R7-02 在线维护与可维护性设计

项目	内容
课程代码	R7-02
所属板块	R 算力中心与液冷 · R7 可靠性、漏液与运维
建议时长	2.5~3.0 学时
适合对象	要把「可维护」这件事做进结构里的结构工程师；以及要在方案阶段就判断运维可行性的运维负责人
前置课程	R3-04 快接头：drip-less、UQD 与盲插 BMQC · R7-01 漏液防护：负压设计、检测与分区隔断
相关课程	R3-02 二次侧流量分配与并联均流 · R4-01 单相浸没：槽体、循环与维护性 · R5-01 分配单元形态与选型
本讲义定位	讲师授课蓝本 / 学员自学讲义

本讲义定位　这是一门判据课与设计课，不是操作手册。它要回答的是：一台液冷设备在旁边的设备还在跑的时候能不能被换掉，这件事由哪些设计条件决定；以及当条件不满足时，你会为此付出什么、还有没有补救的余地。 ⛔ 它不给任何可以直接抄进作业指导书的操作步骤、力矩值、时间定额与培训学时——那些随你的机型、工装、人员与所在地的作业安全要求变化，抄来的数字在你的现场既不安全也不合规。 ⇒ 它给的是：四个可以逐条核对的设计条件、一套把维护动作拆成可判据步骤的方法、一张能力缺口的核对表，以及每一处「本课不给数」的地方你自己去哪里拿到那个数。

---

按任务导航

你手上的事	直接看	还要配
方案里写了「支持在线换件」，我要核这句话成不成立	第 2 讲 2.1 与 2.6：四条件与门与核对表	图4 与门判据、6.1 一页清单
要定二次侧液路上隔离阀装在哪一级	第 2 讲 2.3：N_iso 与三种拓扑	图5 隔离粒度、第 4 讲 4.3
要核机柜结构抽不抽得出来	第 2 讲 2.4：三类几何冲突	图6 抽出路径
要写一份带液换件的作业规程	第 3 讲全讲：四段与逐段判据	图7 四段时间轴、3.6 判据表
现场插不进去，该不该加力	第 3 讲 3.4：对位与力反馈	图8 三种力—行程情形
恢复之后怎么判「这次维护算完成了」	第 3 讲 3.5：三个动作与收尾判据	3.6 判据表恢复段两行
要把维护窗口算进可用性	第 4 讲 4.1、4.3：T_win 与三条路径	图9、6.4 取值汇总
要评估运维团队还缺什么、什么时候补	第 5 讲 5.2~5.4：三类缺口与三个时点	图10 时间错位
首次维护要记录哪些	第 5 讲 5.4：五条必记	图10 右侧清单
要给方案评审准备一页材料	第 6 讲 6.1：一页核对清单	图11 案例因果链
本课不覆盖：接头本身的选型、残留量核算、盲插公差链	去向：R3-04 快接头	—
本课不覆盖：漏液的检测、分区隔断与负压设计	去向：R7-01 漏液防护	—
本课不覆盖：维护期间水力工况的核算方法、支路流量分配	去向：R3-02 二次侧流量分配与并联均流	—
本课不覆盖：防护等级、作业资格与废液处置的条款内容	去向：所在地现行有效的作业安全与废液管理要求 ＋ 本单位 EHS 体系文件	—

---

引言　一句被说得太早的话

在液冷方案的评审会上，有一句话出现的频率极高：

「我们用的是不滴漏接头，所以可以在线换件。」

这句话的前半句通常是真的——采购的确是不滴漏接头，规格书也确实写着断开时两端各自截流。后半句则是一个结论，而中间那段推理被整段跳过了。

跳过的代价不在图纸上，在两年后的某个夜里：某台节点报障，运维按方案书写的「支持在线更换」去操作，走到机柜前才发现，这一列六台机柜共用一条支路，要断开其中任何一台，得先把整条支路的流量停掉。于是一次单节点故障变成了一次整列停机。可用性承诺当场兑现不了，而且没有便宜的补救办法——液路已经走完了，改造意味着重新走管。

