燃烧仿真与实验技术教程：点火与熄火实验的数据采集与处理

燃烧仿真与实验技术教程：点火与熄火实验的数据采集与处理1燃烧仿真基础1.1燃烧仿真概述燃烧仿真是一种利用计算机模型来预测和分析燃烧过程的技术。它涵盖了从基础燃烧化学到复杂工程应用的广泛领域，如发动机设计、火灾安全、航空航天等。燃烧仿真能够帮助工程师和科学家理解燃烧反应的细节，优化燃烧系统，减少实验成本，加速产品开发周期。1.1.1原理燃烧仿真基于一系列物理和化学方程，包括质量守恒、动量守恒、能量守恒和化学反应动力学方程。这些方程描述了燃烧过程中燃料、氧气、热量和产物之间的相互作用。通过数值方法求解这些方程，可以模拟燃烧的动态过程，预测火焰的传播、温度分布、污染物生成等。1.1.2内容燃烧化学基础：介绍燃烧反应的类型，如均相燃烧、非均相燃烧，以及燃烧反应的速率和机理。数值方法：讲解如何使用有限差分、有限体积或有限元方法来求解燃烧方程。模型验证与确认：讨论如何通过实验数据来验证仿真模型的准确性和可靠性。1.2燃烧模型与理论燃烧模型是描述燃烧过程的数学表示，它们简化了复杂的燃烧化学和物理现象，使其能够在计算机上进行高效计算。1.2.1原理燃烧模型通常包括以下几种类型：层流燃烧模型：适用于低速、无湍流的燃烧环境，如实验室中的小火焰。湍流燃烧模型：考虑湍流对燃烧过程的影响，适用于高速、工业规模的燃烧系统。化学反应模型：描述燃料和氧气之间的化学反应，包括反应速率、产物生成等。1.2.2内容层流火焰速度计算：使用Arrhenius定律计算层流火焰的传播速度。湍流燃烧模型选择：根据燃烧系统的特性，选择合适的湍流模型，如k-ε模型、k-ω模型等。化学反应网络构建：建立燃料的化学反应网络，包括反应路径、反应物和产物的化学计量比。1.2.3示例代码以下是一个使用Python和Cantera库来计算层流火焰速度的简单示例：importcanteraasct

#设置燃料和氧化剂

gas=ct.Solution('gri30.xml')

gas.TPX=300,ct.one_atm,'CH4:1,O2:2,N2:7.56'

#创建层流火焰对象

flame=ct.FreeFlame(gas)

flame.set_refine_criteria(ratio=3,slope=0.1,curve=0.1)

#求解层流火焰

flame.solve(loglevel=1,auto=True)

#输出层流火焰速度

print("Flamespeed:",flame.u[0],"m/s")此代码使用Cantera库中的FreeFlame对象来模拟甲烷在空气中的层流燃烧过程，并计算出火焰的传播速度。1.3仿真软件介绍与操作1.3.1原理燃烧仿真软件提供了用户友好的界面和强大的计算能力，使用户能够构建、运行和分析燃烧模型。这些软件通常基于上述的物理和化学方程，提供多种燃烧模型和算法，以及后处理工具来可视化仿真结果。1.3.2内容软件选择：介绍常见的燃烧仿真软件，如AnsysFluent、STAR-CCM+、Cantera等。模型构建：指导如何在软件中构建燃烧模型，包括网格划分、边界条件设置、燃烧模型选择等。结果分析：讲解如何使用软件的后处理工具来分析和可视化仿真结果。1.3.3示例代码虽然仿真软件通常使用图形界面进行操作，但一些软件如Cantera也提供了编程接口。以下是一个使用Cantera和Matplotlib库来可视化层流火焰温度分布的示例：importcanteraasct

importmatplotlib.pyplotasplt

#设置燃料和氧化剂

gas=ct.Solution('gri30.xml')

gas.TPX=300,ct.one_atm,'CH4:1,O2:2,N2:7.56'

#创建层流火焰对象

flame=ct.FreeFlame(gas)

flame.set_refine_criteria(ratio=3,slope=0.1,curve=0.1)

#求解层流火焰

flame.solve(loglevel=1,auto=True)

