La capacidad de una fuente de alimentación de conmutación AC/DC para reducir suministros es un beneficio y un requisito para la mayoría de los dispositivos electrónicos con espacio limitado. Los principales fallos en la fuente de alimentación de conmutación (SMPS) durante condiciones de trabajo adversas están sujetos principalmente a los dispositivos de conmutación y condensadores. Para un monitoreo efectivo de las condiciones de la SMPS, la doble (o múltiple) detección proporciona un punto de vista más confiable frente a las técnicas tradicionales de detección única, ya que proporciona un paradigma más completo para un monitoreo preciso de las condiciones. Este estudio propone un enfoque integrado para el monitoreo de condiciones de la SMPS mediante la explotación de características extraídas estadísticamente de las señales de corriente y voltaje para el diagnóstico de fallas del sistema basado en el estrés eléctrico. Siguiendo un enfoque de selección de características basado en correlación, se utilizaron características relevantes para una detección e aislamiento de fallas mejoradas (FDI) utilizando clasificadores basados en ML. Los resultados diagnósticos de los clasificadores revelan que los clasificadores de bosques aleatorios y aumento de gradiente son altamente confiables pero computacionalmente costosos en comparación con los demás, mientras que el árbol de decisiones fue bastante eficiente en costos con resultados diagnósticos confiables. El marco propuesto es efectivamente aplicable para el diagnóstico de los dispositivos de conmutación y la clasificación en diferentes estados.