本稿では、コンベアベルトの状態（荷重ありおよび荷重なし）を分類するため、長期短期記憶（LSTM）およびTransformerニューラルネットワークモデルを構築した。また、比較用の浅層学習モデルとして、ロジスティック回帰、サポートベクターマシン（SVM）、ランダムフォレストも開発し、その結果をまとめて報告した。分析対象としたベルト圧力信号は、0.2、0.4、0.8、1.6、3.2、5.0秒の6種類の長さに分けられ、いずれも原始信号を用いた。LSTMおよびTransformerモデルともに、圧力の原始信号を用いて100％の分類精度を達成した。さらに、LSTMモデルは最も短い信号長でも最高の分類性能を示し、0.8秒および1.6秒の信号長を用いた場合、それぞれ98％および100％の精度とF1スコアを達成した。また、LSTMモデルはTransformerモデルよりもトレーニングおよびテストの処理速度が速かった。ランダムフォレストモデルは、信号データを集約した入力に対して最も高い分類性能を示し、荷重あり・荷重なし状態の分類精度はそれぞれ85％、F1スコアは85％および69％であった。すべてのモデルにおいて、荷重ありのベルト状態は荷重なし状態よりもはるかに分類が容易であった。特に、短い信号長を用いた場合、LSTMモデルのみが荷重なし状態の分類において優れたリコール性能を示した。本研究で使用した実験データセット「CORBEL（コンベアベルト圧力信号データセット）」およびモデルは、GitHubにてオープンソースとして公開されており、以下のURLからアクセス可能である：https://github.com/TadasZvirblis/CORBEL。