Los aviones autónomos son los habilitadores clave de los futuros servicios urbanos, como los sistemas postales y de transporte. Los gemelos digitales (DT) son tecnologías de vanguardia prometedoras que pueden transformar el ecosistema de transporte futuro en un sistema autónomo y resiliente. Sin embargo, dado que el DT es una solución impulsada por datos basada en IA, una gestión adecuada de los datos es esencial para implementar DT como servicio (DTaaS). Uno de los desafíos en el desarrollo de DT es la disponibilidad de datos de la vida real, particularmente para entrenar algoritmos y verificar la funcionalidad del DT. El artículo actual se centra en la augmentación de datos a través de la generación de datos sintéticos. Este enfoque puede facilitar el desarrollo de DT en caso de que los desarrolladores no tengan suficientes datos para entrenar el algoritmo de aprendizaje automático (ML). El enfoque actual de gemelado proporciona un estado ideal prospectivo del motor utilizado para el monitoreo proactivo de la salud del motor como un servicio de detección de anomalías. En línea con la trayectoria de los vehículos aéreos no tripulados (UAV) para la movilidad aérea urbana en aplicaciones de ciudades inteligentes, este documento se centra específicamente en el común turboeje híbrido en drones/helicópteros. Sin embargo, hay una brecha significativa en la generación de datos sintéticos similares de la vida real en la literatura del dominio UAV. Por lo tanto, se implementaron algoritmos de regresión lineal rodante y filtro de Kalman en datos con ruido añadido, que simulan los datos medidos del motor en un ciclo de vida operativo de la vida real. Para ambos modelos térmicos e híbridos, el modelo DT correspondiente ha mostrado alta eficiencia en la filtración de ruido y una cierta cantidad de predicciones con una tasa de error más baja en todos los parámetros del motor, excepto en el par motor.