Para procesos por lotes de múltiples fases con diferentes dimensiones cuya dinámica puede describirse como un sistema lineal discreto-invariante en cada fase, se exploró un ILC óptimo basado en datos utilizando datos de entrada y salida de múltiples operaciones que subordinan un criterio de rendimiento de seguimiento. Se construyó una identificación de aprendizaje iterativo para estimar los parámetros de Markov del sistema minimizando el criterio de evaluación que consta del residuo de las salidas reales de las salidas predichas y dos identificaciones adyacentes. Mientras tanto, la matriz de parámetros de Markov estimada se incorporó al proceso de control de aprendizaje en forma de una interacción. Gracias a la teoría del producto interno, se derivó el descenso monótono del error de estimación, lo cual no restringe en absoluto el factor de ponderación. Además, la derivación algebraica demuestra que el seguimiento es estrictamente convergente de forma monótona si el error de estimación cae dentro de un dominio apropiado. Se realizaron simulaciones numéricas para ilustrar la validez y efectividad del método propuesto.