在工业自动化时代,如何确保控制器始终维持在最佳运行状态值得学者们不懈探索,因为这与能源损耗、产品质量、企业效益等多个方面息息相关。为此,性能评估技术应运而出,它能够在不干扰系统的前提下,实现对工业生产过程的监控。所提供的最优可实现性能,被当作系统控制性能的标杆,现场人员可以根据俩者的比较结果决定是否需要采取改进措施,如整定参数,甚至更换控制器。这个过程不需要耗费太多的人力物力,解决了传统维护过程中工程量巨大的问题。虽然控制性能评估的概念很早就被提出,但作为一个覆盖面很广的领域,很难做到面面俱到,尤其是针对迭代学习控制的性能评估,该领域的成果寥寥无几。考虑到迭代学习控制于批次过程而言是极其有效的策略,实际工业生产中批次过程又被广泛应用,所以本文以迭代学习控制的性能评估为课题,进一步促进了性能评估体系的完善。本文在对评估流程的分析中发现,选择或者设计一个贴近实际的基准尤为关键,它可以更好地指导控制系统的改进,使得当前系统的性能逐渐向基准靠拢。经过多方面比对,本文选取MPC基准。在求解基准之前,应该获悉控制系统的模型,但是实际应用中并不总是满足这一要求,本文同时考虑了模型已知和未知两种情况,对于后者采用子空间辨识求解模型参数。算法可以概括为,根据测量得到的输入输出数据构造Hankel矩阵,再借助QR分解、SVD分解等几何工具计算出子空间矩阵,最后由列子空间与行子空间估计出系统模型参数。在获得模型之后,把迭代学习控制作用下的闭环系统转换成二维FM-Ⅱ模型,从而达到简化研究的效果。与此同时,经过推导分析Roesser模型是FM-Ⅰ模型的一种特例、同时FM-Ⅰ模型可以变换成FM-Ⅱ模型。因此针对FM-Ⅱ模型的研究,使得本文的研究结论更具一般性。接着,本文提出了最优化代价函数的算法,并给出了详细的推导证明。根据这些算法,得到最优控制律,并拟合出新颖的性能评估曲面,从而性能差距可以更直观地反映在立体坐标中。最后,通过仿真对上述工作的效果进行了验证。