伺服器硬體維護常被系統/應用層維運掩蓋，但一次硬體故障往往導致業務全停。本文以兩起真實災難案例開場，提煉出涵蓋環境、硬碟、電源、散熱、清潔、巡檢、監控七大維度的預防性維護體系，並介紹智慧監控平台落地要點。
血淚案例回顧
案例一：頂樓機房頂樓施工漏水淹沒核心設備
- 場景：研究所核心機房位於大樓頂樓，長假期間頂樓施工破壞防水層
- 後果：自來水+雨水灌入機房，伺服器機殼/主板全浸水，核心業務癱瘓
- 教訓：關鍵業務必須託管至專業 IDC，具備防水/防火/雙路市電/專業運維的標準機房
案例二：空調故障+暴雨雙重打擊淹沒靠窗機架
- 場景：內部機房空調故障，開窗散熱，遭遇暴雨灌入 4 台伺服器+2 交換機+1 路由器
- 後果：緊急吹風機烘乾仍有 2 台伺服器報廢
- 教訓：散熱備案不能依賴開窗，需冗余精密空調、溫濕度監控、漏水感測繩、應急制冷方案
七大預防性維護支柱
1. 環境選址：專業 IDC 托管優於自建機房
- 核心業務強制入駐 Tier III+ IDC：雙路市電、N+1 UPS/發電機、精密空調、VESDA 煙霧偵測、漏水感測、24/7 遠端手智能服務
- 自建機房必達標：獨立機房、獨立配電、精密空調、門禁/監控、防靜電地板、機櫃配電單元 (PDU) 監控
2. 硬碟護理：資料核心資產的最後防線
- 熱插拔操作規範：僅在 OS 確認裝置離線、磁碟指示燈熄滅、旋轉停止後 執行插拔
- 輕拿輕放、防靜電手環、防震包裝運輸
- RAID 陣列：配置熱備盤、啟用巡檢、設定重建優先級、監控 SMART 屬性 (Reallocated_Sector_Ct, Seek_Error_Rate)
- 定期驗證備份可還原性，而非僅驗證備份完成
3. 電源冗余：雙電源必須雙路接入
- 雙電源伺服器：兩組電源必須接入獨立 PDU → 獨立 UPS → 獨立市電/發電機路徑
- 單電源設備：接入雙路輸入自動轉換開關 (ATS) PDU
- 定期測試 UPS 電池放電、發電機啟動切換演練 (季度)
4. 散熱管理：風道設計與機櫃規範
- 機櫃內部：嚴禁設備直接疊放，必須使用 1U 導軌+間隔擋板，保證前進後出冷/熱通道隔離
- 冷通道封閉 / 熱通道封閉：將冷熱氣流物理隔離，消除熱迴流，提升制冷效率 30%+
- 精密空調：N+1 冗余、變頻壓縮機、濕度控制、支援高溫機房 (ASHRAE A3: 18-27°C 入口)
- 機櫃頂部/底部預留風道，避免纜線堵塞進風口
5. 定期深度清潔：半年一次全拆淨
- 工具：防靜電刷、工業吸塵器 (ESD 安全)、螺絲起子組、無水酒精、潤滑油 (風扇軸承)
- 流程：
1. 關機斷電 (非熱插拔部件)
2. 拆卸 CPU/記憶體/擴充卡/硬碟
3. 吸塵主板/插槽/機箱內部
4. CPU 散熱片縫隙刷淨+吸塵
5. 風扇拆解清洗軸承、滴加潤滑油、驗證轉動順暢/無異響
6. 記憶體金手指/網卡金手指擦拭
7. 電源模組僅外部吸塵，避免拆解失保/觸電風險
8. 重裝、開機驗證 POST、風扇轉速、溫度正常
- 記錄：清潔日期、發現問題、更換部件、下次計劃
6. 日常巡檢：看、摸、聽、測四診合參
- 看：前面板指示燈 (電源/硬碟/風扇/溫度/錯誤)、機櫃溫濕度顯示器
- 摸：機殼表面溫度、進風口/出風口溫差 (正常 10-15°C)
- 聽：風扇尖嘯/摩擦音、硬碟異響 (咔哒/研磨)、電源高頻啸叫
- 測：紅外測溫槍量測關鍵點 (CPU/電源/網卡/交換機晶片)、PDU 負載電流平衡度
7. 智慧監控平台：從人工巡檢到自動化感知
- 採集指標：IPMI/Redfish 介面讀取 CPU 溫度、風扇轉速、電壓、電源狀態、記憶體 ECC 錯誤、硬碟 SMART、機箱入侵
- 閾值策略：
- 嚴重：CPU > 85°C、風扇轉速 < 30% 或 0、電源失效、硬碟預失效
- 警告：CPU 75-85°C、風扇 30-50%、PDU 負載 > 80%
告警通道：郵件、企業微信/釘釘/Slack、短信、電話語音 (分級升級)
資產關聯：CMDB 關聯資產編號、機房/機櫃/U 位、負責人、保固到期、生命週期階段
主流方案：OpenIPMI + Prometheus + Grafana + Alertmanager (開源)；Dell OpenManage / HPE OneView / Lenovo XClarity / 華為 FusionDirector (廠商原生)
結語
硬體維護不是「修壞了的東西」，而是「讓東西不壞」。從專業 IDC 選址、雙路電源落地、冷熱通道封閉、半年深度清潔、四診巡檢常態化、到 IPMI 智慧監控全覆蓋，構建分層防禦體系，將故障攔截在業務影響前。這才是資深運維對業務連續性的真正承諾。
