Los gemelos digitales, representaciones virtuales de objetos o procesos físicos de la vida real, se están utilizando ampliamente en muchos sectores industriales diferentes. Uno de los principales usos de los gemelos digitales es el mantenimiento predictivo, y estas tecnologías se están adaptando a diversas nuevas aplicaciones y tipos de datos en muchos procesos industriales. El objetivo de este estudio fue proponer una metodología para generar datos de vibración sintéticos utilizando un modelo de gemelo digital y un flujo de trabajo de mantenimiento predictivo, que consiste en preprocesamiento, ingeniería de características y entrenamiento de modelos de clasificación, para clasificar datos de vibración defectuosos y saludables para la estimación del estado. Para evaluar el éxito del flujo de trabajo propuesto, se aplicaron los pasos mencionados a un conjunto de datos de vibración disponible públicamente y a los datos sintéticos del gemelo digital, utilizando cinco algoritmos de clasificación de última generación. Para varios de los algoritmos de clasificación, el resultado de precisión para la clasificación de datos saludables y defectuosos alcanzó aproximadamente el 86% en el conjunto de datos público y aproximadamente el 98% en los datos sintéticos. Estos resultados mostraron el gran potencial de la metodología propuesta y el trabajo futuro en el área.