CC BY
24
plants. Brazilian Journal of Chemical Engineering, 18 (1). doi:10.1590/s0104-66322001000100008
4. Wentzel, M. C., Ekama, G. A., Marais, G. V. R. (1992). Processes and modeling of nitrification-denitrification biological excess phosphorus removal systems - a review. Water Sciense and Technology. Portland: IWAPublishing, 6, 59-82.
5. Jan, R., Ng, V. L., Chen, X. G., Geng, A. L., Gouhd, W. D., Duan, H. Q., Ling, D. T., Koe, L. C. (2004). Bath experiment on H2S degradation by bacteria immobilised on activated carbons. Water Sciense and Technology. Portland: IWAPublishing, 4, 299-308.
6. Barbosa, V. L., Dufol, D., Callan, J. L., Sneath, R., Stuetz, R. M. (2004). Hydrogen sulphide removal by activated sludge diffusion. Water Sciense and Technology. Portland: IWAPublishing, 4, 199-205.
7. Krichkovska, L. V., Shestopalov, O. V., Bakhare-va, G. Y., Slis, K. V. (2013). Prozesi ta aparati biologichnoy
ochistki ta dezodorazii gazopovitryanih vikidiv. Kharkiv: NTU «KhPI», 200.
8. Krichkovska, L. V., Vaskovez, L. A., Gurenko, I. V. et. al. (2014). Proektni rishennya u rozrobzi aparativ biologichnoy ochistki gazopovitryanih vikidiv. Kharkiv: NTU «KhPI», 208.
9. Bakhareva, A. Y. (2009). Ekologicheski bezopasnie metodi ochistki gazoobraznih promishlennih vibrosov ot formaldegida i metana. Kharkiv, 210.
10. Bakhareva, G. Y. (2010). Ekologicheski bezopasnie metodi ochistki gazoobraznih promishlennih vibrosov ot formaldegida i metana. Kiev, 20.
11. Bakhareva, A. Y., Semenov, E. A. (2014). Zagryaznenyie atmosferi gorodov gazoobraznimi vibrosami iz kanalizazionnih setey. Visnik Nazionalnogo tehnichnogo universitetu «KhPI». Zbirnik naukovih praz. Seriya: No vi rishennya v suchasnih tehnologiyah, 7 (1050), 136-141.
Рекомендовано до публкацИ д-р техн. наук, професор Дьомт Д. О.
Дата надходженнярукопису 27.01.2015
Бахарева Ганна Юрй'вна, кандидат техшчних наук, доцент, кафедра охорони пращ та навколишнього середовища, Нацюнальний технчний ушверситет «Харшвський полггехшчний шститут», вул. Фрунзе, 21, м. Харшв, Укра!на, 61002 E-mail: [email protected]
Шестопалов Олексiй Валерiйович, кандидат техшчних наук, доцент, кафедра хiмiчноi техтки та промислово! екологи, Нацюнальний техшчний унiверситет «Харкiвський полiтехнiчний шститут», вул. Фрунзе, 21, м. Харшв, Укра!на, 61002 E-mail: [email protected]
Семенов Свген Олександрович, кандидат технiчних наук, доцент, кафедра охорони пращ та навколишнього середовища, Нацюнальний техтчний ушверситет «Харшвський полггехшчний iнститут», вул. Фрунзе, 21, м. Харшв, Укра!на, 61002 E-mail: [email protected]
Букатенко Наталiя Олексй'вна, кандидат технiчних наук, доцент, кафедра охорони пращ та навколишнього середовища, Нацюнальний техтчний ушверситет «Харшвський полггехшчний шститут», вул. Фрунзе, 21, м. Харшв, Укра!на, 61002
УДК 629.735.03:004.891.3
DOI: 10.15587/2313-8416.2015.37626
МЕТОД СИНТЕЗУ 1НТЕЛЕКТУАЛЬНО1 АВТОМАТИЧНО! СИСТЕМИ Д1АГНОСТУВАННЯ В1БРАЦ1ЙНОГО СТАНУ ГАЗОТУРБ1ННОГО ДВИГУНА ГАЗОПЕРЕКАЧУВАЛЬНОГО АГРЕГАТУ
© В. С. Гасиджак, М. П. Кравчук , В.В. Шулевка
Запропоновано метод синтезу ттелектуальног автоматичноi системи дгагностування в1брац1йного стану ГТД на баз1 ШтеграцИ нечтког лог1ки та нейромереж. Досл1джено теоретично i експериментально можливостi класифiкацii ттелектуальног автоматичной системи дiагностування поточного технiчного стану ГТД в процесi його експлуатаци
