机房巡检的十八个检查点

这段素材是我在机房拍的，前后去了七趟，每次两小时。剪的时候发现一个问题：镜头里好看的东西——整排机柜的蓝光、整齐的走线——大多不是巡检要看的东西。真正要看的是那些不起眼的细节：一颗橙色指示灯、一处地面水痕、一个松了的标签。所以这篇图文按分镜来写，画面是当时拍到的，旁白是手里的清单，判断是我站在那儿想的那句话。

清单上原来写了四十多条，跑了一年删到十八个点。删掉的多是"可以远程看"的项目，留下的都是必须站到机器前面才能确认的。十八个点按位置分成四组，加一节记录方法，正好说完一趟巡检。

一、进门前：六个点决定这趟有没有意义

1.1 画面：玻璃门后的那排灯

镜头从走廊推进来，门禁读卡器的蓝灯闪了一下，玻璃门后是两排机柜，风扇声压过脚步声。地上有一条黄色的警戒线，边角磨白了。我停了两秒没进门，先抬头看门框上方那块小屏幕，上面是机房内的温湿度读数，二十三点六度，湿度百分之四十六。

1.2 旁白：进门前的六件事

门禁记录先看：这一周有没有非工作时间的进出，有没有卡在凌晨刷过。静电手环要试一下通断，很多人戴上去不夹夹子，等于没戴。鞋套和防尘服看有没有破损，脚底带进来的灰是设备的大敌。

随身工具清一遍：手电、扎带、标签机、备用跳线，缺一样就得回办公室拿，来回二十分钟。温湿度看板进门时先读一次，出门前再读一次，两个数对比才知道这两小时里环境有没有波动。消防通道看一眼，有没有被临时堆的纸箱占住——这条很容易被忽略，搬货的人图方便就往那儿放。

1.3 当时的判断：门禁异常往往比设备告警更早

那天门禁记录里有一条凌晨三点的刷卡，工单上没有对应的记录，后来查到是厂商做远程支持时让值班的人开的门，忘了补单。这件事本身不大，但它说明一个规律：设备故障之前，往往先有一次非计划的现场动作。门禁记录是唯一能看见这类动作的地方，所以它排在六个点的头一位。

二、机柜前：六个点里有四个要靠眼睛

2.1 画面：一颗橙色灯在一片蓝里

镜头贴着机柜推过去，一格一格的蓝灯，中间有一颗橙色的，闪得有节奏。旁边那台机器前面板干干净净，网口位置的灯是灭的。我把手电斜着打进去，看到那根网线的水晶头卡扣断了半截，线是靠着自重挂在口上的。

2.2 旁白：站着能看到的六件事

指示灯看三种状态：常亮、闪烁、熄灭。橙色常亮通常是硬件告警，橙色闪烁多为可恢复的降级，熄灭要么是关机要么是没上电，得靠别的手段区分。风扇噪音要听，同型号的机器声音应该一致，有一台明显更响，多半是轴承或者进灰。

进出风口温度用手背试，出风口烫手就是不正常，进风口应该接近室温。线缆标签看两头是否都还在，只贴一头的标签，半年后就是一根来路不明的线。双路电源要确认两路都在工作，拔一路测试不能在生产时间做，只能看电源模块的指示灯。U 位和资产标签核对，位置和台账对不上，下次故障时找机器就要多花十分钟。

2.3 当时的判断：橙灯不是故障，是欠账

那颗橙灯亮了六天，告警平台上有记录，但被归到了"非关键"。现场看才知道，这台机器是双路电源里坏了一路，剩下的一路在撑，撑得住，但没有了冗余。这类状态不会自己变好，只会等下一次单路故障时一起爆。巡检的价值就在这儿：它不看"是否可用"，看"还剩多少余量"。

三、配电与制冷：四个点决定机房能撑多久

3.1 画面：配电柜上的一排指针

镜头摇到墙边，配电柜的门是半开的，里面三排空开，上面贴着打印的标签，字有点褪色。柜顶挂着一个电流表，三根指针分别指在六十、五十八、四十二的位置，中间那根明显低于另外两根。

3.2 旁白：四个必须记录的数

UPS 负载率看面板上的百分比，超过七成就该规划扩容，不用等告警。电池组看两样：投运日期和环境温度，电池的寿命对温度极其敏感，机房温度每高十度，寿命大致减半。配电柜看三相电流是否平衡，偏差超过两成就要调整负载分配，长期偏相会让零线发热。

