Din IoT-dashboard är ”okej” ända tills den inte är det. En gateway som går offline, några enheter med låg batterinivå, en sensor som överhettas — och plötsligt jagar du incidenter med bara halva bilden.
Det här är den typen av röra som IT-driftansvariga får skulden för. Fastighetsansvariga märker det när hyresgästerna klagar. Och driver du en mindre organisation är du förmodligen personen som gör båda. Den här IoT-varningsautomationen förvandlar en stökig dashboard till ett tydligt, åtgärdsbart Telegram-meddelande.
Nedan ser du hur arbetsflödet körs, vad det automatiserar och hur ”tidig varning” ser ut i faktiska siffror, inte önsketänkande.
Så fungerar den här automationen
Hela n8n-arbetsflödet, från trigger till slutligt resultat:
n8n Workflow Template: Scrapegraphai + telegram: fånga iot-problem tidigt
flowchart LR
subgraph sg0["Scheduled Execution Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "Scheduled Execution Trigger", pos: "b", h: 48 }
n1@{ icon: "mdi:cog", form: "rounded", label: "Retrieve Device Snapshot", pos: "b", h: 48 }
n2["<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/>Analyze Device Health"]
n3@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Alert Condition Check", 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/telegram.svg' width='40' height='40' /></div><br/>Dispatch Telegram Alert"]
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/code.svg' width='40' height='40' /></div><br/>Record Health Log"]
n0 --> n1
n2 --> n3
n2 --> n5
n1 --> n2
n3 --> n4
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 n3 decision
class n2,n5 code
classDef customIcon fill:none,stroke:none
class n2,n4,n5 customIcon
Problemet: IoT-övervakning blir reaktiv (och bullrig)
Att övervaka hundratals enheter i en eller flera dashboards låter hanterbart — tills det är din tisdag. Du kollar dashboarden, ser något som verkar avvikande, klickar in på en enhet, försöker minnas om ”Sensor-B03” är kritisk, och upprepar sedan den loopen 30 gånger till. Samtidigt väntar inte problemen på nästa kontroll. Batterier sjunker tyst, uppkoppling försämras gradvis och överhettningsvarningar dyker upp först när någon faktiskt tittar. Det värsta: om du försöker lösa detta med enkla varningar skapar du ofta ett nytt problem. Varningsutmattning. Folk stänger av notifieringar, och det enda meddelandet som verkligen betydde något missas.
Friktionen byggs på. Så här faller det isär i verkliga team.
- Någon måste manuellt skanna dashboarden flera gånger per dag, och det är lätt att missa en enhet som ”ser normal ut” tills den går offline.
- Enkla tröskelvarningar tenderar att trigga för ofta, så teamet slutar lita på signalen.
- När en incident inträffar är kontexten utspridd, vilket betyder långsammare triage och längre stillestånd.
- Det finns sällan en strukturerad historik för trender, så underhållet blir reaktivt i stället för planerat.
Lösningen: AI-baserad hälsopoäng + Telegram-varningar du faktiskt läser
Det här arbetsflödet bevakar din IoT-dashboard enligt ett schema (var 30:e minut som standard) och gör den till ett ”tidigt varningssystem”. Först hämtar ScrapeGraphAI en färsk ögonblicksbild från din dashboard, även om dashboarden inte erbjuder ett bra API. Sedan analyserar arbetsflödet snapshotet och beräknar problem per enhet plus en övergripande hälsopoäng för systemet. Om hälsan faller under dina tröskelvärden skickar n8n en formaterad Telegram-varning med vilka enheter som behöver åtgärdas och vad nästa steg är. Om allt är stabilt är det tyst. Arbetsflödet loggar också resultat för trendanalys, så du kan sluta gissa om ”läget försämras” och faktiskt veta.
Arbetsflödet börjar med en schemalagd kontroll. ScrapeGraphAI extraherar de mätvärden du bryr dig om (online/offline, batteri, temperatur, uppkoppling, prestanda). Till sist styr en if-villkorsgren notifieringar, så Telegram bara plingar när det finns ett verkligt problem.
