Los vehículos aéreos no tripulados (VANT) pueden encontrar fallos en los actuadores en diversos escenarios de vuelo, lo que requiere modelos de detección de fallos robustos que puedan adaptarse a diferentes distribuciones de datos. Para abordar este desafío, este artículo propone un enfoque que integra Redes Neuronales Adversariales de Dominio (DANN) con un marco de Mezcla de Expertos (MoE). Al emplear el aprendizaje adversarial de dominio, el método extrae características invariantes al dominio, mitigando las discrepancias de distribución entre los dominios de origen y destino. La arquitectura MoE selecciona dinámicamente modelos de expertos especializados en función de las características de datos específicas de la tarea, mejorando la adaptabilidad a entornos multimodales. Esta integración mejora la precisión y robustez de la detección de fallos, manteniendo la eficiencia bajo recursos computacionales limitados. Para validar el modelo propuesto, realizamos experimentos de vuelo, demostrando su rendimiento superior en la detección de fallos en actuadores en comparación con métodos convencionales de aprendizaje profundo. Los resultados destacan el potencial de la adaptación de dominio mejorada por MoE para la detección de fallos en VANT en entornos dinámicos e inciertos.