El monitoreo de condiciones (CM) de procesos industriales es esencial para reducir el tiempo de inactividad y aumentar la productividad a través de una programación precisa de Mantenimiento Basado en Condiciones (CBM). De hecho, los sistemas avanzados de aprendizaje inteligente para el Diagnóstico de Fallas (FD) hacen posible aislar e identificar de manera efectiva los orígenes de las fallas. La tecnología probada de infraestructura industrial inteligente permite que el FD sea una tarea de computación distribuida completamente descentralizada. A este respecto, tal distribución entre diferentes regiones/instituciones, a menudo sujeta a lo que se denomina aislamiento de datos, se limita a la privacidad, los riesgos de seguridad y la competencia industrial debido a la limitación de regulaciones legales o conflictos de interés. Por lo tanto, el Aprendizaje Federado (FL) se considera un proceso eficiente para separar datos de múltiples participantes y entrenar colaborativamente un modelo de FD inteligente y confiable. Dado que hasta donde sabemos no se ha presentado un estudio exhaustivo sobre este tema, se necesita con urgencia un estudio basado en revisiones. Dentro de este alcance, nuestro trabajo se dedica a revisar los avances recientes en las aplicaciones de FL para diagnósticos de procesos, mientras que los métodos, desafíos y perspectivas futuras de FD reciben especial atención.