Os processos industriais enfrentam novos desafios com o avanço da Indústria 4.0 e a crescente demanda por melhorias na detecção de falhas. A detecção de falha fundamenta-se em diversas técnicas de métodos estatísticos e aprendizado de máquina. Embora sejam eficazes, possuem algumas desvantagens, tais como simplificação do processo, baixa capacidade em lidar com ruído, baixa capacidade em lidar com sistemas complexos não lineares, alta demanda computacional e risco de de overf itting. Em resposta a essas limitações, este trabalho apresenta uma abordagem inovadora na área da polimerização empregando redes neurais siamesas (SNNs) e células long short-term memory (LSTM) para a detecção precoce de falhas na polimerização de estireno. Foi realizado a modelagem da polimerização do estireno em reator CSTR utilizando o método dos momentos para o balanço de massa e energia e, neste sistema, foi adicionado controle proporcional-integral-derivativo (PID) para simular uma situação real de controle de processo no contexto de um processo industrial. A partir do modelo foi possível obter treze simulações, das quais cinco são processos sem falha e oito são processos com falhas. Esses dados foram tratados e serviram para treinar as redes siamesas. Com a capacidade de classificar se esses dados de entrada são semelhantes ou diferentes, foi possível realizar a detecção de falha. Os resultados encontrados demonstram uma taxa de detecção de falhas com uma acurácia de até 100 por cento, demonstrando a capacidade desse modelo em detectar falhas em processos químicos complexos, dinâmicos e não-lineares. Este estudo representa um avanço significativo no campo da detecção de falhas, oferecendo oportunidades valiosas para futuras investigações e aprimoramentos em sistemas inteligentes de detecção de falhas na indústria química.