La detección de fallos es crucial para mantener la fiabilidad, la seguridad y la calidad constante del producto en los procesos de ingeniería química. Una detección de fallos precisa permite identificar anomalías, señalando desviaciones del comportamiento nominal del sistema, asegurando que el sistema opere dentro de los parámetros de rendimiento deseados y minimizando las pérdidas potenciales. Este artículo presenta una nueva técnica de monitoreo basada en datos semi-supervisada para la detección de fallos en procesos multivariantes. Con este fin, el enfoque propuesto combina las capacidades del Análisis de Componentes Principales (PCA) para la reducción de dimensionalidad y la extracción de características con el esquema basado en Kolmogorov-Smirnov (KS) para la detección de fallos. El indicador KS se calcula entre las dos distribuciones en una ventana móvil de longitud fija, lo que permite capturar detalles sensibles que mejoran la detección de fallos. Además, no se requiere etiquetado al utilizar este enfoque de detección de fallos, lo que lo hace flexible en la práctica. El rendimiento de la estrategia PCA-KS propuesta se evalúa para diferentes fallos de sensores en procesos de referencia, específicamente el proceso de Reactor de Flujo Plug (PFR) y el proceso de referencia Tennessee Eastman (TE). Se consideran diferentes fallos de sensores, incluidos fallos de sesgo, intermitentes y de envejecimiento, en este estudio para evaluar el esquema de detección de fallos propuesto. Los resultados demuestran que el enfoque propuesto supera a los métodos tradicionales basados en PCA. Específicamente, cuando se aplica a los datos de PFR, logra una alta tasa de detección promedio del 98.31% y una baja tasa de falsas alarmas del 0.25%. De manera similar, cuando se aplica al proceso TE, proporciona una buena tasa de detección promedio del 97.27% y una tasa de falsas alarmas del 6.32%. Estos resultados subrayan la eficacia del enfoque PCA-KS propuesto para mejorar la detección de fallos en procesos de alta dimensionalidad.