Bei der Entwicklung von Steckverbindern müssen mechanische, elektrische, thermische sowie material- und fertigungsbedingte Einflüsse immer stärker gemeinsam gedacht werden. Genau an dieser Schnittstelle arbeitet Sushil Kumar Singh, Senior Structure Analyst – CAE Leader bei Molex, der seit über 15 Jahren simulationsgestützte Methoden zur Validierung technischer Systeme entwickelt.
Auf der Automotive Wire Harness & EDS Conference Detroit 2026 hält er gemeinsam mit seinem Kollegen Thiruvenkata Baskaran, CAE Project Leader bei Molex, den Vortrag „Agentic AI Engineering: A New Paradigm for Automotive Connector Design and Validation“. Im Vorfeld der Konferenz sprachen wir mit Singh darüber, wo das heutige Engineering-Ökosystem an seine Grenzen stößt und welche Voraussetzungen erfüllt sein müssen, um größere Teile der Steckverbinder-Validierung in frühere Entwicklungsphasen zu verlagern.
Herr Singh, wenn Sie fünf Jahre vorausblicken: Was wird die größte Herausforderung für die Wire-Harness- und EDS-Industrie sein – und warum?
Wir glauben, dass die größte Herausforderung darin bestehen wird, die rapide zunehmende Produkt- und Systemkomplexität zu beherrschen, während die Entwicklungszyklen gleichzeitig immer kürzer werden. Die Branche bewegt sich in Richtung zonaler Architekturen, höherer Elektrifizierungsgrade, High-Speed-Kommunikation, höherer Leistungsdichten und stärker integrierter E/E-Systeme. Gleichzeitig erwarten OEMs weniger Designiterationen und eine schnellere Validierung.
Diese Herausforderung knüpft auch an die Entwicklung der Themen an, die wir auf diese Konferenz einbringen. Frühere Diskussionen rund um den Product Digital Twin und Virtual Validation in der Steckverbinderentwicklung haben die Grundlage dafür geschaffen, verlässliche prädiktive Modelle früher im Produktentwicklungsprozess einzusetzen. Unser aktueller Fokus liegt darauf, wie sich diese Fähigkeiten mithilfe von Agentic AI weiterentwickeln lassen.
Die nächste Herausforderung besteht darin, diese Konzepte über mehr Funktionen hinweg zu skalieren und sie früh genug einzusetzen, damit sich technische Risiken bereits vor der physischen Validierung erkennen lassen. In den kommenden fünf Jahren wird sich die Branche nicht dadurch differenzieren, wer die meisten Simulationswerkzeuge besitzt. Entscheidend wird sein, wer vertrauenswürdige, korrelierte, wiederverwendbare und vernetzte Digital-Engineering-Fähigkeiten aufbauen kann, mit denen sich relevante Teile der Validierung weiter nach vorne im Entwicklungsprozess verlagern lassen.
Wo sehen Sie die größte Lücke zwischen den Anforderungen künftiger E/E-Architekturen und dem, was das heutige Entwicklungs- und Fertigungsökosystem tatsächlich in großem Maßstab leisten kann?
Die größte Lücke besteht zwischen den Produktanforderungen auf Systemebene und der nach wie vor fragmentierten Organisation von Engineering-Daten und Validierungsfähigkeiten. E/E-Architekturen der nächsten Generation sind hochgradig miteinander vernetzt. Mechanisches Verhalten beeinflusst die elektrische Performance, thermische Bedingungen beeinflussen Materialien, Fertigungsstreuungen wirken sich auf Dichtheit und Kontaktperformance aus und Vibrationen können die Zuverlässigkeit von Leiterplatten, Steckverbindern und Schnittstellen beeinflussen.
Die technischen Nachweise hinter diesen Produkteigenschaften werden jedoch weiterhin häufig in Silos entwickelt, was Rückverfolgbarkeit und funktionsübergreifende Entscheidungen erschwert. Genau hier sehen wir den Product Digital Twin als wichtige Grundlage.
Wie Agentic AI den Engineering-Workflow verändert
Was unterscheidet einen Agentic-AI-Engineering-Workflow grundlegend von klassischer Optimierung, Reduced-Order-Modelling oder einem KI-Assistenten innerhalb von CAE?
