Sistemas dinâmicos podem apresentar alterações de estado estacionário de forma inesperada. Algumas destas alterações podem ser ocasionadas por atuação humana como mudança de um setpoint, por exemplo. Outras podem ser ocasionadas por falhas ou condições indevidas da planta. O novo estado pode ser válido ou não a depender das razões que ocasionaram a mudança. Apesar disso, é bastante interessante que sistemas dinâmicos críticos sejam, de alguma maneira, avaliados de forma automática com relação ao seu comportamento em estado estacionário. Sistemas industriais geralmente não são monitorados por um humano a todo tempo. Em sua maioria, cada processo possui um número grande de variáveis dificultando essa monitoração detalhada por uma pessoa. Neste sentido, esse trabalho propõe um método para identificação automática e não supervisionada de drifts abruptos. A implementação foi constituída de uma filtragem multidimensional de variáveis de processo no domínio da frequência seguida por uma classificação realizada por meio de uma rede neural. Os resultados foram comparados com outros dois métodos bastante referenciados na literatura (DDM e EDDM). Para avaliação, foram utilizadas oito bases bem referenciadas e conhecidas na literatura para esse fim. Foi possível perceber que, para processos cujas variáveis possuem um comportamento complexo, em algumas bases, o método proposto apresentou um desempenho superior aos comparados.