Om fordonsflottans hälsa finns i PostgreSQL känner du redan till smärtan. Data finns där, men i samma ögonblick du behöver ett tydligt svar (vad är riskfyllt just nu?) fastnar du med att sy ihop frågor, kalkylblad och magkänsla.
Det är här Postgres Slack-varningar snabbt lönar sig. Flottansvariga märker det först. Driftledare och underhållskoordinatorer hamnar i samma “kolla, jämför, jaga”-rutin, bara i olika verktyg.
Det här arbetsflödet hämtar dina fleetsignaler från PostgreSQL, rankar problem, skickar rätt Slack-varningar och lägger en daglig sammanfattning som teamet kan agera på. Du ser vad det automatiserar, vilka resultat du kan förvänta dig och vad du behöver för att köra det stabilt.
Så fungerar automatiseringen
Hela n8n-arbetsflödet, från trigger till slutligt resultat:
n8n Workflow Template: PostgreSQL till Slack: fordonsfel flaggas och rankas
flowchart LR
subgraph sg0["Daily Vehicle Check Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "Daily Vehicle Check", pos: "b", h: 48 }
n1@{ icon: "mdi:swap-vertical", form: "rounded", label: "Simulate Vehicle Data", pos: "b", h: 48 }
n2@{ icon: "mdi:swap-vertical", form: "rounded", label: "Analyze Maintenance Needs", pos: "b", h: 48 }
n3@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Check If Maintenance Needed", pos: "b", h: 48 }
n4["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Generate Alert Details"]
n5["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/slack.svg' width='40' height='40' /></div><br/>Send Slack Alert"]
n6["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/postgres.svg' width='40' height='40' /></div><br/>Log to Database"]
n7@{ icon: "mdi:swap-vertical", form: "rounded", label: "No Maintenance Needed", pos: "b", h: 48 }
n8["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Fleet Data Source"]
n9@{ icon: "mdi:swap-vertical", form: "rounded", label: "Split Fleet Data", pos: "b", h: 48 }
n10@{ icon: "mdi:cog", form: "rounded", label: "Aggregate Fleet Alerts", pos: "b", h: 48 }
n11["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Generate Fleet Summary"]
n12["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/slack.svg' width='40' height='40' /></div><br/>Send Fleet Summary to Slack"]
n13@{ icon: "mdi:robot", form: "rounded", label: "AI Maintenance Analyzer", pos: "b", h: 48 }
n14["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Parse AI Analysis"]
n15["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/slack.svg' width='40' height='40' /></div><br/>Enhanced Slack Alert with AI"]
n16@{ icon: "mdi:brain", form: "rounded", label: "OpenRouter Chat Model", pos: "b", h: 48 }
n9 --> n1
n8 --> n9
n14 --> n15
n0 --> n1
n0 --> n8
n16 -.-> n13
n1 --> n2
n10 --> n11
n4 --> n5
n4 --> n6
n4 --> n10
n4 --> n13
n11 --> n12
n13 --> n14
n2 --> n3
n3 --> n4
n3 --> n7
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n0 trigger
class n13 ai
class n16 aiModel
class n3 decision
class n6 database
class n4,n8,n11,n14 code
classDef customIcon fill:none,stroke:none
class n4,n5,n6,n8,n11,n12,n14,n15 customIcon
Problemet: flottproblem syns, men går inte att agera på
De flesta flottor saknar inte data. De saknar tydlighet i rätt ögonblick. En serviceflagga kan dyka upp i en tabell, ett sensorvärde kan sakta driva upp i flera dagar, och ingen märker något förrän en förare ringer från vägkanten. Då börjar teamet stressa, någon försöker återskapa vad som “förändrades”, och ledningen frågar varför det inte fångades tidigare. Det värsta är den mentala belastningen: du litar aldrig helt på att du har kontrollerat allt, så du fortsätter kontrollera. Det är merarbete med verkliga konsekvenser.
Det eskalerar snabbt. Här är var det faller isär i verkligheten.
