L’avion plus électrique demande des modules de puissances de plus en plus performants dans les domaines de la fiabilité et de la maîtrise de la durée de vie restante. Le remplacement des systèmes hydrauliques et pneumatiques par des actionneurs électriques et leurs convertisseurs associés est, aujourd’hui, un moyen efficace de réduire les coûts de maintenance et la consommation de carburant. L’ajout de composantes électriques est également un bon moyen d’augmenter la fiabilité des systèmes. La fiabilité est toujours étudiée à partir de contraintes cycliques accélérées. La tendance actuelle est d’embarquer des fonctions de suivi de l’état de santé dans les modules de puissance pour permettre la prédiction de la durée de vie restante. Cette approche implique des modifications du circuit afin de mettre en place des capteurs et est souvent dédiée à un mode de défaillance en particulier. Cette thèse propose une approche par apprentissage du suivi de l’état de santé de modules de puissance à base de MOSFET en carbure de silicium. Une large étude bibliographique a permis de créer et de réaliser un banc de test instrumenté permettant de mettre en œuvre des défaillances attendues dans les modules de puissance mais aussi d’enregistrer un grand nombre de paramètres électriques au cours de la vie du module. Ces paramètres montrent une évolution au cours du vieillissement du module en fonction des modes de défaillances. Un modèle de réseaux neuronaux s’appuie sur la dérive de ces paramètres pour établir le pronostic de durée de vie restante d’un module de puissance à chaque instant de son utilisation normale