reducción de dimensiones, se desarrolla un nuevo método de detección de fallas basado en datos. Se establecen estadísticas de Hotelling con el fin de la detección de fallas. Se realizan experimentos en un proceso industrial de referencia Tennessee Eastman cuyo MDR promedio y FAR promedio de FLML son y y en un proceso real de fabricación de hierro en un horno alto cuyo MDR y FAR de FLML son y para demostrar la superioridad y efectividad del método propuesto.