Para realizar el diagnóstico en línea y la predicción de fallas de incendio en motores de gasolina, este documento propone un modelo de algoritmo de detección de fallas de fallo de encendido mejorado basado en YOLOv8 para señales de sonido de motores de gasolina. La mejora implica sustituir un módulo C2f en la red principal de YOLOv8 por un módulo de atención BiFormer y otro módulo C2f sustituido por un módulo CBAM que combina mecanismos de atención de canal y espacial que mejoran la capacidad de la red neuronal para extraer las características complejas. Las señales de sonido normales y de fallo de encendido de un motor de gasolina son procesadas mediante transformación wavelet y convertidas en imágenes de tiempo-frecuencia para el entrenamiento, verificación y prueba de la red neuronal convolucional. Los resultados experimentales muestran que la precisión del modelo de algoritmo YOLOv8 mejorado es del 99.71% para pruebas de fallas de incendio en motores de gasolina, lo que es 2 puntos porcentuales más alto que el modelo de red YOLOv8. El tiempo de diagnóstico de cada sonido es inferior a 100 ms, lo que lo hace adecuado para el desarrollo de dispositivos IoT para el diagnóstico de fallas de encendido en motores de gasolina y vehículos autónomos.