In diesem Paper wurden Long Short-Term Memory (LSTM)- und Transformer-Neuralnetzwerkmodelle zur Klassifizierung unterschiedlicher Zustände von Förderbändern (beladen und unbeladen) entwickelt. Zudem wurden vergleichbare shallow-Modelle wie logistische Regression, Support Vector Machine und Random Forest implementiert und zusammengefasst. Sechs verschiedene Signallängen von Förderband-Drucksignalen wurden analysiert: 0,2, 0,4, 0,8, 1,6, 3,2 und 5,0 s. Beide Modelle, LSTM und Transformer, erreichten mit den Roh-Drucksignalen eine Klassifizierungsgenauigkeit von 100 %. Darüber hinaus erzielte das LSTM-Modell mit den kürzesten Signalen die höchste Klassifizierungsgenauigkeit. Eine Genauigkeit von 98 % und ein F1-Score von 100 % wurden jeweils mit Signalen der Länge 0,8 s und 1,6 s erreicht. Zudem zeigte das LSTM-Modell eine schnellere Durchführung von Trainings- und Testprozeduren im Vergleich zum Transformer. Das Random-Forest-Modell erreichte mit aggregierten Signalen die beste Klassifizierungsgenauigkeit von 85 %, wobei die F1-Scores für beladene und unbeladene Zustände bei 85 % und 69 % lagen. In allen Modellen erwies sich der beladene Zustand des Förderbandes signifikant einfacher zur Klassifizierung als der unbeladene. Lediglich das LSTM-Modell zeigte bei kurzen Signalen eine bessere Erinnerung (recall) für den unbeladenen Zustand. Der experimentelle Datensatz CORBEL (Conveyor belt pressure signal dataset) sowie die entwickelten Modelle sind öffentlich zugänglich und können auf GitHub unter https://github.com/TadasZvirblis/CORBEL heruntergeladen werden.