La seguridad de los procesos químicos es de suma importancia. Sin embargo, los métodos tradicionales de monitoreo de fallas han estudiado insuficientemente la precisión del monitoreo de datos de múltiples canales y no han considerado adecuadamente el impacto del ruido en los procesos industriales. Para abordar este problema, este documento propone un modelo basado en redes neuronales, DSCBAM-DenseNet, que integra convoluciones separables en profundidad y módulos de atención para fusionar características de datos de múltiples canales y mejorar la resistencia al ruido del modelo. Simulamos un entorno real añadiendo ruido gaussiano con diferentes relaciones señal-ruido al conjunto de datos del proceso Tennessee Eastman y entrenamos el modelo utilizando datos de múltiples canales. Los resultados experimentales muestran que este modelo supera a los modelos tradicionales tanto en precisión de diagnóstico de fallas como en resistencia al ruido. Investigaciones adicionales sobre una instancia de ingeniería de unidad de compresor validaron la superioridad del modelo.