Para implementar herramientas de análisis de datos en aplicaciones del mundo real, los investigadores enfrentan importantes desafíos, como la complejidad de las máquinas o procesos, sus regímenes operativos dinámicos y las limitaciones en la disponibilidad, suficiencia y calidad de los datos medidos por sensores. Los límites en el uso de sensores a menudo están relacionados con los costos asociados a ellos y la inaccesibilidad de ubicaciones críticas dentro de las máquinas o procesos. Los procesos de fabricación, como un gran grupo de aplicaciones en las que el análisis de datos puede aportar un valor significativo, son el foco de este estudio. Dado que el costo de instrumentar las máquinas en un proceso de fabricación es significativo, una solución alternativa que dependa únicamente de las mediciones de calidad del producto es muy deseable en la industria manufacturera. En este documento, se introduce un marco de detección de anomalías en máquinas con mínima sensorización en procesos de fabricación en múltiples etapas, basado en mediciones de calidad del producto. Este marco, que se basa en datos de calidad del producto junto con las rutas de fabricación de los productos, permite la detección de variaciones en la calidad de los productos y es capaz de identificar la máquina que causa la anomalía. Se aplica una ventana móvil a los datos y se extrae una métrica estadística comparando el rendimiento de una máquina con el de sus pares. Este enfoque se amplía para funcionar en procesos de múltiples etapas. El método propuesto se valida utilizando un conjunto de datos de un proceso de fabricación del mundo real y conjuntos de datos simulados adicionales. Además, se proporciona un enfoque alternativo basado en Redes Bayesianas y se evalúa el rendimiento de los dos métodos propuestos desde una perspectiva de implementación industrial. Los resultados mostraron que el enfoque basado en similitud propuesto pudo identificar con éxito la causa raíz de las variaciones en la calidad y señalar la máquina que impactó negativamente en la calidad del producto.