Cette thèse porte sur la maintenance prédictive et cherche à allier performance et explicabilité dans la prédiction de la durée de vie résiduelle (RUL) des systèmes industriels, en intégrant l’explicabilité des modèles dès les étapes pre-, in- et post-traitement. Elle s’inscrit dans un contexte industriel marqué par une forte automatisation des systèmes. Celle-ci, combinée à la multiplication des sources de données, entraîne une disponibilité accrue de données souvent complexes. Celles-ci sont notamment utilisées en maintenance, où l’une des principales approches consiste à prédire la RUL à partir de modèles d'apprentissage et des données disponibles pour gérer les pannes. Cependant, la complexité de ces données oblige à utiliser des modèles non interprétables de type boîte noire pour prédire la RUL. Ainsi, on note un besoin d’outils améliorant l’explicabilité de ces modèles afin de garantir la transparence des décisions prises par les opérateurs humains. Pour ce faire, le domaine de l’Intelligence Artificielle eXplicable (XAI) a été créé pour une meilleure transparence des algorithmes d’apprentissage. Il soulève les questions d’explicabilité et d’interprétabilité pour une IA de confiance grâce aux méthodes d’explicabilité (XAI). Celles-ci permettent de générer des explications pour les modèles boîtes noires.Cependant, ces méthodes XAI ont besoin d’un cadre d’évaluation pour assurer leur fiabilité. Ce cadre permettra d’évaluer la qualité des explications qu’elles fournissent et de comparer deux méthodes d’explicabilité. À ce propos, l’approche functionally-grounded evaluation, qui évalue quantitativement le respect d’un certain nombre de propriétés que les méthodes XAI doivent respecter via de nombreuses métriques d’évaluation proposées dans la littérature, est largement utilisée.Pour une meilleure organisation de ce cadre d’évaluation, nous proposons, dans ce travail, une taxonomie de ces métriques en les liant aux propriétés explicatives qu’elles mesurent. Par la suite, nous utilisons ces métriques pour étudier l'effet, sur la qualité des explications des méthodes XAI, des choix de prétraitement (taille de la fenêtre temporelle, seuil de RUL, niveau de lissage) et de la complexité du modèle (in-processing) de type LSTM auquel on s'est particulièrement intéressé. Cela permet de prendre en compte la qualité des explications dès le début du processus de recherche d’un modèle optimal. Nous nous sommes intéressés à trois méthodes XAI locales post hoc populaires : LIME, SHAP et L2X.Ensuite, pour prévenir le biais potentiel dans les explications fournies par les méthodes XAI post hoc lié à la présence de multicolinéarité et réduire la complexité des entrées en termes de nombre de variables actives, nous avons proposé, dans nos recherches, une méthode de réduction de dimension interprétable appelée IDFC (Interpretable Divisive Feature Clustering). Appliquée à des données de maintenance comme CMAPSS et PRONOSTIA-FEMTO, IDFC permet une sélection non supervisée de variables à l’entrée des LSTM, améliorant à la fois la gestion de la multicolinéarité, la prédiction et l'explicabilité. Enfin, face aux limites des méthodes post hoc classiques comme SHAP dans un contexte de données séquentielles, dans ce travail, nous proposons une amélioration de la méthode SHAP : SegSHAP. Cette méthode adapte SHAP aux données temporelles en intégrant une détection automatique des périodes homogènes de temps au regard des données, ce qui permet de produire des explications mieux alignées avec des données de type séries temporelles.À travers ces contributions, cette thèse propose une feuille de route rigoureuse de l’explicabilité appliquée à la maintenance prédictive, où chaque étape de la modélisation est pensée selon des critères d’explicabilité.