主要释义

Designated Operational Entity(DOE主要职责 DOE在CDM活动中的主要角色 目前主要DOE名单 中国本土DOE前景)

DOE的实验步骤

如何判断第一阶段实验成功

如何判断第二阶段实验成功

DOE的方法

DOE的应用

DOE实验设计

DOE的用处

主要释义

1.=Designated Operational Entity （指定经营实体），CDM（清洁发展机制）中的第三方独立审核机构

2.试验设计Design Of Experiments,

在质量控制的整个过程中扮演了非常重要的角色，它是我们产品质量提高，工艺流程改善的重要保证。实验设计已广泛运用了从航天业到一般生产制造业的产品质量改善、工艺流程优化甚至已运用到医学界。通过对产品质量，工艺参数的量化分析，寻找关键因素，控制与其相关的因素。根据实际需求，判别与选择不同的实验设计种类，设计你的实验步骤，发现如何控制各种影响因素，以最少的投入，换取最大的收益，从而使产品质量得以提升，工艺流程最优化。

3. =Department of the Environment (英国)环境事务部

4. =Department of Energy (美国)能源部

Designated Operational Entity

通常，在CDM项目中，DOE的职能就是要对CDM（清洁发展机制）项目进行定性的“审定（Validation）”和定量的“核查（Verification/ Certification）”。

实际上，DOE在CDM项目运作过程中非常关键，它直接决定了一个CDM项目能否成功注册、产生的温室气体减排量能否获得签发及签发多少。

所谓DOE（DESignated Operational Entity，指定经营实体），是EB批准的独立的第三方审定/核查机构，负责对CDM项目审定或核查等职能。审定就是对申请的项目进行定性评估，判断这个项目符合不符合CDM的要求；所谓核查就是对申请的项目进行定量评估，判断这个项目产生了多少温室气体减排量。

通常，一个CDM项目的审定环节和核查环节，必须由不同的DOE来完成，这样是为了保证DOE的公正性。

DOE主要职责

以PDD为主要依据,对所建议的CDM项目进行审定; 出具审定报告,并提交EB,申请对CDM项目注册; 以项目的监测计划等为基础；核查项目的温室气体减排量； 在核查的基础上,出具核证报告,并提交EB,申请向 项目签发CERs。

DOE在CDM活动中的主要角色

设计 审定 注册 项目实施 监测 报告

事前审定

核查

事后核查

核证

审定

审定是指由DOE对照第17/CP.7 号决定,该决定附件及 COP/MOP 的有关决定所规定的对清洁发展机制合格性的 要求, 根据清洁发展机制项目设计书(CDM-PDD), 对项目活 动进行独立评估的过程.

审定流程

准备项目文件 EB 批准的 方法 基准线与监测 方法的检查 文件评审 选择审定者 签订审定合同 选择审定 团队

公开听取利益相关方意见 背景调查 跟踪访问 草拟审定 报告

整改行动要求的 决定

最终审定报告 与意见

在执行理事会 注册

核查与核证

核查是指由DOE定期独立评审和事后确定已登记的 CDM 项目活动在核实期内产生的,经监测的温室气体源人 为减排量. 核证是DOE出具书面保证函,说明项目活动在一个具体 时期内所达到温室气体源减排量得到了核证.

核查过程

选择核查机构 签订核查合同 组建核查小组

文件评审

现场评估

草拟初始核查报告 整改行动 最终初始核查报告

初始 审核 过程

定期 审核 过程

核查报告

核证并公开核证报告

目前主要DOE名单

1. 挪威船级社(DNV)

2. 南德意志集团工业服务有限公司(TUV SUD)

3. 德国莱茵TUV集团（TUV Rheinland）

4. 日本品质保证机构（JQA）

5. 英国SGS公司(SGS)

6. 日本咨询研究所(JCI)

7. 劳氏质量认证有限公司

8. 韩国品财集团

9. 意大利船级社

10. 中国质量认证中心(CQC)

11. 中环联合认证中心有限公司(CEC)

12. 德勒认证评估机构(TECO)

13. 德国汉德技术监督服务有限公司（RWTUV）

14. 西班牙标准化组织(AENOR)

15. 法国国际质量认证公司(BV)

16. 韩国能源管理公司(KEMCO)

17. 英国标准协会(BSI)

18. 日本环境认证机构(JACO)

中国本土DOE前景

现在大多数国际DOE在审定或核查中国CDM项目时，都是通过其中国办事处来完成。由于其中国办事处权限有限，没有战略性、风险性决策权，与国外总部沟通得不畅，再加上总部对中国国情的不熟悉，常常导致这些项目的审定或核查工作被延误。如果交由本土DOE机构来操作，将会缩短审定和核准所需时间，大大加快注册和CERs签发的速度。

