早期的飛機發動機數字孿生模型是由發動機設計師們根據物理原理和一些測試生成的 , 但這種模型現已不能滿足實際需要。因為傳感器采集的數據以及非結構化數據加深了對許多資產設備的了解，從事數字孿生模型研發的公司收購或雇傭了專業的數據科學公司，使用更加先進的統計技術對這些數據源進行篩選。MRO 企業和航空公司采集的維修和運行數據也能夠幫助提高預測準確度。由于沒有哪家公司擁有生成現代化數字孿生模型所需的全部數據，所以行業內對數據分享的需求增長很快，由此也帶來了數據所有權和保密方面的擔憂。
以漢莎技術公司為例 , 他們從每臺發動機交付用戶開始采集數據，然后為每臺發動機生成數字孿生模型，從小數據集開始，記錄實體發動機的運營商、 飛行小時數、運營情況、維修情況等。采用這種數字孿生技術監控飛機發動機，漢莎技術已有10 年的歷史。目前，漢莎技術公司已擁有了自己的數字孿生模型、擁有了所需的大部分數據，尤其是運行和送修時的各種數據，一 直保持著數字孿生模型的時效性，甚至已不再需要依賴發動機制造商的數字孿生模型。此外，在發動機大修期間，漢莎技術公司會記錄發動機零件的磨損情況和狀 態，以及哪些部件需要更換等。漢莎技術認為，對發動機健康狀況預測而言，運行數據分析比制造商設計數據更可靠。
眾所周知，發揮數字孿生的真正潛力需要大量資源和資金。正是基于這一原因以及規模效益的考慮，在研發數字孿生技術工具方面，制造商的表現是最積極的，MRO 企業其次，航空公司排最后。目前關于數據問題存在兩大挑戰。一是如何從老舊機型上獲得發動機數據。例如，GE 正在與各航空公司合作通過機載通訊鏈路下載這些數據，并與 Avionica 公司合資成立了一家企業專門做這件事情。二是，在新機型的數字孿生模型上，如何處理海量數據。因為短時間內處理海量數據是對計算能力有很高的要求。
此外，還有一個挑戰是，數據源于多個系統涉及的多方，而數字孿生模型 必須聚焦于最低設備清單范圍內易導致停飛的關鍵零部件。因此規劃者必須認識到傳感器成本和可能的傳感器故障因素以及傳感器替代方案。
總之，未來要想進一步發揮數字孿生技術的潛能，數據存儲、計算能力和 機載連通性還需取得更大的進步。
