电源与散热：最便宜的件保护着最贵的件

电源模块和风扇是服务器上最便宜的两类件，也是最容易被忽略的两类。

它们的共同点是：坏了之后机器不一定停，所以没人管；而它们保护的东西——CPU、内存、硬盘上的数据——都是这台机器上最贵的部分。

一、冗余电源，坏一个你可能都不知道

现象：双电源的机器，一个模块已经失效好几个月，没有人发现。

原因：冗余设计的意义就是单个模块失效不影响运行。从操作系统看，一切正常；从业务看，一切正常。如果电源告警没有接进监控系统，这个失效就是静默的。

风险：此时这台机器已经没有冗余了。它在用一个单点跑一个号称双活的配置。第二个模块一旦出问题，就是直接停机，而不是降级。

而且剩下那个模块现在承担着全部负载，发热更高，老化更快——第二次故障的概率比第一次还大。

怎么做：

把电源告警接进监控（BMC 的电源状态是标准 SNMP/Redfish 项）
定期到现场看指示灯——这是最土也最可靠的办法
同型号同功率的电源模块，常备一两个

一句话：冗余的意义是争取更换时间，不是「可以不换」。

二、供电不稳，表现得像硬盘坏

现象：硬盘频繁掉线、报错。换了盘，过几天还是一样。

原因：供电纹波过大或者功率余量不足时，硬盘会间歇性复位。从控制器的角度看，这块盘失去响应了——记的是链路超时，不是介质错误。

判断依据：如果是多块盘同时出问题，优先怀疑供电和背板，不要怀疑盘。这一条和《一块盘报故障，什么时候不该换盘》里讲的共享路径是同一个逻辑。

怎么验证：

测量电源输出电压和纹波
或者更直接：换一个电源模块观察几天
看 BMC 里的电源功率读数，是否长期接近额定值

备件角度：电源属于消耗件，里面有电解电容，年限到了就该换，不用等它报故障。高温环境下的电解电容老化会明显加快。

查错方向错了，换再多硬盘也没用——而且每换一次都在增加数据风险。

三、风扇转速拉满，不是风扇的错

现象：机器噪音突然变大，所有风扇长期高速运转。

这时候第一反应往往是「风扇坏了」。多数情况下不是。

可能一：温度传感器失效。系统读不到温度值时，按最坏情况处理——全速转。这是安全设计。这种情况下换风扇没用，要换的是传感器或者主板。

可能二：进风口积尘、滤网堵塞。风量不够，只能靠提高转速补偿。这种情况下要做的是清灰。

可能三：某个风扇已经失效，其余风扇在补偿。这才是真的要换风扇——但要换的是那个停转的，不是全部。

怎么分辨：看 BMC 里各个风扇的实际转速和各温度点的读数。

所有风扇都全速、温度读数正常 → 传感器或风道问题
所有风扇都全速、温度确实偏高 → 散热能力不足，查积尘和机柜环境
部分风扇转速为 0 或异常低 → 那一个坏了

代价：全速运转会显著缩短风扇自身的寿命，也会增加整机能耗。长期这么跑，一年下来的电费和替换成本都不是小数。

四、一个风扇停转，可能烧掉一颗 CPU

现象：风扇故障告警被当成小事忽略了。几周之后，机器出现降频，甚至宕机。

原因：服务器的散热风道是按全部风扇工作设计的。少一个，风道上就会形成一个局部热点，而这个热点的位置未必在坏掉的风扇附近。

后果：CPU 和内存长期在高温下运行，寿命显著缩短。更直接的是触发热保护降频——机器还在跑，但性能只有一半，而且这个降频在监控里不一定显眼。

怎么做：风扇是热插拔件，告警当天就该换。这件事的成本低到没有犹豫的理由。

备件提示：风扇型号多且细分，注意接口类型、尺寸、转速规格和风向。同一台机器的前后风扇可能是不同料号。

最便宜的件，往往保护着最贵的件——这句话在风扇上是字面意思。

一份季度巡检清单

电源和散热的巡检不需要停机，值得按季度做一次：

所有双电源机器，逐台确认两个模块都在工作（看 BMC，不要只看亮不亮灯）
电源告警是否已经接进集中监控
各机器的实际功率读数与额定功率的比值
各风扇转速读数，找出长期全速或转速为 0 的
各温度传感器读数，找出明显偏离同型号机器的
进风口、滤网积尘情况
电源模块的上架年限，超过 5 年的进入更换计划

这份清单里有一半的项可以从 BMC 批量导出，不用逐台登录。

关于备件

电源模块和风扇都是按整机型号细分的，不同代机型不通用。七小服的料号库对这两类记录功率、接口、尺寸、转速与可替代料号，常见型号多为库房常备。