El mantenimiento predictivo basado en sonido es un habilitador crítico para garantizar la continuidad operativa y la productividad en sistemas industriales. Debido a la diversidad de tipos de equipos y la complejidad de los entornos de trabajo, se han desarrollado numerosos métodos de ingeniería de características y modelos de diagnóstico de anomalías basados en señales de sonido. Sin embargo, las revisiones existentes se centran más en las estructuras y resultados del modelo de detección, mientras que descuidan el impacto de las diferencias en la ingeniería de características en los modelos de detección posteriores. Por lo tanto, este documento tiene como objetivo proporcionar una revisión exhaustiva de los métodos de extracción de características de vanguardia basados en señales de sonido. Los estándares de juicio en los modelos de detección de sonido se analizan desde el umbral empírico hasta el aprendizaje automático y el aprendizaje profundo. Se esclarecen las ventajas y limitaciones de los algoritmos de detección de sonido en equipos variados a través de ejemplos y descripciones detalladas, proporcionando una comprensión integral del rendimiento y la aplicabilidad. Esta revisión también ofrece una guía para la selección de métodos de extracción de características y detección para el mantenimiento predictivo de equipos basado en señales de sonido.