Wir sehen Agentic AI als die nächste Entwicklungsstufe auf dem Weg von Digital Twin und Virtual Validation. Klassische Optimierung sucht innerhalb eines von einem Ingenieur definierten Designraums. Reduced-Order-Modelle dienen vor allem dazu, rechenintensive Simulationen zu beschleunigen. KI-Assistenten können Ingenieure dabei unterstützen, Skripte zu schreiben, Modelle zu erzeugen oder Ergebnisse zu interpretieren.
Agentic AI kann potenziell einen Schritt weitergehen, indem sie über den gesamten Engineering-Workflow hinweg agiert. Ein Engineering-Agent könnte dabei helfen, Anforderungen zu verstehen, die passende Digital-Twin-Fähigkeit auszuwählen, Simulationen auszuführen, Anforderungen zu bewerten, Risiken zu identifizieren, Alternativen zu untersuchen, Analysen erneut durchzuführen, Nachweise zu dokumentieren und den nächsten technischen Schritt zu empfehlen.
Das ist grundlegend anders, weil die KI nicht mehr nur eine einzelne Aufgabe unterstützt. Sie koordiniert mehrere Engineering-Aktivitäten auf ein gemeinsames Ziel hin. Aus meiner Sicht sollte Agentic AI jedoch auf vertrauenswürdigen prädiktiven Fähigkeiten aufbauen und diese nicht ersetzen. Der Digital Twin liefert die Physik und das Produktwissen. Virtual Validation liefert die Nachweise und den Akzeptanzrahmen. Agentic AI übernimmt die Orchestrierung und den autonomen Entscheidungsworkflow.
Wie verhindern Sie, dass ein KI-Agent ein scheinbar optimales Design findet, das seine Zielmetrik erfüllt, dabei aber gegen physikalische Gesetzmäßigkeiten, Herstellbarkeit, Materialgrenzen oder die Langzeitzuverlässigkeit an anderer Stelle verstößt?
Genau hier wird das Digital-Twin-Framework entscheidend. Ein Steckverbinder ist ein multifunktionales System. Wenn nur eine einzelne Zielgröße optimiert wird, kann dadurch sehr leicht an anderer Stelle ein Problem entstehen. Eine Reduzierung der Steckkraft kann beispielsweise vorteilhaft erscheinen, dieselbe Designänderung könnte jedoch die Normalkraft am Kontakt, die elektrische Kontaktzuverlässigkeit, den Halt, die Robustheit der Verriegelung, die Dichtungskompression, die Herstellbarkeit, die Maßrobustheit oder die langfristige Relaxation beeinflussen.
Ein Agentic-AI-Workflow kann daher nicht auf einem einzigen Optimierungsziel basieren. Er muss innerhalb eines multifunktionalen technischen Randbedingungsrahmens arbeiten. Genau hier ist der Product Digital Twin unverzichtbar. Der Digital Twin sollte validierte physikalische Modelle, Materialverhalten, Fertigungsstreuungen und Zusammenhänge auf Produktebene bereitstellen, während das Virtual-Validation-Framework den zulässigen Leistungsbereich und die erforderlichen Nachweise definiert, bevor ein Design als valide gilt.
Eine der wichtigen Lücken, die wir noch schließen müssen, besteht darin, KI-Modelle stärker physikbewusst zu machen, damit sie nicht lediglich statistische Zusammenhänge aus Daten erlernen und anschließend in physikalisch unrealistische Bereiche extrapolieren. Hier sind Ansätze wie Physics-Informed Neural Networks, kurz PINNs, relevant. Indem zugrunde liegende Gleichungen, Randbedingungen, Erhaltungssätze oder andere physikalische Beschränkungen direkt in den Lernprozess eingebettet werden, können PINNs dazu beitragen, KI-Vorhersagen auf physikalisch konsistentes Verhalten zu begrenzen.
PINNs allein reichen jedoch nicht aus. Herstellbarkeit, Materialgrenzen, Maßabweichungen, Kontaktverhalten, Dauerhaltbarkeit und Langzeitzuverlässigkeit müssen weiterhin durch validierte Engineering-Modelle und explizite Randbedingungen abgebildet werden.
