跳转至

05 瞬态浪涌电流掉电与过温降频故障案例

案例 1：LLM Prefill 阶段瞬态 \(di/dt\) 导致主板过流保护（OCP）跳闸

1. 现场故障现象

大模型推理高并发业务启动时，单机 8 卡服务器发生整机突然断电重启。 示波器抓取 12V VRM 供电引脚波形： - 在 Kernel Launch 后的 \(8\mu s\) 内，供电电流由 \(60\text{ A}\) 瞬态飙升至 \(650\text{ A}\)（变化率 \(di/dt \approx 73.75\text{ A/}\mu\text{s}\)）； - 触发主板数字电源控制器（VRM Controller）的硬件级 OCP（Over-Current Protection），切断了 12V 供电。

graph TD
    KernelLaunch["LLM Prefill Kernel 瞬间发射 (128 SM 同时满载)"] --> Surge["瞬态浪涌电流: 60A -> 650A in 8us (di/dt 暴增)"]
    Surge --> Droop["供电轨发生瞬态电压跌落 (Voltage Droop: 12V -> 9.8V)"]
    Droop --> VRM_OCP["VRM 控制器触发硬件 OCP 保护 -> 强制整机断电"]

2. 根因剖析与固件修复

  • 根因：没有阶梯式时钟升频缓冲，全芯片数万个 MAC 单元在同一周期翻转产生巨大电流冲击。
  • 修复方案：在 PMU 固件中引入 Clock Ramping（阶梯升频） 策略：
  • 在 Kernel 启动的前 \(15\mu s\) 内，将 Core Clock 分 8 步逐渐提升（800MHz \(\rightarrow\) 1.2GHz \(\rightarrow\) 1.6GHz \(\rightarrow\) 2.0GHz）；
  • 将 \(di/dt\) 峰值限制在 \(< 15\text{ A/}\mu\text{s}\)，电压跌落幅度控制在 \(<3\%\)，彻底解决断电问题。