Este documento presenta un nuevo método de control de optimización de lote a lote para un proceso de fermentación por lotes alimentados. Se utiliza un modelo de red neuronal de máquina de aprendizaje extremo (ELM) actualizado recursivamente para modelar un proceso de fermentación por lotes alimentados. Los modelos ELM tienen ventajas sobre otras redes neuronales en el sentido de que pueden ser entrenados muy rápidamente y tienen un buen rendimiento de generalización. Sin embargo, el modelo ELM pierde sus habilidades predictivas en presencia de variaciones o perturbaciones del proceso de lote a lote, lo que lleva a una falta de coincidencia del modelo de proceso. La técnica de mínimos cuadrados recursivos (RLS) toma el error de predicción del modelo del lote anterior y lo utiliza para actualizar los parámetros del modelo para el siguiente lote. Esto mejora el rendimiento del modelo y ayuda a responder a cualquier cambio en las condiciones del proceso o perturbaciones. El modelo actualizado se utiliza en un procedimiento de control de optimización, que genera un perfil de control mejorado para el siguiente lote. La actualización del modelo RLS permite que la estrategia de control de optimización mantenga una alta calidad del producto final en presencia de perturbaciones. El método propuesto de control de optimización de lote a lote se demuestra en un proceso de fermentación por lotes simulado.