Ключовi слова: газотранспортний двигун, нечтка логжа, вiбрацiйний стан, iнтелектуальна автоматична система, нейромережi
In this article a synthesis method of intelligent automation system is presented for vibration state diagnostics of gas turbine engine compressor unit with means of fuzzy logic and neural network. Theoretically and practically were studied intelligent automatic system capabilities of diagnostics of real time technical state of gas transmission engine in use
Keywords: gas transmission engine, fuzzy logic, vibration state, intelligent automatic system, neural networks
1. Вступ
Газотурбшш двигуни (ГТД) широко викорис-товують у транспортнш i енергетичнш галузях. В aBiaqii i'x використовують як основш i допомiжнi
рушшш установки; силовi установки на морських суднах; в енергогенерувальних агрегатах; вони е практично основним силовим приводом у газопе-рекачувальних агрегатах. Ефектившсть застосування
ГТД у будь-якш галуз1 залежить ввд Гх техшчного стану (ТС) та економ1чносп в робоп. Натепер одним з перспективних напрям1в розвитку систем техшч-ного обслуговування та ремонпв ГТД е перехщ до Гх експлуатаци за техшчним станом. У виршенш ще! проблеми важливе мюце займае питання пвдвищення ефективносп процесу визначення поточного стану двигуна та прогнозування тенденцш змши в час його в1брацшних параметр1в, що характеризують цей стан, тобто д1агностування й прогнозування майбутнього стану ГТД. Серед чисельних метод1в техшчно! д1агностики ГТД вагоме мюце належить методам в1брацшно1 д1агностики, що ор1ентоваш на вико-ристання д1агностичноГ шформаци про коливальш процеси машин 1 конструкцш. Актуальшсть 1 економ1чна доцшьшсть використання засоб1в в1бра-цшно! д1агностики пвдтверджуе багатор1чний вгтчи-зняний 1 закордонний досв1д. Анал1з публжацш за щею тематикою показав, що за кордоном роз-робленням та виробництвом багатоканальних автома-тизованих комп'ютерних систем в1брацшного д1агно-стування займаються близько 70 вщомих ф1рм, з них близько 40 - у Захвдтй £врош, 17 - у США, 5 - у Япони. В УкраГш над проблемою щдвищення експлуатацшноГ надшносп ГТД працюе близько 30 академ1чних, галузевих, науково-дослщних 1 проект-но-конструкторських установ, вищих нав-чальних заклад1в, науково-виробничих та шших пвдприемств 1 оргашзацш. Одним з перспективних напрям1в розвитку засоб1в техшчного д1агностування е використання у Гх склад1 компоненпв штучного штелекту: продукцшних правил, нечггкоГ лопки, штучних нейронних мереж, пбридних нейро-фазз1 архитектур, генетичних алгоршадв. Отже, тдви-щення економ1чно1 ефективносп 1 шдтримання високого р1вня надшносп функцюнування газо-турбшного приводу на стадн експлуатаци в умовах неповноГ д1агностичноГ шформаци на основ1 розвитку теоретичних основ, метод1в 1 засоб1в штелектуального д1агностування е актуальною науково-прикладною проблемою.
2. Постановка завдання
Дослщженню пвдлягае проблема розробки методу навчання штелектуальноГ автоматично! системи д1агностування (1САД) на баз1 штеграци нечгткоГ лопки та нейромереж, а також теоретичш та експериментальш дослщження штелектуальноГ кла-сифжаци його поточного техшчного стану в осо-бливих експлуатацшних ситуац1ях.
