凌晨三点，监控告警：服务器离线。你登录云控制台，发现机器状态是“已停止”。不是重启，是彻底关机。你点启动，它又起来了。你查了日志，没有kernel panic，没有OOM，没有任何软件报错。
硬件在跟你捉迷藏。
软件问题会留下日志。硬件问题不会。它只会让服务器突然消失，然后等你发现。今天聊6个硬件故障排查步骤，帮你找出那个“偶尔发疯”的零件。
先看一个数据
Backblaze的年度硬盘报告显示，约1.5%-2%的硬盘会在一年内故障。但硬件故障不只是硬盘。电源、内存、主板、散热，每个都可能成为那个“突然关机”的元凶。更麻烦的是，硬件故障往往是间歇性的——你重启之后它好了，下周又来一次。
不找出哪个零件坏了，你永远在赌。
第一步：看日志，排除软件问题
硬件排查之前，先确认不是软件导致的。
bash
# 查看系统关机记录 last -x | grep shutdown # 查看内核日志 dmesg -T | grep -i "error\|fail\|panic" # 查看系统日志 journalctl --since "1 hour ago" | grep -i "temperature\|power\|hardware"
如果看到“thermal throttle”（温度降频）或“power loss”（电源丢失），说明是硬件。如果看到“kernel panic”或“OOM”，那可能是软件或内存不足。如果日志干干净净，什么都没留下，硬件嫌疑最大。
第二步：检查温度（最常见的原因）
服务器过热会自动关机保护。
bash
# 安装传感器工具 sudo apt install lm-sensors -y sudo sensors-detect --auto sensors
阈值参考：
- CPU：超过85°C危险，超过95°C会关机
- 硬盘：超过55°C危险
- 主板/芯片组：超过70°C危险
如果温度过高：
- 清灰：机箱内部、CPU散热器、电源风扇
- 检查风扇：不转的风扇要换
- 改善通风：不要塞在角落，前后留空间
- 机房的空调温度是否正常
反常识点：服务器在冬天也可能过热。灰尘堵住散热片，风扇老化转速下降，这些和季节无关。
第三步：测试内存（Memtest86）
内存故障会导致随机重启、死机、文件损坏。普通系统检查工具测不出来。需要用Memtest86。
操作步骤：
- 下载Memtest86（免费版即可）
- 制作启动U盘
- 从U盘启动，让它跑一个完整循环（Pass）
时间：16GB内存大概30-60分钟。测试通过标准：0 errors。但凡有一个错误，内存就要换。不用纠结“偶尔才出错”，内存错了就要换。
第四步：检查硬盘健康（SMART）
硬盘故障前会有征兆。
bash
sudo apt install smartmontools -y sudo smartctl -H /dev/sda
如果状态是PASSED，继续看详细数据：
bash
sudo smartctl -A /dev/sda | grep -E "Reallocated|Pending|Uncorrectable"
危险信号：
Reallocated_Sector_Ct> 0Current_Pending_Sector> 0Offline_Uncorrectable> 0
数值大于0意味着硬盘已经有坏道。即使还能用，也建议尽快换新盘。
第五步：检查电源
电源问题是间歇性关机的头号元凶。但电源没有自检工具，只能靠观察和替换。
观察：
- 电源风扇是否转动
- 关机后，主板上有没有指示灯亮（待机电源）
- 电源是否有异响（滋滋声、咔哒声）
测试方法（最原始但最有效）：
- 换一个已知正常的电源，运行几天
- 如果换了之后不再关机，就是电源的问题
- 如果换了还关，再找下一个嫌疑
如果是云服务器，跳过这一步，因为电源是云厂商的，你换不了。直接提工单让他们检查宿主机硬件。
第六步：检查主板（最麻烦的环节）
如果以上都查过了，关机还在继续，可能是主板故障。
主板问题的典型表现：
- 开机后随机重启，没有蓝屏或报错
- 某些接口（USB、SATA、网口）间歇性失灵
- 主板上的电容鼓包、漏液（肉眼可见）
检查方法：
- 目视检查：看电容有没有鼓包、漏液，主板有没有烧焦痕迹
- 最小化测试：只留CPU、一根内存、电源，拔掉所有硬盘和扩展卡，观察是否还会关机
- 替换测试：用另一块主板替换，这是最后的手段
对于托管服务器，联系机房换主板。对于办公室自用服务器，可能需要换整机。
真实案例
一台办公室里的文件服务器，每周随机关机一次。查日志，什么都没有。查温度，正常。查内存，Memtest86跑了一夜，0错误。查硬盘，SMART正常。换了一个电源，连续跑了两周，没再关机。
原电源的电容老化，输出不稳，偶尔电压波动触发主板保护。机箱里看着正常，用仪器测电压才知道。故障判断只能靠换件排除。
排查顺序建议
按概率从高到低排查：
- 温度（最容易出问题，最容易查）
- 内存（Memtest86跑一遍）
- 电源（替换法）
- 硬盘（SMART）
- 主板（最后才怀疑）
如果是云服务器：提工单，把排查结果（温度、内存、硬盘）附上，要求换宿主机。云厂商通常不让你自己换硬件，但可以帮你迁移到另一台物理机。
最后一句
硬件故障排查难，难在它不留日志。你只能靠排除法，一个一个试。
下次服务器突然关机，别光重启。花半小时走一遍这6步。找到坏的那个零件，把它换掉。
你省下的不是一次维修的时间，是无数个半夜被叫醒的睡眠。