R7-03 监控、告警与运行策略

项目	内容
课程代码	R7-03
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	要设计液冷机房监控方案的控制岗；以及要把监控清单变成值班判据的运维负责人
前置课程	R5-02 二次侧水质、压力与膨胀管理 · R3-03 混合系统：剩余风冷那一部分怎么设计
相关课程	R7-01 漏液防护：负压设计、检测与分区隔断 · R7-02 在线维护与可维护性设计 · R3-02 二次侧流量分配与并联均流
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，不是产品选型手册，也不是某一套监控软件的操作说明。它要回答的是：一间液冷机房应该连续测哪些量、每一个量能提前发现什么、测出来的数怎么变成一条值班人员敢按的判据，以及当判据设错时，代价会以什么形式出现。 ⛔ 它不给任何可以直接抄进组态里的限值表、报警门槛、延时参数与采样周期定值——那些随你的设备、冷却液、回路容积、隔离粒度与业务容忍度变化，抄来的数字在你的机房既不灵敏也不可信。 ⇒ 它给的是：一张按「能提前发现什么」组织的连续监测清单、一套三层告警的划分判据与响应要求、趋势判据与阈值判据的分工与配合方式，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
要写一份液冷机房的连续监测清单	第 2 讲全讲：五类量与各自的提前量	图2 取点图、图4 提前量阶梯、6.1 一页清单
组态里已经有几百个点，我要判「够不够」	第 1 讲 1.4：从判据反查点位	图1 判据链、6.2 误区一
值班台告警太多，要收敛	第 3 讲全讲：三层划分与响应要求	图5 三层表、图6 疲劳机制、典型案例
要给过滤器压差设一条判据	第 4 讲 4.3、4.4：基线与斜率	图8 基线带、6.3 取值汇总
要判「这条报警该不该联锁停泵」	第 4 讲 4.5：趋势与阈值的分工	图9 分工图、第 3 讲 3.2
一台机柜报温度高，要判问题在哪一侧	第 5 讲 5.4：分诊树	图12 分诊树、图3 支路温差判据
上了冷板液冷，风侧监控要不要留	第 5 讲 5.1、5.2	图10 覆盖缺口、图11 界面布局
要评审别人交来的监控方案	6.1 一页核对清单	6.2 四个误区
本课不覆盖：泄漏的检测层次与响应时间分解（去向 R7-01 漏液防护：负压设计、检测与分区隔断）· 支路流量分配算法（R3-02 二次侧流量分配与并联均流）· 水质控制量与定期化验（R5-02 二次侧水质、压力与膨胀管理）· 液侧份额 β 的核算（R3-03 混合系统：剩余风冷那一部分怎么设计）· 气流组织与末端选型（R2-01 冷热通道封闭与机房气流组织 · R2-03 机房风侧末端与送风方式选型）· 能耗与自然冷却小时数（R6-02 自然冷却小时数与气候区选址）· 监测与告警的标准条款（R8-01 标准全景：ASHRAE / OCP / GB / EU 各管什么）	—	见「小结与课程衔接」

