欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

化学品安全标签八个要素总漏项,用规则引擎先做一次合规体检

上邦AI工程团队2026-11-20阅读 约 12 分钟
安全标签漏写信号词、象形图避让关系出错,往往不是态度问题,而是三套标准被混成了一张表。本文把 GB 15258 的八要素与 SDS 十六章拆成机器可判定的字段,用规则引擎做完整性、一致性、避让关系三类校验,大模型只负责从 PDF 抽取字段值。附可运行校验骨架与一家精细化工企业的六周落地记录。
这套做法只在一个前提下成立:企业经营的危险化学品种类多、SKU 在数百量级,安全标签由不同岗位的人反复制作,而合规审核靠人眼一张张看。做法是先把 GB 15258 的八个要素与 SDS 的十六个章节拆成机器可判定的字段,再用规则引擎对每张标签做完整性、一致性、避让关系三类校验,大模型只负责从 PDF 里抽取字段值、不负责判断对错。一家两百人上下的精细化工企业,把四百多个 SKU 的标签模板建完大约需要六到八周,此后每新增一个品种的增量校验在十分钟以内。最容易踩的坑是让大模型直接生成整张标签:H 语句和 P 语句有强制分配规则,象形图之间有明确的避让关系,模型凭语感生成的内容看着像模像样,却可能在监督检查里被判为标识不合规。

先把三套标准各自管什么分清楚

很多企业的标签模板之所以越改越乱,根子是把三套标准混成了一张 Excel。GB 15258-2009《化学品安全标签编写规定》管的是标签的编写,规定了化学品标识、象形图、信号词、危险性说明、防范说明、供应商标识、应急咨询电话、资料参阅提示语共八个要素,并按容器容积给出标签最低尺寸:大于 0.1 升到 3 升用 50 毫米乘 75 毫米,大于 50 升到 500 升用 100 毫米乘 150 毫米,大于 1000 升用 200 毫米乘 300 毫米。小于等于 100 毫升的小包装可以用简化标签,简化标签可以省去防范说明。
GB/T 16483-2008《化学品安全技术说明书 内容和项目顺序》管的是 SDS 本身,规定十六个固定章节且顺序不可调整,从化学品及企业标识、危险性概述,一路到运输信息、法规信息和其他信息。GB 30000.1-2024《化学品分类和标签规范 第 1 部分:通则》于 2025 年 8 月 1 日实施,对应全球化学品统一分类和标签制度第八修订版,管的是分类逻辑,以及象形图、信号词、H 语句、P 语句具体怎么分配。三者是格式、内容、分类三层关系:15258 决定标签长什么样,16483 决定 SDS 写什么,30000 决定某个物质该挂哪些危险短语。校验规则必须按这三层分开建,混在一起就无从判断某条错误到底属于哪一层。

规则引擎真正要判的是三类关系

第一类是完整性。八个要素缺一不可,但「缺」的定义要落到字段级别:象形图要素为空、信号词为空、危险性说明只有代码没有全文、应急咨询电话只写了供应商电话而没有境内 24 小时化学事故应急咨询电话,都算缺失。完整性判定还受容积影响,同一个字段在 500 毫升包装上是必填,在 50 毫升简化标签上可以豁免,所以规则要带一个 container_volume 入参,不能写死。把容积作为条件变量,是这套校验能复用的关键。
第二类是一致性。标签上的化学品中英文名称、供应商名称地址、成分信息必须和 SDS 对应章节一致。实际项目里高发的不一致有两类:一是 SDS 改版后标签没跟着改,危险性概述里已经补上新的 H 语句,标签还停留在旧版;二是同一物质在不同 SDS 里用了不同商品名,标签跟着其中一份走,另一份就对不上。一致性校验要做的不是逐字比对全文,而是抽若干关键字段做归一化后比对——把全角半角、空格、繁简体、分子式大小写统一,再判断是否相等,否则会把「1,2-二氯乙烷」和「1,2 二氯乙烷」这种纯排版差异报成错误。
第三类是避让关系,也是最容易被忽略、最容易被监督检查点名的一类。信号词只有危险和警告两级,出现危险时不应再出现警告;象形图如果用骷髅和交叉骨,就不应同时出现感叹号;危险性说明要按物理危险、健康危险、环境危险的顺序排列;出现 H314 造成严重皮肤灼伤和眼损伤时,可以省略 H318 造成严重眼损伤。这些是标准里的硬规则,不是风格建议。人眼审核时,审核员未必记得全部避让组合,规则引擎的优势恰恰在这里:它不会因为看了四十张标签而疲劳,也不会因为某天赶出货就放行。

把八要素拆成可判定的字段

1. product_id 与 substance_name:SKU 编号加中英文名称,名称必须与 SDS 第 1 章归一化后完全一致,不一致直接判错。
2. container_volume_l:容器容积,数值型,决定走标准标签还是简化标签,并决定最小标签尺寸档位。
3. pictograms:象形图代码列表,取值限定在 GB 30000 系列规定的九种之内,用集合存储便于做避让判断。
4. signal_word:信号词,枚举值只有 danger、warning、none 三种,自由文本一律拒绝入库。
5. h_statements 与 p_statements:危险性说明与防范说明,存代码加全文的键值对,代码用于规则匹配,全文用于印刷。
6. supplier 与 emergency_phone:供应商三要素(名称、地址、电话)与境内 24 小时应急咨询电话,后者单独成字段,不与供应商电话合并。
7. reference_phrase:资料参阅提示语,固定文案,校验只确认存在性,不允许改写。
8. sds_version:关联的 SDS 版本号,用于一致性校验时定位比对对象,版本缺失的标签不许进入发布流程。

