Оптимізація собівартості проведення поточних ремонтів тягових електричних двигунів локомотивів

Abstract

UA: У статті розглядається проблема зниження собівартості проведення поточних ремонтів тягових електричних двигунів локомотивів – одного з ключових напрямів оптимізації витрат залізничного транспорту. Авторами запропоновано економікоматематичну модель, що дозволяє здійснювати комплексну оптимізацію витрат на основі технічного стану агрегатів, доступності ресурсів, часу ремонту та рівня надійності. Розроблена модель побудована у вигляді задачі лінійного програмування, де цільова функція – мінімізація загальної собівартості, а система обмежень враховує технічні та логістичні чинники.

EN: The article focuses on reducing the cost of current repairs of locomotive traction electric motors – a critical aspect in the operational efficiency of railway transport. The authors introduce an economic-mathematical optimization model designed to minimize repair costs while maintaining technical reliability. The model integrates multiple factors such as component wear levels, time constraints, resource availability, and the reliability requirements of the motors. Using linear programming techniques, the model allows for precise calculation and adjustment of key cost elements, including copper windings, insulation materials, labor costs, and overhead expenses. An example using hypothetical data illustrates the effectiveness of the model: two scenarios, standard and optimized, are compared, revealing that optimization can reduce total repair costs by up to 15% without compromising motor performance or repair duration. The study also includes sensitivity analysis, focusing on copper cost variations. Results demonstrate that a ±20% fluctuation in copper prices leads to less than ±5% change in total repair costs, indicating the model‘s resilience under dynamic market conditions. Practical recommendations for depot-level implementation include digitalizing repair documentation, staff training, and integrating the model into existing maintenance planning systems. Furthermore, the article outlines potential barriers to implementation – organizational resistance, data inaccuracy, model complexity – and suggests strategies to overcome them. Future development directions involve applying artificial intelligence for predictive maintenance, expanding the model to other types of traction units, and incorporating logistical variables such as spare parts supply chains. In conclusion, the proposed model serves as a robust decision-making tool for costefficient, technically reliable locomotive motor maintenance, contributing to improved financial performance and operational stability in the railway sector.