El diagnóstico de fallas en dominios cruzados mejora la capacidad de generalización de los modelos de diagnóstico en diferentes condiciones de operación y máquinas. Los estudios actuales abordan el problema de cambio de dominio adaptando el modelo durante el entrenamiento con datos del dominio objetivo o múltiples dominios fuente. Sin embargo, un escenario más realista y menos explorado es adaptar automáticamente un modelo entrenado en el momento de la prueba (período de despliegue) utilizando datos limitados de condiciones normales. Para cerrar esta brecha de investigación, proponemos un marco de adaptación en tiempo de prueba para adaptar rápidamente y de manera efectiva el modelo entrenado, que solo requiere datos de prueba en mini lotes (condición normal). Específicamente, primero transformamos las señales de entrada en una incrustación de señal informativa y mitigamos su ruido con una pérdida de reconstrucción. Luego, descomponemos la incrustación de señal en el componente saludable relacionado con el dominio y el componente defectuoso invariante al dominio para aprovechar mejor los datos de condición normal. Finalmente, adaptamos el modelo volviendo a identificar las señales normales del dominio objetivo durante la etapa de prueba. Experimentos extensos verifican la efectividad de nuestro método, demostrando mejoras de rendimiento en conjuntos de datos públicos y privados.