La colaboración humano-robot para la exploración de la superficie lunar requiere altos estándares de seguridad y procedimientos operativos tediosos. Este proceso genera una extensa cantidad de datos relacionados con las tareas, incluyendo varios tipos de fallos y factores influyentes. Sin embargo, estos datos son característicos de series temporales multidimensionales y entrelazadas. Además, las tareas prolongadas y el acoplamiento de datos multifactoriales representan desafíos significativos para los astronautas en la consecución de una localización y resolución de fallos seguras y eficientes. En este artículo, proponemos un método para mejorar los modelos de lenguaje grande (LLMs) básicos mediante la incorporación de gráficos de conocimiento (KGs) sobre la exploración de la superficie lunar, asistiendo así a los astronautas en el razonamiento sobre fallos durante el proceso de exploración. Se construye un conjunto de datos de diálogo de múltiples rondas a través del subgrafo de conocimiento incorporado en el proceso de análisis de solicitudes. El LLM se ajusta finamente utilizando el método de p-tuning para desarrollar un LLM especializado adecuado para la exploración de la superficie lunar. Con referencia a la teoría de la conciencia situacional (SA), se diseñan indicaciones de múltiples niveles para facilitar diálogos de múltiples rondas y ayudar en la toma de decisiones. Un estudio de caso muestra que nuestro modelo propuesto exhibe mayor experiencia y fiabilidad en la respuesta a tareas de exploración de la superficie lunar que los modelos comerciales clásicos, como ChatGPT y GPT-4. Los resultados indican que nuestro método proporciona una ayuda fiable y eficiente para los astronautas en el análisis de fallos durante la exploración de la superficie lunar.