La seguridad y fiabilidad de los sistemas de tracción eléctrica de trenes de alta velocidad son cruciales. Sin embargo, el entorno operativo para los trenes de alta velocidad de China (CRH) es desafiante, con condiciones de trabajo severas. El desequilibrio en los conjuntos de datos complica aún más el diagnóstico de fallos. Por lo tanto, realizar un diagnóstico de fallos para los sistemas de tracción eléctrica de trenes de alta velocidad bajo un desequilibrio de datos no solo es teóricamente importante, sino también crucial para garantizar la seguridad del vehículo. En primer lugar, al abordar el problema del desequilibrio de datos, el mecanismo de diagnóstico de fallos basado en máquinas de soporte vectorial tiende a priorizar la clase mayoritaria al construir el hiperplano de clasificación. Esto con frecuencia conduce a una reducción en la tasa de reconocimiento de muestras de la clase minoritaria. Para abordar este problema, se propone en este artículo una máquina de soporte vectorial autoajustable al establecer factores de penalización distintos para cada clase en función de la información de las muestras. Este enfoque tiene como objetivo garantizar costos de mala clasificación iguales para ambas clases y lograr el objetivo de suprimir la desviación del hiperplano de clasificación. Finalmente, se realizan experimentos de simulación en la plataforma del Sistema de Control de Tracción-Fallo de Inyección Benchmark (TDCS-FIB) utilizando tres diferentes ratios de desequilibrio para abordar el problema del desequilibrio de datos. Los resultados experimentales demuestran costos de mala clasificación consistentes tanto para las muestras de la clase minoritaria como para las de la clase mayoritaria. Además, la máquina de soporte vectorial autoajustable propuesta mitiga efectivamente la desviación del hiperplano, confirmando aún más la efectividad de este mecanismo de diagnóstico de fallos para los sistemas de tracción eléctrica de trenes de alta velocidad.