El aprendizaje federado ha surgido como una técnica prometedora para el Internet de las cosas (IoT) en varios ámbitos, incluido la gestión de la cadena de suministro. Permite a los dispositivos de IoT aprender colaborativamente sin exponer sus datos crudos, garantizando la privacidad de los datos. Sin embargo, el aprendizaje federado enfrenta las amenazas de manipulación de datos locales y ataques al proceso de carga. Este documento propone un marco innovador que aprovecha el Entorno de Ejecución Confiable (TEE) y la tecnología blockchain para abordar los desafíos de seguridad y privacidad de datos en el aprendizaje federado para la gestión de la cadena de suministro de IoT. Nuestro marco logra la seguridad de la computación de datos locales y la resistencia a la manipulación de la actualización de datos utilizando TEE y la blockchain. Adoptamos las Extensiones de Guardia de Software de Intel (SGXs) como la implementación específica de TEE, que puede garantizar la ejecución segura de modelos locales en procesadores habilitados para SGX. También utilizamos la tecnología de blockchain de consorcio para construir una red de verificación y un mecanismo de consenso, garantizando la seguridad y la resistencia a la manipulación del proceso de carga y agregación de datos. Finalmente, cada clúster puede obtener los parámetros agregados de la blockchain. Para evaluar el rendimiento de nuestro marco propuesto, realizamos varios experimentos con diferentes números de participantes y conjuntos de datos diferentes y validamos la efectividad de nuestro esquema. Probamos el modelo global final obtenido del entrenamiento federado en un conjunto de datos de prueba y encontramos que aumentar tanto el número de iteraciones como el número de participantes mejora su precisión. Por ejemplo, alcanza una precisión del 94% con un participante y cinco iteraciones y del 98,5% con diez participantes y treinta iteraciones.