#绘制温度分布图

plt.plot(flame.grid,flame.T)

plt.xlabel('Distance(m)')

plt.ylabel('Temperature(K)')

plt.title('TemperatureProfileofLaminarFlame')

plt.show()此代码首先使用Cantera库计算层流火焰，然后使用Matplotlib库绘制火焰的温度分布图，帮助用户直观理解燃烧过程中的温度变化。通过以上内容，我们不仅了解了燃烧仿真的基本原理和操作，还通过具体示例学习了如何使用Cantera库进行燃烧模型的构建和分析。这为深入研究燃烧过程和优化燃烧系统提供了坚实的基础。2点火与熄火实验技术2.1实验设备与安全规程在进行点火与熄火实验时，选择合适的实验设备至关重要，同时，严格遵守安全规程是实验成功的基础。以下是一些关键设备和安全规程的概述：2.1.1实验设备燃烧室：用于控制燃烧环境，如温度、压力和气体组成。点火系统：包括点火器和点火电源，用于引发燃烧。熄火系统：可能包括冷却装置或惰性气体注入系统，用于控制熄火过程。数据采集系统：包括传感器（如温度传感器、压力传感器）和数据记录设备，用于收集实验数据。气体分析仪：用于分析燃烧产物的成分。2.1.2安全规程个人防护装备：穿戴适当的防护服、手套、护目镜和呼吸器。实验前检查：确保所有设备正常运行，检查气体管道和点火系统。紧急停机：设置紧急停机按钮，以便在实验过程中出现任何异常时立即停止实验。通风系统：确保实验区域有良好的通风，以避免有毒气体积聚。消防设备：实验室内应配备灭火器和消防栓，以应对可能的火灾。2.2点火实验设计与实施点火实验旨在研究燃料在特定条件下的点火特性，包括点火延迟时间、点火温度和点火压力等。设计和实施点火实验需要考虑以下步骤：2.2.1实验设计选择燃料：根据实验目的选择合适的燃料，如汽油、柴油或氢气。设定实验条件：包括温度、压力和燃料与空气的混合比。数据采集计划：确定需要采集的数据类型，如温度、压力和燃烧产物分析。2.2.2实验实施准备实验：设置燃烧室，连接点火系统和数据采集设备。点火：使用点火系统引发燃烧，同时启动数据采集。记录数据：收集实验过程中的所有数据，包括点火延迟时间、燃烧温度和压力变化。分析结果：使用数据分析软件处理数据，评估点火特性。2.2.3示例代码：数据采集与处理假设我们使用Python进行数据采集和处理，以下是一个简单的代码示例，用于读取温度传感器数据并计算平均温度：importnumpyasnp

#假设这是从温度传感器读取的数据

temperature_data=[25.0,25.5,26.0,26.5,27.0]

#计算平均温度

average_temperature=np.mean(temperature_data)

#输出结果

print(f"平均温度:{average_temperature}°C")2.3熄火实验设计与实施熄火实验用于研究燃烧过程的终止条件，如温度下降、燃料耗尽或氧气不足。熄火实验的设计和实施同样需要精心规划：2.3.1实验设计设定熄火条件：如降低温度、减少氧气供应或耗尽燃料。数据采集计划：记录熄火过程中的关键参数，如温度、压力和熄火时间。2.3.2实验实施准备实验：设置燃烧室，确保燃烧已经稳定。触发熄火：通过改变实验条件来触发熄火。记录数据：收集熄火过程中的所有数据。分析结果：评估熄火条件对燃烧过程的影响。2.3.3示例代码：熄火时间计算以下是一个Python代码示例，用于计算从点火到熄火的总时间：#假设这是实验开始和结束的时间戳

