El avance de las capacidades de detección de los dispositivos finales impulsa una variedad de ideas intensivas en datos, generando información valiosa para modelar aplicaciones industriales inteligentes. Para aplicar modelos inteligentes en 5G y más allá, la inteligencia en el borde integra sistemas de cómputo en el borde y soluciones de aprendizaje profundo, lo que permite el entrenamiento y la inferencia de modelos distribuidos. El aprendizaje federado en el borde (EFL) ofrece un aprendizaje colaborativo de inteligencia en el borde con capacidades de agregación distribuida, promoviendo la eficiencia de recursos, la inclusividad de participantes y la preservación de la privacidad. Sin embargo, la calidad del servicio (QoS) enfrenta desafíos debido a problemas de congestión que surgen de los diversos modelos y datos en arquitecturas prácticas. En este documento, desarrollamos un enfoque modificado de aprendizaje en el borde basado en memoria a largo plazo (LSTM) consciente de la congestión (MLSTM-CEFL) que tiene como objetivo mejorar el QoS en la convergencia final del modelo entre dispositivos finales, agregadores en el borde y el servidor global. Dada la diversidad de tipos de servicio, MLSTM-CEFL detecta de manera proactiva las tasas de congestión, programa adecuadamente las agregaciones en el borde y prioriza de manera efectiva los recursos de servicio de alta misión crítica. El sistema propuesto se formula para manejar el análisis de series temporales desde la carga de parámetros del modelo local/en el borde, pesando la configuración de propiedades de agrupación de recursos en intervalos de congestión específicos. La política MLSTM-CEFL orquesta el establecimiento de rutas a largo plazo para la programación de participantes-agregadores y sigue las métricas de QoS esperadas después del promedio final en múltiples clases de aplicaciones industriales.