本文是「电子设备故障诊断」系列的第 2 篇。
上一篇:为什么我要让电脑自己看病 · 下一篇:互机诊断

上一篇说到,整套系统被拆成五层:证据采集 → 异常检测 → 故障分类 → 边界判断 → 故障决策。

这一篇讲第一层和第二层:证据从哪来,机器怎么给自己体检。

证据分六层,不是一堆日志

很多人做诊断,第一步就是”抓日志”。但日志只是证据的一种,而且往往是最脏的一种。

我把证据分成六层,统一进一个 Schema:

层 内容 典型来源
inventory 厂家、型号、序列号、OS、BIOS、PnP 设备、PCI/USB/块设备 WMI、Get-PnpDevice、lsblk
logs 系统/应用事件、Reliability、journalctl、dmesg Event Log、Syslog
metrics SMART/NVMe、电池、电源、内存、温度、网络、存储延迟 smartctl、powercfg /batteryreport
active_tests 网关 ping、外接屏、适配器交叉测试、短自测 主动发起
crash_dump BugCheck、minidump / MEMORY.DMP 元数据、WHEA、Kernel-Power C:\Windows\Minidump
repair_result 维修动作、是否解决、最终根因 人工回填

前五层是”机器能说的”,最后一层是”人补上的”。

repair_result 看着最不重要,其实对研究最关键——没有它,就没法算准确率、没法算”不必要换件率”。一个诊断系统如果永远不知道自己对不对,它就只是个话术生成器。

自机检测的三步

适用于:本机操作系统还能跑程序(哪怕很卡)。

1
2
3
1. 扫描本机   → 生成设备画像(机型 / OS / 该采哪些项)
2. 采集数据 → 写出 runtime_info.json
3. 开始诊断 → 健康度 + 分类 + 边界 + 决策

第三步如果提示”证据不足”,页面会给一张补采清单,告诉你还差什么。这是刻意的设计:系统允许自己不知道。

蓝屏为什么要拆成四种情况

蓝屏是最常见的求助场景,也是最容易被做错的地方。

一个”诊断蓝屏”的功能,实际上是四种完全不同的工况:

情况 前提 能拿到什么
① 自机重启后诊断 已经重启,程序能跑 Minidump、MEMORY.DMP 元数据、BugCheck、WHEA、Kernel-Power、近期驱动更新、SMART
② 互机接口采集 故障机还能进系统,能跑 Agent 同上,但由另一台机器远程拉取
③ 离线证据导入 不能稳定运行,但硬盘可读 从 WinPE / 安全模式 / 拆盘复制出来的 dump 与事件日志
④ 无法交互 开不了机、反复蓝屏、硬盘读不出 只有照片、stop code、时间、最近变更

这四种情况下,系统的输出应该完全不同。

第 ④ 种如果还硬要输出”硬件故障,建议更换主板”,那是在骗人——它手上只有一个 stop code 的照片。所以这一档只输出:初步判断 + 现场排查步骤 + 该补哪些证据。

dump 是证据,不是模块

一个容易走偏的设计是把”蓝屏分析”做成独立模块。我没有这么做。

因为蓝屏是症状(symptom),不是故障类型。dump 是证据(evidence),不是诊断器。

1
2
3
4
5
蓝屏(症状)
→ crash_dump(证据层)
→ 故障分类(可能是 driver_fault)
→ 边界判断(可能是 boundary)
→ 决策(先更新驱动 / 先跑内存测试)

这个抽象带来的好处是:同一个诊断流程,可以吃蓝屏、黑屏、无法充电、无法联网——它们只是不同的症状入口,进来以后走同一条流水线。

如果 dump 拿不到,系统不会静默失败,而是明确写:

1
2
3
4
5
{
"available": false,
"reason": "dump_not_found_or_machine_unavailable",
"next_action": "enable_dump_or_collect_offline_evidence"
}

“没有证据”本身也是一条证据。 它告诉决策层:这里的信息缺口需要先补上,而不是猜。

一个具体的例子

假设一台机器报”随机蓝屏”,自机检测的结果是:

1
2
3
4
5
健康度:62(异常)
异常项:Kernel-Power 41 多次、storahci 超时 3 次
分类:driver_fault
边界:hardware_software_boundary
决策:先更新存储控制器驱动 → 复测 72 小时 → 仍复现则换线材 + 跑 SSD 短自测

注意它没有说”换硬盘”。

因为它手上同时有两类证据:一类指向驱动(超时事件),一类指向硬件(Kernel-Power 掉电)。这时候正确的动作是做一个能区分两者的测试,而不是赌一个。

这就是上一篇说的:分类说”像什么”,边界说”能不能一锤定音”。


下一篇讲另一种姿态:当故障机自己跑不动程序时,怎么用另一台电脑给它看病——以及为什么这个模式下,系统反而更需要克制。

项目地址:https://github.com/JINRONG121312/electronic-device-fault-diagnosis