Este documento propone un método de control de rendimiento prescrito basado en redes neuronales de tiempo fijo (FNN-PPCM) para manipuladores de robots. Se diseña un controlador de modo deslizante de tiempo fijo (SMC) teniendo en cuenta sus fortalezas y debilidades. Sin embargo, para abordar las limitaciones del controlador, el documento sugiere enfoques alternativos para lograr el objetivo de control deseado. Para mantener la estabilidad durante la operación de un robot, es crucial mantener los estados de error dentro de un rango establecido. Para formar los sistemas no restringidos correspondientes a los sistemas restringidos del robot, aplicamos funciones de rendimiento prescrito modificadas (PPFs) y un conjunto de errores transformados. Las PPFs ayudan a regular los errores en estado estacionario dentro de un rango de rendimiento que tiene límites simétricos alrededor de cero, asegurando así que el error de seguimiento sea cero cuando el error transformado es cero. Además, utilizamos una superficie deslizante libre de singularidades diseñada utilizando errores transformados para determinar el intervalo de convergencia de tiempo fijo y los errores de control máximos permitidos durante la operación en estado estacionario. Para abordar las incertidumbres agrupadas, empleamos una red neuronal de función de base radial (RBFNN) que aproxima directamente su valor. Al seleccionar los errores transformados como la entrada para el RBFNN, podemos minimizar estos errores mientras limitamos los errores de seguimiento. Esto resulta en una estimación más precisa y rápida, que es superior a usar los errores de seguimiento como entrada para el RBFNN. El procedimiento de diseño de nuestro enfoque se basa en SMC de tiempo fijo combinado con PPC. El método integra un RBFNN para una estimación precisa de la incertidumbre, dinámicas no restringidas y una superficie deslizante de convergencia de tiempo fijo basada en el error transformado. Al utilizar este diseño, podemos lograr un rendimiento prescrito de tiempo fijo, abordar efectivamente el trasteo y solo requerir un modelo de dinámica parcial del robot. Realizamos simulaciones numéricas en un manipulador de robots de 3 grados de libertad para confirmar la efectividad y superioridad del FNN-PPCM.