间歇生产过程具有小批量、多品种、系列化、合成步骤复杂、技术密集等特点,能够满足现代过程工业的要求,应用越来越广泛。间歇生产企业对生产自动化和实现高效低耗的过程优化控制提出了更迫切的需求。因此,研究间歇生产过程优化控制问题具有重要的理论与实际意义。基于迭代学习控制思想的批次间迭代优化控制策略能够充分利用间歇过程运行时间的有限性和操作的重复性,以非常简单的方式处理不确定度较高的非线性强耦合系统的优化控制问题。但由于过程模型的不确定性和各种干扰的存在,给基于模型的间歇过程批次间迭代优化控制的实现带来障碍。本文主要研究在过程模型存在误差甚至较大误差情况下如何有效进行间歇过程优化控制的问题,即考虑对象-模型失配情况下的间歇过程优化控制。本文首先对迭代学习控制的基本思想与方法进行了介绍,并通过仿真说明了模型误差对迭代学习控制性能的影响。然后,介绍了基于梯度逼近思想的带修正项的迭代学习控制方法(ISOPE),该方法将常规两步法中的系统优化和参数估计更密切地整合起来,在系统优化中的目标函数中引入一个修正项,使基于数据模型优化梯度与实际对象的优化梯度相等,通过反复的迭代提高质量指标。针对ISOPE方法存在由于梯度估计不准导致的振荡问题,提出控制量调节系数的在线调整方法与终止条件,通过酒精发酵过程优化控制仿真验证了所提方法的有效性。为了更有效地解决模型失配问题,利用高斯混合模型描述过程模型不确定性,通过估计模型误差的均值和方差补偿模型输出,然后结合ISOPE算法进行优化控制。仿真结果验证了该方法的有效性。