이노밸류파트너즈의 배용섭 박사는 4월 "JMP활용 실험계획법 및 Design Space 결정과정" 공개교육을 강남역 근처 코지모임공간2호점에서 4월20일~22일(3일)에 실시하였습니다. 금번과정에는
오송첨단의료재단과 대웅제약, 홍익대, 단국대 등에서 총 7명의 교육생이 참석하였습니다.
JMP는 실험계획법(DOE)과
Design Space(설계 공간) 결정에 있어 업계 표준으로 자리 잡은 강력한 도구입니다. JMP DOE의
핵심 특징과 강점을 4가지로 요약하면 다음과 같습니다.
1. 사용자 중심의 맞춤형 설계 (Custom Design)
JMP의 가장 큰 강점은 '교과서적인
설계'에 데이터를 맞추는 것이 아니라, '현장 조건'에 맞게 설계를 생성한다는 점입니다.
- 유연성: 실험 예산(횟수), 제약 조건(혼합물, 불연속
요인), 복잡한 모델(교호작용, 2차항)을 먼저 설정하면
JMP가 최적의 실험 배치(D-Optimal, I-Optimal 등)를 자동으로 계산해 줍니다.
- 자원
최적화: 최소한의 실험 횟수로 최대의 정보를
얻을 수 있도록 설계 효율을 극대화합니다.
2. 압도적인 시각화와 예측 프로파일러 (Prediction Profiler)
통계 지식이 깊지 않아도 데이터의 흐름을 직관적으로 이해할 수 있습니다.
- 동적
시각화: 변수를 마우스로 드래그하면 응답값이
어떻게 변하는지 실시간으로 보여주는 '프로파일러' 기능을
통해 최적 조건을 시각적으로 찾을 수 있습니다.
- 상호작용
분석: 여러 인자가 동시에 변할 때 발생하는
복잡한 효과를 한눈에 파악하기 쉽습니다.
3. 강력한 최신 DOE 알고리즘
탑재
전통적인 방식부터 최신 기법까지 폭넓게 지원합니다.
- 확정적
선별 설계 (Definitive Screening Design): 적은 횟수의 실험으로 주효과와 2차 효과(곡률)를 동시에 파악할 수 있는 JMP만의 혁신적인 설계 방식입니다.
- 시뮬레이션
및 로버스트 설계: 몬테카를로 시뮬레이션을
통해 공정의 변동성(Noise)을 고려한 Design
Space를 설정하고, 불량률을 예측하여 강건한(Robust) 조건을 결정할 수 있습니다.
4. 분석의 연속성
(End-to-End Workflow)
실험 설계부터 모델링, 최적화, 보고서
작성까지 하나의 흐름으로 이어집니다.
- 데이터를
별도로 가공할 필요 없이, 설계된 시트에 실험 결과만 입력하면 즉시 분석 모델이 생성됩니다.
- Stepwise 회귀 분석 등 다양한 통계 모델을 통해 유의미한 인자를 빠르게 선별해 줍니다.
그리고, QbD 적용과정에서 JMP의
중요성은 다음과 같이 정리할 수 있습니다.
1. CQA(Y)와
CPP(X)의 인과관계 규명 (Screening & Characterization)
QbD의 핵심은 "어떤
공정 변수(CPP)가 품질 특성(CQA)에 치명적인 영향을
주는가?"를 찾아내는 것입니다.
- JMP의 역할: 수많은
변수 중 품질에 영향을 주는 핵심 요인을 선별(Screening)하는 알고리즘(예: 확정적 선별 설계)을
제공합니다. 이를 통해 단순히 데이터만 쌓는 것이 아니라, 품질
변동의 원인을 통계적으로 입증합니다.
2. 영향력 평가 및 등급화
(Impact Ratio 산출)
이미지에 언급된 Impact Ratio(IR)를 기준으로 High/Low/Non-CPP를 분류하는 과정에서 JMP의 분석 능력이
빛을 발합니다.