“中国本土DOE只有两家，供不应求，我期待出现更多家。”新华水利水电投资公司新疆公司副总经理文晓东说。

记者从EB官网上了解到，目前全球共有45家机构申请DOE，已被批准的DOE有26家。中国提出申请的机构有7家，但目前获批的只有CEC和 CQC两家。

目前EB见证评审的过程已经取消，改成了申请机构先获取DOE资质，然后再实施项目进行“绩效评估”，加快了DOE的审批速度，但EB对DOE的管理也越来越严格，去年以来一些DOE先后被暂停了资质，其他还有几家DOE也在不同程度上受到了“处罚”。

“我们从2006年申请到获批，经历了将近三年的时间。”CEC副总经理、气候变化总监张小丹对记者表示。

张小丹介绍，CEC自《京都议定书》生效后，就开始准备DOE的申请，经过文件评审、现场评审、见证评审和绩效评估之后，于2009年3月被批准为DOE，成为中国第一家获得EB批准的DOE。

“每个DOE认可批准所需的时间不一样，没有法定的时间。这一方面取决于EB人力资源的保障情况，另一方面也要看申请机构对每一个认可环节的技术掌握和具体沟通情况。也有一些机构在提出申请后，经历了几年的时间，最后还是由于某种原因撤销或被拒绝申请。”张小丹说。

北京某中心多年来一直专业从事农村谈资产的开发，据其专门负责户用沼气CDM项目主管刘震宇介绍：在农村CDM项目的开发过程中，面临着中国农村的特殊国情，中国农村并不像西方农业那么发达，即使与中国的城市相比也有着极大的差距，中国农村的落后现状和组织结构与欧洲等地大相径庭，因此从国情的角度来看，在很多方面，本土DOE对于国内项目的理解会更快更深入，而其中心在未来的项目中已经考虑与国内的DOE进行合作。

根据记者了解，在中国的7家申请机构中，清华科威国际技术转移有限公司和达华工程管理（集团）有限公司已经被拒，中国船级社认证中心、广州赛宝认证中心、香港品质保证局这3家机构还处于认可评审过程中。

2010年底，中国船级社和广州赛宝已经通过联合国批准，成为最新本土DOE。

DOE的实验步骤

(1)筛选主要显著的因子

(2)找出最佳之生产条件组合

(3)证明最佳生产条件组合有再现性

如何判断第一阶段实验成功

(1)在ANOVA分析中出现了1~4个显著因子

(2)这些显著因子的累积贡献率在75%以上

如何判断第二阶段实验成功

在ANOVA分析中没有出现显著因子

DOE的方法

常见的试验设计方法，可分为二类，一类是正交试验设计法，另一类是析因法。

（1）正交试验设计法

① 定义

正交试验设计法是研究与处理多因素试验的一种科学方法。它利用一种规格化的表格——正交表，挑选试验条件，安排试验计划和进行试验，并通过较少次数的试验，找出较好的生产条件，即最优或较优的试验方案。

② 用途

正交试验设计主要用于调查复杂系统（产品、过程）的某些特性或多个因素对系统（产品、过程）某些特性的影响，识别系统中更有影响的因素、其影响的大小，以及因素间可能存在的相互关系，以促进产品的设计开发和过程的优化、控制或改进现有的产品（或系统）。

（2）析因法

① 定义析

析因法又称析因试验设计、析因试验等。它是研究变动着的两个或多个因素效应的有效方法。许多试验要求考察两个或多个变动因素的效应。例如，若干因素：对产品质量的效应；对某种机器的效应；对某种材料的性能的效应；对某一过程燃烧消耗的效应等等。将所研究的因素按全部因素的所有水平（位级）的一切组合逐次进行试验，称为析因试验，或称完全析因试验，简称析因法。

② 用途

用于新产品开发、产品或过程的改进、以及安装服务，通过较少次数的试验，找到优质、高产、低耗的因素组合，达到改进的目的。

DOE的应用

Reducing Variability With DOE(1)Apply powerful design of experiments (DOE) tools to make your system more robust to variations in component levels and processing factors."Six Sigma" is the new rallying cry for quality improvement in the process industry. For example, Dow aims to generate an extra $1.5 billion per year in profits after training 50,000 of their employees on the methods of Six Sigma.3 Statistical tools play a key role in achieving savings of this magnitude. In fact, "sigma" is a Greek letter that statisticians use as a symbol for standard deviation - a measure of variability. If a manufacturer achieves a Six Sigma buffer from its nearest specification, they will experience only 3.4 off-grades per million lots. This translates to better than 99.99966% of product being in specification. To illustrate what this level of performance entails, imagine playing 100 rounds of golf a year with two putts per hole being the norm (par): At Six Sigma you'd make a three-putt (bogey) only every 163 years!4 Even Tiger Woods would be envious of this level of quality.

