这一年干下来，手头经了四十多个故障，跑了两轮全量巡检，还跟了两个扩容项目。回头捋一捋，把实在的东西记下来，有用的留着，坑也标出来。
先说几个硬数字。故障响应从接警到到场，平均28分钟。考核要求是40分钟，快了12分钟。不是显摆，是因为我把常用站点的备件和仪表提前分散存到了三个节点，不用每次跑回库房拿。故障修复用时平均2.4小时，比去年同期的3.1小时少了0.7小时。设备完好率99.3%，验收一次通过率94%——那6%没过的，后面细说。
设备维护这块，春检和秋检各一次，覆盖传输、电源、接入三类设备共147台。查出隐患23处，当场处理17处，剩下6处列入整改清单。其中有一处挺典型：春检时在一个节点站发现SDH设备的时钟板告警阈值异常，设备还在跑，但实测时钟漂移已经快超限了。我拿手持频率计测了三遍，确认不是仪表误差。换备件板重新锁定后，告警消失。如果当时偷懒只看告警灯就放过，估计两三个月后会出现全网业务闪断——那种故障最难查，因为它不是全断，是偶尔卡一下。
故障处理41起，传输类18起，电源类12起，用户侧11起。我自己总结了一个规律：八成以上的故障不是突然暴毙，是前期有征兆但没被注意到。所以后来每次处理完故障，我都会多花半小时查同机柜其他设备的运行日志。举个例子，有次用户报业务中断，到现场发现是ODF架上一个法兰盘污染，衰耗大了。换掉法兰、清洁后业务恢复。本来可以走了，我顺手查了同机柜另外三个法兰，发现两个也有轻微污染，当时就全部清洁了。后来那台设备三个月没出过同类问题。旁边的小张说“你也太细了”，我说你等着看吧，省事就是费事。
再说说一次完整的故障处理，把过程掰开揉碎讲。
六月中旬一个周六下午三点多，网管弹窗：某乡镇汇聚点传输设备离线。当时我正在另一个站点做巡检，接电话直接调头往那边赶。路上给值班的小李打电话：“你先查上游设备的光口状态和收光功率，等我到。”到现场花了四十分钟——那段路不好走，中间还被修路的拦了五分钟。
第一步看设备面板，电源灯正常，RUN灯不闪。测输入电压，48伏正常。断电重启，还是不行。拔掉所有业务板，只留主控板，重启后主控板起来了。插回第一块业务板，正常；插第二块，也正常；插到第三块时，设备直接重启——判断大概率是这块板子故障导致总线冲突。
拆下那块板子，肉眼没看出烧痕，但凑近闻有一股很淡的糊味。我当时犹豫了一下：是按流程先测光路还是直接换板？按道理应该先排查外部原因，但直觉告诉我这块板子已经坏了。最后决定先换板——因为备件就在车上（上半年调整了备件存放策略，每个区域放了一套常用板）。换上备件板，设备启动正常。但测光口收光功率时发现比正常值低了3dB。这下确认了：板子烧坏不是孤立的，上游光路也有问题。
顺藤摸瓜查光缆。拿OTDR打波形，在3.2公里处发现一个明显的反射峰，不是正常的熔接点那种，而是带一个“尾巴”的波形——典型的弯曲损耗。我叫上线路维护的兄弟一起去找，发现那段光缆沿着公路敷设，旁边有施工队挖沟，光缆被挖机碰伤，外皮没破但里面光纤弯了。两头配合调纤，避开受损段，业务恢复。从接警到恢复总共2小时10分。
当晚写分析报告，我自己归了三层：直接原因是光缆受损导致收光偏低；间接原因是那块业务板本身已经老化，对低功率容忍度下降；根本原因是巡检周期太长——那段路施工密集，还按季度巡检明显不够，应该加密到两个月一次。我把这个建议写进了整改单，后来果然加密后又在同一路段提前发现了两处隐患。
说到团队，我带的小组七个人。今年主要推了三件事。
