轮胎模具和航空发动机中大型环状零件分块切割目前采用专用线切割单槽顺序切割,应力分布不均、易变形且加工效率低,单丝多工位同步电火花线切割新方法是非常理想的解决方案。但单丝多工位同步加工中各工位反映间隙大小的电信号之间呈现高度非线性、强耦合关系,给各工位独立伺服控制带来了巨大困难。为此本文提出了用声光信号代替电信号进行线切割伺服控制的方法。本文研究电火花线切割火花特征与加工间隙状态建模方法、声发射信号与加工间隙状态建模方法、伺服进给控制方案等基础理论问题,建立基于声光信号与深度学习的电火花线切割控制模式新机制,最后通过实际加工数据验证所提出的控制理论与方法的科学性、可靠性,提高加工效率和质量。主要研究内容与创新成果如下:（1）基于火花视觉识别的CNN-GRU的加工状态预测算法模型研究。首先,通过传统算法进行图像特征提取,建立研究火花图像与放电状态的关系。其次,利用火花图像具有一定的形态和运动学特征,预测放电状态,提出的“序列到序列”模型探究了火花特性与放电状态的关系。在此基础上,创新性地提出一种“图像到序列”的模型进行训练,利用卷积神经网络（CNN）提取火花图像的特征,利用门控循环单元（GRU）识别放电状态。从而建立CNN-GRU的加工状态预测算法模型。（2）基于声发射的BRTCN加工状态预测算法模型研究。基于电火花线切割加工过程中的声发射现象,建立了双通道声发射物理传播模型。根据主信号和噪声信号的传播模型和正交相关特性,基于批相关（BR）和时间卷积网络（TCN）的结构,首次提出了批相关时间卷积神经网络（BRTCN）。为了解决数据量大、维数高、标签不平衡3个问题,发展了一种基于脉冲统计分布和对数平滑的数据集标注新方法,从而建立基于声发射的BRTCN加工状态预测算法模型。（3）加工状态预测算法模型工艺实验验证。分别对提出的“序列到序列”和“图像到序列”模型进行训练,利用CNN提取火花图像的特征,利用GRU识别放电状态,实验结果表明,火花图像能够准确地预测和跟踪加工状态,“序列到序列”模型精度为90%,“图像到序列”模型为95%。通过对比试验,验证了BRTCN骨干网对电火花线切割加工训练任务的有效性。BRTCN中TCN编码器通过因果卷积、扩张卷积和残差连接,具有提取AE序列特征、抓取长依赖、减少计算量等优点。BRTCN中的批相关（BR）模块对TCN并行计算得到的批特征进行特征挖掘。研究发现,BR模块主要影响最终稳定损失值,而编码器主要影响训练过程的稳定性,BR设置为GRU,编码器设置为TCN的模型为测试集最终MSE损失为0.009的最佳模型。