Produzierende Unternehmen stehen heute vor der Herausforderung, innovative Produkte schnell und kostengünstig auf den Markt zu bringen, was insbesondere für die Produktentwicklung enormen Zeit- und Kostendruck erzeugt. Die Time-to-Market ist entscheidend für den Markterfolg. Durch die Wiederverwendung bestehender Produktmodelle und des darin enthaltenen Wissens kann die Entwicklungszeit erheblich verkürzt werden. Allerdings wird dieses implizite Wissen oft nicht systematisch genutzt. Mit der zunehmenden Nutzung digitaler Tools und einer wachsenden Datenbasis ergeben sich datengetriebene Ansätze, um dieses Wissen zu extrahieren und nutzbar zu machen. Ziel dieser Dissertation ist die Entwicklung einer Methode zur automatisierten Extraktion von implizitem Wissen in Form von Features und Mustern aus vorhandenen Produktmodellen mithilfe von maschinellen Lernverfahren. Anhand erlernter Muster wird für einen gegebenen Konstruktionszustand der Folgezustand prädiziert, und die ähnlichsten existierenden Modelle werden identifiziert, während produktionsrelevante Eigenschaften bewertet werden. Ergebnisse basierend auf einem industriellen Datensatz zeigen, dass bereits für frühe Konstruktionszustände ähnliche Produktmodelle erkannt werden können, was die Wiederverwendung von Wissen fördert und die Generierung von Dubletten verringert. Zudem können frühzeitig Hinweise auf mögliche Probleme hinsichtlich der späteren Produzierbarkeit gegeben