Welche Daten und Nachweise Virtual Validation braucht
Welche Datengrundlage ist erforderlich, um High-Fidelity-CAE, Materialcharakterisierung, physische Tests, Umweltalterung und Fertigungsstreuungen miteinander zu verknüpfen?
Ein glaubwürdiger Product Digital Twin benötigt weit mehr als ein Repository mit Simulationsergebnissen. Er braucht eine rückverfolgbare technische Datengrundlage. Bei Steckverbindersystemen kann die Performance von Faktoren wie Material, Faserorientierung, Bindenähten, Konditionierung, Temperatur, Alterung, Reibung, Toleranzen und Schnittstellenverhalten abhängen. Die Daten müssen deshalb den Kontext bewahren, etwa Geometrierevision, Materialtyp und -zustand, Fertigungs- und Prozessparameter, Umgebungsbedingungen, Testkonfiguration, Randbedingungen, Simulationsannahmen, Korrelationsnachweise und Unsicherheiten.
Das ist eine direkte Weiterentwicklung des Virtual-Validation-Frameworks, das Thiru beim Bordnetzkongress vorgestellt hat. Dort wurden Materialcharakterisierung, Prozesseinflüsse, physikbasierte Simulation und Robustheit als miteinander verknüpfte Bestandteile behandelt und nicht als voneinander unabhängige Aktivitäten. KI sollte die Physik ergänzen. Eine der wichtigsten Fähigkeiten eines Engineering-KI-Systems sollte darin bestehen, zu erkennen, wann es außerhalb seines validierten Bereichs arbeitet. Im Engineering kann die Aussage „Es gibt noch nicht genügend Nachweise, um diese Vorhersage zuverlässig zu treffen“ genauso wichtig sein wie die Vorhersage selbst.
Welches Maß an Korrelation, Unsicherheitsquantifizierung und Rückverfolgbarkeit würden Sie verlangen, bevor ein KI-getriebener Workflow auch nur einen physischen Prototyp oder eine Validierungsiteration in der Steckverbinderentwicklung sicher ersetzen könnte?
Wir glauben nicht, dass ein einheitlicher Korrelationsprozentsatz darüber entscheiden sollte, ob physische Tests ersetzt werden können. Die erforderlichen Nachweise sollten von der funktionalen Anforderung, dem Reifegrad des Modells und den Folgen einer falschen Vorhersage abhängen. Bevor Virtual Validation erreicht ist, würde ich drei Dinge erwarten. Erstens Korrelation: Das Modell sollte das relevante physikalische Verhalten reproduzieren und nicht nur einen einzelnen Spitzenwert. Je nach Anwendung kann dies das Kraft-Weg-Verhalten, den Ausfallmodus, die Dehnungsverteilung, das modale Verhalten, das Leckageverhalten, die Temperaturreaktion oder den Trend bei der Dauerhaltbarkeit umfassen.
Zweitens Unsicherheit und Robustheit: Das Modell sollte relevante Streuungen berücksichtigen, etwa Materialeigenschaften, Fertigungstoleranzen, Faserorientierung, Umweltkonditionierung, Prozessstreuungen und Testvariabilität. Drittens Rückverfolgbarkeit: Je autonomer Engineering-Workflows werden, desto wichtiger wird die Transparenz darüber, wie Entscheidungen getroffen wurden, welche Daten und Modelle verwendet wurden und ob die erforderlichen Validierungsnachweise erfüllt sind. Agentic AI darf die Validierungsstandards nicht senken. Sie sollte vielmehr die Erstellung und Rückverfolgbarkeit der Nachweise beschleunigen, die erforderlich sind, um diese Schwelle zu erfüllen.
Was erhoffen Sie sich persönlich von der Automotive Wire Harness & EDS Conference Detroit 2026?
Persönlich hoffe ich, dass sich die Konferenz als Plattform für Wissensaustausch etabliert, auf der wir von anderen Branchenexperten lernen und die Anforderungen, Erwartungen und sich entwickelnden Markttrends unserer Kunden besser verstehen können.
