Com o advento da indústria 4.0, observou-se um aumento expressivo na geração de informações alavancado por novas tecnologias de monitoramento. Algoritmos de Machine Learning são amplamente empregados nesse contexto para a inferência estatística, predição, detecção e diagnóstico de falhas. Entretanto, dados redundantes ou com baixo ganho de informação a respeito do processo que se deseja ter uma predição ou diagnóstico podem significar um custo computacional desnecessário, gerando modelos inadequados. Um grande desafio, portanto, é filtrar esses dados a fim de capturar apenas uma parcela que possua relevância significativa, com o objetivo de otimizar recursos investidos nos sistemas de monitoramento. Este projeto propõe um método de seleção de variáveis do tipo Wrapper baseado em Algoritmos Genéticos para obter um subconjunto suficiente de atributos de entrada para proporcionar uma acurácia satisfatória no treinamento e validação de modelos de classificação de falhas em processos químicos industriais. Foi empregado para a classificação de falhas e também para avaliar as soluções geradas pelo Algoritmos Genético, o Random Forrest, da classe dos algoritmos do tipo Ensemble. Este projeto utilizou como objeto de estudo o caso do Processo Tennessee Eastman. Os resultados foram considerados promissores, obtendo-se uma melhora na acurácia de 1,72% e com uma redução de aproximadamente 50% do número de variáveis em relação ao caso base sem seleção de variáveis.