Un aumento en la disponibilidad y preparación de las aeronaves es una de las características más deseadas de las flotas de aeronaves. Las fallas imprevistas generan gastos adicionales y son particularmente críticas al pensar en jets de combate y Vehículos Aéreos No Tripulados (VANT). Por ejemplo, estos sistemas se utilizan en condiciones extremas, y puede haber situaciones en las que los procedimientos de mantenimiento estándar sean imprácticos o inviables. Por lo tanto, es importante desarrollar un Sistema de Monitoreo de Salud y Uso (HUMS) que se base en algoritmos de diagnóstico y pronóstico para minimizar el tiempo de inactividad del mantenimiento, mejorar la seguridad y disponibilidad, y reducir los costos de mantenimiento. En particular, dentro del ámbito de las estructuras de aeronaves, el tren de aterrizaje surge como uno de los sistemas más intrincados, que comprende varios elementos, como actuadores, amortiguadores y componentes estructurales. Por lo tanto, este trabajo tiene como objetivo desarrollar un gemelo digital preliminar de un tren de aterrizaje delantero e implementar algoritmos de diagnóstico dentro del marco del Sistema de Monitoreo de Salud y Uso (HUMS). En este contexto, se puede utilizar un gemelo digital para construir una base de datos de señales adquiridas en condiciones saludables y defectuosas sobre las cuales se pueden implementar y probar algoritmos de detección de daños. En particular, se han implementado dos algoritmos: el primero se basa en el Error Cuadrático Medio (RMSE), mientras que el segundo se basa en la distancia de Mahalanobis (MD). Los algoritmos fueron probados para tres subsistemas del tren de aterrizaje delantero, a saber, el sistema de dirección, el sistema de retracción/extracción y el amortiguador oleo-neumático. Se realiza una comparación entre los dos algoritmos utilizando la curva ROC y la precisión, asumiendo un peso igual para las detecciones fallidas y las falsas alarmas. El algoritmo que utiliza la distancia de Mahalanobis demostró un rendimiento superior, con una tasa de falsas alarmas más baja y una mayor precisión en comparación con el otro algoritmo.