AI服务器易损部件清单

AI服务器易损部件清单

1. 散热风扇 / 模组

在风冷服务器中最为普遍。

诱因：全天候高转速运转、积尘、轴承损耗。

2. 电源供应单元 PSU / Power Shelf

AI服务器耗电巨大，以英伟达GB200整柜系统为例，其用电量极高。根据NVIDIA DGX GB200 SuperPOD参考架构，单个GB200 NVL72机柜配备8个Power Shelf，每个含6个5.5kW PSU，最高可提供33kW电力。

易损部位：PSU、PDU、电源线、背板、Power Shelf、控制模块。

3. 光模块 / AOC / DAC / OSFP 线缆

常见故障：光模块过热、OSFP接口损耗、光纤弯折、端口脏污、AOC线缆故障、DAC接触不良。

4. SSD / NVMe

常用于缓存训练数据、日志记录、系统盘及本地存储。

易损点：写入寿命耗尽、控制器故障、过热及固件异常。

5. DIMM / DDR 内存

区别于HBM，指服务器系统级内存。

易发问题：ECC错误频发、接触松动、高温环境不稳定。

备件建议：选用中等频率型号，确保型号完全匹配。

6. GPU板卡 / SXM模块

常见问题：HBM错误、GPU掉卡、NVLink异常、供电VRM故障、温度异常。SXM连接器问题较常见，但若GPU核心或HBM损坏，普通维保无法修复，通常需RMA换件。

7. NVSwitch板 / NVLink Switch Tray

多GPU系统的核心组件。故障会导致：GPU互联中断、集群训练效率下降、节点不稳定。

在GB200 NVL72系统中，NVLink Switch Tray是关键模块，NVIDIA SuperPOD参考架构中也包含此结构设计。

8. ConnectX网卡 / BlueField DPU

集群网络异常时，排查对象包括：网卡、DPU、固件、光模块、交换机端口及线缆。

9. 液冷部件

Blackwell GB200/NVL72多采用液冷方案。

重点关注：Quick Disconnect接头、冷板、水泵、阀门、Manifold及冷却液泄漏。