3. Огляд лтратури
Розроблення й впровадження штелектуальних метод1в д1агностування приводить до пвдвищення якосп класиф1каци техшчного стану ГТД у процеа його експлуатаци. Комбшащя статистичних даних щодо результапв експлуатаци типового двигуна з результатами спещальних випробувань 1 наукових розробок забезпечуе можливють виявлення причин ввдмов 1 ушкоджень, визначити перед1сторш й ознаки передвщмовного стану, знайти оптимальш шляхи шдвищення надшносп ГТД [1]. За щеолопею
побудови сучасш штелектуальш системи класифь каци ТС двигуна можна роздшити на три групи [2, 3]:
- системи, засноваш на правилах;
- системи, засноваш на нейронних мережах;
- пбридш системи, засноваш на теори нечгткоГ лопки та нейронних мережах.
Системи, засноваш на правилах, визначають та класиф1кують типов1 дефекти 1 несправносп на основ1 правил, що зв'язують дефекти 1 несправносл з певними, чгтко визначеними д1агностичними признаками. Так штелектуальш системи д1агностування будують в основному як експертш системи на основ1 використання нечгткоГ' лопки. Основш переваги таких систем - можлив1сть Гх налаштовування на конкретний тип обладнання та вщносна простота побудови. Кр1м того, експертш системи класифжаци ТС двигуна дають змогу чгткого контролю за правильшстю постановки д1агнозу (можна отримати пояснення, виходячи з яких м1ркувань поставлено д1агноз), а також можуть д1агностувати нов1 дефекти ГТД, використовуючи бази знань, яш сформован на основ1 попереднього досвщу експлуатаци. Недолжом таких систем е необхвдшсть залучення до налаш-тування системи експерт1в-експлуатанпв, та не-обхщшсть розроблення спещальних алгоршшв для одержання та узгод-ження експертних знань, а також висока варпсть налаштування такоГ' системи.
Систему прогнозу 1 тдтримки ршень для обслуговування по фактичному техшчному стану двигуна на баз1 нейромереж розроблено в Ушверситеп м. Гонконг, КНР [3]. Анал1з опубл1-кованоГ 1нформацИ' показав, що ця система штегруе концепцИ:
- пер1одичного мониторингу двигуна;
- 1нтелектуально! д1агностики стану фактичного ТС двигуна;
- прогнозування зм1ни фактичного ТС двигуна.
Об'еднання цих концепц1й, на думку автор1в, дозволяе значно щдвищити як1сть обслуговування ГТД. Ддагностична тдсистема залучаеться до анал1зу стану двигуна у випадку, коли у процес1 мон1торингу було виявлено в1дхилення зареестрованих показник1в в1д заданих норм.
Зроблено також низку спроб об'еднати два щдходи - нейромережевих моделей та нечико! лог1ки -в однш д1агностичн1й систем1. Так в робот! [4], виконанш в Ун1верситет1 м. Хуачжонг (КНР), сп1льно з1 спещалютами Манчестерського Ун1вер-ситету описано принципово новий метод штеграци експертно! системи та нейромереж^ Ран1ше в таких комплексних системах експертна система та нейромережа розроблялись окремо, з односто-ронньою передачею даних м1ж нейромережею та експертною системою; часто обидва компонента отримували вхвдш дан1 та класиф1кували ТС двигуна паралельно. У запропонован1й систем1 д1агностики нейромережа та експертна система повтстю 1нтегрован1. Розроблена система застосовуе для д1агностики в1домих дефект1в нейромереж, а у випадках, коли д1агноз за допомогою нейромереж! поставити неможливо, залучае до д1агностики експертну систему.
Системи класифжацп ТС ГТД, засноваш на фшсаци випадк1в типових пошкоджень 1 в1дмов, використовують для постановки поточного д1агнозу пор1вняння запис1в ввдомих рашше випадк1в збо!в та ввдмов основних елеменпв ГТД з його поточним техшчним станом. Побудова таких систем потребуе ведення велико! бази даних в1дмов та використання досить складних алгоршадв розшзнавання образ1в та !х класифжацп. Окр1м цих очевидних недолЫв, слад зазначити також, що в своему класичному вигляд1 така система не може забезпечити д1агностику дефекта, яш не ствпадають з юнуючими в баз1 даних. Тому, для забезпечення можливосп д1агно-стики комбшаци дефекта слад штегрувати у систему д1агностування методи штучного штелекту для адаптаци И до ситуацп, яка виникла у процес д1агностування та контролю за ТС ГТД.
