Se propone un método de diagnóstico de fallas basado en la integración de aprendizaje profundo, centrado en datos de texto de fallas para mejorar de manera efectiva la eficiencia de la reparación de fallas y la precisión de la localización de fallas en el sistema de control de frenos de una unidad múltiple eléctrica (EMU). Primero, se emplea el algoritmo Borderline-SMOTE para sintetizar muestras de la clase minoritaria en el límite, abordando el desequilibrio de datos y optimizando la distribución de datos dentro del texto de fallas. Luego, se genera una representación de palabras multidimensional utilizando la arquitectura de transformador bidireccional de múltiples capas del modelo de preentrenamiento, BERT. A continuación, BiLSTM captura la semántica del contexto bidireccional y, en combinación con el mecanismo de atención, resalta la información clave de la falla. Finalmente, se emplea el clasificador LightGBM para reducir la complejidad del modelo, mejorar la eficiencia del análisis y aumentar la practicidad del método en aplicaciones de ingeniería. Un análisis experimental de los datos de fallas del sistema de control de frenos de la EMU indica que el método de integración de aprendizaje profundo puede mejorar aún más el rendimiento diagnóstico.