Debido a la creciente demanda de electricidad, desarrollar un sistema eficiente de detección de fallas en las centrales eléctricas térmicas (TPPs) se ha convertido en un tema exigente. La razón más probable de falla en las TPPs es la falla del equipo (caldera y turbina). La detección avanzada de fallas en el equipo puede ayudar a asegurar paradas de mantenimiento y mejorar las tasas de utilización de la capacidad del equipo. Recientemente, se ha introducido un diagnóstico de fallas inteligente basado en algoritmos multivariables en las TPPs. En las TPPs, se utilizan un gran número de sensores para el mantenimiento del proceso. Sin embargo, no todos estos sensores son sensibles a la detección de fallas. Los estudios previos solo se basaban en los datos proporcionados por expertos para la detección de fallas en el equipo en las TPPs. Sin embargo, el rendimiento de los algoritmos multivariables para la detección de fallas depende en gran medida del número de sensores de entrada. Los sensores redundantes e irrelevantes pueden reducir el rendimiento de estos algoritmos, creando así la necesidad de determinar la disposición óptima de sensores para una detección eficiente de fallas en las TPPs. Por lo tanto, este estudio propone un enfoque novedoso de selección óptima de sensores basado en aprendizaje automático para analizar las fallas de la caldera y la turbina. Finalmente, se emplean escenarios de fallas de equipos de plantas de energía del mundo real (fuga del tubo de pared de agua de la caldera y falla del motor eléctrico de la turbina) para verificar el rendimiento del modelo propuesto. Los resultados computacionales indican que el enfoque propuesto mejoró la eficiencia computacional de los modelos de aprendizaje automático al reducir el número de sensores hasta un 44% en el escenario de fuga del tubo de pared de agua y un 55% en el escenario de falla del motor de la turbina. Además, el rendimiento del aprendizaje automático se mejoró hasta un 97.6% y un 92.6% en los escenarios de falla del tubo de pared de agua y falla del motor de la turbina, respectivamente.