4. Метод синтезу штелектуальноТ автома-тичмоТ системи дiагностування в1брац1ймого стану газотурбшного двигума.
Для побудови адаптивних систем д1агно-стування ТС ГТД перспективним е використання штучних нейронних мереж 1 елеменпв нечггко! лопки, як1 мають так властивосл, як навчешсть, ушверсальшсть та здатшсть апроксимувати будь-як1 обчислювальш функцп. Це дозволяе викори-стовувати !х для класифжацп в1брацшного стану ГТД у процес експлуатацп на р1зних режимах завантаження.
Процес синтезу 1САД здшснено за так етапи:
- формування д1агностичних ознак за сигналами в1брошвидкост1 1 в1броприскорень;
- структурний синтез 1САД: тип функцп активаци нейрошв; шльшсть прихованих шар1в; визначення кшькосп нейрошв у шарах;
- параметричний синтез 1САД, навчання побудовано! мереж! на сформованих д1агностичних ознак за допомогою навчального алгоритму;
- перев1рка якост1 класиф1кацп в1брацшного стану ГТД у процеа експлуатацп.
Результати роботи декшькох класиф1катор1в можуть бути об'еднаш для полшшення якосп розшзнавання загального ТС ГТД. Запропонована процедура класифжацп ТС ГТД реал1зуемо за допомогою такого алгоритму, припустимо, що в розглянутш пбриднш систем^ яка складаеться з декшькох НМ, е X) вход1в 1 Уп клаав, тод1
процедура класифжацп техшчного стану ГТД реал1зуе такий алгоритм [3, 5, 6]:
1. Формування навчально! й тестово! ЫТ виб1рки; N = Ы0 + ЫТ - загальне число приклад1в, яш
збер1гаються у бази даних запропоновано! системи.
2. Кластеризация навчально! виб1рки. Ддлимо навчальну виб1рку на К клас1в К5 (по числу правил), де 5 = 1,2,..., к . Кожна навчальна шдвиб1рка для класу К5 визначаеться парою (хЦ, уЦ ), де I = 1,2,...Ns, Х1 - вхвдний вектор, К1 - к1льк1сть
клaсiв, a Ns - число приклaдiв у нaвчaльнiй вибiрцi для клaсу Ks.
3. Нaвчaння НМ (ß). Для кожного вхiдного вeкторa ДО Xj e Ks визнaчимо вектор функцш принaлeжностi до прaвилa Mi = (да,1, да,2,..., ш*)
клaсифiкaцii' ТС ГТД, що рeaлiзуe aлгоритм, у виглядi «якщо (дiaгностичнi ознaки), то (клaс ТС ГТД), iнaкшe». Нeйроннa мeрeжa (рaдiaльно-бaзиснa мeрeжa) (ß ) з п входши й к клaсaми нaвчaeться нa пaрaх (Xj,Mt ), i = 1,2,...,N0, тому пiсля нaвчaння й тeстувaння тaкa мeрeжa буде здaтнa визнaчити ступiнь принaлeжностi ш* для кожного вхiдного вeкторa дiaгностичнi ознaки (ДО) ГТД, що галежить клaсу Ks. Тaким чином, функщя нaлeжностi до чaстини «якщо...,» прaвилa визнaчaeться як вихiднa величига ш*:
(X,) = ms, i = 1,2,..., N, s = 1,2,..., r , (1) де As - вiдповiдae нечитай бeзлiчi умовно! чaстини s -го прaвилa (ДМ - дуже мaлa, М - мaлa, С -середня, В - вeликa, ДВ - дуже вeликa).
4. Нaвчaння НМ. Нaвчaльнa вибiркa iз входaми x,Sj, xst2,..., xSn вихвдними клaсaми ГТД Kj, i = 1,2,..., j подaeться нa вх!д i вихiд нейронно! мереж! (НМ), якa е нейромережевою моделлю чaстини «..., то...,» (вiбрaцiйний стaн ГТД описaний нaступними множинaми: добре, прийнятно, допустимо, потребуе вжиття зaходiв, недопустимо). 3a допомогою тестово! виб!рки обчислюеться помилкa клaсифiкaцii ТС ГТД:
^ = Х { - шА (X, )}2, (2)
t=1
де шА (X,) - спостeрeжувaний вх1д НМ.
