刀片服务器的紧凑设计使得其硬件环境对温度控制尤为敏感，冷却系统的任何故障都可能导致设备过热，从而引发系统停机等严重问题。本文将针对香港机房内一台刀片服务器因冷却风扇故障导致超温停机的问题进行详细分析，并提出故障排查与解决方案。
香港的气候特点使得数据中心需要特别关注设备的散热与冷却系统。近期，位于香港某数据中心的一台刀片服务器发生了超温停机事件。经A5数据调查，停机原因主要是冷却风扇故障导致服务器内部温度过高。该机房部署的刀片服务器为HP BladeSystem c7000机箱，内嵌多个ProLiant BL460c G7刀片服务器。
1.机房环境与硬件配置
机房环境：
- 空调温度设置：18-22°C
- 湿度控制：45%-60%
- 确保服务器机架区域的空气流动畅通
硬件配置：
- 刀片服务器型号：HP ProLiant BL460c G7
- 处理器：Intel Xeon E5645（6核，2.40GHz）
- 内存：64GB DDR3
- 存储：500GB SAS硬盘
- 网络接口：双端口 10Gb Ethernet 网卡
冷却系统：
- 每台刀片服务器配有两个热插拔风扇单元
- 风扇数量：每个刀片插槽2个风扇，共6个风扇
- 风扇类型：高效轴流风扇，设计用于高温环境下的持续运行
2. 故障分析
在日常监控中，系统出现了以下异常：
- 系统温度报警：机房温控系统报告温度达到85°C，超出了服务器的正常工作温度范围（40-70°C）。
- 自动停机：为了避免硬件损坏，服务器系统触发自动停机程序，强制断电，导致服务中断。
3.故障排查步骤
我们通过服务器管理软件（如HP iLO 3）和机房的物理检查，确认以下问题：
冷却风扇故障：在系统监控界面，发现多个风扇单元状态异常，具体表现为风扇转速远低于正常值（5000 RPM），甚至部分风扇完全停止工作。
风扇故障警告：HP iLO 3发出风扇故障报警，指示风扇需要更换。
系统内有多个温度传感器，分别监控CPU、内存和硬盘等核心部件的温度。检查显示所有传感器数据一致，均为异常高温。排除传感器故障后，可以确认温度过高的原因与冷却系统故障直接相关。
经过拆卸和检查，发现两个风扇单元由于长期运行，风扇叶片积尘过多，导致散热效率下降。此外，某些风扇的轴承出现磨损，导致转速不稳定。
4. 故障解决方案
根据故障分析结果，需要对损坏的风扇进行更换。为确保冷却效果，选择了与原厂风扇相同型号的新风扇，进行替换操作。
更换前准备：
- 确认新风扇的规格与型号（HP 500643-B21）
- 使用专业的静电防护设备，避免静电对服务器硬件的损害
- 确保新风扇的性能符合服务器规格，转速、噪音等指标与原风扇一致
更换过程：
- 关闭服务器并拔掉电源
- 拆卸服务器机箱面板，定位故障风扇
- 替换损坏的风扇单元，确保连接牢固
- 开启服务器，并进行风扇转速和温度的实时监控
除了更换故障风扇外，还需要对冷却系统进行整体优化，以防止未来出现类似问题。
- 清洁风扇和散热器：定期清理风扇叶片和散热器上的灰尘，确保空气流通畅通。
- 增加风扇冗余配置：考虑到该机房内环境较为潮湿，建议增加一台备用风扇或使用更加耐高湿的风扇型号。
- 改进机房空调设置：调整机房空调温度至22°C以下，进一步降低环境温度，减轻设备负担。
通过HP iLO 3管理界面，配置合理的报警阈值和监控策略，确保在风扇出现故障时能第一时间收到警报，并可远程管理和启动应急处理措施。
- 温度报警：设置温度阈值为75°C，当服务器内部温度超过该阈值时，系统自动发送邮件或短信通知管理员。
- 风扇状态监控：配置风扇转速监控，当风扇转速低于设定值时，立即触发警报。
- 日志记录：启用系统日志，记录每次风扇故障和温度异常事件，方便后期分析和追踪。
刀片服务器冷却风扇故障导致的超温停机事件，揭示了数据中心管理中对硬件维护与冷却系统重要性的关注。通过及时更换故障风扇、优化冷却系统配置以及强化软件监控和报警机制，最终解决了该问题，恢复了服务器的稳定运行。今后，建议加强对机房环境和硬件状态的定期检查，确保设备始终在最佳工作状态下运行，避免类似故障的再次发生。