这门课要做的，就是把那段被跳过的推理补回来，并且补成一份在设计阶段就能用的核对工具。

本课怎么走。第 1 讲说清在线维护到底难在哪儿，以及为什么它是一个设计问题；第 2 讲给出四个必要条件与它们之间的与门关系，这是全课的骨架；第 3 讲把一次维护动作拆成四段，逐段给出可核对的判据；第 4 讲把维护窗口这个量与可用性对账，并说明为什么本课不给它的数；第 5 讲讲运维团队的能力缺口——这是液冷项目最常在验收阶段才暴露的一类问题；第 6 讲收成一张核对清单，并完整走一遍开头那个案例。

---

第 1 讲　在线维护为什么难

1.1 先把两个词分开：热插拔、在线维护

这两个词在会议室里常被混用，而它们的射程差得很远。

热插拔（hot-swap）是设备电气侧的一个属性：这台设备的接口与供电设计允许它在系统带电运行时被拔出与插入，不会造成数据损坏或电气损伤。它由设备本身的设计决定，与冷却方式无关——一块支持热插拔的硬盘，泡在风冷机箱里还是接在冷板上，它的热插拔属性不变。

在线维护（在本课语境下）说的是整个维护动作可以在相邻设备继续运行的前提下完成。它是一个系统级属性，涉及电、液、机械结构与作业流程四个方面。

⇒ 热插拔是在线维护的一个必要条件，⛔ 不是它的同义词。一台电气侧完全支持热插拔的服务器，如果它的液路无法单独断流，它在液冷机柜里就是不能在线更换的。这个区分看起来琐碎，但它正是开头那句话失效的第一个位置：设备供应商说的「支持热插拔」，答的不是你的问题。

1.2 断开液路，带来三类此前不存在的风险

风冷设备换件时，要处理的介质只有电。液冷多出来的那一件是液体，而它带来的不是一类风险，是三类——它们的成因、防法与责任归属都不同，⛔ 不能混成一句「注意别漏液」。

第一类：残留液。断开的那一瞬间，接头端面上会有液体暴露出来。这一部分在 R3-04 里已经算过账：它记作 V_res，口径是一对接头（公母两个端面）断开一次暴露到大气侧的液体总量，由「阀座到端面之间的几何空间」与「端面液膜」两部分构成。本课直接沿用这个符号与口径，⛔ 不重新定义。

对本课重要的是它的三条性质：① V_res 不是零；② 它会随阀芯磨损与密封件劣化无声地变大，运行期没有任何测点看得见；③ 它在带压断开时会被放大成一次喷溅，其量远大于静态残留量。⇒ 第 ③ 条直接推出第 3 讲断开段的第一条判据：断开之前必须泄压。

第二类：密封失效。每一次插拔都是一次动密封动作。它有两个方向的后果：一是立刻的——插合不到位、密封面上压到异物、O 形圈被切伤，于是接通之后开始渗漏；二是累积的——插拔次数消耗接头的寿命预算，而寿命预算是有限的。R3-04 用 N_dis 记断开次数，本课沿用。

⚠ 这里有一个容易被忽略的耦合：「支持在线维护」这件事本身会推高 N_dis。因为在线维护把「换件」的门槛降低了，于是维护会更频繁地发生——升级、扩容、预防性更换，都会去用这个能力。⇒ 设计时按「只有故障才换」估出来的插拔次数，在一个真正支持在线维护的机柜上通常是偏低的。

第三类：误操作。这是三类里唯一一类与人有关的，也是唯一一类不能靠选型解决的。它的典型形态是：断开顺序搞反（先断液后断电，或者带压断开）、断错支路（隔离阀关的不是这一条）、承接没到位、恢复时忘了排气。

⚠ ⛔ 不要把误操作归到「人不小心」上。把它归给人，唯一能得到的处置是「加强培训」，而这句话既不可核对也不能被验收。正确的归属是：误操作的发生概率由设计与流程决定——阀有没有标识、隔离阀离接头有多远、断开动作有没有强制顺序、排气口在不在人够得着的地方。这些全是设计决定，也全是可以在图纸上核对的。

