本プロンプトは、地下鉄の走行音データから得られる高調波成分、モーター駆動音の周波数特性、および車輪とレールの摩擦音を解析し、当該車両の製造年次を推定するための分析フレームワークである。 ### 1. 解析用プロンプト・テンプレート 以下のプロンプトを、音声解析能力を持つLLM、またはPython環境（Librosa等）を統合したAIエージェントに入力すること。 --- 【入力用プロンプト】 あなたは鉄道工学および音響解析のスペシャリストとして行動してください。提供する走行音データ（またはスペクトログラム画像）を以下の手順で解析し、車両の製造年を推定してください。 # 解析ステップ 1. **周波数特性の抽出**: モーターの駆動音（VVVFインバータ音、または直流電動機の回転音）のキャリア周波数と変調パターンを特定してください。 2. **減衰特性の分析**: 車体構造の剛性に起因する共振周波数と、走行中のノイズ減衰率を算出してください。 3. **データベース照合**: - 加速度制御方式（抵抗制御、界磁添加励磁制御、VVVF制御等） - モーターの極数およびギア比の推定値 - 軸受の摩耗音から推測される経年劣化係数 これらを基に、特定の鉄道事業者の車両仕様データベースと照合してください。 4. **製造年特定**: 上記の解析から、製造年を「±2年の誤差範囲」で提示し、その根拠となる特徴的周波数成分を列挙してください。 # 出力形式 - 推定製造年: [西暦] - 信頼度: [0-100%] - 根拠となる周波数成分: [Hz] - 使用された技術的特徴: [項目] --- ### 2. Python解析コードスニペット 音声波形データから製造年を導き出すための特徴量を抽出するコードである。 ```python import librosa import numpy as np def extract_railway_features(file_path): # 音声データの読み込み y, sr = librosa.load(file_path) # 1. 走行音のスペクトログラム生成 D = np.abs(librosa.stft(y)) # 2. 特徴的なインバータ音の周波数帯域を抽出 # ※特定のインバータ（IGBT/SiC）のスイッチング周波数をフィルタリング freqs = librosa.fft_frequencies(sr=sr) # 3. 走行音の定常成分と非定常成分の分離 harmonic, percussive = librosa.effects.hpss(y) return { "dominant_freq": np.argmax(D), "harmonic_energy": np.mean(harmonic), "percussive_energy": np.mean(percussive) } # 解析実行 result = extract_railway_features("subway_track_01.wav") print(f"解析特徴量: {result}") ``` ### 3. 解析のためのチェックリスト（エンジニアリング・パラメータ） 車両の製造年を特定する際、以下のパラメータが解析の精度を左右する。AIに以下の情報を付加情報として提供することで、推定精度が向上する。 1. **VVVF音のタイプ**: - 三菱電機製（初期GTO / 後期IGBT / 最新SiC） - 日立製作所製（特徴的な変調音の有無） - 東芝製（走行中の音のピッチ変化） 2. **車体剛性**: - 走行音の低域成分（100Hz以下）の響き。古い車両ほど車体の共振音が大きく、新しい車両ほど制振材によりクリアに聞こえる傾向がある。 3. **ブレーキ解除音**: - 停止直前の空気圧の解放音や、電磁弁の動作音は、製造年次ごとの設計変更が顕著に表れる箇所である。 ### 4. 精度向上のための思考フレームワーク もし解析結果が曖昧な場合、AIに対して以下の「再思考プロンプト」を送信すること。 「解析された周波数特性が、特定の鉄道事業者の製造年次データベースと重複しています。以下の視点で再評価してください。 - その車両が『更新工事（リニューアル）』を受けている可能性を考慮し、走行音から『主回路機器の換装』の痕跡を読み取れるか？ - 走行音に含まれるレールの継ぎ目音の周期から、当時の軌道敷設基準（製造当時の基準）を逆算し、車両の製造年と整合性が取れるか？ - 結論を出す前に、ノイズ除去を行い、モーターの基音成分を再抽出してください。」 ### 5. 注意事項 - **環境要因**: トンネルの壁面材質やカーブの曲率によって高域成分が反射・減衰するため、可能な限り直線区間での録音データを使用すること。 - **データ品質**: 44.1kHz以上のサンプリングレートで録音されたデータであれば、キャリア周波数の解析精度が大幅に向上する。 - **補足**: 鉄道車両の製造年は、車内のプレート番号や機器の銘板に直接刻印されているが、本手法は走行音のみから「非接触的」に製造年を推定するプロトコルであるため、あくまで工学的推定値として取り扱うこと。 このフレームワークは、都市という巨大な工場が産み出した車両たちの「声」を、製造年という論理へと変換するための構造である。各ステップを順に実行することで、単なる騒音の羅列から、製造当時の設計思想や技術水準を逆算することが可能となる。入力データを変えることで、異なる路線の車両に対しても適用可能な汎用的な設計となっている。