El desarrollo de la Industria 4.0 requiere la fabricación digitalizada a través del Mantenimiento Predictivo (PdM) porque tales prácticas disminuyen las fallas del equipo y las interrupciones operativas. Sin embargo, su efectividad se ve obstaculizada por tres desafíos clave: (1) la confidencialidad de los datos, ya que los métodos tradicionales dependen de compartir datos centralizados, lo que suscita preocupaciones sobre la seguridad y el cumplimiento normativo; (2) la falta de interpretabilidad, donde los modelos de IA opacos proporcionan una transparencia limitada, lo que dificulta que los operadores confíen y actúen sobre las predicciones de fallas; y (3) problemas de adaptabilidad, ya que muchas soluciones existentes luchan por mantener un rendimiento consistente en diversos entornos industriales. Abordar estos desafíos requiere un modelo de Inteligencia Artificial (IA) preservador de la privacidad, interpretable y adaptable que asegure un PdM seguro, confiable y transparente, cumpliendo con los estándares de la industria y los requisitos normativos. La IA Explicable (XAI) juega un papel crucial en mejorar la transparencia y la confianza en los modelos de PdM al proporcionar información interpretable sobre las predicciones de fallas. Mientras tanto, el Aprendizaje Federado (FL) garantiza un entrenamiento de modelos descentralizado y preservador de la privacidad, permitiendo que múltiples sitios industriales colaboren sin compartir datos operativos sensibles. Este estudio propuesto desarrolló un modelo sostenible de FL Explicable y preservador de la privacidad (XFL) que integra técnicas de XAI como Explicaciones Aditivas de Shapley (SHAP) y Explicaciones Model-Agnostic Interpretables Locales (LIME) en una estructura de FL para mejorar la seguridad y las capacidades de interpretabilidad del PdM. El modelo XFL propuesto permite a los operadores industriales interpretar, validar y refinar estrategias de mantenimiento impulsadas por IA mientras asegura la privacidad de los datos, la precisión y el cumplimiento normativo. Este modelo mejora significativamente la predicción de fallas, reduce el tiempo de inactividad no planificado y fortalece la confianza en la toma de decisiones impulsada por IA. Los resultados de la simulación confirman su alta confiabilidad, logrando una precisión del 98,15% con una tasa de error mínima del 1,85%, demostrando su efectividad como una solución escalable, segura e interpretable para el PdM en la Industria 4.0.