服务器硬件检测，很多人习惯等到故障出现才操作。平时花二十分钟巡检，远比故障爆发之后反复排查省心。下面这套流程整合多类检测手段，从带外管理、系统内部信息采集，到压力测试，完整跑完，就能摸清服务器硬件整体状态。
不要直接登录操作系统。不少硬件故障在系统层面无法捕捉，优先打开带外管理口。戴尔iDRAC、惠普iLO、超微IPMI都可以，浏览器访问管理地址，优先查看几项内容。系统事件日志，留意红色报错，重点关注内存ECC、CPU IERR、PCIe总线错误。电源模块状态，确认双电源都在线，风扇转速不能为零或者剧烈波动。温度传感器，进风温度高于30度需要留意，CPU待机温度超过60度属于异常。记录固件版本，BIOS、RAID卡、网卡、电源固件版本老旧，会存在已知bug引发偶发故障，合适维护窗口及时升级。
带外检查完成，SSH接入系统。第一步不是跑压力测试，先统计硬件基础信息。lscpu查看CPU型号、核心、主频，和采购单据核对确认硬件没有替换。free -h查看内存总容量，dmidecode -t memory列出每根内存槽位、容量、频率、厂商。重点确认两点，全部内存槽位识别正常，内存运行在标称频率。八根内存只识别六根，大概率是接触不良或者内存槽损坏。内存ECC错误计数使用ipmitool sel list或者edac-util -v查看，存在可纠正错误不算致命，但计数持续上涨，说明内存即将损坏。
硬盘是故障高发部件。lsblk确认所有磁盘识别正常，每块磁盘执行smartctl -a /dev/sdX。重点关注三项指标：Reallocated_Sector_Ct、Current_Pending_Sector、Offline_Uncorrectable。任意一项数值不为零，就要准备更换硬盘。服务器配置RAID，还要检查RAID卡状态，MegaCli或者storcli执行命令，确认虚拟盘状态Optimal，物理盘不存在Failed或者Rebuild状态。重建过程磁盘性能下降，不要此时加压测试。
网卡检测操作简单。lspci | grep -i ethernet查看网卡型号与数量，ethtool eth0查看协商速率与双工模式。千兆网卡协商成百兆，万兆网卡协商成千兆，大多是网线或者交换机端口问题。服务器多网卡绑定bond，cat /proc/net/bonding/bond0查看当前活跃网卡，确认不存在网卡掉线。
电源和风扇状态也能在系统内查询。ipmitool sdr type "Power Supply"查看每个电源模块状态与输入功率，双电源功率数值接近，差距过大代表其中一个电源工作异常。ipmitool sdr type Fan读取风扇转速，所有风扇转速维持合理区间，单风扇读数为零或者明显偏低，代表风扇损坏或者异物遮挡。
系统日志会记录大量硬件故障线索。dmesg -T | grep -i error、journalctl -p err -b两条命令，检索MCE、PCIe AER、ata总线报错。MCE即Machine Check Exception，出现这类提示，代表CPU或者内存触发硬件级别报错，系统即便还能运行，也要重视。安装mcelog工具，mcelog --client直接读取解码后的错误信息。
以上属于静态检查。静态状态正常，不代表高负载下硬件稳定，压力测试不能省略。CPU压力测试使用stress-ng --cpu 0 --timeout 300s，持续五分钟，新开终端用sensors或者ipmitool监控温度，CPU温度不要超过85度。内存使用memtester，分配80%物理内存，两轮测试，出现错误会直接输出。硬盘IO测试用fio，顺序读写、随机读写分别测试，核对IOPS和延迟是否在合理区间，测试结束再次执行smartctl -a，确认没有新增重分配扇区。压力测试全程使用ipmitool sel list监控，出现新增硬件事件立刻记录。
压力测试结束，整理全部采集信息，区分正常项、需要持续观察项、紧急处理项。内存ECC计数持续上涨、硬盘存在重分配扇区、电源功率不平衡，属于还能运行但随时故障的设备，排期更换。固件版本老旧，制定升级计划，选择维护窗口操作。温度偏高，检查机柜散热和风道，避免夏季高温故障。
整套流程熟练操作耗时半小时到四十分钟。带外查看日志传感器，系统内命令采集硬件信息，压力测试验证高负载稳定性，最后输出评估结论。不用每次完整跑完全部项目，日常巡检只做前两步，压力测试每季度或者半年执行一次。养成定期巡检习惯，不要等服务器宕机才排查硬件。