第8章硬件维护-8.2 可维护性和可靠性验收

可维护性和可靠性验收非常重要，硬件维护工程师在后端发现问题后，总结成可维护性和可靠性需求，在产品立项的时候与新特性一起进行需求分析，然后经过设计、开发和测试环节，在产品中落地。这些需求最终实现的效果是否和需求提出人想要达到的效果一致，需要硬件维护工程师进行验收。硬件维护工程师越早参与，效果越好。如果等到转维审查的时候才参与验收，发现偏差需要修改和测试，相当于需求要重新开发一次。推荐硬件维护工程师在需求分解的时候就参与，然后在开发和测试的时候再进行一次审视。可维护性和可靠性验收流程如图8.1所示。

有一个典型的案例，某款主力发货的款型，框架如图8.2所示，主用主控通过FE通道对线卡进行管理。线卡到主用主控有两条通道，通道1：通过主用FE到主用主控的LSW，然后再到主用主控的CPU，即图8.2中的实线通道；通道2：通过备用FE到备用主控的LSW，然后再到主用主控的CPU，即图8.2中的虚线通道。

当时出现一个特别奇怪的现象，每天到固定的时间点，线卡板就开始复位，复位后线卡板无法注册。进一步定位，发现线卡板到主用主控的FE通道有错包，造成管理报文丢包。由于主用和备用FE通道的切换机制没有做好（可靠性需求实现有偏差），主用主控在切换FE通道之前就认为线卡板发生问题，从而将线卡板复位。线卡板复位后，仍然通过主用FE通道与主用主控协商，FE通道丢包造成协商失败，线卡板无法注册。

顺着错包往下排查，发现错包发生在主用主控的LSW芯片。单板返回实验室测试，发现丢包发生在固定的温度区间。当环境温度在25℃左右时发生丢包，低于20℃或高于30℃都不会丢包。通过交叉芯片进行排查，最后发现丢包是由晶振引起的。在环境温度25℃左右时（晶振表面温度50℃），125 M晶振会发生跳频。晶振的规格是125M±10ppm，在环境温度25℃时，晶振的频偏达到了20ppm，超出规格1倍。晶振频率和温度测试曲线如图8.3所示。

这个问题是一个典型的可靠性问题，有以下几点可以改进：
（1）主控的FE通道切换机制改进，当其中一条FE通道故障时，优先进行通道切换。
（2）故障定界优化，当主用主控到多个线卡板的FE通道都出现故障时，判断为主用主控故障，优先进行主备倒换，把业务切换到备用主控，而不是复位线卡板。
（3）FE通道记录错包日志，错包每增加一定数量，记录一条日志。
（4）主控发现线卡异常时，先上报告警。有业务备份通道的，切换业务后再复位线卡；没业务备份通道的，只告警，不复位线卡。