start_time=1623547200#2021-06-1212:00:00

end_time=1623547260#2021-06-1212:01:00

#计算熄火时间

burnout_time=end_time-start_time

#输出结果

print(f"熄火时间:{burnout_time}秒")以上代码示例中，我们使用了numpy库来计算平均温度，以及简单的Python代码来计算熄火时间。这些示例展示了如何在点火与熄火实验中进行基本的数据采集和处理。在实际实验中，数据采集系统可能更复杂，涉及实时数据流和更高级的数据分析技术。3燃烧实验数据采集3.1数据采集原理与方法在燃烧实验中，数据采集是确保实验结果准确性和可靠性的关键步骤。数据采集涉及测量燃烧过程中的各种物理和化学参数，如温度、压力、气体浓度、火焰传播速度等。这些参数对于理解燃烧机理、优化燃烧过程和设计安全系统至关重要。3.1.1原理数据采集系统通常包括传感器、数据采集卡（DAQ）、计算机和数据处理软件。传感器将物理量转换为电信号，DAQ将这些电信号数字化并传输给计算机，数据处理软件则用于存储、分析和可视化这些数据。3.1.2方法时间序列采集：记录随时间变化的参数，如温度随时间的变化。空间分布采集：测量空间不同位置的参数，如火焰不同高度的温度。多参数同步采集：同时记录多种参数，以分析它们之间的相互作用。3.2传感器与测量技术3.2.1传感器热电偶：用于测量温度，通过两种不同金属的接触点产生电压差来反映温度变化。压力传感器：测量燃烧室内的压力变化，常用于研究燃烧过程的动态特性。光学传感器：如光谱仪，用于测量火焰的光谱特性，从而推断气体浓度和燃烧效率。3.2.2测量技术激光诱导荧光（LIF）：通过激光激发燃烧产物中的特定分子，测量其荧光强度来确定浓度。粒子图像测速（PIV）：使用粒子和高速相机来测量流体的速度场，适用于研究火焰传播速度。3.3数据记录与存储数据记录与存储是数据采集过程中的重要环节，确保数据的完整性和可用性。3.3.1记录实时记录：使用高速数据采集卡，确保数据的实时性和连续性。触发记录：在特定事件（如点火）发生时开始记录，以节省存储空间。3.3.2存储本地存储：使用计算机硬盘或固态硬盘存储数据。云存储：将数据上传至云端，便于远程访问和团队协作。3.3.3示例：使用Python进行数据记录importnumpyasnp

importmatplotlib.pyplotasplt

fromdatetimeimportdatetime

#模拟传感器数据

defsimulate_sensor_data(duration,sample_rate):

time=np.linspace(0,duration,duration*sample_rate,endpoint=False)

data=np.sin(2*np.pi*1*time)+np.random.normal(0,0.1,time.shape)

returntime,data

#数据记录

defrecord_data(duration,sample_rate):

time,data=simulate_sensor_data(duration,sample_rate)

now=datetime.now().strftime("%Y%m%d_%H%M%S")

filename=f"sensor_data_{now}.txt"

np.savetxt(filename,np.column_stack((time,data)),header="Time(s),Data")

print(f"Datarecordedto{filename}")

#数据读取与可视化

defplot_data(filename):

data=np.loadtxt(filename)

time=data[:,0]

sensor_data=data[:,1]

plt.plot(time,sensor_data)

plt.xlabel("Time(s)")

plt.ylabel("SensorData")

plt.title("SensorDataOverTime")

plt.show()

#主程序

if__name__=="__main__":

duration=10#秒

sample_rate=100#Hz

record_data(duration,sample_rate)

plot_data("sensor_data_20230401_120000.txt")3.3.3.1描述此示例展示了如何使用Python模拟传感器数据的采集、记录和读取。simulate_sensor_data函数生成模拟的传感器数据，record_data函数将这些数据记录到本地文件中，而plot_data函数则用于读取文件并可视化数据。通过调整duration和sample_rate参数，可以模拟不同长度和采样率的数据记录过程。3.3.4注意事项确保数据采集系统的采样率足够高，以捕捉燃烧过程中的快速变化。数据存储应考虑数据安全和隐私，特别是在处理敏感实验数据时。定期备份数据，以防数据丢失。通过上述方法和技术，可以有效地进行燃烧实验的数据采集，为燃烧科学的研究提供坚实的基础。4燃烧实验数据分析与处理4.1数据预处理技术数据预处理是燃烧实验数据分析的第一步，它包括数据清洗、数据转换和数据归一化等过程，以确保后续分析的准确性和可靠性。4.1.1数据清洗数据清洗旨在去除数据中的噪声和异常值。例如，燃烧实验中，传感器可能会偶尔记录错误的温度或压力值。这些异常值需要被识别并剔除。4.1.1.1示例代码importnumpyasnp

importpandasaspd

#假设我们有以下实验数据

data={'Temperature':[300,305,310,315,320,325,330,335,340,345,350,355,360,365,370,375,380,385,390,4000],

'Pressure':[1,1.1,1.2,1.3,1.4,1.5,1.6,1.7,1.8,1.9,2.0,2.1,2.2,2.3,2.4,2.5,2.6,2.7,2.8,29]}

df=pd.DataFrame(data)