- Du kan lägga cirka 1 timme om dagen bara på att ta ut rapporter, filtrera bort brus och klistra in “det viktiga” i Slack.
- Småfel smyger sig in vid manuell triagering, som att blanda ihop fordons-ID:n eller missa en tröskelöverträdelse som gömmer sig i en lång lista.
- Akuta problem och “håll koll på det”-punkter hamnar i samma kanal, så folk börjar ignorera varningar helt.
- Utan konsekvent loggning av vad som flaggades och när blir revisioner och garantidiskussioner ett minnestest.
Lösningen: dagliga rankade varningar från PostgreSQL till Slack
Det här n8n-arbetsflödet kör en schemalagd fleetkontroll, hämtar de senaste fleetposterna från PostgreSQL och gör råa mätvärden till användbara signaler. Varje fordons mätetal mappas till ett konsekvent format och utvärderas sedan mot serviceflaggor och trösklar som du definierar. Om ett fordon ser riskfyllt ut bygger arbetsflödet ett strukturerat varningsunderlag, postar det i Slack och skriver tillbaka varningen till PostgreSQL så att du får ett varaktigt revisionsspår. Sedan granskar AI-agenten kontexten och lägger på ett andra lager: en rankad tolkning av hur brådskande det är och vad ni bör göra härnäst. Till sist får teamet en daglig flottesammanfattning i Slack, så att ni inte begravs i enstaka pingar.
Arbetsflödet startar enligt schema (dagligen som standard). Det batchar fordon, utvärderar flaggor och skickar bara rätt saker vidare till varningar. Slack får både direkta problemvarningar och ett enda sammanfattande meddelande som är lätt att skumma.
Det du får: automatisering jämfört med resultat
| Vad det här arbetsflödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att du går igenom en flotta på 40 fordon varje morgon. Manuellt kan även en snabb genomgång ta 3 minuter per fordon för att fråga, tolka och meddela teamet, vilket blir cirka 2 timmar per dag. Med det här arbetsflödet lägger du cirka 5 minuter på att bekräfta att schemat körde och skumma Slack-sammanfattningen. Om två fordon triggar varningar reagerar du på rankade problem i stället för att leta efter dem. Det är ungefär 1,5 timme tillbaka de flesta dagar, plus färre “hur missade vi det här?”-ögonblick.
Det här behöver du
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
- PostgreSQL för lagring av fleetdata och loggning av varningar.
- Slack för att leverera rankade varningar och dagliga sammanfattningar.
- OpenRouter API-nyckel (hämta den från din OpenRouter-dashboard).
Kunskapsnivå: Medel. Du kopplar konton, sätter trösklar och bekräftar att din databasfråga matchar ditt fleetschema.
Vill du inte sätta upp det här själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
En daglig schemalagd körning drar igång allt. Arbetsflödet triggas enligt schema och hämtar sedan de senaste fleetposterna så att du alltid jobbar med aktuell data, inte gårdagens export från ett kalkylblad.
Fordonsmätetal normaliseras och kontrolleras. Varje fordons avläsningar mappas in i en konsekvent struktur, och sedan utvärderas “serviceflaggor” så att samma regler gäller i hela flottan. Inget mer ad hoc-resonemang som bara finns i någons huvud.
Bara rätt fordon blir varningar. En if-/beslutsgrind filtrerar bort friska fordon och skickar flaggade vidare till ett varningsunderlag, som postas i Slack och skrivs till PostgreSQL för senare granskning.
AI lägger till rankad kontext och en daglig sammanfattning hamnar i Slack. AI-agenten granskar de flaggade fordonen, extraherar fynden och postar en AI-förstärkt varning som är enklare att tolka snabbt. Separat aggregeras varningarna till en sammanfattning på flott-nivå så att teamet får ett dagligt “lägesrapport”-meddelande.
Du kan enkelt ändra varningströsklar för att matcha er underhållspolicy utifrån era behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera schedule-triggern
Ställ in arbetsflödet så att det körs dagligen och startar de parallella datavägarna.
