Engineering and manufacturing processes and systems designs involve many challenges, such as dynamism, chaotic behaviours, and complexity. Of late, the arrival of big data, high computational speed, cloud computing and artificial intelligence techniques (like machine learning and deep learning) has reformed how many engineering and manufacturing professionals approach their work. These technologies offer thrilling innovative ways for engineers and manufacturers to tackle real-life challenges. On the other hand, the field of Artificial Intelligence (AI) is extensive. Several diverse theories, algorithms, and methods are available, which presents a challenge and a barrier in choosing the right AI technique for the appropriate engineering process or manufacturing process and environments. Besides, the pertinent literature is disseminated over various journals, conference proceedings, and research communities. Hence, conducting a systematic survey to scrutinise and classify the existing literature is worthwhile. However, it is challenging, but previous review studies have not adequately addressed AI’s use and advancement in engineering and manufacturing (EM). Besides, some concentrated on single AI models, and others focused on a specific area in EM. This paper presents a comprehensive systematic review of studies on AI and its application in EM. To limit the scope of the current study, we conducted a keyword search in official publisher websites and academic databases, such as Springer, Elsevier, Scopus, Science Publication, Taylor & Francis, Directory of Open Access Journals (DOAJ), Association for Computing Machinery (ACM), Wiley online library, Inderscience and Google scholar. The search results (173 articles) were filtered according to a proposed framework, which resulted in ninety-one (91) relevant research articles. We reviewed the articles based on a proposed taxonomy (the year of publication, the AI algorithm and machine learning task adopted, the application area in EM, the train and test split of data, the error, and accuracy metrics used, the potential benefits). Our assessment using the proposed taxonomy gave a helpful insight into the literature’s anatomy on various AI applications in engineering and manufacturing. Also, we identified opportunities for future research in AI application in the field of EM.

工程和制造过程及系统设计涉及许多挑战，例如动力，混乱的行为和复杂性。最近，大数据，高计算速度，云计算和人工智能技术（例如机器学习和深度学习）的到来，已经改变了多少工程和制造专业人士从事其工作的方式。这些技术为工程师和制造商提供了激动人心的创新方式，以应对现实生活中的挑战。另一方面，人工智能（AI）的领域非常广泛。可以使用几种不同的理论，算法和方法，这为为适当的工程过程或制造过程和环境选择正确的AI技术带来了挑战和障碍。除了，相关文献通过各种期刊，会议论文集和研究社区进行传播。因此，进行系统的调查以对现有文献进行检查和分类是值得的。但是，这具有挑战性，但是以前的审查研究并未充分解决AI在工程和制造（EM）中的使用和进步。此外，有些集中在单个AI模型上，而另一些则集中在EM中的特定领域。本文对AI及其在EM中的应用进行了全面的系统综述。为了限制当前研究的范围，我们在官方出版商网站和学术数据库中进行了关键字搜索，例如Springer，Elsevier，Scopus，科学出版物，Taylor和Francis，开放获取期刊目录（DOAJ），计算机科学协会（ACM），Wiley在线图书馆，Inderscience和Google学者。根据提出的框架对搜索结果（173篇文章）进行过滤，从而产生了九十一（91）篇相关的研究文章。我们根据提议的分类法（出版年份，采用的AI算法和机器学习任务，EM中的应用领域，数据的训练和测试划分，所使用的错误和准确性指标以及潜在的优势）对文章进行了审查。 。我们使用拟议的分类法进行评估，有助于深入了解文献中有关工程和制造中各种AI应用的解剖结构。此外，我们还发现了在EM领域进行AI应用的未来研究机会。产生了九十一（91）条相关研究文章。我们根据提议的分类法（出版年份，采用的AI算法和机器学习任务，EM中的应用领域，数据的训练和测试划分，所使用的错误和准确性指标以及潜在的优势）对文章进行了审查。 。我们使用拟议的分类法进行评估，有助于深入了解文献中有关工程和制造中各种AI应用的解剖结构。此外，我们还发现了在EM领域进行AI应用的未来研究机会。产生了九十一（91）条相关研究文章。我们根据提议的分类法（出版年份，采用的AI算法和机器学习任务，EM中的应用领域，数据的训练和测试划分，所使用的错误和准确性指标以及潜在的优势）对文章进行了审查。 。我们使用拟议的分类法进行评估，有助于深入了解文献中有关工程和制造中各种AI应用的解剖结构。此外，我们还发现了在EM领域进行AI应用的未来研究机会。我们使用拟议的分类法进行评估，有助于深入了解文献中有关工程和制造中各种AI应用的解剖结构。此外，我们还发现了在EM领域进行AI应用的未来研究机会。我们使用拟议的分类法进行评估，有助于深入了解文献中有关工程和制造中各种AI应用的解剖结构。此外，我们还发现了在EM领域进行AI应用的未来研究机会。