Autrefois considérée comme faisant partie des coûts généraux de l'entreprise, la maintenance industrielle est devenue critique pour la continuité de l'activité et une véritable source de données. Malgré les sommes importantes investies par les entreprises dans la fabrication intelligente, les pratiques traditionnelles en maintenance dominent toujours le paysage industriel. Dans cette thèse, nous étudions le partage des connaissances comme une solution potentielle qui peut inverser la tendance et améliorer l'activité de maintenance pour se conformer à l'esprit de l'industrie 4.0. Nous considérons spécifiquement les graphes de connaissances comme un outil permettant de partager les connaissances de maintenance entre les différents acteurs de l'industrie.Dans la première contribution de cette thèse, nous avons mené une étude de terrain à travers une campagne d'entretiens avec des experts aux profils différents et issus de divers domaines industriels. Cela nous a permis de tester l'hypothèse de l'amélioration de l'activité de maintenance via le partage des connaissances, qui est un concept assez nouveau dans de nombreuses industries. Les résultats de cette activité montrent clairement un intérêt réel pour notre approche et révèlent les différents besoins et défis à relever.La deuxième contribution est la conception et le prototype de "SemKoRe"; une solution s'appuyant sur le Web sémantique pour partager les connaissances de maintenance. Elle collecte les données liées aux défaillances de machine, les structure dans un graphe de connaissances et les partage entre tous les clients connectés pour réparer facilement les futures défaillances du même type. Une architecture flexible a été proposée pour couvrir les besoins des différents clients. SemKoRe a reçu l'approbation de plusieurs clients de Schneider implantés dans plusieurs pays et de différents segments.Dans la troisième contribution, nous avons conçu et mis en oeuvre une nouvelle solution pour la détection automatique des données sensibles dans les rapports de maintenance. En effet, les rapports de maintenance peuvent contenir des données confidentielles susceptibles de compromettre ou d'avoir un impact négatif sur l'activité de l'entreprise si elles sont révélées. Cette fonctionnalité est perçue, par les experts du domaine comme un point essentiel et critique pour SemKoRe. Elle permet d'éviter la divulgation de données sensibles lors de l'activité de partage des connaissances. Dans cette contribution, nous nous sommes appuyés sur le web sémantique et le traitement du langage naturel pour développer des modèles personnalisés pour la détection de données sensibles. La construction et l'apprentissage de tels modèles nécessitent une quantité considérable de données. Par conséquent, nous avons mis en place plusieurs services pour la collecte collaborative de données, l'annotation de texte et la construction de corpus. Aussi, une architecture et un workflow simplifié ont été proposés pour la génération et le déploiement de modèles de détection de données sensibles personnalisables sur les passerelles de périphérie.En plus de ces contributions, nous avons travaillé sur différentes fonctionnalités connexes à forte valeur ajoutée pour le projet SemKoRe, et qui ont abouti à différents brevets. Par exemple, nous avons développé et breveté une nouvelle méthode pour interagir avec les données de séries chronologiques à l'aide de critères sémantiques. Elle combine l'utilisation d'ontologies et de bases de données de séries chronologiques pour offrir un ensemble utile de fonctionnalités même sur des passerelles périphériques aux ressources limitées. Nous avons également conçu un nouvel outil qui aide les développeurs à interagir facilement avec des graphes de connaissances avec peu ou pas de connaissance des technologies du Web sémantique. Cette solution a été brevetée et s'avère utile pour d'autres projets basés sur des ontologies.