随着城市化进程的加快,城市轨道交通作为一种方便快捷的出行方式,对居民的日常生活也越来越重要,CBTC系统作为城市轨道交通的重要控制系统,是保障列车安全运营的关键,因此在系统故障时能够及时定位故障发生的位置对于恢复列车运营有重要意义。现场所使用的故障诊断方式通常是由专业的检修人员依据故障发生的现象,分别对各个设备进行故障排查来确定故障原因的,该方式主要依赖于检修人员的经验,自动化程度较低。而在检修过程中产生的维保数据中含有大量与故障相关的信息,目前,该数据的利用率较低,因此本文主要以CBTC系统检修过程中产生的维保数据为研究对象,通过对该数据进行文本挖掘以实现CBTC系统的故障诊断。本文通过对CBTC系统的维保数据进行分析,采用BERT模型对数据进行文本的向量化表示,并通过Bi-GRU-ATT网络实现语义增强,通过PSO算法对模型进行超参调优,最后提出一种新型的诊断架构,来实现故障的诊断。研究内容主要包括以下几个方面:首先,通过分析目标数据,结合数据特点与系统结构进行一级故障与二级故障的划分,并建立两级故障之间的层级关系,并采用BERT模型对维保数据进行语义提取和文本向量的生成。并将其与Word2vec-TF-IDF生成的向量表示进行实验对比,来验证BERT在语义提取以及文本向量化方面的有效性。其次,由于损失函数对于引导模型训练方向有着重要作用,因此针对数据分布不平衡的特点,受图像处理中用于解决数据不平衡问题所采用的Focal Loss损失函数的启发,将Focal Loss作为本文提出的模型的损失函数;在下游任务网络结构选择的过程中,通过实验对比数据在四种不同隐藏层结构中的表现,选择合适的网络结构,然后通过PSO算法对模型进行调优。再次,提出一种并行诊断架构,通过纠错策略对不满足要求的诊断结果在决策层进行融合。实验证明最终的诊断结果相较于二级诊断结果平均提高了7到2个百分点,该方法有效的降低了模型的误诊率。最后,以上述算法为基础,通过实验对模型的有效性进行验证并进行诊断平台的搭建,实验结果显示,对于一级故障而言,准确率可达90.2%,对于二级故障而言准确率可达80.1%。全文共有图49幅,表11个,参考文献55篇。