Якщо ел < Д, де Д - aпрiорно зaдaнa величита, то НМ - нaвчeнa.
Для нaвчaння одношaрового пeрсeптронa мереж1 Хопфiлдa i Хeммiнгa використaно aлгоритм зворотного поширення помилки, a для рaдiaльно-бaзисно! мереж! зa Й. Рлaтту. Як пaрaмeтри й обмеження нaвчaння зaдaно: сeрeдньоквaдрaтичну похибку - 0,05 i мaксимaльну к1льк1сть цикл!в нaвчaння - 400. Нaйбiльшa eфeктивнiсть зaпропоно-вaного методу досягнуто зa aрхiтeктури нейронно! мереж1 якщо к!льк!сть елеменпв вх!дного вeкторa дорiвнюе к!лькост! чиннишв: к!льк!сть шaрiв - 2, кшьшсть нейрон!в першого шaру Sj =12, a шльшсть нейрон!в другого шaру дор!внюе к!лькост! можливих вiбрaцiйних стaнiв ГТД s2 =5.
Рeзультaти клaсифiкaцii ТС ГТД ДР-59Л i ГТД ДТ-71П3 нaвeдeно у тaбл. 1 i 2.
Пор!вняльний aнaлiз отримaних рeзультaтiв (тaбл.1 i тaбл.2) пвдтверджуе те, що розроблeнa гiбриднa iнтeлeктуaльнa систeмa зaбeзпeчуе м!н!-мaльну похибку клaсифiкaцii вiбрaцiйного стaну ГТД в процес! eксплуaтaцii.
Таблиця 1
Результати класифжаци ГТД ДР-59Л__
№ п/п Тополопя нейронних мереж Навчальна B^ipo Тестова B^ipra
Кшьшсть помилок % Юльшсть помилок %
1 Одношаровий персептрон 9 2,25 33 8,25
2 Нейронна мережа Хопфшда 9 2,25 30 7,70
3 Нейронна мережа Хеммшга 9 2,25 19 4,75
4 ^брида штелектуальна система (RFB+нечггка лопка) 9 2,25 15 3,75
Таблиця 2
Результати класифжаци ГТД ДТ-71П3__
№ п/п Тополопя нейронних мереж Навчальна B^ipra Тестова B^ipra
Кшьшсть помилок % Кшьшсть помилок %
1 Одношаровий персептрон 11 2,75 33 11,00
2 Нейронна мережа Хопфшда 11 2,75 30 9,25
3 Нейронна мережа Хеммшга 11 2,75 25 6,25
4 Пбрида штелектуальна система (RFB+нечп'ка лопка) 11 2,75 18 4,50
5. Апробащя результат
Отримаш результати, а саме методика синтезу автоматичноГ штелектуальноГ системи д1агно-стування в1брацшного стану, що сприяе пвдвищенню достов1рност1 класиф1кацп та прогнозування залиш-кового ресурсу 1 ввдповщно пвдвищенню ефектив-носп д1агностування, використовуеться в УМГ «При-карпаттрансгаз» пвд час модершзацп юнуючих ГТД.
6. Висновки
Ддстала подальшого розвитку методика синтезу структур пбридних штелектуальних систем д1агностування техшчного стану конкретного ГТД у процес його експлуатацп, що ввдр1зняеться ввд ввдомих врахуванням запропонованоГ сукупносп д1агностичних ознак 1 типових несправностей 1 дае змогу створювати утверсальт по ввдношенню до типових ГТД пбридт 1САД.
У робот1 як класиф1катор поточного в1бра-цшного стану ГТД пропонуеться використовувати пбридну 1САД, що вмщае рад1ально-базисну мережу, а також елементи нечикоГ лопки, як1 ощнюютъ зм1ну ТС ГТД у простор! сташв як1сно, за допомогою нечетких множин: прийнятно, допустимо, потребуе вжиття заход1в, недопустимо.
