A área de manutenção vem exercendo papéis estratégicos em organizações, sejam automobilísticas, industriais ou militares. Com avanços das capacidades de geração, armazenamento e processamento de dados, técnicas de Aprendizado de Máquina (AM) vêm sendo empregadas para detectar e
localizar falhas em sistemas complexos, aumentando a disponibilidade e reduzindo custos operacionais desses sistemas. Porem, simplesmente aplicar técnicas de AM aos dados de sensores não vem representando uma solução para todos problemas, uma vez existirem barreiras ainda a serem transpostas. O objetivo deste artigo e apresentar um mapeamento sistemático da literatura sobre métodos de AM aplicados à detecção e isolamento de falhas em sistemas complexos, por meio de uma abordagem dirigida a dados Data-Driven. Com essa abordagem, pretende-se propiciar uma melhor compreensão de como métodos propostos vem abordando cenários realísticos de sistemas complexos, em que novos modos de falhas podem surgir após a construção inicial de modelos de AM.
