El diagnóstico de fallas e identificación son metas importantes para garantizar la producción segura de procesos industriales. Este artículo propone un método de reconstrucción de datos basado en la teoría del Vecino más Cercano al Centro (CNN) para el diagnóstico de fallas e identificación de variables anómalas. Primero, se utiliza el método del vecino más cercano (-NN) para monitorear el proceso y determinar si hay una falla. En segundo lugar, cuando hay una falla, se utiliza un algoritmo de reconstrucción de CNN de alta precisión para reconstruir cada variable y calcular el índice de control reconstruido. La variable que más reduce el índice de control se reemplaza con la variable reconstruida en secuencia, y la iteración se lleva a cabo hasta que el índice de control esté dentro del rango de control, y finalmente se determinan todas las variables anómalas. La precisión del método de reconstrucción de CNN se verificó a través de un ejemplo numérico. Además, se confirmó que el método no solo es adecuado para el diagnóstico de fallas de un solo sensor, sino que también puede ser utilizado para fallas de sensores que ocurren simultáneamente o se propagan debido a la correlación de variables. Finalmente, la efectividad y aplicabilidad del método propuesto fueron validadas a través del proceso de fermentación de penicilina.