Анал1з отриманих результапв дослвджень до-зволяе зробити висновок про дощльшсть вико-ристання пбридних 1САД, на основ1 рад1ально-базисних мереж 1 теорп нечгткоГ лопки, що дозволило класиф1кувати в1брац1йний стан ГТД ДР-59Л з в1рог1дн1стю 0,96 1 ГТД ДТ-71П3 з в1ропдтстю 0,95.
Литература
1. Куликов, Г. Г. Интеллектуальный контроль состояния авиационных ГТД [Текст] / Г. Г. Куликов, П. С. Ко-тенко, В. С. Фатиков, В. Ю. Арьков, Г. И. Погорелов // Ав1ацшно-косм1чна техшка [ технолопя. - 2002. -Вип. 31. - С. 163-167.
2. Дубровин, В. И. Интеллектульные средства диагностирования и прогнозирования надежности авиадвигателей [Текст]: монография / В. И. Дубровин, С. А. Субботин, А. В. Богуслаев, В. К. Яценко. -Запорожье: ОАО «Мотор-С1ч», 2003. - 279 с.
3. Yam, R. C. M. Intelligent Predictive Decision Support System for Control-Based Maintenance [Text] / R. C. M. Yam, P. W. Tse, L. Li, P. Tu // The International Journal of Advanced Manufacturing Technology. -2001. - Vol. 17, Issue 5. - P. 383-891. doi: 10.1007/ s001700170173
4. Рубцов, Ю.Ф. Вибродиагностические экспертные системы [Текст] / Ю. Ф. Рубцов // Приборы и системы. Управление, контроль, диагностика. - 2000. - № 6. -С. 61-62.
5. Гасиджак, В. С. Байесовський алгоритм розтз-навання передтдмовних сташв газоперекачувальних агрегатш [Текст] / В. С. Гасиджак, В. М. Казак // Вюник центрального наукового центру ТАУ. - 2007. - Вип. 10. -С. 77-78
6. Гасиджак, В. С. Разработка интеллектуальной системы диагностирования объектов газотранспортной системы [Текст]: матер. IX мiжнар. наук.-техн. конф. /
B. Н. Казак, В. С. Гасиджак // <^а - 2009». -Нащональний авiацiйний ушверситет. - К.: НАУ, 2009. -
C. 16.46-16.50.
Referenсes
1. Kulikov, G. G., Kotenko, P.S., Fatikov, V. S., Arykov, V. U., Pogorelov G. I. (2002). Intelektulyniy kontrol sostoyaniya aviacionnyh GTD [Intellegent chek of aviation GTD]. Aviation-space technique and technologies, 31, 163-167.
2. Dubrovin, V. I., Subbotin, S. A., Boguslayev, A. V., Yacenko, A. V. (2003). Intelektualynie sredstva diagnostic-rovaniya I prognazirovaniya nadezhnosti aviadvigateley [Intellegent means diagnostics and prognostic reliability of avia engine]. Zaporoj'ye, 279.
3. Yam, R. C. M., Tse, P. W., Li, L., Tu, P. (2001). Intelligent Predictive Decision Support System for Control-Based Maintenance. The International Journal of Advanced Manufacturing Technology, 5, 383-891. doi: 10.1007/ s001700170173
4. Rubcov, U. F. (2000). Vibrodiagnosticheskiye expertniye sistemy [Vibration diagnostics expert system]. Devices and systems. Control, check, diagnostics, 6, 61-62.
5. Gasidjak, V. S., Kazak, V. M., (2007). Bayesovsykiy algoritm rospiznavannya peredvidmovnih staniv gazope-rekachuvalnih agregativ [Bayesian algorithm for diagnostics prefailure state of gascompressor devices]. Bulletin of the Central Research Center SAU, 10, 77-78.
6. Gasidjak, V. S., Kazak, V. M. (2009). Razrabotka intellektulynoy sistemi diagnostirovaniya objektov gazo-transportnoi sistemi [Development of intellectual sys-
tems diagnostics objects of gas transport system]. Materials IX Intern. scientific-technical. Conf. "Avia - 2009", 16.46-16.50.
