Die vorliegende Arbeit untersucht die Anwendung von Deep Learning zur automatischen Identifikation von Maschinenoperationen aus von Sensoren und Aktoren stammenden multivariaten Zeitreihen. Methoden des Deep Learning sowie der Zeitreihenanalyse werden analysiert um ihre Tauglichkeit festzustellen. Ein neuer Ansatz wird vorgestellt um die Schwächen in aktuellen Ansätzen zu beheben, welche unter anderem unzureichende Signalauswahl, den hohen Bedarf an Trainingsdaten sowie die Vernachlässigung der physikalischen Natur des Systems umfassen. Dieser besteht aus: einer Methodik zur Signalvorverarbeitung rund um Stationaritätstests, Redundanzanalyse und Messung der Entropie; einem Deep Learning Algorithmus, der Segmente von Zeitreihen in verschiedene Operationskategorien klassifiziert; einem Konzept zur Prozessanalytik rund um Länge und Häufigkeit der Operationen. Der Ansatz wurde erfolgreich auf mehrere Datensätze von Schwermaschinen zum Schüttgutumschlag angewandt.