Los vehículos aéreos no tripulados (VANT) que operan en misiones críticas para la seguridad requieren métodos efectivos de detección de anomalías para identificar fallos en el sistema de propulsión antes de que causen fallos catastróficos. Sin embargo, los modelos de diagnóstico basados en vibraciones actuales suelen depender de conjuntos de datos que representan solo estados de fallo discretos e aislados, y no capturan la degradación estructural continua que ocurre durante las operaciones de vuelo reales. Para abordar esta brecha, este estudio propone un marco de aumento de datos de vibración ordenado por severidad para la detección de anomalías en sistemas de propulsión de VANT de ala rotativa. Se realizaron experimentos controlados bajo condiciones de salud, desequilibrio inducido por cinta, rasguños y hélices cortadas utilizando excitación de aceleración de gas escalonada del 10% al 100% en incrementos del 10%, con 40 s por nivel. Una estrategia de disposición ordenada por severidad basada en el nivel de aceleración y una métrica robusta de severidad pico a pico generaron aproximadamente 7.5 h de datos de vibración aumentados por eje, representando una trayectoria de degradación continua. Se utilizaron escalogramas de transformada continua de wavelet (CWT) de tres ejes de tamaño 48x96x3 para entrenar un marco de detección de anomalías no supervisado. Experimentos comparativos con Isolation Forest, One-Class SVM y LSTM-AE demostraron que la arquitectura propuesta de Red Neuronal Convolucional (CNN)-Unidad Recurrente Bidireccional (BiGRU)-Modelo de Espacio de Estados (SSM)-Autoencoder (AE) logró el mejor rendimiento, alcanzando una precisión de 0.9959, un recall de 0.4428, un F1-score de 0.6131 y un Área Bajo la Curva de Característica Operativa del Receptor (AUROC) de 0.9284. El estudio de ablación mostró además que incorporar modelado temporal y dinámicas de espacio de estados mejora la robustez de la detección en comparación con las líneas base CNN-AE y CNN-BiGRU-AE. Estos resultados muestran que combinar el aumento ordenado por severidad con el aprendizaje temporal profundo mejora la detección progresiva de anomalías en la propulsión en el monitoreo de vibraciones de VANT. Este trabajo introduce una metodología que conecta los principios de dinámica de rotores con el aprendizaje profundo, proporcionando un manifold de degradación continua que mejora la detección en etapas tempranas y el monitoreo de condiciones de los sistemas de propulsión de VANT.