Problemas de GPU

• Comprobación de estado de GPU y placa de GPU
• El sistema no puede detectar la placa de la GPU
• El sistema no puede detectar una GPU específica
• Especificaciones del sensor de la GPU de XCC

Comprobación de estado de GPU y placa de GPU​

El siguiente estado del sensor por ipmitool indica que el estado de las GPU y de la placa de la GPU es normal.

$ ipmitool -I lanplus -H 192.168.70.125 -U USERID -P PASSW0RD 
sdr elist | grep GPU 
GPU Board Power  | 8Ch | ok  | 21.4 | 250 Watts 
GPU Board        | E9h | ok  | 11.8 | Transition to OK 
GPU CPUs         | EAh | ok  | 11.9 | Transition to OK

El resumen de la utilidad nvidia-smi indica que hay 4 GPU en línea.

Figura 1. nvidia-smi

El sistema no puede detectar la placa de la GPU​

Cuando el suceso Sensor GPU Board has transitioned to critical from a less severe state aparece en el registro de sucesos web de XCC, indica que el sistema no puede detectar la placa de la GPU. Siga estos pasos para resolver el problema.

1. Realice un ciclo de alimentación del sistema.
2. Compruebe los sucesos relacionados con la entrada de alimentación en XCC y SMM2 (consulte SMM2 - Alimentación).
3. Compruebe la temperatura del sistema y el flujo de agua. Compruebe si hay fugas y desconecte y vuelva a conectar el sistema de refrigeración por agua.
4. Reinicie el sistema y ejecute la comprobación de estado de ipmi (consulte Comprobación de estado de GPU y placa de GPU).
5. Uno de los siguientes elementos indica que el problema se ha resuelto:

   • FQXSPUN0017I (Sensor GPU Board has transitioned to normal state) en los mensajes de XCC
   • Sensor GPU Board has transitioned to normal state en el registro web
   No obstante, si el problema persiste, siga estos pasos:

   1. Recopile los datos de servicio de XCC (consulte Recopilación de datos de servicio).
   2. Póngase en contacto con el servicio de Lenovo.

El sistema no puede detectar una GPU específica​

Cuando el suceso Sensor GPU CPUs has transitioned to critical from a less severe state aparece en el registro de sucesos web de XCC, indica que el sistema no puede detectar una o más GPU específicas. Siga estos pasos para resolver el problema.

1. Compruebe en el suceso de XCC si la temperatura del retemporizador es excesiva, si es así, omita el siguiente paso.
2. Descargue el firmware más reciente desde el sitio de Soporte del Centro de Datos (Soporte del Centro de Datos de Lenovo para ThinkSystem SD665-N V3) y actualice el firmware.
3. Reinicie el sistema y ejecute la comprobación de estado de ipmi (consulte Comprobación de estado de GPU y placa de GPU).

4. Si el suceso Sensor GPU Board has transitioned to normal state aparece en el registro de sucesos web de XCC, indica que el problema se ha resuelto.

   No obstante, si el problema persiste, siga estos pasos.

   1. Compruebe el registro de sucesos web de XCC para identificar la unidad defectuosa y el tipo de problema (consulte Especificaciones del sensor de la GPU de XCC).
   2. Recopile los datos de servicio de XCC (consulte Recopilación de datos de servicio).
   3. Ejecute nvidia-smi para realizar el diagnóstico (consulte Interfaz de gestión del sistema NVIDIA para obtener más detalles)
      Nota

      Asegúrese de actualizar el controlador de GPU, que incluye la utilidad nvidia-smi necesaria para la determinación de problemas de GPU. Puede encontrar el controlador más reciente en Sitio web de descarga de controladores y software de ThinkSystem SD665-N V3.
   4. Ejecute nvidia-bug-report.sh (herramienta integrada en el controlador NVIDIA).
   5. Póngase en contacto con el servicio de Lenovo.

Especificaciones del sensor de la GPU de XCC​

Cuando vea un suceso en el registro de sucesos web de XCC, consulte la siguiente tabla para identificar la unidad defectuosa y el tipo de problema. Por ejemplo:

6 | 01/08/2021 | 14:34:53 | 0x0020 | Add-in Card GPU Board | Trasition to Critical from less severe | Asserted |0xA2F60F