第一，每周故障复盘。不是走过场念报告，是把我打印出来的故障日志（脱敏后的）发给大家，谁处理的谁讲，讲清楚当时判断的逻辑、操作顺序、备件调用流程。其他人可以随时打断问“你当时为什么先查A而不是B”。一开始有人抵触，觉得像被批评。我记得有个年轻同事复盘时坚持说他操作顺序没错，我把他当时的操作日志调出来，一行一行对时间戳——他重启设备后只等了30秒就插板，而设备自检需要两分钟。他没再吭声，但后来我再也没见他犯过同样的错。跑了三四次以后大家发现确实有用：同样类型的故障，第二次出现时处理时间平均缩短了30%。
第二，技能摸底。我做了个四维表格：传输设备配置、电源系统维护、光缆测试仪表操作、施工工艺验收。每个人自评，我再做交叉验证。结果发现普遍短板是OTDR波形分析——三个人只会看距离和总损耗，不会分析接头损耗和反射事件的具体类型。我没搞大培训，用两个下午专门练：拿了三段典型故障波形，一段是熔接点损耗大，一段是光纤被压扁（椭圆形变形），一段是接头脏了带反射峰。让他们反复看、反复测，直到能一眼说出“这是熔接问题”还是“这是外力损伤”。后来有一次抢修，小张拿着OTDR看了波形直接说“这不是断纤，是接头盒里光纤被压了”，打开一看果然如此。那小子后来跟我说“那次培训真值了”。
第三，工具和备件管理重新梳理。原来备件领用随便，急用时找不到。我定了规矩：每台在用设备必须对应两块备件板，状态（好/坏/待修）用红黄绿标签标明，每月盘点一次。这个办法看起来简单，但下半年有三次紧急换板，十分钟内就能拿到备件，以前至少要折腾半小时去翻库房。有人嫌麻烦，说“一个月盘点一次太碎”，我说你想想半夜两点找不到备件是什么滋味。
当然也有没干好的事。七月份有个站点电源模块告警，我判断是模块老化，从库房领了新模块换上，结果还是告警。又怀疑是背板问题，拆了重装，折腾两小时。最后查出来是监控单元误报——白跑两趟，还浪费了一个新模块。这件事让我意识到，不能光信设备告警，得交叉验证。后来我要求每次电源告警必须同时测输出电压和纹波，两个数据都对不上再换模块。
还有一次被用户骂的经历。八月份一个用户报障说网络卡顿，我到现场发现是用户自己把网线插错了口，把百兆口当千兆口用了。前后折腾四十分钟，用户嫌我慢，当场打电话投诉。我没解释，处理完以后跟他说“下次可以先拔掉重插试试，有时候就是物理接触问题”。挂了电话确实窝火——我跑了几十公里，结果是他自己的问题。但后来想想，用户又不懂技术，投诉就投诉吧。我让客服回访时把情况说明白，用户后来也没再追究。
施工验收这块，我一直坚持一个原则：验收时你对我有意见，总比开通后出了大事强。有一次验收新装设备，施工单位想省事，把保护地和工作地并在一起接。我让他们返工，现场负责人不太高兴，说“别的项目都这么干”。我说那是别的项目没出事，咱们这项目不行。当时气氛挺僵，他甩了一句“你爱签不签”。我没吭声，蹲下来重新布线，自己动手改了接地。后来这个站点雷雨季节安然无恙，周边有个站点因为接地不规范烧了两块板子，那个负责人专门打电话来说“你那会儿坚持是对的”。我说没事，下回按规范做就行了。
做技术经理这两年，越来越觉得技术能力不是培训出来的，是逼出来的。多处理几次紧急故障，多熬几个夜，多写几份分析报告，自然就成长了。我能做的就是给团队创造两个条件：故障复盘时允许犯错但不允许重复犯错，备件和仪表永远处于随时可用的状态。
明年想干一件事：把定期巡检逐步改成动态巡检。已经在两个站点试了三个月，根据设备运行时长、环境温度、历史故障频率动态调整周期。比如某台设备连续运行超过两千小时且机房空调老出问题，就加密到一个月看一次；新装的设备头三个月正常就放宽到季度。试点下来巡检效率提高了大概20%，但隐患发现率反而上升了——因为重点盯了高风险设备。这个路子对的话，明年推广到全线。
-
需要更多的工作总结网内容，请访问至：工作总结
