El diagnóstico de fallas de una máquina de cambio es vital para las operaciones de ferrocarriles de alta velocidad porque las máquinas de cambio desempeñan un papel importante en la operación segura de los ferrocarriles de alta velocidad, que a menudo presentan fallas debido a sus complicadas condiciones de trabajo. Para mejorar la precisión del diagnóstico de fallas de los cambios para ferrocarriles de alta velocidad y prevenir la ocurrencia de accidentes, se propone en esta investigación una combinación de memoria a largo y corto plazo bidireccional (BiLSTM) con el modelo de clasificación de aprendizaje múltiple basado en asociaciones (MLCBA) utilizando los datos de texto de operación y mantenimiento de las máquinas de cambio. Debido a la baja probabilidad de fallas de una máquina de cambio, es difícil formar un diagnóstico con la pequeña cantidad de datos de muestra, y se pueden extraer más características de texto de fallas con el avance en un modelo BiLSTM. Luego, las reglas de alta calidad de los datos de texto se pueden adquirir al reemplazar la clasificación SoftMax con MLCBA en la salida del modelo BiLSTM. De esta manera, se puede realizar la identificación de fallas de la máquina de cambio en un ferrocarril de alta velocidad, y los resultados experimentales muestran que el diagnóstico de fallas puede alcanzar el 95.66% y el 96.29%, respectivamente, como se muestra en el análisis de los datos de texto de fallas del cambio ZYJ7 de una oficina ferroviaria china de los últimos cinco años. Por lo tanto, el modelo combinado BiLSTM y MLCBA no solo puede realizar el diagnóstico preciso de fallas de cambio de baja probabilidad, sino que también puede prevenir la ocurrencia de accidentes en ferrocarriles de alta velocidad y garantizar la operación segura de los ferrocarriles de alta velocidad.