Con el rápido desarrollo de tecnologías avanzadas de sensores, se ha vuelto popular monitorear múltiples variables de calidad para un proceso de fabricación. Como resultado, las gráficas de control estadístico de procesos multivariables (MSPC) se han utilizado comúnmente para monitorear procesos multivariables. La función principal de las gráficas MSPC es activar una señal de fuera de control cuando ocurren fallas en un proceso. Sin embargo, debido a que dos o más variables de calidad están involucradas en un proceso multivariable, es muy difícil diagnosticar cuál o qué combinación de variables de calidad es responsable de la señal MSPC. Aunque algunos métodos de descomposición estadística pueden proporcionar posibles soluciones, la dificultad matemática podría limitar las aplicaciones. Este estudio presenta un clasificador de red neuronal de retardo temporal (TDNN) para diagnosticar las variables de calidad que causan señales fuera de control para un proceso normal multivariable (MNP) con cambios de varianza. Para demostrar la efectividad de nuestro enfoque propuesto, se realizaron una serie de experimentos simulados. Los resultados se compararon con los clasificadores de redes neuronales artificiales (ANN), máquinas de vectores de soporte (SVM) y splines de regresión adaptativos multivariables (MARS). Se encontró que el clasificador TDNN propuesto pudo reconocer con precisión los contribuyentes de la señal fuera de control para los MNPs.