一段能跑的校验骨架

下面这段骨架只演示判定逻辑,不连接真实数据库。它把三类校验拆成独立函数,好处是某条规则被质疑时能单独复现,而不是在一个大黑盒里翻找。规则本身应当版本化,改一次留一次提交记录,避免「这条规则为什么这么写」变成无人能答的历史问题。
REQUIRED_FULL = ['substance_name','pictograms','signal_word',
                 'h_statements','p_statements','supplier',
                 'emergency_phone','reference_phrase']
REQUIRED_SIMPLIFIED = ['substance_name','pictograms','signal_word',
                       'h_statements','emergency_phone','supplier','reference_phrase']
PICTO_AVOID = frozenset([('skull_crossbone','exclamation')])
H_SUPPRESS = {'H314': 'H318'}

def normalize(s):
    return ''.join(s.split()).lower().replace('(','(').replace(')',')')

def check_complete(label):
    keys = REQUIRED_SIMPLIFIED if label['container_volume_l'] <= 0.1 else REQUIRED_FULL
    return [k for k in keys if not label.get(k)]

def check_consistency(label, sds):
    bad = []
    if normalize(label['substance_name']) != normalize(sds['substance_name']):
        bad.append('substance_name_mismatch')
    if label.get('sds_version') != sds['version']:
        bad.append('sds_version_stale')
    return bad

def check_avoid(label):
    bad = []
    pics = set(label['pictograms'])
    for a, b in PICTO_AVOID:
        if a in pics and b in pics:
            bad.append('pictogram_conflict_' + a)
    codes = set(label['h_statements'])
    for full, sub in H_SUPPRESS.items():
        if full in codes and sub in codes:
            bad.append('h_statement_redundant_' + sub)
    return bad

def audit(label, sds):
    return {'missing': check_complete(label),
            'inconsistent': check_consistency(label, sds),
            'avoid': check_avoid(label)}
三个函数分别返回缺失字段、不一致项和避让冲突,调用方把它们汇总成一张体检表。注意 check_avoid 里的象形图冲突用了 frozenset 常量而不是散落在代码里的判断——把标准条款集中成常量表,将来 GB 30000 系列更新时只需改一处。代码里的 <= 是小于或等于号在 HTML 中的转义写法,实际运行的是标准的比较运算符。

让大模型抽取字段,而不是生成标签

正确的分工是:把供应商发来的 SDS 的 PDF 交给大模型,让它按预定义 schema 抽取 substance_name、h_statements、p_statements、signal_word 等字段值,输出严格的 JSON;抽取结果进入规则引擎做判定;判定不通过的字段退回人工确认。大模型在这里干的是识别与转录的力气活,判断对错的权力留在规则手里。这套抽取与校验分工,和企业私有 AI 知识库的建设思路一脉相承:把依据沉淀成可检索的语料,把判断留给规则与人。约束靠的是 schema——字段名、枚举值、必填项写死在提示词和校验代码里,模型没有自由发挥的空间。
抽取质量的关键在于回源。每个字段除了值,还要带上它在 PDF 里的页码和原文片段,审核员点开一条告警就能看到依据,不必重新翻几十页文档。把这套「字段加出处」的抽取结果沉淀进企业知识库,新来的审核员问「这条 H 语句是从哪来的」,答案是可检索的,而不是靠问离职同事。这也是企业私有 AI 知识库在合规场景里最有价值的地方:它保存的不只是结论,还有结论的来路。

一家精细化工企业的六周

某华东精细化工企业,员工 210 人,经营 430 多个 SKU,其中约六成是需要一书一签的危险化学品。原来的做法是安全员用 Word 模板手工改标签,四名安全员里只有两人完整培训过 GHS,标签出错主要靠客户投诉或出货前抽查发现,一次内部抽查在 120 张标签里查出 27 张存在要素缺失或避让错误,漏检率约 22%。上线内容是把 430 个 SKU 的 SDS 抽取成结构化字段,建立标签模板库与规则集,出货前自动体检。项目从启动到全量跑通用了七周,其中 SDS 抽取与人工校对占四周,规则调试占两周,试运行一周。上线后首批 120 张标签的要素错误降到 2 张,检出率从约 78% 提升到约 98%,单张标签的人工复审时间从平均 6 分钟降到 1.5 分钟。收益没有夸张之处:它减少的是返工和投诉,不是凭空创造销售额。
这个项目里最先见效的不是自动校验,而是字段统一。以前安全员改标签时,同一个供应商在四份 SDS 里写成四种名字,抽取成结构化字段后这类歧义一次性暴露,光是清洗供应商名称就花了三天。这提示了一条经验:合规自动化的第一笔投入往往花在数据治理上,规则引擎反而是最后一步。

什么时候这套方法不管用

边界要说清楚:混合物按组分数据推导分类时,架桥原则和浓度阈值的判断仍需要专业人员拍板,规则引擎只能校验推导结果是否自洽,不能替代分类本身;未被列入危险化学品目录但符合 GHS 分类的物质,同样需要标签和 SDS,不能因为「目录里没有」就跳过校验。规则只覆盖可形式化的部分,最终签署责任仍在企业。

参考来源

GB 15258-2009《化学品安全标签编写规定》- 国家标准化管理委员会,规定安全标签八项要素与不同容积下的标签最低尺寸。
GB/T 16483-2008《化学品安全技术说明书 内容和项目顺序》- 国家标准化管理委员会,规定 SDS 十六项固定章节及顺序。
GB 30000.1-2024《化学品分类和标签规范 第 1 部分:通则》- 国家标准化管理委员会,2025 年 8 月 1 日实施,对应 GHS 第八修订版。
相关标签:危化品合规GHS 标签SDS规则引擎文档抽取

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案