---

符号与口径

⚠ 本课绝大多数符号沿用本板块已有课程的定义，⛔ 不重新定义。凡沿用的，取点口径与那门课完全一致；凡本课首定的，在表中明确标出。

符号	含义	单位	出处
T_fws	一次侧设施水供水温度，取点在分配单元一次侧入口	℃	沿用 R1-03
T_sup2	二次侧供液温度，取点在分配单元二次侧出口	℃	沿用 R1-03
T_ret2	二次侧回液温度，取点在分配单元二次侧回液口	℃	沿用 R1-03
T_in	设备实际进液温度，取点在机柜二次侧供液接口、快接头下游	℃	沿用 R1-03
ΔT_s	二次侧供回温差 ＝ T_ret2 − T_sup2	K	沿用 R1-03
ATD	分配单元逼近温度 ＝ T_sup2 − T_fws，在额定工况点上取	K	沿用 R1-03 / R5-03
T_dp	机柜内空气露点	℃	沿用 R1-03
ṁ	质量流量	kg/s	沿用 R3-02
K	支路阻力系数，Δp ＝ K·ṁ²	—	沿用 R3-02
Δp_支路	支路压降	kPa	沿用 R3-02 / R7-02
Δp_滤	过滤器进出口压差	kPa	沿用 R5-02
Δp_neg	负压裕度 ＝ 大气压 − 该点回路内绝对压力，为正表示该点是负压段	kPa	沿用 R7-01
t_det、t_ack、t_iso	检测、确认、隔断三段时间	min	沿用 R7-01
t_resp	总响应时间 ＝ t_det ＋ t_ack ＋ t_iso	min	沿用 R7-01
N_iso	隔离粒度，一次隔离动作波及的机柜或设备数	台	沿用 R7-01 / R7-02
P_rack	单机柜 IT 功率，⛔ 不含分配单元、机房空调与机房风机	kW	沿用 R9-01 / R9-02
β	液侧份额 ＝ Q_液侧 / Q_总，Q_总 含柜内风扇与柜内配电损耗	—	沿用 R3-03
T_a,in	机柜进风温度，取点在机柜前门，上中下三点	℃	沿用 R2-03
T_a,out	机柜出风温度，取点在机柜后门	℃	沿用 R2-03
T_sa	末端出口送风温度	℃	沿用 R2-03
δ_mix	送风温升 ＝ T_a,in − T_sa	K	沿用 R2-03
ΔT_air	机柜进出风温差 ＝ T_a,out − T_a,in	K	沿用 R2-03
V̇_rack	流过机柜的空气体积流量	m³/h	沿用 R2-03
ΔT_i	第 i 条液侧支路的进出液温差	K	本课首定，见 2.3；与 R3-02 的 ΔT ＝ Q/(ṁ·c_p) 同口径，只是加了支路下标
x	泛指任何一个被连续监测的量（温度、流量、压差…）	随量	本课首定，见 4.2
x_base	该量在稳定运行期建立的基线中心值	随量	本课首定，见 4.3
σ_base	同一基线期内该量的波动幅度（按标准差口径）	随量	本课首定，见 4.3
z	归一化偏离 ＝ (x − x_base) / σ_base，无量纲	—	本课首定，见 4.4
s	变化率 ＝ dx/dt，单位随量与所取时间尺度	随量/时间	本课首定，见 4.4
T_lead	提前量 ＝ 判据报出时刻到该量真正越限时刻之间的时间	h 或 d	本课首定，见 4.1
n_alarm	单班次推送到值班台的告警条数	条/班	本课首定，见 3.5
r_act	有效告警率 ＝ 需要立即动作的告警条数 / 告警总条数	—	本课首定，见 3.5

⚠ 两处必须一起带上口径的量。

• β：本课在第 5 讲用它做双侧覆盖的核对。它的分母是 Q_总（热账总量，含柜内风扇与柜内配电损耗），⛔ 与 R9-01 NVIDIA 机柜级参考架构解构：GB200 NVL72 与 MGX 的冷却约束 的 η_liq 不是同一个分母——后者的分母是 P_rack（单机柜 IT 功率）。两者都无量纲、都叫「液冷带走的份额」、公开区间也都落在六成到八成，⇒ 直接互代会系统性低估风侧份额，在本课的后果是风侧监控被判为「没什么可看的」而砍掉。那条桥在 R3-03 混合系统：剩余风冷那一部分怎么设计 已写足，本课不重复，只在第 5 讲用它时再提醒一次。
• σ_base：本课把它当成「这个量平时抖多大」的度量，⛔ 不当成统计推断的置信区间。机房数据几乎都不满足独立同分布（有昼夜负载周期、有批任务、有相邻设备耦合），⇒ 拿 z 去反推「误报概率是多少」不成立；z 在本课的唯一用途是把不同量纲的量放到同一把尺上比较。

---

引言：一句听起来无可指摘、而且会把方案带偏的话

在液冷机房的方案评审上，监控这一章几乎总是这样开头：

「监控系统按全覆盖设计，采集点位共计 XXXX 个，涵盖温度、压力、流量、液位、阀位、泵状态、漏液信号等全部参数，实现对系统运行状态的实时监视与报警。」

这句话每个字都对，而它什么也没说。它回答的是「我装了多少个传感器」，而运维真正要的是另一个问题：

当某件事正在变坏、而它还没坏的时候，我能不能知道？知道之后，我该现在动手，还是可以等到周三的计划窗口？

这两个问题之间隔着三层东西，而这三层正是本课的内容：

第一层：量到判据。一个点位只是一个数。「进液温度 32.4 ℃」本身不构成任何信息——它是高还是低，取决于这台设备的允许上限、取决于此刻的负载、取决于同一列其他机柜是多少。没有判据的点位不产生行动，只产生数据库容量。

第二层：判据到分层。就算每个量都有判据，如果所有判据都以同一种方式推给同一个人，结果是告警疲劳——人开始不看。这不是纪律问题，是信息设计问题：一个每班收到上百条提示的值班台，物理上不可能逐条核实。⇒ 而疲劳的代价不是「多看了几条没用的」，是那一条真的被淹掉了。本课的教学案例就是这么发生的。