#使用Z-score方法识别并去除异常值

z_scores=np.abs((df-df.mean())/df.std())

outliers=(z_scores>3).any(axis=1)

df_clean=df[~outliers]

print(df_clean)4.1.2数据转换数据转换包括将数据转换为适合分析的格式，例如，将温度从摄氏度转换为开尔文。4.1.2.1示例代码#将摄氏度转换为开尔文

df_clean['Temperature_K']=df_clean['Temperature']+273.15

print(df_clean)4.1.3数据归一化数据归一化是将数据缩放到一个特定的范围，如0到1，以消除量纲的影响。4.1.3.1示例代码#使用最小-最大归一化

df_normalized=(df_clean-df_clean.min())/(df_clean.max()-df_clean.min())

print(df_normalized)4.2燃烧特性参数提取燃烧特性参数提取是分析燃烧过程的关键，包括燃烧速率、火焰温度、燃烧效率等参数的计算。4.2.1燃烧速率计算燃烧速率可以通过测量燃料消耗量随时间的变化来计算。4.2.1.1示例代码#假设我们有燃料消耗量随时间变化的数据

fuel_consumption={'Time':[0,1,2,3,4,5],

'Fuel':[100,95,90,85,80,75]}

df_fuel=pd.DataFrame(fuel_consumption)

#计算燃烧速率

df_fuel['Burning_Rate']=df_fuel['Fuel'].diff()/df_fuel['Time'].diff()

print(df_fuel)4.2.2火焰温度计算火焰温度可以通过测量燃烧产物的光谱来估算，这里我们简化为直接从实验数据中读取。4.2.2.1示例代码#假设我们有火焰温度数据

flame_temperature={'Time':[0,1,2,3,4,5],

'Temperature':[300,350,400,450,500,550]}

df_temp=pd.DataFrame(flame_temperature)

#火焰温度即为Temperature列

print(df_temp)4.2.3燃烧效率计算燃烧效率是衡量燃烧过程是否完全的一个指标，可以通过燃烧产物的分析来计算。4.2.3.1示例代码#假设我们有燃烧产物中CO和CO2的浓度数据

combustion_products={'Time':[0,1,2,3,4,5],

'CO':[0.01,0.008,0.006,0.004,0.002,0],

'CO2':[0.09,0.1,0.11,0.12,0.13,0.14]}

df_products=pd.DataFrame(combustion_products)

#计算燃烧效率

df_products['Efficiency']=df_products['CO2']/(df_products['CO2']+df_products['CO'])

print(df_products)4.3数据分析软件使用数据分析软件如MATLAB、Python的Pandas库等，提供了丰富的工具和函数来处理和分析燃烧实验数据。4.3.1PythonPandas库使用Pandas库是Python中用于数据处理和分析的强大工具，上述示例代码中已经展示了如何使用Pandas进行数据清洗、转换和参数提取。4.4实验结果可视化实验结果的可视化是理解燃烧过程的关键，可以使用Python的Matplotlib或Seaborn库来创建图表。4.4.1示例代码importmatplotlib.pyplotasplt

#绘制燃烧速率随时间变化的图表

plt.figure(figsize=(10,5))

plt.plot(df_fuel['Time'],df_fuel['Burning_Rate'],label='BurningRate')

plt.xlabel('时间(s)')

plt.ylabel('燃烧速率(g/s)')

plt.title('燃烧速率随时间变化')

plt.legend()

plt.show()

#绘制火焰温度随时间变化的图表

plt.figure(figsize=(10,5))

plt.plot(df_temp['Time'],df_temp['Temperature'],label='FlameTemperature')

plt.xlabel('时间(s)')

plt.ylabel('温度(K)')

plt.title('火焰温度随时间变化')

plt.legend()

plt.show()

