El típico sistema de red de Internet Industrial de las Cosas (IIoT) se basa en una carga de datos en tiempo real para su procesamiento oportuno. Sin embargo, la incidencia de heterogeneidad de dispositivos, alta latencia de red, o un servidor central malicioso durante la transmisión tiene una propensión a la filtración de privacidad o pérdida de precisión del modelo. El aprendizaje federado resulta útil, ya que el servidor de borde requiere menos tiempo y permite el procesamiento de datos local para reducir la demora en la carga de datos. Permite a los nodos de borde vecinos compartir datos manteniendo la privacidad y confidencialidad de los datos. Sin embargo, esto puede ser desafiado por una interrupción de red que haga que los nodos de borde o sensores se desconecten o experimenten una alteración en el proceso de aprendizaje, exponiendo así el modelo ya transmitido a un servidor malicioso que escucha en el canal, intercepta el modelo en tránsito y obtiene la información, evadiendo la privacidad del modelo dentro de la red. Para mitigar este efecto, este documento propone el aprendizaje federado asincrónico de preservación de privacidad para redes de borde móvil en el ecosistema de IIoT (APPFL-MEN) que incorpora el esquema de estrategia de actualización de diseño del modelo de iteración (IMDUS), permitiendo al servidor de borde compartir más actualizaciones de modelo en tiempo real con nodos en línea y menos intercambio de datos con nodos fuera de línea, sin exponer la privacidad de los datos a un nodo malicioso o un hackeo. Además, adopta una estrategia de modificación de doble peso durante la comunicación entre el nodo de borde y el servidor de borde o la puerta de enlace para un proceso de entrenamiento de modelo mejorado. Además, permite un proceso de impulso de convergencia, lo que resulta en un modelo global menos propenso a errores y asegurado. La evaluación del rendimiento con resultados numéricos muestra una buena precisión, eficiencia y menor uso de ancho de banda por APPFL-MEN al tiempo que preserva la privacidad del modelo en comparación con los métodos de vanguardia.