Of all the statistical tools employed within Six Sigma, design of experiments (DOE) offers the most power for making breakthroughs. Via an inspirational case study, this article demonstrates how DOE can be applied to development of a formulation and its manufacture to achieve optimal performance with minimum variability, thus meeting the objectives of Six Sigma programs. Armed with knowledge gained from this article and the example as a template, chemists and engineers from any of the process industries (pharmaceutical, food, chemical, etc.) can apply these same methods to their systems and accomplish similar breakthrough improvements.

Minimizing Propagation of Error (POE) from Varying Inputs

After earning his PhD in chemistry and taking a job at a chemical company, a colleague of ours got assigned to an operator for an orientation to the real-world of production. As the operator watched with much amusement and disgust, the chemist carefully weighed out materials with a small scoop. The operator pushed the PhD chemist aside, grabbed a sack of chemicals and tossed it into the reactor. "You're not in the laboratory anymore," he said, "This is how we do things in manufacturing."

Hopefully the operators of your formulation process will be more exacting when adding ingredients. However, at the very least, you can expect some variation due to inherent limitations in equipment. How will these variations affect product quality and process efficiency? Can you do anything to make your system more robust to variations in component levels and process settings? The answers to these very important questions can be supplied via an advanced form of DOE called "response surface methods" (RSM). This statistical tool produces maps of product and product performance, similar to topographical displays of elevation, as a function of the input variables that you (or your clients) control. The objective of Six Sigma is to "find the flats" - the high plateaus of product quality and process efficiency that do not get affected much by variations in component levels or factor settings. You can find these desirable operating regions visually, by looking over the 3D renderings of response surfaces, or more precisely via a mathematical procedure called "propagation of error" (POE).

To see how POE works, let's look at a very simple response surface (Figure 1) generated by changing only one control factor X1.

Assume that this factor exhibits a constant variation shown on the graph as a difference with magnitude delta (D). This variation, or error, will be transmitted to the measured response to differing degrees depending on the shape of the curve at any particular setting. In this example, because the curve flattens out as the control factor increases, a setting at the higher level causes less propagation of error (POE). Therefore, you see a narrower difference (DY) on the response axis as a result of setting the factor at the higher, rather than lower level.

With the aid of some calculus, the POE itself can be graphed as a continuous function. In this case the original response surface can be described by the following quadratic equation:

We will spare you the details, but after taking the partial derivative of this function with respect to the input (X1) and taking the square root, the following equation for standard deviation (s) is produced:

Assume for now that the standard deviation of the control factor X1 equals one (sx = 1) and there are no other sources of variance (sResidual = 0). We've now obtained the information needed for graphing the standard deviation of the response (sy) transmitted from the variation in the input factor (X), in other words, the POE (see Figure 2). In this case the POE decreases in direct proportion to X1 as it increases.

DOE实验设计

一、DOE简介

1、DOE的定义

2、DOE的历史与发展

3、DOE的用途

4、DOE的成功运用案例

二、DOE类型

1、全因子DOE

2、分部DOE

3、筛选DOE

4、中心复合DOE

5、Box-Behnken DOE

6、田口静态DOE

7、均匀DOE

三、设计一个DOE的步骤(案例模拟)

1、定义问题，定义项目

2、确定可能的因变量

关于选择因子与其水平的策略

输入因子的类型与应用

干扰因子

可控因子

常数项

3、选择设计类型

4、分析数据,标识主要影响因素

5、提出解决方案

6、重复实验以确认结果

7、过程能力评估

8、制定优化方案

四、DOE的有效性

1、内部有效性

2、外部有效性

3、统计结论的有效性

五、DOE结果分析

1、因素影响与交互影响

2、极差分析

3、ANOVA方差分析

单向方差分析

双向方差分析

4、回归分析

六、如何利用Minitab进行DOE分析

1、在Minitab中的图形分析

正态概率图

Pareto

主效果图

交互效果图

2、在Minitab中的统计分析

ANOVA

多元回归

简化模式

七、DOE在应用中的问题

1、因素影响与交互影响试验的阶段性

2、极差分析因子水平的选择

3、测量误差

4、重复与反复

5、随机化

6、分块

7、诊断与残差点

8、优化试验（EVOP）

八、设计DOE计划的成功关键

1、团队合作

2、知识技术的跨功能

3、定义问题

4、可量化的改善目标

九、DOE应用实例

DOE的用处

· 科学合理地安排实验，从而减少实验次数、缩短实验周期，提高了经济效益。

· 从众多的影响因素中找出影响输出的主要因素。

· 分析影响因素之间交互作用影响的大小。

· 分析实验误差的影响大小，提高实验精度。

· 找出较优的参数组合，并通过对实验结果的分析、比较，找出达到最优化方案进一步实验的方向。

· 对最佳方案的输出值进行预测。