近期，物理安全傳感器創(chuàng)企“測度空間”已完成千萬級人民幣天使輪融資，由泰有基金獨家投資。這輪資金將主要用于自主研發(fā)MEMS傳感器芯片，包括圍繞傳感器配套的指標優(yōu)于20bit精度的動態(tài)數(shù)據(jù)采集芯片等產(chǎn)品。

測度空間成立于2021年6月，主要面向工業(yè)互聯(lián)網(wǎng)應用開發(fā)物理安全傳感器以及相關機器學習工具，是一家擁有基礎傳感芯片能力、AI數(shù)據(jù)分析能力的智能傳感系統(tǒng)/數(shù)據(jù)服務提供商。

在千億級規(guī)模的工業(yè)互聯(lián)網(wǎng)行業(yè)中，設施和生產(chǎn)安全已成為其中的關鍵詞。其中，據(jù)市場研究機構MarketsandMarkets Research報告，工業(yè)傳感器市場規(guī)模預計將從2020年的182億美元，增長到2025年的290億美元，復合年增長率為9.8%。

測度空間CEO杜忠誠告訴36氪，如今布局工業(yè)互聯(lián)網(wǎng)的大數(shù)據(jù)公司不少，但許多公司在發(fā)展過程中會逐漸面臨兩個問題：一是隨著公司需要管理的設備越來越多，收集的數(shù)據(jù)量也愈發(fā)龐大，加之部分公司配置的傳感器針對性不夠強，采集回來的信息不足以支撐有價值的數(shù)據(jù)挖掘，即數(shù)據(jù)價值密度很低，公司往往會變成一個“數(shù)據(jù)存儲公司”。

二是由于其采集的數(shù)據(jù)價值密度低，數(shù)據(jù)質量和標準無法支撐公司后續(xù)開展服務，往往導致公司在開拓數(shù)據(jù)服務業(yè)務時受阻。其中的關鍵在于高針對性的數(shù)據(jù)采集從而提升價值密度，這樣才能在后續(xù)的數(shù)據(jù)分析服務中發(fā)揮更大的價值。

與此同時，據(jù)國際自動化協(xié)會報告數(shù)據(jù)，目前全球每年因機器故障引起的直接損失多達6470億美元（約4.14萬億人民幣），甚至超過集成電路行業(yè)一年的總產(chǎn)值4300億美元（約2.75萬億人民幣）。顯然，機器故障已成為工業(yè)領域發(fā)展需面臨的嚴峻問題。

因此，測度空間根據(jù)工業(yè)互聯(lián)網(wǎng)應用需求，通過自主研發(fā)和部署傳感器采集數(shù)據(jù)，從而提升數(shù)據(jù)的的標準化程度，實現(xiàn)高價值服務。目前，公司形成了基于MEMS芯片、擁有全部知識產(chǎn)權的傳感器系列化產(chǎn)品，包括玻璃幕墻安全傳感器、面向建筑外墻和保溫層監(jiān)測的傳感器、電梯物理安全傳感器、面向接觸器/斷路器等低壓電器設備的傳感器，以及物聯(lián)網(wǎng)通用傳感器方案共5款傳感器產(chǎn)品。

其中，玻璃幕墻傳感器是公司現(xiàn)階段率先落地的產(chǎn)品，具有精確度高、低功耗、可配置等特點，通過MEMS芯片和AI技術融合，能夠檢測幕墻在自然風激勵上下的10ug量級動態(tài)加速度信號，在不同光照天氣狀態(tài)下續(xù)航長達3年，配套機器學習模型支持針對不同類型和尺寸玻璃的自適應調參。

整體來看，測度空間的優(yōu)勢在于綜合統(tǒng)籌性能和成本的物理安全傳感器芯片技術，其傳感器不僅支持豐富的狀態(tài)觸發(fā)模式，還可通過融合MEMS和AI智能感知技術，實現(xiàn)場景化定制和在線配置，單顆成本低于3美元，體積易于小型化SIP封裝。

除此之外，測度空間項目發(fā)起人兼首席科學家、清華大學軟件學院鄧仰東教授談到，面向工業(yè)場景的開發(fā)過程中，主要難點在于傳感器采集、算法應用、小樣本數(shù)據(jù)這三點。

一是傳感器采集，BOSCH(博世)、ADI（亞德諾）這些巨頭的傳感器產(chǎn)品動輒數(shù)十款，但每款應用覆蓋的范圍較窄，因此不同應用場景都需要采用不同指標特征的傳感器。

相比之下，測度空間能夠基于一款傳感器，通過在線可配置的方法將其擴展到更多工業(yè)應用中，例如電梯安全等。在鄧仰東看來，如何用一個更具通用性的方案去解決各種各樣的工業(yè)問題，是傳感器在工業(yè)應用的難點，也是公司的差異化優(yōu)勢。

二是算法應用，工業(yè)應用涉及的算法非常多，例如動車組故障的算法就多達6000種，用傳統(tǒng)方法開發(fā)模型的工作量會十分繁雜，開發(fā)效率慢。對此，測度空間采用自動化機器學習的方法訓練模型，使其能自適應不同任務，無需人工調整優(yōu)化，大大降低了模型開發(fā)的成本和時間。

三是故障具有小樣本特點，實際上具體類別的工業(yè)故障出現(xiàn)次數(shù)較低，意味著一些潛在故障嚴重缺少訓練模型數(shù)據(jù)樣本，因此必需解決小樣本甚至零樣本學習問題。測度空間的解決方案是針對正常數(shù)據(jù)訓練樣本，構造充分反映正常運行狀態(tài)的數(shù)據(jù)表征，然后在線比對預測數(shù)據(jù)和實際采集數(shù)據(jù)，通過殘差檢驗來發(fā)現(xiàn)潛在故障，以此對未知故障具備一定的預測能力。