A diferencia de los métodos tradicionales de detección de fallas, la detección de fallas orientada a la calidad clasifica aún más los tipos de fallas en fallas relacionadas con la calidad y fallas no relacionadas con la calidad. Por lo tanto, la detección de fallas orientada a la calidad ha atraído una atención significativa en aplicaciones industriales debido a su capacidad para proporcionar información de fallas más completa. Diversos enfoques se han presentado para hacer frente a este desafío. Sin embargo, estos enfoques a menudo tienen dificultades para disectar efectivamente el espacio de variables del proceso, lo que conduce a limitaciones en la detección de fallas orientada a la calidad. Motivado por este contexto, este estudio introduce un método de mínimos cuadrados parciales orientado a la calidad basado en análisis de componentes principales por kernel (KPCA), que ofrece una descomposición más adecuada y una lógica de monitoreo más directa. A diferencia del método estándar de mínimos cuadrados parciales por kernel, el método propuesto emplea el método KPCA para capturar las características no lineales inherentes en el espacio original de variables del proceso, reduciendo posteriormente su dimensionalidad para producir el espacio de componentes principales por kernel, que no solo encapsula las características no lineales del espacio original de variables del proceso, sino que también mitiga el ruido e interferencias desconocidas en los datos, logrando así la reducción de dimensionalidad. Sobre esta base, se logra una descomposición ortogonal del espacio de componentes principales por kernel utilizando la tecnología de descomposición de valores singulares generalizados de las matrices de carga de los espacios de componentes principales por kernel y variables de calidad, mejorando significativamente el rendimiento de monitoreo. Finalmente, la validez y superioridad del método propuesto se demuestran a través de dos estudios de caso.