Este artículo propone un método de monitoreo paralelo para procesos a nivel de planta al integrar la información mutua y la inferencia bayesiana en un marco multi-bloque basado en proyecciones que preservan lo global y lo local (GLPP). A diferencia de los métodos tradicionales de monitoreo de procesos estadísticos multivariantes (MSPM), el método MI-PGLPP propuesto transforma el monitoreo a nivel de planta en varias tareas de monitoreo de sub-bloques al aprovechar completamente un marco distribuido paralelo. Primero, los conjuntos de datos originales del proceso se dividen en un grupo de bloques de datos al cuantificar la información mutua de las variables del proceso. Los índices de bloque de los nuevos datos se generan automáticamente. En segundo lugar, cada bloque de datos se modela mediante el método GLPP. La información de las variables y la estructura local se preservan bien durante toda la proyección. En tercer lugar, se introduce la inferencia bayesiana para generar estadísticas finales del proceso mediante el marco de probabilidad. Para ilustrar el rendimiento del algoritmo, se realiza un estudio de caso detallado sobre el proceso de Tennessee Eastman. En comparación con el análisis de componentes principales y el método basado en GLPP, el MI-PGLPP propuesto proporciona tasas de detección de falsos positivos (FDR) más altas y un rendimiento superior para el monitoreo de procesos a nivel de planta.