- Lägg till triggern Scheduled Fleet Check och ställ in schemaregeln så att den körs var 24 timme med Field satt till
hoursoch Hours Interval satt till24. - Anslut Scheduled Fleet Check till både Map Vehicle Metrics och Retrieve Fleet Records så att triggern startar två grenar.
- Bekräfta parallell körning: Scheduled Fleet Check skickar utdata till både Map Vehicle Metrics och Retrieve Fleet Records parallellt.
Steg 2: Anslut fordonsdata och batcha objekt
Bygg fordonsdatasetet och forma det till konsekventa mätvärden för efterföljande logik.
- I Retrieve Fleet Records, behåll JavaScript-koden enligt instruktion för att generera exempelposter för fordonsflottan och randomiserad telemetri.
- Anslut Retrieve Fleet Records till Batch Fleet Items för att iterera igenom fordon.
- Säkerställ att Batch Fleet Items är ansluten till Map Vehicle Metrics.
- I Map Vehicle Metrics definierar ni tilldelningarna med uttryck som
{{ $json.vehicle_id }},{{ $json.mileage }}och{{ $json.engine_temp }}för varje mätvärdesfält.
Steg 3: Sätt upp logik för serviceflaggor och beslutsgrind
Beräkna underhållsflaggor och routa fordon som kräver åtgärd.
- I Evaluate Service Flags konfigurerar ni booleska uttryck som
{{ $json.last_oil_change_mileage > 5000 }},{{ $json.brake_pad_thickness < 4 }}och{{ $now.diff($json.last_service_date, 'months').months > 6 }}. - Anslut Map Vehicle Metrics till Evaluate Service Flags.
- I Maintenance Decision Gate ställer ni villkoret till att
{{ $json.needs_oil_change || $json.low_brake_pads || $json.low_tire_pressure || $json.battery_weak || $json.engine_overheating || $json.low_oil_pressure || $json.service_overdue }}är lika medtrue. - Routa grenen true från Maintenance Decision Gate till Compose Alert Payload och grenen false till Healthy Status Output.
- I Healthy Status Output behåller ni värdet för summary satt till
No maintenance alerts for {{ $json.vehicle_id }} ({{ $json.make }} {{ $json.model }}) driven by {{ $json.driver }}. All systems normal..
Steg 4: Konfigurera alert-payloads och parallella utdata
Skapa alert-objekt och distribuera dem till Slack, databasloggning, aggregering och AI-analys.
- I Compose Alert Payload behåller ni JavaScript-koden som konstruerar alert-objekt och sätter severity och timestamp.
- Bekräfta parallell körning: Compose Alert Payload skickar utdata till Post Slack Alert, Write Alert Record, Aggregate Alert Stream och AI Maintenance Advisor parallellt.
- I Post Slack Alert ställer ni Channel till er målkanal (ersätt
[YOUR_ID]) och behåller meddelandemallen som börjar med🚗 *Vehicle Maintenance Alert*. - I Write Alert Record ställer ni Schema till
public, Table tillmaintenance_alertsoch mappar kolumner som{{ $json.vehicle_id }}och{{ $json.timestamp }}.
Steg 5: Konfigurera AI-analys och sammanfattande rapportering
Förstärk larm med AI-diagnostik och ta fram en sammanfattning för hela flottan.
- I AI Maintenance Advisor behåller ni prompttexten som börjar med
You are an expert vehicle maintenance analyst.... - Säkerställ att OpenRouter Chat Engine är ansluten till AI Maintenance Advisor som språkmodell och ställ in Model till
qwen/qwen-vl-plus. - Anslut AI Maintenance Advisor till Extract AI Findings och därefter till Post AI Enhanced Alert.