第三层：分层到时机。阈值判据有一个结构性的缺陷：它只有在越限之后才报，而那时候问题往往已经发生了。真正能给你时间的，是趋势——一个量在还没越限时就已经在稳定地朝一个方向走。⚠ 但趋势判据不能替代阈值判据：安全联锁必须挂在阈值上，因为联锁要的是确定性，不是提前性。两者是分工，不是替代。

还有一件事，在冷板液冷的机房里特别容易漏：

上了液冷不等于热都走了液侧。冷板盖住的是处理器与加速卡，而内存、供电模块、网卡、硬盘这些器件仍然靠空气。这部分热的份额就是 1 − β。⇒ 如果监控界面上只有液侧的温度、流量、压力，那么另一部分系统在你的视野之外运行，而它出问题时的表现——某几台设备报温度高——会被误判成液侧的事，排障方向从第一分钟就是错的。

本课六讲对着这三层加这一条展开：第 1 讲先把「监控是什么」这件事的方向掉过来——从判据出发反推点位，而不是从点位出发凑判据；第 2 讲是清单本体，五类必须连续测的量，逐类说清它能提前发现什么、发现不了什么；第 3 讲讲分层，三层的划分判据与各自的响应要求，以及告警疲劳的发生机制；第 4 讲讲趋势判据，包括基线怎么建、斜率怎么用、以及它和阈值判据怎么配合；第 5 讲讲双侧覆盖，把液侧与风侧放进同一个界面，并给出排障时的分诊路径；第 6 讲收口成一页清单、四个误区与取值汇总。

---

第 1 讲　监控是一条判据链，不是一张点表

1.1 点表思维错在哪里

先说清楚「点表思维」是什么：先决定装哪些传感器，装完之后再想它们能用来判什么。

这个顺序在传统机房里长期能用，原因很具体：风冷机房的失效模式少、链条短、后果轻。温度高了就是制冷不够，制冷不够就是机组或气流的事——判据几乎不需要设计，靠经验就能补上。

而液冷机房不成立，因为它同时具备三个特征：

1. 失效模式增加了一整类。R7-01 漏液防护：负压设计、检测与分区隔断 讲的泄漏是风冷机房里根本不存在的失效模式——液体被送到了带电部件正上方，⇒ 它需要一条独立的感知通道，而不是从别的量里推。
2. 链条变长了。从一次侧设施水到芯片结温，中间串着 T_fws → ATD → T_sup2 → 输配温升 → T_in → 冷板热阻 → 结温 这么一条链（R1-03 机房热环境等级与供液温度等级（ASHRAE A 级与 W 级） 画过这条链）。链上任何一环变坏，最终表现都是「温度高」。⇒ 只测末端的温度，你知道出事了，但不知道出在哪一环。
3. 缓慢失效占了大头。R5-02 二次侧水质、压力与膨胀管理 的结论是二次侧的失效「几乎全是缓慢的、有前兆的、且前兆不在温度上」。⇒ 真正有价值的量是那些先动的量，而它们通常不在传统点表上。

所以本课把顺序倒过来：

先列出你要能回答的判断题，再反推每个判断题需要哪几个量，最后才是这些量在哪里取点、多久采一次、存多久。

1.2 这门课的四道判断题

把上面那句话落到具体，本课认为一间冷板液冷机房的监控系统至少要能回答这四道题。它们后面会一直被引用。

题一（温度链）：从设施水到设备进液，这条链上的每一段温升是不是还在设计位置上？如果设备进液温度偏高，是设施水偏高、分配单元逼近温度变差，还是二次侧输配段出了问题？

题二（分配）：并联的这些支路，流量还是按设计比例分的吗？有没有某一条已经在悄悄少拿？

题三（趋势）：有没有什么东西正在缓慢变坏、而所有量都还没越限？

题四（两侧）：这台机柜报出来的温度问题，缺口在液侧还是风侧？

⚠ 这四道题不是穷举。泄漏那一类问题的判据体系属主是 R7-01 漏液防护：负压设计、检测与分区隔断，本课只把「漏液检测状态」作为一条独立通道接进监控系统（见 2.6），⛔ 不重复它的检测层次、响应时间分解与隔断粒度。能耗与自然冷却小时数那一类问题的属主是 R6-02 自然冷却小时数与气候区选址，本课不覆盖。

