En este estudio, se desarrolló un método de monitoreo multiescala para procesos no lineales. Introdujimos una herramienta de aprendizaje automático para detección y aislamiento de fallas basada en el análisis de componentes principales (PCA) kernel y la transformada wavelet discreta. El principio de nuestra propuesta implicaba descomponer datos multivariados en coeficientes wavelet mediante la transformada wavelet discreta. Luego, se aplicó el PCA kernel en cada matriz de coeficientes para detectar defectos. Solo aquellas escalas que manifiestan excesos de los errores de predicción al cuadrado en los límites de control fueron consideradas en la fase de reconstrucción de datos. Así, el PCA kernel se abordó en la matriz reconstruida para detectar defectos y aislarlos. Este enfoque explota el rendimiento del PCA kernel para monitoreo de procesos no lineales en combinación con análisis multiescala al procesar escalas tiempo-frecuencia. El método propuesto se validó en un sistema fotovoltaico relacionado con un proceso industrial complejo. Se determinó una matriz de datos a partir de las variables que caracterizan este proceso correspondientes a corriente del motor, velocidad angular, voltaje de salida del convertidor y voltaje del sistema de salida de potencia. Probamos la metodología desarrollada en 1000 observaciones de variables fotovoltaicas. Se estableció una comparación con métodos de monitoreo basados en PCA neural, demostrando la eficacia de la metodología desarrollada.