液冷总压差报警,哪块冷板堵了?支路差压来定位(液冷压力传感器) ypxx.net

AI数据中心液冷系统规模不断扩大,一套CDU会供给多个机柜,每个机柜内部配置多块冷板。

系统总供回压差是保护系统的重要参数,当过滤器或者冷板出现堵塞,管路流通阻力上升,总回路压差就会升高,触发系统总压差报警。

但总压差只能告诉运维人员整个回路阻力异常增大,无法直接定位究竟是公共过滤器故障,还是某一个机柜内部某一块冷板发生淤堵。

如果仅依靠总压差告警,故障排查需要逐台机柜断电、开盖、手工检测,排查耗时长,算力业务被迫降载,会造成较大业务损失,如何快速定位堵塞冷板,是液冷运维当中的现实难题。

液冷管路系统阻力具备叠加特性,CDU侧读到的总供回压差,是公共管路阻力、过滤器阻力、各个机柜支路、冷板阻力的综合结果。当单块冷板发生局部堵塞,流道通流面积下降,这块冷板自身压差会明显抬升。

但多支路并联工况下,单支路阻力变化对系统总压差的贡献被其他正常支路稀释。轻度堵塞阶段,总压差变化幅度很小,不足以触发总压差告警;等到总压差报警弹出,往往已经出现多块冷板堵塞,或是单块冷板严重淤堵,部分服务器已经处于换热不足的边缘。只依靠CDU总压差测点,做不到早期发现、准确定位。

很多项目设计阶段只在CDU总进出水口配置差压监测,各个机柜支路缺少差压采集。出现总压差报警后,运维人员只能采用分段隔离法,逐个关闭支路阀门,观察总压差变化,反向定位故障机柜。

这种操作属于干预式排查,调整阀门会改变整个系统水力平衡,过程当中会影响其余正常机柜的冷却液流量,存在引发其他服务器过热的风险,操作流程复杂,对运维人员经验要求高。

还有现场依靠支路流量变化反推堵塞,但是并联管网水力耦合,单支路冷板堵塞,会造成其余支路流量重新分配,流量变化不具备指向性,仅仅看支路流量很难直接锁定故障冷板。

在机柜内部每条冷板供回接口,配置一体式差压变送器,直接采集单块冷板两端的实时压差。正常工况下每一块冷板压差维持在设计区间;一旦冷板流道被冷却液析出杂质、胶体、颗粒淤堵,流通阻力变大,该冷板的差压数值会先出现上涨。

即便其余冷板全部工作正常,单台冷板压差超限就可以发出支路告警,在还未引起系统总压差明显变化的早期阶段,就识别出故障点位。多个支路差压测点的数据上传DCIM平台,发生总压差报警时,可以直接调取全部支路差压列表,压差明显超标的冷板即为故障对象,实现非介入式定位,不需要调整阀门、不用切断其他机柜业务。

液冷应用时存在总压差报警仅能反映整体异常,无法直接定位具体冷板堵塞点位的问题,锐凌建议在系统设计阶段,不能仅依靠CDU总回路差压测点完成故障检测,在机柜内部面向每一路冷板增设支路差压监测点位。设置两级告警机制:CDU总压差作为系统级保护,监控公共管路、总过滤器的阻力异常;各个冷板支路差压作为设备级告警,捕捉单块冷板的早期淤堵。

组态上建立告警关联逻辑,当总压差报警触发,系统自动筛选出压差超阈值的冷板支路,直接输出故障位置清单给到运维界面。调试过程中记录每一块冷板在额定流量下的基准压差,以此设置告警阈值,避开冷板个体工艺差异带来的误报。

同时结合支路流量、冷板进出口温度测点做交叉验证:冷板差压升高,伴随流量下降、进出口温差变大,就可以确认冷板真实堵塞;如果压差异常但是流量、温度无异常,则排查差压变送器本体、引压管路是否存在气泡、堵塞问题。依靠总压差加多路支路差压的组合方案,就可以快速锁定故障冷板,缩短故障处置时间,降低业务受影响风险。