1.3 取点位置比传感器精度更决定这个数可不可用

这一条要说在最前面，因为它在评审里几乎从不被问，而它是「监控数据不可信」的第一大来源。

同一个物理量，取点不同就是不同的数。三个例子，都来自这条链上：

• 进液温度：取在分配单元二次侧出口，与取在机柜快接头下游，中间差着一整段二次侧输配管路的温升。R1-03 机房热环境等级与供液温度等级（ASHRAE A 级与 W 级） 明确给出的口径是 T_in 取在机柜二次侧供液接口、快接头下游——因为设备厂商给的允许进液温度上限就是对着这个位置提的。⇒ 用分配单元出口的读数去核设备的进液温度要求，是拿一个偏低的数去核，会把裕量算多。
• 机柜进风温度：R2-03 机房风侧末端与送风方式选型 的口径是取在机柜前门，上中下三点。取单点、或者取机房平均值，都会把回流造成的柜顶偏高抹掉——而回流恰恰是最常见的风侧问题。
• 过滤器压差：必须是同一个过滤器的进出口两点之差。如果一侧的压力取自主管上的一个共用压力表，那么这个「压差」里混进了主管沿程压降的变化，⇒ 流量一变它就变，趋势判据会被负载波动淹掉。

一条可以直接用的评审提问：随便指着组态画面上的一个数，问「这个数取在哪个位置？为什么是那个位置？」。答不出来的那些量，它们的历史数据在做趋势分析时是不可用的——因为你不知道它在跟什么比。

1.4 从判据反查点位：一个可执行的核法

评审别人交来的监控方案时，用这个顺序，而不是数点位：

1. 把 1.2 的四道判断题（加上你自己项目特有的题）逐条列出来；
2. 对每一道题，写出回答它需要哪几个量同时可读——注意是「同时」，温度链那道题需要三个点位同时有值，缺一个这道题就答不了；
3. 到方案的点表里逐个找，找不到的记为缺口；
4. 反过来，点表里凡是没有出现在任何一道题里的量，逐个问「它服务于什么」，问不出来的记为哑点；
5. 缺口要补，哑点要么补上它服务的判断题、要么删掉。

⚠ 第 5 步的「删掉」通常做不成，也不必强求——哑点的成本主要是它会响。⇒ 更现实的处置是：把它降到「仅记录」那一层（第 3 讲），不推送到值班台。这一步本身就能把告警量降下来一大截。

1.5 采样周期、保存期与两条容易踩的坑

这三件是点位定下来之后立刻要定的，⚠ 而它们直接决定趋势判据能不能做。

采样周期要按「这个量变化多快」定，⛔ 不是全系统一个值：

• 漏液检测状态：事件驱动，状态一变立刻上报，⛔ 不许轮询——R7-01 漏液防护：负压设计、检测与分区隔断 里 t_det 是响应时间账的第一段，轮询周期会直接加在它上面；
• 压力、流量：这两个量在泵切换、阀动作时会有快速瞬变，采样周期约 1~5 s（⚠ 行业典型区间，⛔ 不是标准要求）；
• 温度：受热惯性限制本来就变得慢，约 5~30 s 通常够用（⚠ 同上）；
• 过滤器压差：它是本课最重要的趋势量之一，采样本身不必快，但必须长期连续，⚠ 别用「按需读表」代替。

保存期的判据只有一条：要建立基线，就必须存得下一个完整的负载周期，外加足够长的历史用来看斜率。算力中心的负载周期通常是「日 + 周」两层（白天/夜间、工作日/周末），批任务型场景还会叠一层更长的。⇒ 原始分辨率数据至少要覆盖数周；降采样后的长期曲线建议按年保存——因为过滤器与水质这类量的有意义变化尺度就是月到年。

⛔ 两条坑：

• 坑一：只存报警，不存原值。这样做之后，趋势判据永远做不出来——你手上只有「越限了几次」，没有「它是怎么走到那儿的」。
• 坑二：降采样时只存平均值。把 1 s 的数据压成 5 min 的平均值，会把瞬时的流量骤降完全抹平。⇒ 降采样至少要同时保留最大值、最小值与平均值三条。

1.6 本讲小结

1. 监控设计的顺序是判断题 → 量 → 取点 → 分层，⛔ 不是点表 → 限值（1.1、图1）。
2. 本课认下的四道判断题：温度链、分配、趋势、两侧（1.2）。泄漏那一类的属主是 R7-01 漏液防护：负压设计、检测与分区隔断。
3. 取点位置比传感器精度更决定这个数可不可用；评审提问＝「这个数取在哪、为什么」（1.3）。
4. 核方案用「缺口 + 哑点」双向查（1.4）；哑点的现实处置是降到仅记录层，⛔ 不必强删。
5. 采样周期按量分档、⛔ 不全系统一个值；保存期由「能不能建基线」倒推（1.5）。

---