Det du får: automation vs. resultat
| Vad arbetsflödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här kan det se ut
Säg att du hanterar 200 enheter och gör fyra snabba dashboardskanningar per dag. Även en ”snabb” skanning tar kanske 15 minuter när du klickar in på några enheter, så det blir cirka 1 timme per dag. Med det här arbetsflödet är ”kontrollen” automatisk var 30:e minut, och du lägger bara tid när Telegram flaggar något som faktiskt är på riktigt. I praktiken går många team från 1 timme rutinkoll till ungefär 10 minuter per dag med riktade åtgärder, plus att du får en logg för veckovisa genomgångar.
Det här behöver du
- n8n-instans (testa n8n Cloud gratis)
- Self-hosting-alternativ om du föredrar det (Hostinger fungerar bra)
- ScrapeGraphAI för att hämta snapshot från din IoT-dashboard
- Telegram för att leverera varningar till rätt kanal
- ScrapeGraphAI API-nyckel (hämta den i din ScrapeGraphAI-dashboard)
Kunskapsnivå: Medel. Du klistrar in inloggningsuppgifter, justerar tröskelvärden och mappar några fält från din dashboard-utdata.
Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
Ett schema sätter igång. Var 30:e minut kör n8n övervakningsjobbet automatiskt. Du kan tajta till det för kritiska miljöer eller dra ner frekvensen om din dashboard är känslig för täta kontroller.
Arbetsflödet hämtar ett färskt enhetssnapshot. ScrapeGraphAI besöker din IoT-dashboards URL och extraherar enhetstabellen eller korten till strukturerad data, även när dashboarden inte är byggd med API:er i åtanke.
Hälsa poängsätts och problem identifieras. Analysen beräknar en övergripande hälsopoäng (till exempel baserat på andel online) och flaggar vanliga felsignaler som offline-status, batteri under 20 % eller temperaturer över 70 °C. Det är här värdet ligger: råa mätvärden blir till ”det här behöver åtgärdas”.
Telegram-varningar styrs av villkor. Om hälsan faller under din tröskel (t.ex. 80 %) skickas ett Telegram-meddelande med enheterna som orsakar tappet och en kort rekommendation. Om allt är okej blir det tyst.
Du kan enkelt ändra tröskelvärden så att de matchar din miljö utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: konfigurera den schemalagda triggern
Ställ in arbetsflödet så att det körs enligt ett fast schema så att enhetshälsa kontrolleras automatiskt.
- Lägg till och öppna Scheduled Execution Trigger.
- Ställ in Cron Expression till
*/30 * * * *för att köra var 30:e minut. - Anslut Scheduled Execution Trigger till Retrieve Device Snapshot.
Steg 2: anslut hämtning av enhetsdata
Hämta den senaste IoT-dashboarddatan och strukturera den som JSON för analys.
- Öppna Retrieve Device Snapshot.
- Ställ in Website URL till
https://your-iot-dashboard.com/devices. - Ställ in User Prompt till hela prompten för JSON-extraktion som visas i noden, och säkerställ att schemat inkluderar
devicesochsummary. - Anslut Retrieve Device Snapshot till Analyze Device Health.
Inloggningsuppgifter krävs: Anslut era ScrapeGraphAI-inloggningsuppgifter i Retrieve Device Snapshot (arbetsflödet innehåller inga förkonfigurerade inloggningsuppgifter).
Steg 3: konfigurera logik för hälsoanalys
Beräkna enhetens hälsopoäng, upptäck problem och generera larm baserat på enhetsstatus.
- Öppna Analyze Device Health.
- Klistra in den tillhandahållna JavaScript-koden i Code exakt som den visas, inklusive logiken för hälsopoäng och larmgenerering.
- Bekräfta att utdata är ett enda JSON-objekt med nycklar som
health_score,problemsochalerts. - Säkerställ att Analyze Device Health skickar utdata till både Alert Condition Check och Record Health Log parallellt.
⚠️ Vanlig fallgrop: Om schemat i den skrapade datan skiljer sig från den förväntade strukturen för summary och devices kan hälsopoängen beräknas till 0. Justera prompten eller koden därefter.
Steg 4: konfigurera larm och loggning
Routa resultaten till larm och loggning med villkorskontroller.