Рекомендовано до публтацп д-р техн. наук Казак В. М.
Дата надходженнярукопису 27.01.2015
Гасиджак Вштор Степанович, кандидат техмчних наук, начальник ГКС «Воловець», кафедра автоматизаци та енергоменеджменту, Нацюнальний ашацшний уншерситет, пр. Комарова, 1, м. Кив, Укра!на, 03058 E-mail: [email protected]
Кравчук Миколай Петрович, кандидат техшчних наук, асистент, кафедра автоматизаци та енергоменеджменту, Нацюнальний авiацiйний ушверситет, пр. Комарова, 1, м. Ки!в, Украша, 03058 E-mail: [email protected]
Шулевка Василь Васильович, астрант, кафедра автоматизаци та енергоменеджменту, Нацюнальний авiацiйний ушверситет, пр. Комарова, 1, м. Ки!в, Украша, 03058 E-mail: [email protected]
УДК 658.012.32
DOI: 10.15587/2313-8416.2015.36258
АНАЛИЗ КОНЪЮНКТУРЫ ГОСТИНИЧНОГО И ТУРИСТСКОГО РЫНКОВ УКРАИНЫ
© В. М. Левыкин, В. В. Дэвон
В статье дан детальный анализ гостиничного и туристического рынков Украины, анализ действующего законодательства Украины. Представлен рейтинг самых дорогих гостиничных номеров Украины и мира. Статья будет полезна для собственников гостиниц, а также для украинских и зарубежных инвесторов
Ключевые слова: мини-гостиницы, гостиничные проекты, конъюнктура гостиничного рынка, туристский рынок, законодательство Украины
The article provides a detailed analysis of Ukrainian hotel and tourism markets as well as current Ukrainian laws. Ratings of the most expensive hotel rooms in Ukraine and worldwide are shown. The article will be useful for the hotel owners and for Ukrainian or International investors
Keywords: mini-hotels, hotel projects, hotel market conjuncture, tourist market, Ukrainian Law
1. Введение
Гостинично-туристический бизнес в Украине постепенно набирает обороты. Строятся новые гостиницы, растет качество обслуживания. Но это только первые шаги. В этой статье предлагается обзор конъюнктуры гостиничного рыка (ГР) и туристского (тур.) рынка (ТР) Украины, а также информация о самых дорогих гостиничных номерах (ГН) Украины и мира. Активизации гостиничного бизнеса (ГБ) Украины способствовали такие факторы, как:
- интерес международных (межд ) гостиничных операторов (ГО);
- чемпионат Европы по футболу Евро-2012 (Е-12);
- дефицит гостиничных мест;
- перспективы делового и тур. посещений.
С середины 90-х гг. наблюдался спад развития рынка гостеприимства (РГ) в Украине. Зарубежные (зар.) инвесторы и украинские (укр.) специалисты полностью переключились на гостиничные проекты (ГП) с небольшим сроком окупаемости - офисные и торговые объекты, жилье и т. д. Не способствовал развитию ГБ и финансовый кризис, ставший серьезной проверкой для всех ГП, пережить который смогли не
все. Сегодня в сфере ГБ в Украине наблюдается иная ситуация - активизация инвесторов, чему поспособствовал целый ряд причин. Одна из основных причин стабилизации на РГ Украины (РГУ) -относительная стабильность укр. экономики и политики. Данные факторы влияют на доверие зар. инвесторов, возможность осуществления текущих и начало работы над новыми ГП. Это вызвано и неспособностью мини-гостиниц (м-г) удовлетворять спрос. Благодаря повысившемуся материальному (мат.) уровню граждан стал повышаться спрос на апартаменты мирового (мир.) уровня, увеличился рост тур. привлекательности Украины. За последние годы цены в м-г значительно повысились, при этом, количество гостей увеличилось в несколько раз.
Данная статья посвящена анализу конъюнктуры ГР и ТР Украины.
2. Анализ украинского законодательства (УЗ), литературных источников и постановка проблемы
Проблеме развития рынка гостиничных услуг (ГУ) и подготовке к чемпионату Европы по футболу, проходившем в Украине в 2012 г., посвя-