#绘制燃烧效率随时间变化的图表

plt.figure(figsize=(10,5))

plt.plot(df_products['Time'],df_products['Efficiency'],label='CombustionEfficiency')

plt.xlabel('时间(s)')

plt.ylabel('效率')

plt.title('燃烧效率随时间变化')

plt.legend()

plt.show()通过上述代码，我们可以清晰地看到燃烧速率、火焰温度和燃烧效率随时间的变化趋势，这对于理解燃烧过程和优化燃烧条件至关重要。5实验案例研究5.1点火实验案例分析5.1.1原理与内容点火实验是燃烧科学中的基础实验之一，旨在研究燃料在特定条件下的点火特性。实验通常涉及测量燃料的点火延迟时间、点火温度和点火压力等关键参数，这些参数对于理解燃烧过程的起始阶段至关重要。点火实验可以通过多种方式执行，包括使用快速压缩流实验装置、点火质量流量控制器或激光诱导点火等技术。5.1.2数据采集数据采集在点火实验中是核心环节，它包括温度、压力、燃料流量和燃烧产物的光谱分析等。例如，使用热电偶测量温度，压力传感器记录压力变化，同时利用高速摄像机捕捉燃烧过程的图像，以便后续分析。5.1.2.1示例代码：温度数据采集#温度数据采集示例

importtime

importnumpyasnp

#假设使用的是模拟热电偶

classThermocouple:

def__init__(self):

self.temperature=25#初始温度，单位：摄氏度

defread_temperature(self):

#模拟温度读取，每秒增加1摄氏度

self.temperature+=1

returnself.temperature

#创建热电偶实例

thermocouple=Thermocouple()

#数据采集

temperatures=[]

for_inrange(10):#假设采集10秒的数据

temperatures.append(thermocouple.read_temperature())

time.sleep(1)

#打印采集到的温度数据

print(temperatures)5.1.3数据处理数据处理阶段，需要对采集到的原始数据进行清洗、转换和分析，以提取有意义的信息。例如，通过滤波去除温度数据中的噪声，使用数值方法计算点火延迟时间，以及通过光谱分析确定燃烧产物的组成。5.1.3.1示例代码：温度数据滤波#温度数据滤波示例

importnumpyasnp

fromscipy.signalimportsavgol_filter

#假设这是从实验中采集到的温度数据

temperatures=np.array([25,26,27,28,29,30,31,32,33,34])

#使用Savitzky-Golay滤波器进行滤波

filtered_temperatures=savgol_filter(temperatures,5,2)

#打印滤波后的温度数据

print(filtered_temperatures)5.2熄火实验案例分析5.2.1原理与内容熄火实验用于研究燃烧过程的终止条件，即在何种条件下火焰会熄灭。这通常涉及到调整燃烧环境中的氧气浓度、温度或燃料浓度，观察火焰的稳定性。熄火实验的数据分析可以帮助确定燃料的熄火极限，这对于设计安全的燃烧系统至关重要。5.2.2数据采集熄火实验的数据采集与点火实验类似，但更侧重于记录火焰稳定性和熄灭的瞬间。这可能包括使用火焰探测器来监测火焰状态，以及记录熄灭前后的环境参数变化。5.2.2.1示例代码：火焰探测器数据采集#火焰探测器数据采集示例

importtime

#假设使用的是模拟火焰探测器

classFlameDetector:

def__init__(self):

self.flame_status=True#初始状态：火焰存在

defread_flame(self):

#模拟火焰状态变化，每5秒熄灭一次

ifself.flame_status:

self.flame_status=False

return"Flameoff"

else:

self.flame_status=True

return"Flameon"

#创建火焰探测器实例

detector=FlameDetector()

#数据采集

flame_status=[]

for_inrange(10):#假设采集10秒的数据

flame_status.append(detector.read_flame())

time.sleep(1)

#打印采集到的火焰状态数据

print(flame_status)5.2.3数据处理熄火实验的数据处理可能包括识别火焰熄灭的瞬间，分析熄灭前后的参数变化，以及计算熄火极限。例如，通过分析氧气浓度与火焰稳定性之间的关系，可以确定燃料的最低氧气浓度熄火极限。5.2.3.1示例代码：火焰状态分析#火焰状态分析示例

#假设这是从实验中采集到的火焰状态数据

flame_status=["Flameon","Flameon","Flameoff","Flameoff","Flameon"]

#分析火焰状态，确定熄灭瞬间

flame_off_moments=[ifori,statusinenumerate(flame_status)ifstatus=="Flameoff"]