1.3 「在线」这个词的真正重量：邻机在跑

如果把上面三类风险放在一台孤立设备上，它们的后果是可控的——最坏也就是这一台设备报废，而它本来就是坏的、正在被换。

让这件事变难的是「在线」两个字：相邻设备仍在运行。

这一句话把风险的量级整个抬了一档，原因有三条：

其一，后果的承受者变了。几滴液体落在一台正在断电检修的设备上，损失是零；落在下一层正在满载运行的节点上，损失是那台设备加上它承载的业务。R1-01 里有一句判断可以直接搬过来：漏液的损失直接落在带电设备上，是设备而不是停机时间。

其二，你不能停下来慢慢处理。孤立环境里发现渗漏可以关闭系统、擦干、检查、重来。在线环境里，相邻设备还在跑，你没有「把整条支路停下来看看」这个选项——如果有，那这次维护本来就不是在线的。

其三，最危险的一条：动作发生在别人的运行空间里。抽出一台节点时，管路会摆动，工装会伸进机柜，人的手臂会挡在别的设备的进风口前。⚠ 这几件事没有任何测点能看见，也不会在事后留下痕迹。一次因为维护动作短暂遮挡了相邻设备进风口而引发的温度报警，在日志里看起来和一次随机的热波动完全一样。

⇒ 所以「在线维护」的设计目标不能写成「让维护动作能做」，必须写成：让维护动作在做的全过程中，对相邻设备的影响保持在可接受范围内——它对结构设计提的要求，比「能拔出来」高一整级。

1.4 结论：它是从接头到机柜的设计问题，⛔ 不是规程问题

把 1.1~1.3 合起来，得到本课的第一条主张，也是全课的骨架：

在线维护能不能做，在设备到场之前就已经被决定了。作业规程只能决定「做得好不好」，⛔ 不能决定「做不做得成」。

这句话的实用价值在于它给出了时间顺序：一份可维护性要求，如果在接头选型之后、液路走管之后、机柜结构冻结之后才提出来，那它多半已经提不动了。下面这张表把四层决定各自的冻结时点与事后补救的可能性列出来——它是本课最应该被带进方案评审会的一页。

层	这一层决定什么	谁决定	冻结时点	事后还能不能补
① 接头	断开时会不会滴漏、能不能盲插、插拔寿命	接头选型（属主 R3-04）	详细设计阶段	⚠ 能换，但要重核相容性、重核压降、可能要改安装界面——是一次大变更
② 液路拓扑	能不能只把这一台设备的支路断掉	二次侧管路设计	走管设计冻结时	⛔ 基本不能——加隔离阀意味着重新走管，且要重核水力（属主 R3-02）
③ 机柜结构	抽出路径够不够、接头够不够得着、管路会不会被拉扯	机柜与托盘结构设计	结构冻结时	⛔ 不能——这是几何问题，机柜已经造出来了
④ 作业流程	这一次操作做得对不对、留不留得下记录	运维方（本课第 3、5 讲）	设备到场前	✅ 能，而且应该持续改

⇒ 读这张表要读出的不是「①②③ 很重要而 ④ 不重要」，而是：四层里只有第 ④ 层是事后可改的，而绝大多数项目把可维护性的全部注意力都放在第 ④ 层上。写一份很厚的作业指导书，改不动前三层里的任何一格。

1.5 本课的边界、符号与口径

栏一 · 本课会给的：四个必要条件的判据与核对方法；维护动作的四段拆解与逐段判据；维护窗口的构成式与实测方法；能力缺口的核对表与补齐路径；一个完整走通的教学构造案例。

