La Computación Analógica en Memoria (ACIM) combina las ventajas tanto de la Computación en Memoria (CIM) como de la computación analógica, haciéndola adecuada para el diseño de aceleradores de hardware eficientes en energía para aplicaciones DNN computacionalmente intensivas. Sin embargo, su uso introducirá fallas de hardware que disminuirán la precisión de DNN. En este trabajo, tomamos Sandwich-Ram como ejemplo real de hardware de ACIM y somos los primeros en proponer un marco de inyección de fallas y entrenamiento consciente de fallas para él, llamado Simulador de Computación Analógica en Memoria (ACIMS). Utilizando este marco, podemos simular y reparar las fallas de hardware de ACIM. Los resultados experimentales muestran que ACIMS puede recuperar el 91.0%, 93.7% y 89.8% de la disminución de precisión de DNN a través de la reentrenamiento en los conjuntos de datos MNIST, SVHN y Cifar-10, respectivamente; además, su precisión ajustada puede alcanzar el 97.0%, 95.3% y 92.4%.