#打印火焰熄灭的瞬间

print("Flameoffmoments:",flame_off_moments)5.3数据处理与结果对比数据处理完成后，需要将点火实验和熄火实验的结果进行对比分析，以全面理解燃料的燃烧特性。这可能包括绘制温度-时间曲线、压力-时间曲线，以及对比不同实验条件下的点火延迟时间和熄火极限。5.3.1示例代码：结果对比分析#结果对比分析示例

importmatplotlib.pyplotasplt

#假设这是点火实验的温度数据

ignition_temperatures=[25,26,27,28,29,30,31,32,33,34]

#假设这是熄火实验的温度数据

extinction_temperatures=[34,33,32,31,30,29,28,27,26,25]

#绘制温度-时间曲线

plt.figure(figsize=(10,5))

plt.plot(ignition_temperatures,label='IgnitionExperiment')

plt.plot(extinction_temperatures,label='ExtinctionExperiment')

plt.xlabel('Time(s)')

plt.ylabel('Temperature(°C)')

plt.title('Temperature-TimeCurveComparison')

plt.legend()

plt.show()通过上述代码示例，我们可以看到如何在点火和熄火实验中采集和处理数据，以及如何进行初步的对比分析。这些步骤是燃烧实验技术中不可或缺的部分，对于深入理解燃烧过程至关重要。6高级燃烧实验技术6.1实验误差分析与控制6.1.1原理在燃烧实验中，误差分析与控制是确保实验数据准确性和实验结果可靠性的关键步骤。误差主要来源于测量设备的精度、实验操作的规范性、环境因素的影响以及数据处理方法的适用性。控制实验误差的方法包括但不限于：使用高精度的测量仪器、标准化实验操作流程、控制实验环境条件以及采用合理的数据处理和统计分析技术。6.1.2内容测量设备的校准与选择：选择适合实验需求的测量设备，并定期进行校准，以减少系统误差。实验操作的标准化：制定详细的实验操作指南，确保每次实验条件的一致性，减少随机误差。环境条件的控制：如温度、湿度、气压等，这些条件的变化会直接影响燃烧过程和测量结果。数据处理与统计分析：采用适当的数学模型和统计方法对实验数据进行处理，识别和减少误差。6.1.3示例假设我们正在分析燃烧实验中的温度数据，使用Python进行数据处理和误差分析：importnumpyasnp

importmatplotlib.pyplotasplt

#假设的实验温度数据，单位：摄氏度

temperature_data=np.array([200,205,210,215,220,225,230,235,240,245])

#假设的测量误差，单位：摄氏度

measurement_error=np.random.normal(0,2,size=len(temperature_data))

#加入误差后的数据

temperature_data_with_error=temperature_data+measurement_error

#绘制原始数据和加入误差后的数据

plt.figure(figsize=(10,5))

plt.plot(temperature_data,label='原始数据')

plt.plot(temperature_data_with_error,label='加入误差后的数据')

plt.legend()

plt.title('燃烧实验温度数据与误差分析')

plt.xlabel('实验次数')

plt.ylabel('温度（摄氏度）')

plt.show()

#计算平均值和标准差

mean_temperature=np.mean(temperature_data_with_error)

std_deviation=np.std(temperature_data_with_error)

print(f'平均温度:{mean_temperature:.2f}摄氏度')

print(f'温度的标准差:{std_deviation:.2f}摄氏度')此代码示例展示了如何通过Python生成包含随机误差的温度数据，并使用统计方法（平均值和标准差）来分析这些数据。通过可视化，我们可以直观地看到误差对数据的影响。6.2高级数据处理技巧6.2.1原理高级数据处理技巧在燃烧实验中至关重要，它包括数据清洗、异常值检测、数据转换和模型拟合等步骤。这些技巧有助于从原始数据中提取更深层次的信息，提高实验结果的解释力。6.2.2内容数据清洗：去除无效或错误的数据点。异常值检测：识别并处理超出正常范围的数据点。数据转换：如对数转换、归一化等，使数据更适合后续分析。模型拟合：使用数学模型来拟合实验数据，预测燃烧过程的特性。6.2.3示例使用Python进行数据清洗和异常值检测：importpandasaspd

#创建包含异常值的燃烧实验数据

data={'实验编号':[1,2,3,4,5,6,7,8,9,10],

'燃烧温度':[200,205,210,215,220,225,230,235,240,1000]}

df=pd.DataFrame(data)

#使用IQR方法检测异常值

Q1=df['燃烧温度'].quantile(0.25)

Q3=df['燃烧温度'].quantile(0.75)

IQR=Q3-Q1

lower_b