El aprendizaje federado es un paradigma novedoso que permite el entrenamiento de un modelo global de aprendizaje automático en dispositivos distribuidos. Comparte parámetros del modelo en lugar de datos crudos privados durante todo el proceso de entrenamiento del modelo. Si bien el aprendizaje federado permite que los procesos de aprendizaje automático se lleven a cabo de manera colaborativa en dispositivos de Internet de las cosas (IoT), en comparación con los centros de datos, los dispositivos de IoT con presupuestos de recursos limitados suelen tener menos protección de seguridad y son más vulnerables al estrés térmico potencial. La investigación actual sobre la evaluación del aprendizaje federado se basa principalmente en la simulación de múltiples clientes/procesos en una sola máquina/dispositivo. Sin embargo, existe una brecha en la comprensión del rendimiento del aprendizaje federado bajo estrés térmico en dispositivos IoT heterogéneos de baja potencia distribuidos en el mundo real. Nuestro trabajo anterior fue uno de los primeros en evaluar el rendimiento del aprendizaje federado bajo estrés térmico en sistemas distribuidos del mundo real basados en IoT. En este artículo, ampliamos nuestro trabajo a una escala mayor de sistemas distribuidos del mundo real basados en IoT heterogéneos para evaluar aún más el rendimiento del aprendizaje federado bajo estrés térmico. Hasta donde sabemos, el trabajo presentado es uno de los primeros en evaluar el rendimiento del aprendizaje federado bajo estrés térmico en sistemas heterogéneos del mundo real basados en IoT. Realizamos experimentos exhaustivos utilizando el conjunto de datos MNIST y varias métricas de rendimiento, incluido el tiempo de entrenamiento, la tasa de utilización de la CPU y la GPU, la temperatura y el consumo de energía. Variamos la proporción de clientes bajo estrés térmico en cada grupo de experimentos y cuantificamos sistemáticamente la eficacia y el impacto real del estrés térmico en el sistema de aprendizaje federado basado en IoT heterogéneo de gama baja. Añadimos un 67% más de épocas de entrenamiento y un 50% más de clientes en comparación con nuestro trabajo anterior. Los resultados experimentales demuestran que el estrés térmico sigue siendo efectivo en los sistemas de aprendizaje federado basados en IoT, ya que tanto el modelo global completo como el rendimiento del dispositivo se degradan cuando incluso una pequeña proporción de dispositivos IoT se ven afectados. Los resultados experimentales también han mostrado que el cliente más influenciado bajo estrés térmico dentro del sistema de aprendizaje federado (FLS) tiende a tener un impacto más importante en el rendimiento de FLS bajo estrés térmico.