- I Post AI Enhanced Alert ställer ni Channel till er målkanal (ersätt
[YOUR_ID]) och behåller meddelandemallen som börjar med🤖 *AI-Enhanced Vehicle Maintenance Alert*. - För sammanfattande rapportering behåller ni Aggregate Alert Stream satt till Aggregate =
aggregateAllItemData, och ansluter den sedan till Build Fleet Summary och Post Fleet Summary. - I Post Fleet Summary ställer ni Channel till er sammanfattningskanal och behåller mallen som börjar med
🚗 *Fleet Maintenance Dashboard*.
Steg 6: Testa och aktivera ert arbetsflöde
Validera hela flödet, inklusive parallella Slack-larm, databasskrivningar, AI-insikter och sammanfattande rapportering.
- Klicka på Execute Workflow för att köra Scheduled Fleet Check manuellt.
- Verifiera att Post Slack Alert, Post AI Enhanced Alert och Post Fleet Summary levererar meddelanden till sina respektive kanaler.
- Bekräfta att Write Alert Record infogar rader i
public.maintenance_alertsmed fält somvehicle_id,severityochalert_timestamp. - När testet har slutförts utan fel, växla arbetsflödet till Active för att aktivera schemalagd körning.
Vanliga fallgropar
- PostgreSQL-inloggningsuppgifter kan löpa ut eller kräva specifika behörigheter. Om det skapar fel, kontrollera n8n:s credential-post och bekräfta först att databasanvändaren kan läsa fleet-tabeller och skriva varningsposter.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströmsnoder fallerar på tomma svar.
- OpenRouter eller din valda AI-leverantör kan begränsa hastigheten eller neka förfrågningar när promptar blir stora. Om AI Maintenance Advisor börjar fallera, kontrollera dina användningsgränser och korta ned kontexten du skickar.
Vanliga frågor
Cirka 45 minuter om dina PostgreSQL-tabeller och din Slack-kanal är klara.
Nej. Du kopplar mest konton och klistrar in din databasfråga. Den enda “tekniska” delen är att bekräfta att dina fleetfält mappas korrekt.
Ja. n8n har ett gratis alternativ för egen hosting och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in kostnader för OpenRouter eller modell-API (ofta några cent per körning, beroende på hur mycket text du skickar).
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen hosting på en VPS. För egen hosting är Hostinger VPS prisvärd och klarar n8n bra. Egen hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, och det bör du. De flesta team börjar med att justera serviceflaggelogiken i Evaluate Service Flags och routningen i Maintenance Decision Gate, och finjusterar sedan hur Slack-meddelanden formuleras i Compose Alert Payload. Vanliga anpassningar är att ändra vad “brådskande” betyder, posta olika meddelandeformat per kanal och lägga till extra mottagare för eskalering utanför kontorstid.
Oftast handlar det om utgångna inloggningsuppgifter eller en databasanvändare som kan läsa men inte skriva. Uppdatera Postgres-uppgifterna i n8n och bekräfta sedan att kontot har behörighet att infoga i din varningslogg-tabell. Om det bara fallerar vissa dagar, kontrollera nätverks-/IP-allowlists hos din databashost och se till att din n8n-instans är inkluderad.
Några tusen poster per körning är normalt, och batchning gör att det håller sig stabilt.
För det här användningsfallet är n8n oftast ett bättre val eftersom du kan batcha fordon, förgrena logik fritt och skriva tillbaka till PostgreSQL utan att göra det till en skör kedja av zaps. Det stödjer också egen hosting, vilket spelar roll när du vill köra dagliga kontroller utan att oroa dig för körningstak. Zapier eller Make kan ändå fungera om ditt flöde är enkelt och din fleetdata redan kommer in via en prydlig webhook. Men när du lägger till rankning, sammanfattningar och revisionsloggning kan de plattformarna bli dyra och klumpiga. Om du vill ha en second opinion, prata med en automationsexpert så tar vi fram den enklaste lösningen för ditt team.
När det här väl är igång slutar fleetövervakning vara en daglig detektivhistoria. Du får rankade, loggade och lättlästa varningar i Slack och kan sedan fortsätta med din dag.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.