Une nouvelle méthode d’évaluation des données de surveillance des moteurs d’avion est proposée. En général, les systèmes de diagnostic et de gestion de la santé (Prognostics and Health Management, PHM) s’appuient sur la connaissance des processus de dégradation de certains composants moteur ainsi que sur l’expertise professionnelle pour prédire la durée de vie restante (Remaining Useful Life, RUL). Des approches récentes fondées sur les données ont émergé afin de fournir des diagnostics précis sans dépendre de ces processus coûteux. Toutefois, la plupart d’entre elles manquent d’un composant explicatif permettant de comprendre le fonctionnement de l’apprentissage du modèle et/ou la nature des données. Pour combler cette lacune, nous proposons une approche originale basée sur une encodage variationnel. Le modèle se compose d’un encodeur récurrent et d’un modèle de régression : l’encodeur apprend à compresser les données d’entrée dans un espace latente, qui sert de base à la construction d’une carte auto-explicative pouvant évaluer visuellement le taux de dégradation des moteurs d’avion. L’obtention de cet espace latente est régularisée par une nouvelle fonction de coût guidée par une inférence variationnelle et un terme pénalisant les erreurs de prédiction. Ainsi, non seulement une évaluation interprétable est obtenue, mais aussi une précision de prédiction remarquable, supérieure à la plupart des approches de pointe sur le jeu de données de simulation populaire C-MAPSS fourni par la NASA. En outre, nous démontrons l’application de notre méthode dans un contexte réel à l’aide de données provenant de moteurs turbofan réels.