- JMP의 역할: 회귀
분석 및 분산 분석(ANOVA)을 통해 각 요인의 기여도를 수치화합니다. 어떤 공정 변수가 33% 이상의 높은 영향력을 가지는지
시각적으로 즉시 확인할 수 있어, 관리 우선순위를 결정하는 근거를 마련해 줍니다.
3. 다차원 Design
Space(PAR, MAR) 도출
단일 변수 범위인 PAR(Proven Acceptance Range)을
넘어, 여러 변수가 복합적으로 작용하는 MAR(Multivariate
Acceptance Range)을 설정하는 것이 QbD의 정점입니다.
- JMP의 역할: * Contour
Profiler: 여러 변수가 겹치는 '안전 영역(White Space)'을 시각화하여 설계 공간을 정의합니다.
- Overlay Plot: 여러 개의 CQA를 동시에 만족시키는 공정 범위를 한눈에 찾아내어, 실제
생산에서 유연하게 대처할 수 있는 운영 범위를 확정합니다.
4. 시뮬레이션을 통한
Control Strategy 수립
설정된 Design Space 내에서 실제 생산 시 불량률이 얼마나
될지 예측하여 관리 전략을 세워야 합니다.
- JMP의 역할: 'Prediction
Profiler' 내의 몬테카를로 시뮬레이션(Monte Carlo
Simulation) 기능을 사용합니다.
공정의 변동성(Noise)을 입력하면 최종 품질이 규격(Acceptance Criteria)을 벗어날 확률을 미리 계산해 줍니다. 이는 견고한(Robust) 공정 제어 전략을 수립하는 강력한
도구가 됩니다.
또한, Design Space Profiler의 중요성은 이미지에서
보는 것처럼 Prediction Profiler가 '최적의
지점(Set Point)'을 찾는 데 탁월하다면, Design
Space Profiler는 그 지점을 둘러싼 '안전한 영역(Safe Zone)'을 정의하고 검증하는 데 핵심적인 역할을 합니다.
화장품 성분 최적화 사례와 같은 복잡한 혼합물 실험에서 JMP Design
Space Profiler의 유용성을 요약하면 다음과 같습니다.
1. 다차원적 품질 보증
(Multivariate Acceptance Range)
이미지의 사례처럼 성분 3개(GG,
DG, TH)가 혼합될 때, 특정 성분 하나만 조절한다고 품질이 결정되지 않습니다.
- 유용성: 여러 성분의 상호작용을 고려하여, 모든 품질 규격(CQA)을 동시에 만족시키는 다차원적
범위를 시각화해 줍니다. 이는 단순한 1차원적
범위를 넘어 실제 공정에서 움직일 수 있는 '자유도'를
제공합니다.
2. 공정 변동에 대한 강건성(Robustness)
평가
실제 제조 현장에서는 성분 배합 시 미세한 오차가 발생하기 마련입니다.
- 유용성: 성분 배합비에 약간의 변동(Noise)이 생기더라도 최종 제품의 수분감 지수가 규격 내에 머무를 확률을 계산해 줍니다. 즉, "이 범위 안에서라면 조금 틀어져도 불량이
나지 않는다"는 확신을 줍니다.
3. 실패 확률(Probability
of Failure)의 수치화
실험 계획법의 최종 목적은 불량률 최소화입니다.
- 유용성: 설정한 설계 공간(Design
Space) 내에서 작동할 때, 규격을 벗어날 확률이 몇 %인지 시각적, 수치적으로 제시합니다. 이를 통해 위험(Risk)을 정량적으로 관리할 수 있습니다.
4. 효율적인 자원 배분
(Fraction of Design Space Plot)
- 유용성: 전체 가능한 설계 영역 중 우리가 설정한 규격을
만족하는 영역이 얼마나 되는지(Fraction of Design Space)를 파악하게 해줍니다. 만약 이 영역이 너무 좁다면, 공정 능력을 높이거나 규격을
재검토해야 한다는 의사결정의 근거가 됩니다.