- Öppna Alert Condition Check och ställ in villkor:
- Villkor 1: Left Value
={{ $json.health_score }}, Operationlt, Right Value80. - Villkor 2: Left Value
={{ $json.problems.length }}, Operationgt, Right Value0. - Öppna Dispatch Telegram Alert och ställ in Operation till
post. - Öppna Record Health Log och behåll loggningskoden som angiven för standardiserad loggutdata.
Inloggningsuppgifter krävs: Anslut era Telegram-inloggningsuppgifter i Dispatch Telegram Alert (arbetsflödet innehåller inga förkonfigurerade inloggningsuppgifter).
Steg 5: testa och aktivera ert arbetsflöde
Validera arbetsflödet från början till slut och aktivera det sedan för kontinuerlig övervakning.
- Klicka på Execute Workflow och bekräfta att Retrieve Device Snapshot returnerar strukturerad JSON.
- Verifiera att Analyze Device Health ger utdata för
health_score,problemsochalerts. - Bekräfta att Alert Condition Check bara routar till Dispatch Telegram Alert när villkoren uppfylls.
- Kontrollera utdata från Record Health Log för förväntade mätvärden och tidsstämplar.
- Slå på arbetsflödet till Active för att köra enligt schemat.
Vanliga fallgropar
- ScrapeGraphAI-inloggningen kan löpa ut eller sakna åtkomst till funktioner i din plan. Om något slutar fungera, kontrollera först din ScrapeGraphAI-dashboard och n8n-skärmen för autentiseringsuppgifter.
- Om din IoT-dashboard kräver inloggning kan scraping misslyckas när en session löper ut. Bekräfta att dashboard-URL:en är nåbar från din n8n-host och dubbelkolla eventuell auth-/cookie-hantering du lagt till.
- Telegram-botar kan inte alltid skriva i en privat chatt förrän du startar konversationen. Om varningar inte kommer fram, verifiera bottoken, chatt-ID och att boten har behörighet att posta i den kanalen.
Vanliga frågor
Cirka 15–20 minuter om du redan har åtkomst till dashboarden och en Telegram-bot.
Nej. Du kopplar ihop konton och justerar några tröskelvärden. Analyslogiken är redan inbyggd i arbetsflödet.
Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer startar på 20 USD/månad för högre volymer. Du behöver också räkna med kostnader för ScrapeGraphAI API-användning beroende på hur ofta du kör kontroller.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och hanterar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, men gör det med eftertanke. I kodsteget ”Analyze Device Health” kan du tillämpa olika regler baserat på mönster i enhetsnamn eller ett fält för ”enhetstyp” som extraheras av ScrapeGraphAI. Vanliga anpassningar är striktare temperaturgränser för gateways, separata batteritrösklar för sensorer och högre krav på hälsopoäng för kritiska platser. Du kan också justera logiken i ”Alert Condition Check” så att bara vissa enhetsgrupper triggar Telegram-meddelanden.
Oftast handlar det om en API-nyckel eller åtkomst till dashboarden. Skapa om din ScrapeGraphAI-nyckel, uppdatera den i n8n och bekräfta att dashboard-URL:en är nåbar från din n8n-server. Om layouten i din dashboard har ändrats kan scraping-prompten behöva en snabb uppdatering så att den extraherade JSON:en matchar det analysen förväntar sig. Begränsningar i anropsfrekvens kan också dyka upp om du skruvar upp schemat för aggressivt.
Det beror främst på hur tung din dashboard-sida är och hur snabbt ScrapeGraphAI kan returnera strukturerad data, men hundratals enheter är ett normalt användningsfall.
För det här användningsfallet är n8n oftast ett bättre val eftersom det kan scrapea, transformera, poängsätta och förgrena på villkor utan att tvinga dig in i en hög med betalda ”tasks”. Du har också möjlighet att self-hosta, vilket är viktigt om du kör kontroller var 30:e minut hela månaden. Zapier eller Make kan fungera för enklare ”skicka ett meddelande när X händer”-automationer, men scraping plus hälsopoängsättning blir snabbt komplext. Om du är osäker, använd arbetsflödet som baslinje och bestäm sedan vad du vill äga på lång sikt. Prata med en automationsexpert om du vill ha hjälp att välja bästa alternativ.
Sätt upp detta en gång och din dashboard slutar vara ett dagligt måste. Du ser de verkliga problemen tidigare — och du hör om färre falsklarm.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.