服务器硬件健康检查是系统性动作，核心目标是故障前排雷、性能劣化初期识别趋势、配置变更后确认状态稳定，覆盖电源、CPU、内存、存储、散热五大维度并需实测验证。

服务器硬件健康检查不是“看看灯亮不亮”就完事，而是有逻辑、分层级、可验证的系统性动作。核心目标就一个：在故障发生前发现隐患，在性能劣化初期识别趋势，在配置变更后确认状态稳定。

电源与供电：先保命，再谈性能

供电是硬件运行的前提，异常往往无声无息却后果严重。

• 目视检查所有电源模块指示灯，绿色为正常，红/橙色需立即排查；双路冗余电源必须做断电切换测试——拔掉一路，观察另一路是否自动接管且无业务中断
• 用钳形电流表实测PDU各相电流，三相负载偏差超过15%即存在风险；老旧机房尤其要检查电源线接头是否氧化、线皮是否硬化开裂
• 记录每台服务器的输入电压（通过IPMI或iDRAC读取），长期低于200V或高于240V都属于异常工况，需联动基础设施团队评估

CPU与内存：看温度更要看行为模式

高负载不可怕，持续高温+异常调度才危险；内存出错不总报蓝屏，ECC纠错日志才是第一线索。

• CPU温度不能只看峰值，重点查“温度波动幅度”：10分钟内温差＞20℃，大概率是散热硅脂干涸或风扇转速失控
• 用ipmitool sdr type temperature或racadm getbios调取BMC原始传感器数据，比操作系统层的top/htop更真实
• 内存必须查ECC错误计数：ipmitool sel list找“Correctable Memory Error”，单条内存72小时内累计＞5次，直接标记待更换

存储子系统：硬盘灯只是入口，SMART才是真相

RAID卡显示“Optimal”不等于磁盘健康，很多故障始于SMART参数悄然越界。

• 对每块盘执行smartctl -a /dev/sdX，重点关注Reallocated_Sector_Ct、Current_Pending_Sector、UDMA_CRC_Error_Count三项，任一非零即预警
• RAID重建过程必须人工盯守：用megacli -AdpEventLog -GetEvents -f log.txt -aALL每15分钟抓一次日志，重建进度停滞超2小时需介入
• NVMe盘不能只看nvme smart-log，要结合nvme id-ns查关键字段：Temperature, Media_Errors, Num_Err_Log_Entries，企业级盘Media_Errors＞0即触发替换流程

散热与环境：别让灰尘成为最大“降频器”

风扇转得响≠散热好，积灰导致风道堵塞才是常见隐性杀手。

• 进风口滤网清洁周期不是固定值：北方干燥地区每季度一次，南方潮湿多尘区域必须每月拆检
• 用红外测温仪实测服务器前后温差，标准值应为8–12℃；若＜5℃，说明风道被堵或风扇失效
• 机柜内设备部署留空至少1U，顶部禁止堆叠杂物；冷热通道必须物理隔离，否则再好的空调也白搭