栏二 · ⛔ 本课明确不给的，以及去哪里拿：

不给什么	为什么不给	去哪里拿
具体的作业步骤、力矩、扭矩与操作力值	随机型、接头型式与工装变化，抄来的值在你的现场不成立	设备与接头供应商的安装维护手册；首次维护时由厂商现场确认并记录
带液作业的人员防护等级与处置要求的条款内容	本课未逐字核过任何一份现行有效版原文	你所在地现行有效的作业安全法规与你单位的 EHS 体系文件；⚠ 版次以现行发布目录为准
机柜级液冷开放规范里关于可维护性与接头的条款与限值	同上，本课只写去向	相应开放规范的现行发布版原文；⚠ 编号与版次按现行有效版逐条核对
维护窗口的时间定额、培训学时、演练次数	平台相关量，随工装与人员水平差异极大	第 4 讲给实测方法，第 5 讲给核对表；数由你自己实测

符号与口径。本课要用到几个在同板块其他课里已经定义过的量。为了不让读者在两门课之间做换算，本课一律沿用它们原来的符号与口径，⛔ 不另起新符号、⛔ 不重新定义：

符号	含义	单位	口径属主与要点
V_res	一对接头断开一次暴露到大气侧的液体总量	mL	沿用 R3-04。⚠ 口径是一对（公母两个端面），⛔ 不是单侧
N_dis	断开次数	接头对·次	沿用 R3-04。⚠ 单位是「接头对·次」，⛔ 不是「维护次数」——一次维护可能断开多对
V_cum	累计外泄量，V_cum ＝ V_res × N_dis	mL	沿用 R3-04。⚠ 它是量级估算，⛔ 不是泄漏预测模型
ṁ、Δp_支路	支路流量与支路压降	kg/s、kPa	沿用 R3-02。本课只用它们判断「断开一条支路后其余支路会怎样」，⛔ 不给分配算法
N_dom	故障域，一台设备失效时受影响的机柜数	台	沿用 R9-02。⚠ 报它时必须同时报占比，⛔ 只报台数会掩盖规模差异
P_rack	单机柜 IT 功率	W	沿用 R9-02 / R9-01。⛔ 不含分配单元、机房空调与机房风机

本课自己新定义的量只有两个，都在后面首次出现处给足定义：隔离单元规模 N_iso（第 2 讲 2.3）与单次维护窗口 T_win 及其四个分段（第 4 讲 4.1）。

⚠ 跨课口径提醒，⛔ 不许跳过。本课第 2 讲会用到「带电换件可不可行」这个判定，而 R3-04 已经给过一套五问判据（液体去哪儿 / 设备电侧能不能带电插拔 / 其余支路会怎样 / 插拔寿命够不够 / 操作者需要什么条件）。本课的四条件与那五问不是两套东西，也⛔ 不是同一套换了个说法——它们的射程不同：

• R3-04 的五问是接头位置视角的：站在一对接头前，问这个位置能不能带电操作；
• 本课的四条件是系统视角的：问整台设备的在线更换能力成不成立。

⇒ 两者的关系是：四条件里的第一条与第四条，正是五问里第 ① 问与第 ⑤ 问在系统层的展开；而五问里的第 ② 问（电气侧）在本课记作前提、第 ③ 问（其余支路）由本课第 4 讲 4.4 承接、第 ④ 问（寿命）由本课 1.2 的耦合分析承接。⛔ 不要把两套判据分别打一次勾就以为核对过两遍——它们查的是同一件事的两个层次，缺哪一层都不能算过。

1.6 第 1 讲小结

• 热插拔 ≠ 在线维护：前者是设备电气侧属性，后者是涉及电、液、结构、流程四方面的系统级属性。设备供应商说的「支持热插拔」，答的不是你的问题。
• 断开液路带来三类新风险：残留液（选型与布置管）、密封失效（选型与策略管）、误操作（结构与流程管）。⛔ 三类的归属不同，不能合并处理。
• 「在线」两个字把风险抬了一档：后果落在正在运行的相邻设备上，你没有停下来处理的选项，而维护动作对邻机的干扰没有任何测点看得见。
• 可维护性四层（接头 / 液路拓扑 / 机柜结构 / 作业流程）里，只有第四层事后可改 ⇒ 要求必须在结构冻结前提出。
• 本课沿用 V_res、N_dis、V_cum、ṁ、Δp_支路、N_dom、P_rack 的既有口径，只新定义 N_iso 与 T_win 两个量。

---