Mit Hilfe von Protokolladaptern  (u.a. OPC-UA, Modbus TCP/RTU, Ethernet IP, Profibus,  Profinet) kann der azeti SiteController Zugang zu wertvollen Daten aus der Produktionsumgebung geben.

Auf Basis einer benutzerdefinierten Logik können ungewöhnliche oder gar kritische Ereignisse schnell erkannt und Alarme erzeugt werden. Ebenfalls lassen sich lokal Skripte ausführen, um Aktionen zu automatisieren oder mathematische Berechnungen vorzunehmen. 

Sogenannte Watchdogs stellen sicher, dass der SiteController verlässlich funktioniert. Sie überwachen lokal den SiteController selbst als auch die Hardware, auf der die Software läuft. 

Der Datenaustausch funktioniert bi-direktional. Somit kann der azeti SiteController auch Konfigurationsdateien, Updates oder Skripte empfangen und ausführen. 

Innerhalb der azeti Cloud werden die Daten je nach Typ und Job per moderner Micro-Services-Architektur an unterschiedliche Dienste verteilt und weiterverarbeitet. 

Im Anschluss können diese Daten kombiniert und weiter angereichert oder mit Hilfe von APIs mit weiteren Applikationen ausgetauscht werden. 

Die hochperformante Zeitreihendatenbank erlaubt die Speicherung der Daten in hoher Auflösung und ermöglicht einen schnellen Zugriff auf aktuelle wie auf historische Daten. 

Mit Hilfe der Plattform können Nutzerinnen und Nutzer neue Datenquellen anlegen oder hinterlegte Schwellwerte anpassen. Dienste wie das Nutzer- oder Alarmmanagement werden ebenfalls zentral über die azeti Cloud bereitgestellt. 

Je nach Anwendungsfall lassen sich so Zustände, Auslastung und Performanz von Maschinen und Anlagen aus der Produktion im Zeitverlauf darstellen und vergleichen.

Die azeti IoT-Plattform kann erfasste Maschinen- und Prozessdaten für das OEE-Reporting oder die Planung von Ressourcen oder Wartungsarbeiten zur Verfügung stellen. Die Daten können auch in bestehende Alarming und Ticketingysteme integriert werden, um detaillierte Informationen rund um Maschinen und Prozesse bereitzustellen. 

Die Plattform ist darauf ausgelegt, rund um die Uhr Daten aus der Produktionsumgebung zu erfassen und bereitzustellen. Machine Learning Modelle können azeti als zentrale Quelle nutzen, um kontinuierlich mit historischen und Live-Daten versorgt zu werden.