Sheet metal forming tooling is a knowledge-intensive and tacit industrial domain in which early design decisions strongly influence lead time, manufacturability, cost, and tooling performance. Despite digital advances, tooling development still relies heavily on expert tacit knowledge, with limited structured reuse of past project knowledge. This thesis investigates how knowledge reuse can be supported in sheet-metal tooling design through a data-driven, case-based reasoning approach. The research work follows a design research methodology framework and comprises four studies, aligned with its phases. The Research Clarification phase aimed at developing an understanding of the current state of sheet metal tooling design and the industrial challenges affecting knowledge reuse. Descriptive Study 1 further investigated current industrial practice and identified challenges related to fragmented data storage and the limited use of digital technologies. These phases were based on literature reviews and interviews with industrial practitioners. The findings show that knowledge reuse is important, but existing engineering data and previous project experience are not systematically used. Based on these findings, the Prescriptive Study developed a data-driven framework for supporting knowledge reuse in sheet metal tooling design. The framework consists of different modules that can assess manufacturing difficulty, retrieve similar cases, and inform the performance of the retrieved tooling. The support was demonstrated through a proof-of-concept prototype, where machine learning classified sheet metal parts according to manufacturing difficulty and retrieved similar cases and corresponding performance indices. Descriptive Study II focused on the initial evaluation of the proposed support through prototype testing and workshops with industrial practitioners. The results indicate that the developed approach can support tooling engineers by structuring, searching, and reusing knowledge from previous projects. The results also show that manufacturing difficulty can serve as a meaningful abstraction for comparing sheet metal parts and support early-stage decision-making. The thesis contributes by showing how tacit tooling expertise can be represented in a reusable decision support approach for systematic early-stage tooling design.

Konstruktion av plåtformningsverktyg är ett kunskapsintensivt område som till stor del är beroende av verktygskonstruktörernas kunskaper och erfarenheter. Konstruktionsfasen är viktig eftersom den i hög grad påverkar ledtid, tillverkningsbarhet, kostnad och verktygsprestanda. Det har på senare tid gjorts framsteg inom digitalisering, men stödet för strukturerad återanvändning av kunskaper och erfarenheter från tidigare projekt inom verktygskonstruktion är fortfarande begränsat. Denna avhandling undersöker hur återanvändning kan stödjas genom att ta fram en datadriven metod för att systematisera och återanvända tidigare fall. Forskningsarbetet följer ett metodologiskt ramverk som omfattar fyra faser. I den inledande förtydligandefasen utvecklades en förståelse för samtida verktygskonstruktion och de industriella utmaningar som finns. I den andra fasen undersöktes industripraxis och utmaningar kopplade till fragmenterad datalagring. Nivån av digitalisering undersöktes. Dessa två faser baserades på litteraturstudier och intervjuer med experter vid flera verktygsföretag. Resultaten visar att återanvändning av kunskap är viktig, men att data och tidigare projekterfarenhet inte samlas in och används på ett systematiskt sätt. Istället förlitar sig experterna på att de kommer ihåg tidigare projekt och kan hitta dokumentationen från dem. För att möta detta, utvecklades ett datadrivet ramverk för att stödja kunskapsåteranvändning. Ramverket består av flera moduler som automatiskt kan få tillgång till information om tillverkningssvårigheter, hämta liknande fall samt information om verktygsprestanda från tidigare projekt. Ramverket har demonstrerats genom en prototyp och har lett till ett ”proof-of-concept”, där maskininlärning klassificerade plåtdelar efter tillverkningssvårighet och hämtade liknande fall. Prototypen indikerade också hur väl de beprövade lösningarna fungerat i verklig produktion. I den sista fasen gjordes en initial utvärdering av det föreslagna stödet genom prototyptester och workshops med de industriella företagen. Resultaten visar att den utvecklade metoden kan stödja verktygsingenjörer i deras arbete. Avhandlingen visar också att graden av tillverkningssvårighet kan användas som grund för att jämföra plåtdelar och stödja tidiga konstruktionsbeslut. Avhandlingen bidrar genom att visa hur expertkunskap kan representeras och återanvändas som en beslutsstödsmetod i tidiga faser av verktygskonstruktion.