The purpose of this article is to compare results of fault detection for the Tennessee Eastman (TE) process with the application of artificial neural networks (ANN). The Neuralnet library of the open-source program R, as well as the Keras library of the open-source program Python were used for the training of ANN. The TE process simulation data were downloaded from Harvard University’s server, and subsequently analyzed, defining the trends in the operational variables during the appearance of failures. With the database, the training and validation of different ANN structures were developed, considering the parameters number of hidden neurons, activation function, and number of hidden layers. According to the results, the training and validation of the ANNs with the Neuralnet library yielded a lower performance in fault detection than that obtained with the Keras library. The ANN with the best performance in detecting failures in the TE process was obtained by the application of the Keras library. This ANN considered 52 input variables, 11 neurons in the hidden layer, and one neuron in the output layer, using a logistic function (ANN represented as 52:11:1 logistic) and reporting a prediction efficiency of 92% for the detection of faults with an external test set, which is convenient for future implementation in industrial processes.Este artículo tiene como finalidad la comparación de resultados de detección de fallas en el proceso Tennessee Eastman (TE) con redes neuronales artificiales (RNA), utilizando las librerías neuralnet del programa de código abierto R y Keras del programa de código abierto Python. Para esto, los datos de la simulación de proceso TE fueron descargados del servidor de la universidad de Harvard, y posteriormente analizados, definiendo las tendencias en las variables operacionales ante las respectivas fallas. Con la base de datos, el entrenamiento y la validación de diferentes estructuras de RNA fue desarrollado considerando los parámetros: número de neuronas ocultas, función de activación y número de capas ocultas. Según los resultados, el entrenamiento y la validación de las RNA con la librería neuralnet reportó menores desempeños de detección de fallas, que las obtenidas con la librería Keras. La RNA de mejor desempeño en la detección de fallas del proceso TE correspondió a la estructura 52 variables de entrada, 11 neuronas en la capa oculta y una neurona en la capa de salida, con función logística y entrenada con la librería Keras (RNA representada como 52:11:1 logistic). Esta RNA presenta una eficiencia en la predicción del 92% para la detección de fallas en un conjunto externo de prueba, lo que resulta conveniente en una futura implementación en procesos industriales.