空调看回风温度和冷凝水管，回风温度和机房温度差得太多，说明送风路径有问题；冷凝水管周围有水渍或者发黄，说明排水不畅，这类问题往往在夏天暴露。四个数都记在纸上，不记在脑子里，因为要跟上一趟的数比。

3.3 当时的判断：不平衡比过载更隐蔽

三相偏差两成，总负载才六成，看总量很安全，看单相已经偏紧。这类问题的麻烦在于它不会触发任何阈值告警，只会让某一相的线缆和空开长期高温，绝缘慢慢老化。后来我们调整了几台设备的供电相位，偏差降到百分之八，柜内温度降了四度。这种改动没人会主动提，只有巡检时量了数才会发现。

四、环境与安全：两个点，出了事就是大事

4.1 画面：天花板下的红色钢瓶

镜头仰拍，天花板下方固定着一排红色钢瓶，压力表指针在绿区靠下的位置，瓶身上的检验标签边缘卷起来了。旁边的烟感探头有一个罩子还套着，是装修时留下的。

4.2 旁白：两个不能省的确认

灭火装置看压力表指针是否在绿区，看钢瓶的检验日期，看喷头有没有被遮挡。烟感探头那层塑料罩必须摘掉，罩子不摘，探头就是个摆设，这个错误在装修后的机房里出现得非常多。另一个点是门磁与监控：门磁能不能正常触发，摄像头有没有被新装的桥架挡住，录像能不能回放七天以上。

4.3 当时的判断：这两个点一年用不上，一次就够

灭火和监控属于典型的低频高风险项目，检查它们的过程很无聊，一年也不会用上。但这两项的失效是静默的，压力表掉到红区、探头被罩住，都不会有任何提示。所以这两个点我从不省略，也不交给别人代看。清单上其余的点可以抽查，这两个必须逐项确认。

五、巡检之后：记录怎么留才有用

5.1 画面：一张写满数字的A4纸

镜头切到桌面，一张 A4 纸，上面是手写的表格，十八行，每行后面写着数值或者"正常"。有几个格子用红笔圈了，旁边写着"待观察"。纸的右下角签了名和日期，字迹潦草。

5.2 旁白：记录要能对比

手写不是问题，问题是写完就归档，下次没人翻。我们的做法是每趟巡检把六个关键数值抄进一张电子表：温度、湿度、UPS 负载、三相电流、回风温度、空调排水状态。这张表按周排，横向看就是趋势。文字描述只写异常项，正常项打勾，这样一张表扫一眼就知道哪周出过事。

5.3 当时的判断：趋势比单次数值可靠

有一次温度从二十二度慢慢爬到二十五度，每趟都在"正常范围"内，谁都没在意。第三周空调的一台压缩机坏了，温度直接冲到三十度。回头看那张表，爬升的斜率很清楚。单次数值只能判断当下是否合规，连续数值才能判断设备是不是在退化。这个道理不新鲜，但只有把数记下来才用得上。

十八个点跑一趟，熟手四十分钟，生手两小时。差别不在看得快慢，在于知道哪些点可以一眼过、哪些必须停下来量。这套清单后来给过几个同行，他们各自按自己的机房改了几条，这很正常——检查点的价值不在条数，在于每一条都能对应一个具体的失效方式。

常见问题

问：十八个点是不是太多了，能不能只留几个关键的？

答：可以精简，但要看机房的规模和使用强度。单机柜、无精密空调的小机房，配电和制冷那四个点可以合并成两个，其余照留。判断标准是"这个点失效之后，多久会被别的监控发现"——能被远程监控及时发现的，可以降低现场检查频次；发现不了的，必须每趟看。

问：巡检周期定多久合适？

答：按设备的重要程度分。核心机房每周一次现场，普通机房每月一次，托管机房可以按季度。频次不是关键，稳定性才是——定成每周就必须每周，不能因为忙就跳过。跳过两次之后，这张清单就失效了，因为记录断档，趋势看不成。

问：能不能用传感器替代人工巡检？

答：能替一部分。温度、湿度、电流、漏水都能上传感器，而且比人准。但指示灯、线缆标签、异味、异响、门的开合这些还替代不了。实际的做法是传感器负责连续监测，人负责确认那些"看起来不对"的东西。两者不冲突，传感器省下的时间正好用来处理异常。

问：巡检发现问题之后怎么推动整改？

答：把它变成有责任人和期限的条目，别留在巡检表里。我们的做法是每条异常开一张单，写清影响、建议动作、期望完成时间，挂到值班表上每周过一遍。没有责任人的异常会一直在表里躺着，躺到下一次故障把它翻出来。